请问openmv 如何识别形状不规则的物体，比如钥匙？

请问tag标签 3D定位的原理是什么？

单目是否可以完成三维定位？如果我想定位目标点的世界坐标，openmv是否可以完成？

请问例程中的机器学习能否扩展到别的物体？比如鸡蛋苹果之类的

请问 openmv 里得到的小球的xy像素坐标，如何转化成舵机旋转的角度的？

# 利用特征点检测特定物体例程。
# 向相机显示一个对象，然后运行该脚本。 一组关键点将被提取一次，然后
# 在以下帧中进行跟踪。 如果您想要一组新的关键点，请重新运行该脚本。
# 注意：请参阅文档以调整find_keypoints和match_keypoints。
import sensor, time, image
yellow_threshold   = (23, 97, 62, -5, 10, 94)
# Reset sensor
sensor.reset()

# Sensor settings
sensor.set_pixformat(sensor.RGB565) # 格式为 RGB565.
sensor.set_framesize(sensor.QVGA) # 使用 QQVGA 速度快一些
sensor.skip_frames(time = 2000) # 跳过2000s，使新设置生效,并自动调节白平衡
sensor.set_auto_gain(False) # 关闭自动自动增益。默认开启的，在颜色识别中，一定要关闭白平衡。
sensor.set_auto_whitebal(False)

#画出特征点
def draw_keypoints(img, kpts):
    if kpts:
        print(kpts)
        img.draw_keypoints(kpts)
#        img = sensor.snapshot()
#        time.sleep(1000)

def find_max(blobs):
    max_size=0
    for blob in blobs:
        if blob.pixels() > max_size:
            max_blob=blob
            max_size = blob.pixels()
    return max_blob

kpts1 = None
kpts2 = None
kpts3 = None
r = [0,0,0,0]
#kpts1保存目标物体的特征，可以从文件导入特征，但是不建议这么做。
#kpts1 = image.load_descriptor("/desc.orb")
#img = sensor.snapshot()
#draw_keypoints(img, kpts1)

clock = time.clock()

while (True):
    clock.tick()
    img = sensor.snapshot() 
    if (kpts1 == None):
        img = img.to_grayscale()
        #如果是刚开始运行程序，提取最开始的图像作为目标物体特征，kpts1保存目标物体的特征
        #默认会匹配目标特征的多种比例大小，而不仅仅是保存目标特征时的大小，比模版匹配灵活。
        # NOTE: By default find_keypoints returns multi-scale keypoints extracted from an image pyramid.
        kpts1 = img.find_keypoints(max_keypoints=150, threshold=1, scale_factor=1.2)
        draw_keypoints(img, kpts1)
    
    elif (kpts2 == None):
        img = sensor.snapshot() 
        img = img.to_grayscale()
        kpst2 = img.find_keypoints(max_keypoints=150, threshold=1, scale_factor=1.2)
        draw_keypoints(img, kpts2)
        #image.find_keypoints(roi=Auto, threshold=20, normalized=False, scale_factor=1.5, max_keypoints=100, corner_detector=CORNER_AGAST)
        #roi表示识别的区域，是一个元组（x,y,w,h）,默认与framsesize大小一致。
        #threshold是0~255的一个阈值，用来控制特征点检测的角点数量。用默认的AGAST特征点检测，这个阈值大概是20。用FAST特征点检测，这个阈值大概是60～80。阈值越低，获得的角点越多。
        #normalized是一个布尔数值，默认是False，可以匹配目标特征的多种大小（比ncc模版匹配效果灵活）。如果设置为True，关闭特征点检测的多比例结果，仅匹配目标特征的一种大小（类似于模版匹配），但是运算速度会更快一些。
        #scale_factor是一个大于1.0的浮点数。这个数值越高，检测速度越快，但是匹配准确率会下降。一般在1.35~1.5左右最佳。
        #max_keypoints是一个物体可提取的特征点的最大数量。如果一个物体的特征点太多导致RAM内存爆掉，减小这个数值。
        #corner_detector是特征点检测采取的算法，默认是AGAST算法。FAST算法会更快但是准确率会下降。
        #画出此时的目标特征
    elif (kpts1!= None and kpts2!= None):
        #当与最开始的目标特征进行匹配时，默认设置normalized=True，只匹配目标特征的一种大小。
        # NOTE: When extracting keypoints to match the first descriptor, we use normalized=True to extract
        # keypoints from the first scale only, which will match one of the scales in the first descriptor.
        kpts3 = img.find_keypoints(max_keypoints=150, threshold=1, scale_factor=1.2)
        #如果检测到特征物体
        if (kpts3):
            #匹配当前找到的特征和最初的目标特征的相似度
            match = image.match_descriptor(kpts1, kpts3, threshold=60)
            #image.match_descriptor(descritor0, descriptor1, threshold=70, filter_outliers=False)。本函数返回kptmatch对象。
            #threshold阈值设置匹配的准确度，用来过滤掉有歧义的匹配。这个值越小，准确度越高。阈值范围0～100，默认70
            #filter_outliers默认关闭。
            #match.count()是kpt1和kpt2的匹配的近似特征点数目。
            print("%d"%(match.count()))#如果大于10，证明两个特征相似，匹配成功。
            if (match.count()>2):
                r = match.rect()
                flag = 1
                flag1 = 1
                print(r)
                img = img.to_rgb565()
                img = sensor.snapshot()
                blobs = img.find_blobs([yellow_threshold],roi = r)
                if blobs:
                   max_blob=find_max(blobs)
                   img.draw_cross(max_blob.cx(), max_blob.cy())
                   print(max_blob.cx())
                   print(max_blob.cy())
            else:
                match = image.match_descriptor(kpts2, kpts3, threshold=60)
                if (match.count()>2):
                    r = match.rect()
                    flag = 1
                    flag1 = 1
                    print(r)
                    img = img.to_rgb565()
                    img = sensor.snapshot()
                    blobs = img.find_blobs([yellow_threshold],roi = r)
                    if blobs:
                       max_blob=find_max(blobs)
                    #   img.draw_rectangle(max_blob.rect())
                       img.draw_cross(max_blob.cx(), max_blob.cy())
                       print(max_blob.cx())
                       print(max_blob.cy())