414
**非常详细的视频和文字教程，讲解常见的openmv教程包括 巡线、物体识别、圆环识别、阈值自动获取等。非常适合学习openmv、K210、K230等项目
视频合集链接在
openmv教程合集 openmv入门到项目开发 openmv和STM32通信 openmv和opencv区别 openmv巡线 openmv数字识别教程LCD
tb:主页链接:https://shop415231378.taobao.com/
3.6.4-通过颜色区域+霍夫变换检测圆形+三种颜色阈值 同时使用
下面代码就是在识别绿色或者蓝色圆形的时候会识别出来红色的圆形。
比如下面这个案例识别绿色圆环时候同时出现了，同时识别到红色圆环和绿色圆环
import sensor, image, time
from ulab import numpy as np
#教程作者:好家伙VCC
#欢迎交流群QQ: 771027961 作者邮箱: 1930299709@qq.com
#更多教程B站主页:[好家伙VCC的个人空间-好家伙VCC个人主页-哔哩哔哩视频](https://space.bilibili.com/434192043)
#淘宝主页链接:[首页-好家伙VCC-淘宝网](https://shop415231378.taobao.com)
#更多嵌入式手把手教程-尽在好家伙VCC
# ******************** 参数配置 ********************
# 颜色阈值配置（LAB格式）
color_thresholds = {
'red': (0, 100, 0, 127, 0, 127), # 红色的LAB颜色范围
'green': (0, 100, -128, -10, 0, 127), # 绿色的LAB颜色范围
'blue': (0, 100, -128, 127, -128, -10) # 蓝色的LAB颜色范围
}
# 霍夫变换参数
HOUGH_THRESHOLD = 2000 # 圆形检测的灵敏度，值越高要求边缘越明显
MIN_RADIUS = 10 # 检测的最小半径
MAX_RADIUS = 50 # 检测的最大半径
# 卡尔曼滤波参数
TS = 1/60 # 帧时间（假设帧率为60fps）
# 初始化摄像头
sensor.reset() # 重置摄像头
sensor.set_pixformat(sensor.RGB565) # 设置像素格式为RGB565
sensor.set_framesize(sensor.QQVGA) # 设置分辨率为QQVGA（160x120）
sensor.set_vflip(True) # 垂直翻转图像
sensor.set_hmirror(True) # 水平翻转图像
sensor.set_auto_gain(False) # 关闭自动增益
sensor.set_auto_whitebal(False) # 关闭自动白平衡
clock = time.clock() # 创建时钟对象用于计算帧率
# ******************** 卡尔曼滤波器类 ********************
class KalmanFilter:
def __init__(self, initial_state):
# 状态转移矩阵
self.A = np.array([
[1, 0, 0, 0, TS, 0], # 位置和速度的状态转移
[0, 1, 0, 0, 0, TS],
[0, 0, 1, 0, 0, 0],
[0, 0, 0, 1, 0, 0],
[0, 0, 0, 0, 1, 0],
[0, 0, 0, 0, 0, 1]
])
# 观测矩阵
self.C = np.eye(6) # 单位矩阵，表示状态和观测值直接对应
# 过程噪声协方差矩阵
self.Q = np.diag([1e-6]*6) # 过程噪声较小
# 观测噪声协方差矩阵
self.R = np.diag([1e-6]*6) # 观测噪声较小
# 初始状态
self.x_hat = initial_state # 初始状态估计值
self.p = np.diag([10]*6) # 初始误差协方差矩阵
def update(self, Z):
# 预测步骤
x_hat_minus = np.dot(self.A, self.x_hat) # 预测状态
p_minus = np.dot(self.A, np.dot(self.p, self.A.T)) + self.Q # 预测误差协方差
# 更新步骤
S = np.dot(self.C, np.dot(p_minus, self.C.T)) + self.R # 计算卡尔曼增益的分母
S_inv = np.linalg.inv(S + 1e-4*np.eye(6)) # 计算逆矩阵，加入正则化项避免奇异矩阵
K = np.dot(np.dot(p_minus, self.C.T), S_inv) # 计算卡尔曼增益
self.x_hat = x_hat_minus + np.dot(K, (Z - np.dot(self.C, x_hat_minus))) # 更新状态估计
self.p = np.dot((np.eye(6) - np.dot(K, self.C)), p_minus) # 更新误差协方差
return self.x_hat
# 初始化三个卡尔曼滤波器（分别对应红、绿、蓝）
kf_red = KalmanFilter(np.array([80, 60, 30, 30, 2, 2])) # 红色滤波器的初始状态
