| openmv学习之旅②之色块追踪算法的改善 | 您所在的位置：网站首页 › circles mv › openmv学习之旅②之色块追踪算法的改善 |
openmv学习之旅②之色块追踪算法的改善
|
大家好，我是杰杰。 实在不好意思，最近比较忙，之前说的连载现在才更新出来。 从上一篇openmv的学习中openmv学习之旅①我们可以很简单运用micropython在openmv上做我们想做的事情。 Python这个东西用起来是很简单的，，下面来说说改善色块追踪的算法 先做个改善前的分析吧： 改善前： API：find_blobs thresholds是颜色的阈值。这个参数是一个列表，可以包含多个颜色。在返回的色块对象blob可以调用code方法，来判断是什么颜色的色块。 roi是“感兴趣区”。 x_stride 就是查找的色块的x方向上最小宽度的像素，默认为2。 y_stride 就是查找的色块的y方向上最小宽度的像素，默认为1。 area_threshold 面积阈值，如果色块被框起来的面积小于这个值，会被过滤掉。 pixels_threshold 像素个数阈值，如果色块像素数量小于这个值，会被过滤掉 merge 合并，如果设置为True，那么合并所有重叠的blob为一个。 注意：这会合并所有的blob，无论是什么颜色的。如果你想混淆多种颜色的blob，只需要分别调用不同颜色阈值的find_blobs。 1blobs = img.find_blobs([red]) find_blobs对象返回的是多个blob的列表。而一个blobs列表里包含很多blob对象，blobs对象就是色块，每个blobs对象包含一个色块的信息。 blob有多个方法：blob.rect() 返回这个色块的外框——矩形元组(x, y, w, h)，可以直接在image.draw_rectangle中使用。 blob.x() 返回色块的外框的x坐标（int），也可以通过blob[0]来获取。 blob.y() 返回色块的外框的y坐标（int），也可以通过blob[1]来获取。 blob.w() 返回色块的外框的宽度w（int），也可以通过blob[2]来获取。 blob.h() 返回色块的外框的高度h（int），也可以通过blob[3]来获取。 blob.pixels() 返回色块的像素数量（int），也可以通过blob[4]来获取。 blob.cx() 返回色块的外框的中心x坐标（int），也可以通过blob[5]来获取。 blob.cy() 返回色块的外框的中心y坐标（int），也可以通过blob[6]来获取。 blob.rotation() 返回色块的旋转角度（单位为弧度）（float）。如果色块类似一个铅笔，那么这个值为0~180°。如果色块是一个圆，那么这个值是无用的。如果色块完全没有对称性，那么你会得到0~360°，也可以通过blob[7]来获取。 blob.code() 返回一个16bit数字，每一个bit会对应每一个阈值。 （上面的知识在openmv的官网上都有说明） 下面是说说调用find_blobs来做色块的追踪的原理 它是全幅图像扫描，它有优点也有缺点 先说说优点吧:信息全面，全幅图像的搜索，把所有色块都搜索进来了 但是缺点也不少：①：运算的速度，是很慢的，有些地方我们根本不需要扫描它。 ②：色块的数量，很多时候，会有很多延时差不多的色块过来干扰，导致追踪失败。 源码： 1import sensor, image, time 2red_threshold_01 = (0, 35, 0, 50, -10, 40) 3sensor.reset() 4sensor.set_pixformat(sensor.RGB565) 5sensor.set_framesize(sensor.QVGA) 6sensor.skip_frames(10) 7sensor.set_auto_whitebal(False) 8clock = time.clock() 9while(True): 10 clock.tick() 11 img = sensor.snapshot() 12 blobs = img.find_blobs([red_threshold_01], 13 area_threshold=150) 14 if blobs: 15 #如果找到了目标颜色 16 print(blobs) 17 for b in blobs: 18 #迭代找到的目标颜色区域 19 # Draw a rect around the blob. 20 img.draw_rectangle(b[0:4]) # rect 21 #用矩形标记出目标颜色区域 22 img.draw_cross(b[5], b[6]) # cx, cy 23 #在目标颜色区域的中心画十字形标记 24 print(clock.fps())效果图：
运算速度：
从拍摄完到扫描完，每秒只能处理二十多帧图像，而且是简单的处理。 虽然脱机运行速度可以快一倍。但是还是比较慢的。 肯定要改进啊。 ①：首先做一次全幅图像的扫描，找到我们需要的色块。 ②：我们得到色块的信息：如色块的长、宽、及色块的位置 ③：我们只扫描色块周围的区域（ROI） ④：假设在新的ROI找不到我们需要的色块，就重新来。 这个方法类似于飞思卡尔的边缘检测。 其实这个改进是非常简单的。因为我们需要的东西在microPython中全部都有。 只需要拿到find_blobs的返回的东西就好啦。 算法示意图
绿色的是我们追踪的色块， 而红色的框是我们第一次全局扫描得到的东西 那么我们只需在红色的框之外做一次扫描就能得到绿色块啦 实现的源码 1import sensor, image, time 2#red_threshold_01 = (45, 100, -60, 80, 34, 91) 3red_threshold_01 = (21, 29, -72, 6, -11, 17) 4sensor.reset() 5sensor.set_pixformat(sensor.RGB565) 6sensor.set_framesize(sensor.QVGA) 7sensor.skip_frames(20) 8sensor.set_auto_whitebal(False) 9#关闭白平衡。白平衡是默认开启的，在颜色识别中，需要关闭白平衡 10clock = time.clock() 11img = sensor.snapshot() 12blobs = img.find_blobs([red_threshold_01], 13 area_threshold=150) 14last_blobs = blobs 15while(True): 16 clock.tick() 17 img = sensor.snapshot() 18 if last_blobs: 19 for b in blobs: 20 x1 = b[0]-7 21 y1 = b[1]-7 22 w1 = b[2]+12 23 h1 = b[3]+12 24 #print(b.cx(),b.cy()) 25 roi2 = (x1,y1,w1,h1) 26 print(roi2) 27 blobs = img.find_blobs([red_threshold_01], 28 roi = roi2, 29 area_threshold=1000) 30 last_blobs = blobs 31 else: 32 blobs = img.find_blobs([red_threshold_01], 33 area_threshold=1000) 34 last_blobs = blobs 35 if last_blobs: 36 #如果找到了目标颜色 37 # print(blobs) 38 for b in last_blobs:#迭代找到的目标颜色区域 39 img.draw_rectangle(b[0:4]) 40 img.draw_cross(b[5], b[6]) 41 print("帧率 : ",clock.fps())改善后的帧率的确是快了不少的：基本能快一倍以上，当然，物体在图片越大，处理的速度会越慢。
帧率达到了 45 ，并且，对于运动中的物体，也能很好的追踪出来，减少无关物体的干扰。 按照这个思想，我们还能把这个物体分成四条边来扫描：
那么是不是只需要扫描到这个物体的四条边，并且证明四条边的点都有重合，那么，我们就能知道这个物体是一个整体从而得到物体的位置。。。。 当然，这只是想法。对于程序员任何的功能想法的实现都需要代码的实现，这代码我就不实现了，有兴趣的可以试试。。。 |
【本文地址】