温馨提示×

温馨提示×

您好,登录后才能下订单哦!

密码登录×
登录注册×
其他方式登录
点击 登录注册 即表示同意《亿速云用户服务条款》

怎么实现OpenCV物体跟踪树莓派视觉小车效果

发布时间:2021-10-18 12:17:38 来源:亿速云 阅读:242 作者:iii 栏目:开发技术

这篇文章主要讲解了“怎么实现OpenCV物体跟踪树莓派视觉小车效果”,文中的讲解内容简单清晰,易于学习与理解,下面请大家跟着小编的思路慢慢深入,一起来研究和学习“怎么实现OpenCV物体跟踪树莓派视觉小车效果”吧!

目录
  • 一、初始化

  • 二、运动控制函数

  • 三、舵机角度控制

  • 四、摄像头&&图像处理

    • 1、打开摄像头

    • 2、把图像转换为灰度图

    • 3、 高斯滤波(去噪)

    • 4、亮度增强

    • 5、转换为二进制

    • 6、闭运算处理

    • 7、获取轮廓

    • 代码

  • 五、获取最大轮廓坐标

    • 六、运动

      • 1、没有识别到轮廓(静止)

      • 2、向前走

      • 3、向左转

      • 4、向右转

      • 代码

    • 总代码

    一、初始化

    def Motor_Init():
        global L_Motor, R_Motor
        L_Motor= GPIO.PWM(l_motor,100)
        R_Motor = GPIO.PWM(r_motor,100)
        L_Motor.start(0)
        R_Motor.start(0) 
    def Direction_Init():
        GPIO.setup(left_back,GPIO.OUT)
        GPIO.setup(left_front,GPIO.OUT)
        GPIO.setup(l_motor,GPIO.OUT)
        
        GPIO.setup(right_front,GPIO.OUT)
        GPIO.setup(right_back,GPIO.OUT)
        GPIO.setup(r_motor,GPIO.OUT)  
    def Servo_Init():
        global pwm_servo
        pwm_servo=Adafruit_PCA9685.PCA9685()
    def Init():
        GPIO.setwarnings(False) 
        GPIO.setmode(GPIO.BCM)
        Direction_Init()
        Servo_Init()
        Motor_Init()

    二、运动控制函数

    def Front(speed):
        L_Motor.ChangeDutyCycle(speed)
        GPIO.output(left_front,1)   #left_front
        GPIO.output(left_back,0)    #left_back
        R_Motor.ChangeDutyCycle(speed)
        GPIO.output(right_front,1)  #right_front
        GPIO.output(right_back,0)   #right_back      
    def Back(speed):
        L_Motor.ChangeDutyCycle(speed)
        GPIO.output(left_front,0)   #left_front
        GPIO.output(left_back,1)    #left_back 
        R_Motor.ChangeDutyCycle(speed)
        GPIO.output(right_front,0)  #right_front
        GPIO.output(right_back,1)   #right_back 
    def Left(speed):
        L_Motor.ChangeDutyCycle(speed)
        GPIO.output(left_front,0)   #left_front
        GPIO.output(left_back,1)    #left_back
        R_Motor.ChangeDutyCycle(speed)
        GPIO.output(right_front,1)  #right_front
        GPIO.output(right_back,0)   #right_back
    def Right(speed):
        L_Motor.ChangeDutyCycle(speed)
        GPIO.output(left_front,1)   #left_front
        GPIO.output(left_back,0)    #left_back 
        R_Motor.ChangeDutyCycle(speed)
        GPIO.output(right_front,0)  #right_front
        GPIO.output(right_back,1)   #right_back 
    def Stop():
        L_Motor.ChangeDutyCycle(0)
        GPIO.output(left_front,0)   #left_front
        GPIO.output(left_back,0)    #left_back
        R_Motor.ChangeDutyCycle(0)
        GPIO.output(right_front,0)  #right_front
        GPIO.output(right_back,0)   #right_back

    三、舵机角度控制

    def set_servo_angle(channel,angle):
        angle=4096*((angle*11)+500)/20000
        pwm_servo.set_pwm_freq(50)                #frequency==50Hz (servo)
        pwm_servo.set_pwm(channel,0,int(angle))
    set_servo_angle(4, 110)     #top servo     lengthwise
        #0:back    180:front    
        set_servo_angle(5, 90)     #bottom servo  crosswise
        #0:left    180:right

    上面的(4):是顶部的舵机(摄像头上下摆动的那个舵机)

    下面的(5):是底部的舵机(摄像头左右摆动的那个舵机)

    四、摄像头&&图像处理

    # 1 Image Process
            img, contours = Image_Processing()
    width, height = 160, 120
        camera = cv2.VideoCapture(0)
        camera.set(3,width) 
        camera.set(4,height)

    1、打开摄像头

    打开摄像头,并设置窗口大小。

    设置小窗口的原因: 小窗口实时性比较好。

    # Capture the frames
        ret, frame = camera.read()

    怎么实现OpenCV物体跟踪树莓派视觉小车效果

    2、把图像转换为灰度图

    # to gray
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    cv2.imshow('gray',gray)

    怎么实现OpenCV物体跟踪树莓派视觉小车效果

    3、 高斯滤波(去噪)

