本帖最后由 caijie001 于 2018-6-8 11:17 编辑
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 [size=13.3333px]OpenMv学习过程① 的学习中，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。
blobs = 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。
![]() 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())
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。。。
| 
楼主
标题置顶
标题高亮
