robomaster(1)装甲板识别
前言
最近在研究桂电的代码,感觉挺有东西的,浅浅记录一下
1.图像预处理
1.1 图像二值化
1.1.1 红色
//图像二值化cv::split(_src, splitSrc); //分离色彩通道cv::cvtColor(_src, _graySrc, cv::COLOR_BGR2GRAY); //获取灰度图cv::threshold(_graySrc, _separationSrcWhite, 240, 255, cv::THRESH_BINARY);cv::bitwise_not(_separationSrcWhite, _separationSrcWhite);if (enemyColor == ENEMY_RED) {//敌方为红色cv::threshold(_graySrc, _graySrc, _para.grayThreshold_RED, 255, cv::THRESH_BINARY); //灰度二值化cv::subtract(splitSrc[2], splitSrc[0], _separationSrc); //红蓝通道相减cv::subtract(splitSrc[2], splitSrc[1], _separationSrcGreen); //红绿通道相减cv::threshold(_separationSrc, _separationSrc, _para.separationThreshold_RED, 255, cv::THRESH_BINARY); //红蓝二值化cv::threshold(_separationSrcGreen, _separationSrcGreen, _para.separationThreshold_GREEN, 255, cv::THRESH_BINARY);//红绿二值化cv::dilate(_separationSrc, _separationSrc, Util::structuringElement3());cv::dilate(_separationSrcGreen, _separationSrcGreen, Util::structuringElement3()); //膨胀_maxColor = _separationSrc & _graySrc & _separationSrcGreen & _separationSrcWhite; //逻辑与获得最终二值化图像cv::dilate(_maxColor, _maxColor, Util::structuringElement3()); //膨胀//cv::morphologyEx(_maxColor, _maxColor, cv::MORPH_OPEN, Util::structuringElement3());}
最终得到的图像是 _maxColor = _separationSrc & _graySrc & _separationSrcGreen & _separationSrcWhite
以下四个二值化得到的
cv::threshold(_graySrc, _separationSrcWhite, 240, 255, cv::THRESH_BINARY);//灰度二值化
cv::threshold(_graySrc, _graySrc, _para.grayThreshold_RED, 255, cv::THRESH_BINARY); //红蓝二值化
cv::threshold(_separationSrc, _separationSrc, _para.separationThreshold_RED, 255, cv::THRESH_BINARY); //红绿二值化
cv::threshold(_separationSrcGreen, _separationSrcGreen, _para.separationThreshold_GREEN, 255, cv::THRESH_BINARY);
1.1.2 蓝色
else {cv::threshold(splitSrc[2], _purpleSrc, _para.grayThreshold_PURPLE, 255, cv::THRESH_BINARY); //防止误识别紫色基地cv::bitwise_not(_purpleSrc, _purpleSrc);//敌方为蓝色......}
2 找到轮廓findLightBarContour
这部分算是比较中规中矩
cv::RotatedRect scanRect = cv::minAreaRect(allContours[i]);//检测最小面积的矩形cv::Point2f vertices[4];
scanRect.points(vertices);if (fabs(vertices[1].x - vertices[3].x) > fabs(vertices[1].y - vertices[3].y))continue;
其实是使用对角线上的点
【参考文档】minAreaRect方法生成检测对象的最小外接矩形
3.寻找攻击目标
#ifdef USE_BP//net = cv::dnn::readNetFromCaffe("../trainData/deploy.prototxt", "../trainData/_iter_2000.caffemodel");_net.load("../trainData/model_sigmoid_800_200.xml");
#else
一共是做了两套方案
①使用caffe
②使用pd
完整代码很长但是实际上可以归纳为两步:
(1)检查当前装甲板是否为工程(2代表工程)
(2)使用caffe或者pd进行判断
3.1使用caffe进行识别
3.1.2. deploy.prototxt
实际上是LeNet的配置文件
重点关注第一层和最后一层
第一层:
net.setInput(inputBlob, "data");
最后一层:
inputBlob = net.forward("loss");
3.1.3
相当于将最后一层经过softmax的结果展平
inputBlob = inputBlob.reshape(1, 1);//展平Point classNumber;cv::minMaxLoc(inputBlob, NULL, &classProb, NULL, &classNumber);//取最大值作为物体classId = classNumber.x; // 类别:0是45度,1是装甲板
【minMaxLoc参考博文】OpenCV 找出图像中最小值最大值函数minMaxLoc
训练的时候,我猜想应该是将装甲板和45度角两条灯条匹配成装甲板的情况进行标注
3.1.4 代码
#if USE_CAFFE//Mat inputBlob = dnn::blobFromImage(resizeImg, 0.00390625f, Size(20, 20), Scalar(), false);Mat inputBlob = dnn::blobFromImage(resizeImg, 1, Size(20, 20), Scalar(), false);net.setInput(inputBlob, "data");inputBlob = net.forward("loss");int classId;double classProb;inputBlob = inputBlob.reshape(1, 1);Point classNumber;cv::minMaxLoc(inputBlob, NULL, &classProb, NULL, &classNumber);classId = classNumber.x; // 类别:0是45度,1是装甲板
// LOG::info("case of armor: " + to_string(classId) + " accuracy: " + to_string(classProb * 100));if (classId == 0 || classProb < 0.6) {_sampleData.classifyState = false;armorStructs.erase(it);continue;}
3.2 使用bp神经网络
3.2.1 bp神经网络的概念
- 定义:是一种按误差逆传播算法训练的多层前馈网络
传播的对象是误差,传播的目的是得到所有层的估计误差,后向是说由后层误差推导前层误差
【参考文档】Bp神经网络
4.选择最终攻击目标
同样也是做了两套方案
①对ID进行攻击序列排序
②根据权重
4.1 findArmorByWeight根据权重
void ArmorDistinguish::findArmorByWeight(std::vector<ArmorStruct>& armorStructs, cv::RotatedRect& resultRect, ArmorRectHistoricalDataList& armorRectData) {//float aver = 0.0f;for (size_t i = 0; i < armorStructs.size(); ++i) {对于每一个可能的装甲板更新armorRectData中的xxx ChangeRate}//找到权重最大的装甲板maxWeightNum = findVarianceMaxWeight(_armorRectHistoricalData, armorRectData, _maxWeightValue);resultRect = armorStructs[maxWeightNum].armorRect;//判断目标装甲板类型_armorType = armorStructs[maxWeightNum].armorType;_leftLightBar = armorStructs[0].partLightBars[0];_rightLightBar = armorStructs[0].partLightBars[1];_nowCarID = armorStructs[maxWeightNum].carId;
}
(1)维护ArmorRectHistoricalDataList
(2)根据 各种变化率(面积,x,y,高宽等)决定权重
robomaster(1)装甲板识别相关推荐
- Robomaster装甲板识别-基于python+opencv的思路分享
Robomaster视觉-装甲板识别 环境:windows10.pycharm2017..python3.64.opencv3 ***先上个效果图吧,图中是加了一些其他算法的,不是单独的识别,还有一些 ...