    # Gausi blur
        blur = cv2.GaussianBlur(gray,(5,5),0)

    4、亮度增强

    #brighten
        blur = cv2.convertScaleAbs(blur, None, 1.5, 30)

    5、转换为二进制

    #to binary
        ret,binary = cv2.threshold(blur,150,255,cv2.THRESH_BINARY_INV)
        cv2.imshow('binary',binary)

    怎么实现OpenCV物体跟踪树莓派视觉小车效果

    6、闭运算处理

    #Close
        kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (17,17))
        close = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)
        cv2.imshow('close',close)

    怎么实现OpenCV物体跟踪树莓派视觉小车效果

    7、获取轮廓

    #get contours
        binary_c,contours,hierarchy = cv2.findContours(close, 1, cv2.CHAIN_APPROX_NONE)
        cv2.drawContours(image, contours, -1, (255,0,255), 2)
        cv2.imshow('image', image)

    怎么实现OpenCV物体跟踪树莓派视觉小车效果

    代码

    def Image_Processing():
        # Capture the frames
        ret, frame = camera.read()
        # Crop the image
        image = frame
        cv2.imshow('frame',frame)
        # to gray
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        cv2.imshow('gray',gray)
        # Gausi blur
        blur = cv2.GaussianBlur(gray,(5,5),0)
        #brighten
        blur = cv2.convertScaleAbs(blur, None, 1.5, 30)
        #to binary
        ret,binary = cv2.threshold(blur,150,255,cv2.THRESH_BINARY_INV)
        cv2.imshow('binary',binary)
        #Close
        kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (17,17))
        close = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)
        cv2.imshow('close',close)
        #get contours
        binary_c,contours,hierarchy = cv2.findContours(close, 1, cv2.CHAIN_APPROX_NONE)
        cv2.drawContours(image, contours, -1, (255,0,255), 2)
        cv2.imshow('image', image)
        return frame, contours

    五、获取最大轮廓坐标

    由于有可能出现多个物体,我们这里只识别最大的物体(深度学习可以搞分类,还没学到这,学到了再做),得到它的坐标。

    # 2 get coordinates
            x, y = Get_Coord(img, contours)
    def Get_Coord(img, contours):
        image = img.copy()
        try:
            contour = max(contours, key=cv2.contourArea)
            cv2.drawContours(image, contour, -1, (255,0,255), 2)
            cv2.imshow('new_frame', image)
            # get coord
            M = cv2.moments(contour)
            x = int(M['m10']/M['m00'])
            y = int(M['m01']/M['m00'])
            print(x, y) 
            return x,y
            
        except:
            print 'no objects'
            return 0,0

    返回最大轮廓的坐标:

    怎么实现OpenCV物体跟踪树莓派视觉小车效果

    六、运动

    根据反馈回来的坐标,判断它的位置,进行运动。

    # 3 Move
            Move(x,y)

    1、没有识别到轮廓(静止)

    if x==0 and y==0:
            Stop()

    2、向前走

    识别到物体,且在正中央(中间1/2区域),让物体向前走。

    #go ahead
        elif width/4 <x and x<(width-width/4):
            Front(70)

    3、向左转

    物体在左边1/4区域。

    #left
        elif x < width/4:
            Left(50)

    4、向右转

    物体在右边1/4区域。

    #Right
        elif x > (width-width/4):
            Right(50)

    代码

    def Move(x,y):
        global second
        #stop
        if x==0 and y==0:
            Stop()
        #go ahead
        elif width/4 <x and x<(width-width/4):
            Front(70)
        #left
        elif x < width/4:
            Left(50)
        #Right
        elif x > (width-width/4):
            Right(50)

