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，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：

import sensor, image, time

red_threshold_01 = (0, 35, 0, 50, -10, 40)

sensor.reset() 

sensor.set_pixformat(sensor.RGB565)

sensor.set_framesize(sensor.QVGA) 

sensor.skip_frames(10) 

sensor.set_auto_whitebal(False)

clock = time.clock()

while(True):

    clock.tick()

    img = sensor.snapshot() 

    blobs = img.find_blobs([red_threshold_01],
                             area_threshold=150)

    if blobs:

#如果找到了目标颜色

        print(blobs)

        for b in blobs:

#迭代找到的目标颜色区域

            # Draw a rect around the blob.

            img.draw_rectangle(b[0:4]) # rect

#用矩形标记出目标颜色区域

            img.draw_cross(b[5], b[6]) # cx, cy

#在目标颜色区域的中心画十字形标记

    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：

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

import sensor, image, time

#red_threshold_01 = (45, 100, -60, 80, 34, 91)

red_threshold_01 = (21, 29, -72, 6, -11, 17)

sensor.reset() 

sensor.set_pixformat(sensor.RGB565)

sensor.set_framesize(sensor.QVGA) 

sensor.skip_frames(20) 

sensor.set_auto_whitebal(False)

#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

clock = time.clock() 

img = sensor.snapshot()

blobs = img.find_blobs([red_threshold_01],
                         area_threshold=150)

last_blobs = blobs

while(True):

    clock.tick() 

    img = sensor.snapshot() 

    if last_blobs:

         for b in blobs:

            x1 = b[0]-7

            y1 = b[1]-7

            w1 = b[2]+12

            h1 = b[3]+12

#print(b.cx(),b.cy())

         roi2 = (x1,y1,w1,h1)

         print(roi2)

         blobs = img.find_blobs([red_threshold_01],
                                    roi = roi2,
                                    area_threshold=1000)

         last_blobs = blobs

    else:

        blobs = img.find_blobs([red_threshold_01],
                                    area_threshold=1000)

        last_blobs = blobs

    if last_blobs:

#如果找到了目标颜色

        #  print(blobs)

        for b in last_blobs:#迭代找到的目标颜色区域

            img.draw_rectangle(b[0:4]) 

            img.draw_cross(b[5], b[6]) 

    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。。。