- RoboMaster视觉教程(4)装甲板识别算法
RoboMaster视觉教程(4)装甲板识别算法 概览 下面是一些资料链接,篇篇经典! 装甲板识别 test_sentry.cpp 分析一下装甲板 识别函数 int ArmorDetector::de ...
- 视觉组考核——装甲板识别
视觉组考核--装甲板识别 识别Robomaster的装甲板的简易程序 算法分析 装甲板识别主要分这几步 图像处理->提取灯柱同时对灯柱进行筛选->灯条匹配->装甲板的筛选 1.图像处 ...
- 东南大学RM装甲板识别算法详解
rm中,装甲板的识别在比赛中可谓是最基础的算法.而在各个开源框架中,该算法也可以说最为成熟.出于学习目的,之后将对比多个高校或网络代码(),尝试学习各个rm装甲板识别算法的优点和流程. 这次先是东南大 ...
- 基于yolov5的目标检测和模型训练(Miniconda3+PyTorch+Pycharm+实战项目——装甲板识别)
目录 一.环境配置和源码获取 1.Miniconda 2.MIniconda虚拟环境配置PyTorch 3.yolov5项目源码 4.pycharm 二.目标检测 三.模型训练 1.数据集 1.ima ...
- RoboMasterAI挑战赛-装甲板识别与测距 jetsonNX+realsense
RoboMasterAI挑战赛-装甲板识别与测距 jetsonNX+realsense 1.演示视频 2.识别测距代码 2.1 主要思路 2.2 主要代码 1.演示视频 识别测距:https://ww ...
- RM机器视觉——图像处理、识别装甲板(ROBOMASTER)
声明: 本文案基于robomaster机甲大师: 本文案为个人视觉组初稿,仍有较多问题,远不及开源的大佬所作,但文本通俗易懂,为初学者提供入门思路: 代码注释行也会有相应讲解,非技术人员可以跳过: 部 ...
- 尝试使用OPENMV识别装甲板
前言 在参加RM比赛时,我们挑选了许多的设备用来实验,openmv便是其中之一.openmv是在GitHub上的开源项目,开源是相当完整,有能力的团队完全可以依据开源设计制造出自己的产品.我们所使用的 ...
- 基于C++的车辆装甲板检测自瞄系统
资源下载地址:https://download.csdn.net/download/sheziqiong/85773209 资源下载地址:https://download.csdn.net/downl ...
最新文章
- windows 下实现函数打桩:拦截API方式
- 基于SP4062电路IO接口八通道保护板
- .GRIDVIEW奇偶行变色
- (转)rtmp协议简单解析以及用其发送h264的flv文件
- windows和linux的内存管理
- 编辑器,webstorm,phpstorm系列配置方法汇总-笔记
- 织梦dedecms系统调用跨站跨数据库数据显示
- linux的下载工具
- 毕设题目:Matlab疾病识别与分类
- 词云中去重复的词_今天从零教你开始利用Python打造词云图!
- VIVO X5M手机ROOT权限获取方法
- Mac 启动 linux 可执行文件。
- 谷歌gmail注册入口_如何阻止Gmail将事件添加到Google日历
- safari查看html代码,iPhone不越狱safari查看网页源代码方法
- wpf,silverlight,wp7,winform等学习资料整合(一)
- 三点定位算法--用于平面2D定位
- 缺一位身份证号码时识别计算
- 合并后的58赶集为何驶入新的赛道?
- 降价再扩围 中国超三成大中城市二手房价环比下跌
- NBUT 1119 Patchouli's Books (STL应用)
热门文章
- 配置软路由-同时连接内网和外网
- 为何现在手机都是type-c接口,这四个优点知道吗?看完你就知道了
- Pro Android学习笔记(一五五):传感器(5): 磁场传感器和方位(上)
- ABAQUS中inp文件的使用和书写
- BT网站关了,正版电影数字发行在线收费下载 的机会?
- Python画豪华版圣诞树,带漂亮彩灯与文字背景
- 神经管理学告诉你:学了管理学就能运筹帷幄吗?
- 【增量学习】综述解析:A continual learning survey: Defying forgetting in classification tasks
- Python制作连连看脚本工具,全程自动,不需要你动,简直太爽了
- VBA,用VBA进行分列(拆分列)的2种方法