    总代码

    #Object Tracking
    import  RPi.GPIO as GPIO
    import time
    import Adafruit_PCA9685
    import numpy as np
    import cv2
    second = 0 
    width, height = 160, 120
    camera = cv2.VideoCapture(0)
    camera.set(3,width) 
    camera.set(4,height) 
    l_motor = 18
    left_front   =  22
    left_back   =  27
    r_motor = 23
    right_front   = 25
    right_back  =  24 
    def Motor_Init():
        global L_Motor, R_Motor
        L_Motor= GPIO.PWM(l_motor,100)
        R_Motor = GPIO.PWM(r_motor,100)
        L_Motor.start(0)
        R_Motor.start(0) 
     def Direction_Init():
        GPIO.setup(left_back,GPIO.OUT)
        GPIO.setup(left_front,GPIO.OUT)
        GPIO.setup(l_motor,GPIO.OUT)    
        GPIO.setup(right_front,GPIO.OUT)
        GPIO.setup(right_back,GPIO.OUT)
        GPIO.setup(r_motor,GPIO.OUT) 
    def Servo_Init():
        global pwm_servo
        pwm_servo=Adafruit_PCA9685.PCA9685()
    def Init():
        GPIO.setwarnings(False) 
        GPIO.setmode(GPIO.BCM)
        Direction_Init()
        Servo_Init()
        Motor_Init()
    def Front(speed):
        L_Motor.ChangeDutyCycle(speed)
        GPIO.output(left_front,1)   #left_front
        GPIO.output(left_back,0)    #left_back
        R_Motor.ChangeDutyCycle(speed)
        GPIO.output(right_front,1)  #right_front
        GPIO.output(right_back,0)   #right_back   
    def Back(speed):
        L_Motor.ChangeDutyCycle(speed)
        GPIO.output(left_front,0)   #left_front
        GPIO.output(left_back,1)    #left_back 
        R_Motor.ChangeDutyCycle(speed)
        GPIO.output(right_front,0)  #right_front
        GPIO.output(right_back,1)   #right_back 
    def Left(speed):
        L_Motor.ChangeDutyCycle(speed)
        GPIO.output(left_front,0)   #left_front
        GPIO.output(left_back,1)    #left_back 
        R_Motor.ChangeDutyCycle(speed)
        GPIO.output(right_front,1)  #right_front
        GPIO.output(right_back,0)   #right_back  
    def Right(speed):
        L_Motor.ChangeDutyCycle(speed)
        GPIO.output(left_front,1)   #left_front
        GPIO.output(left_back,0)    #left_back 
        R_Motor.ChangeDutyCycle(speed)
        GPIO.output(right_front,0)  #right_front
        GPIO.output(right_back,1)   #right_back
    def Stop():
        L_Motor.ChangeDutyCycle(0)
        GPIO.output(left_front,0)   #left_front
        GPIO.output(left_back,0)    #left_back 
        R_Motor.ChangeDutyCycle(0)
        GPIO.output(right_front,0)  #right_front
        GPIO.output(right_back,0)   #right_back
    def set_servo_angle(channel,angle):
        angle=4096*((angle*11)+500)/20000
        pwm_servo.set_pwm_freq(50)                #frequency==50Hz (servo)
        pwm_servo.set_pwm(channel,0,int(angle)) 
    def Image_Processing():
        # Capture the frames
        ret, frame = camera.read()
        # Crop the image
        image = frame
        cv2.imshow('frame',frame)
        # to gray
        gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
        cv2.imshow('gray',gray)
        # Gausi blur
        blur = cv2.GaussianBlur(gray,(5,5),0)
        #brighten
        blur = cv2.convertScaleAbs(blur, None, 1.5, 30)
        #to binary
        ret,binary = cv2.threshold(blur,150,255,cv2.THRESH_BINARY_INV)
        cv2.imshow('binary',binary)
        #Close
        kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (17,17))
        close = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)
        cv2.imshow('close',close)
        #get contours
        binary_c,contours,hierarchy = cv2.findContours(close, 1, cv2.CHAIN_APPROX_NONE)
        cv2.drawContours(image, contours, -1, (255,0,255), 2)
        cv2.imshow('image', image)
        return frame, contours
    def Get_Coord(img, contours):
        image = img.copy()
        try:
            contour = max(contours, key=cv2.contourArea)
            cv2.drawContours(image, contour, -1, (255,0,255), 2)
            cv2.imshow('new_frame', image)
            # get coord
            M = cv2.moments(contour)
            x = int(M['m10']/M['m00'])
            y = int(M['m01']/M['m00'])
            print(x, y) 
            return x,y        
        except:
            print 'no objects'
            return 0,0    
    def Move(x,y):
        global second
        #stop
        if x==0 and y==0:
            Stop()
        #go ahead
        elif width/4 <x and x<(width-width/4):
            Front(70)
        #left
        elif x < width/4:
            Left(50)
        #Right
        elif x > (width-width/4):
            Right(50)   
    if __name__ == '__main__':
        Init()    
        set_servo_angle(4, 110)     #top servo     lengthwise
        #0:back    180:front    
        set_servo_angle(5, 90)     #bottom servo  crosswise
        #0:left    180:right      
        while 1:
            # 1 Image Process
            img, contours = Image_Processing() 
            # 2 get coordinates
            x, y = Get_Coord(img, contours)
            # 3 Move
            Move(x,y)       
            # must include this codes(otherwise you can't open camera successfully)
            if cv2.waitKey(1) & 0xFF == ord('q'):
                Stop()
                GPIO.cleanup()    
                break    
        #Front(50)
        #Back(50)
        #$Left(50)
        #Right(50)
        #time.sleep(1)
        #Stop()

    检测原理是基于最大轮廓的检测,没有用深度学习的分类,所以容易受到干扰,后期学完深度学习会继续优化。有意见或者想法的朋友欢迎交流。

    感谢各位的阅读,以上就是“怎么实现OpenCV物体跟踪树莓派视觉小车效果”的内容了,经过本文的学习后,相信大家对怎么实现OpenCV物体跟踪树莓派视觉小车效果这一问题有了更深刻的体会,具体使用情况还需要大家实践验证。这里是亿速云,小编将为大家推送更多相关知识点的文章,欢迎关注!

    向AI问一下细节

    免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。

    AI