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：

捕获.PNG

运算速度：

微信截图_20180306223742.png

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。

以下是改进扫描算法的思想：

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())