kf_green = KalmanFilter(np.array([80, 60, 30, 30, 2, 2])) # 绿色滤波器的初始状态
kf_blue = KalmanFilter(np.array([80, 60, 30, 30, 2, 2])) # 蓝色滤波器的初始状态
# ******************** 主循环 ********************
while True:
clock.tick() # 记录当前帧的时间
img = sensor.snapshot().lens_corr(1.8) # 获取图像并校正镜头畸变
# ===== 在画幅中心绘制小圆环标志 =====
img.draw_circle(80, 60, 5, color=(0, 0, 0), thickness=1) # 黑色小圆环，半径5像素
# 分别处理红、绿、蓝三种颜色
for color, threshold in color_thresholds.items():
# 第一步：颜色阈值分割，找到当前颜色的区域
blobs = img.find_blobs([threshold], merge=True, margin=10) # 查找当前颜色的区域
if blobs:
# 取最大的色块
largest_blob = max(blobs, key=lambda b: b.area()) # 找到面积最大的当前颜色区域
# 绘制当前颜色的矩形框
if color == 'red':
rect_color = (255, 0, 0) # 红色
elif color == 'green':
rect_color = (0, 255, 0) # 绿色
else:
rect_color = (0, 0, 255) # 蓝色
img.draw_rectangle(largest_blob.rect(), color=rect_color) # 绘制矩形框
# 第二步：在当前颜色的区域内检测圆形
roi = (largest_blob.x(), largest_blob.y(), largest_blob.w(), largest_blob.h()) # 定义检测区域
circles = img.find_circles(
threshold=HOUGH_THRESHOLD, # 圆形检测的灵敏度
x_margin=10, # 圆心x坐标的误差范围
y_margin=10, # 圆心y坐标的误差范围
r_margin=10, # 半径的误差范围
r_min=MIN_RADIUS, # 最小半径
r_max=MAX_RADIUS, # 最大半径
roi=roi # 限制检测区域为当前颜色区域
)
if circles:
# 筛选同心圆：取半径最大的圆（假设最外层是目标）
valid_circles = []
for c in circles:
# 检查是否在色块中心附近
if abs(c.x() - largest_blob.cx()) < 15 and abs(c.y() - largest_blob.cy()) < 15:
valid_circles.append(c)
if valid_circles:
target = max(valid_circles, key=lambda c: c.r()) # 找到半径最大的圆
x, y, r = target.x(), target.y(), target.r() # 获取圆心坐标和半径
# 绘制检测到的圆环
img.draw_circle(x, y, r, color=(0, 255, 0)) # 绿色圆环
# 更新卡尔曼滤波器
Z = np.array([x, y, 2*r, 2*r, 0, 0]) # 构造观测值：[x, y, w, h, dx, dy]
if color == 'red':
state = kf_red.update(Z) # 更新红色滤波器
elif color == 'green':
state = kf_green.update(Z) # 更新绿色滤波器
else:
state = kf_blue.update(Z) # 更新蓝色滤波器
# 绘制预测结果
pred_x = int(state[0]) # 预测的圆心x坐标
pred_y = int(state[1]) # 预测的圆心y坐标
pred_r = int(state[2]/2) # 预测的半径
# 约束圆心在当前颜色的区域内
blob_x, blob_y, blob_w, blob_h = largest_blob.rect() # 获取当前颜色区域的边界
pred_x = max(blob_x, min(blob_x + blob_w, pred_x)) # 约束x坐标在当前颜色区域内
pred_y = max(blob_y, min(blob_y + blob_h, pred_y)) # 约束y坐标在当前颜色区域内
pred_r = min(pred_r, min(blob_w, blob_h) // 2) # 约束半径不超过当前颜色区域大小
# 绘制预测的圆心和圆环
img.draw_cross(pred_x, pred_y, color=rect_color) # 红色、绿色或蓝色十字标记圆心
img.draw_circle(pred_x, pred_y, pred_r, color=(255, 255, 0)) # 黄色圆环
# 打印帧率
print("FPS:", clock.fps()) # 输出当前帧率
解决，在比如现在是识别绿色的框和蓝色框里面会识别到红色的圆环
[生态]STM32 合作伙伴计划：打造生态强纽带
