订阅相机参数及图像流进行装甲板的识别并解算三维位置，输出识别到的装甲板在输入frame下的三维位置 (一般是以相机光心为原点的相机坐标系)
装甲板识别节点
订阅：
- 相机参数
/camera_info - 彩色图像
/image_raw
发布：
- 识别目标
/detector/armors
静态参数：
- 筛选灯条的参数
light- 长宽比范围
min/max_ratio - 最大倾斜角度
max_angle
- 长宽比范围
- 筛选灯条配对结果的参数
armor- 两灯条的最小长度之比（短边/长边）
min_light_ratio - 装甲板两灯条中心的距离范围（大装甲板）
min/max_large_center_distance - 装甲板两灯条中心的距离范围（小装甲板）
min/max_small_center_distance - 装甲板的最大倾斜角度
max_angle
- 两灯条的最小长度之比（短边/长边）
动态参数：
- 是否发布 debug 信息
debug - 识别目标颜色
detect_color - 二值化的最小阈值
min_lightness - 数字分类器
classifier- 置信度阈值
threshold
- 置信度阈值
装甲板识别器
预处理
 |
 |
 |
|---|---|---|
| 原图 | 通过颜色二值化 | 通过灰度二值化 |
由于一般工业相机的动态范围不够大，导致若要能够清晰分辨装甲板的数字，得到的相机图像中灯条中心就会过曝，灯条中心的像素点的值往往都是 R=B。根据颜色信息来进行二值化效果不佳，因此此处选择了直接通过灰度图进行二值化，将灯条的颜色判断放到后续处理中。
寻找灯条
通过 findContours 得到轮廓，再通过 minAreaRect 获得最小外接矩形，对其进行长宽比和倾斜角度的判断，可以高效的筛除形状不满足的亮斑。
判断灯条颜色这里采用了对轮廓内的的R/B值求和，判断两和的的大小的方法，若 sum_r > sum_b 则认为是红色灯条，反之则认为是蓝色灯条。
 |
 |
|---|---|
| 提取出的红色灯条 | 提取出的蓝色灯条 |
配对灯条
根据 detect_color 选择对应颜色的灯条进行两两配对，首先筛除掉两条灯条中间包含另一个灯条的情况，然后根据两灯条的长度之比、两灯条中心的距离、配对出装甲板的倾斜角度来筛选掉条件不满足的结果，得到形状符合装甲板特征的灯条配对。
数字分类器
提取数字
 |
 |
 |
 |
|---|---|---|---|
| 原图 | 透视变换 | 取ROI | 二值化 |
考虑到数字图案实质上就是黑色背景+白色图案，所以此处使用了大津法进行二值化。
分类
由于上一步对于数字的提取效果已经非常好，数字图案的特征非常清晰明显，装甲板的远近、旋转都不会使图案产生过多畸变，且图案像素点少，所以我们使用多层感知机（MLP）进行分类。
网络结构中定义了两个隐藏层和一个分类层，将二值化后的数字展平成 20x28=560 维的输入，送入网络进行分类。
网络结构：
效果图：
PnP解算器
Perspective-n-Point (PnP) pose computation
PnP解算器将 cv::solvePnP() 封装，接口中传入 Armor 类型的数据即可得到 geometry_msgs::msg::Point 类型的三维坐标。
考虑到装甲板的四个点在一个平面上，在PnP解算方法上我们选择了 cv::SOLVEPNP_IPPE (Method is based on the paper of T. Collins and A. Bartoli. "Infinitesimal Plane-Based Pose Estimation". This method requires coplanar object points.)