《AI硬件與Pyhthon編程實(shí)踐》07軌跡跟蹤與擬合寫字字帖

軌跡跟蹤與擬合人工智能開源硬件與python編程實(shí)踐情境導(dǎo)入服務(wù)機(jī)器人一般具有巡航功能，可以按照事先規(guī)劃好的線路巡線行走，代替人工為人們提供各種服務(wù)。機(jī)器人身上的專門設(shè)計(jì)有紅外或視覺傳感器用來實(shí)時(shí)識(shí)別地面上的黑線軌跡，通過PID算法，對(duì)運(yùn)動(dòng)速度和方向進(jìn)行比例、積分、微分控制，實(shí)現(xiàn)巡線功能。任務(wù)與目標(biāo)了解軌跡跟蹤技術(shù)的基本原理、相關(guān)算法和應(yīng)用框架；掌握運(yùn)用人工智能開源硬件設(shè)計(jì)智能應(yīng)用系統(tǒng)的方法，掌握Python語(yǔ)言的編程方法；應(yīng)用人工智能開源硬件和Python相關(guān)算法模塊設(shè)計(jì)軌跡跟蹤功能；針對(duì)生活應(yīng)用場(chǎng)景，進(jìn)一步開展創(chuàng)意設(shè)計(jì)，設(shè)計(jì)具有實(shí)用價(jià)值的軌跡跟蹤應(yīng)用系統(tǒng)。知識(shí)拓展：相關(guān)分析相關(guān)分析是研究?jī)蓚€(gè)或兩個(gè)以上處于同等地位的隨機(jī)變量間的相關(guān)關(guān)系的統(tǒng)計(jì)分析方法，它是描述客觀事物相互間關(guān)系的密切程度并用適當(dāng)?shù)慕y(tǒng)計(jì)指標(biāo)表示出來的過程。當(dāng)自變量取某一值時(shí)，因變量對(duì)應(yīng)為一概率分布，如果自變量的取值不同，因變量的分布也不同，則說明兩者是存在相關(guān)關(guān)系的。知識(shí)拓展：回歸分析回歸分析（regressionanalysis)是確定兩種或兩種以上變量間相互依賴的定量關(guān)系的一種統(tǒng)計(jì)分析方法，它根據(jù)對(duì)因變量與一個(gè)或多個(gè)自變量的統(tǒng)計(jì)分析，建立起因變量和自變量的關(guān)系；按照涉及的變量的多少，分為一元回歸和多元回歸分析；按照自變量和因變量之間的關(guān)系類型，可分為線性回歸分析和非線性回歸分析。知識(shí)拓展：相關(guān)分析與回歸分析相關(guān)分析研究的是現(xiàn)象之間是否相關(guān)、相關(guān)的方向和密切程度，而回歸分析則要分析現(xiàn)象之間相關(guān)的具體形式，確定其因果關(guān)系，并用數(shù)學(xué)模型來表現(xiàn)其具體關(guān)系；在相關(guān)分析中，所討論的變量的地位一樣，分析側(cè)重于隨機(jī)變量之間的種種相關(guān)特征。然而在回歸分析中，所關(guān)心的是一個(gè)隨機(jī)變量Y對(duì)另一個(gè)（或一組）隨機(jī)變量X的依賴關(guān)系的函數(shù)形式。知識(shí)拓展：一元線性回歸回歸分析中，如果只包括一個(gè)自變量和一個(gè)因變量，且二者的關(guān)系可用一條直線近似表示，這種回歸分析稱為一元線性回歸分析。線性回歸是利用稱為線性回歸方程的最小二乘函數(shù)對(duì)一個(gè)或多個(gè)自變量和因變量之間關(guān)系進(jìn)行建模的一種回歸分析。當(dāng)因變量和自變量之間高度相關(guān)時(shí)，我們就可以使用線性回歸來對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)。設(shè)計(jì)與實(shí)踐簡(jiǎn)單軌跡的追蹤復(fù)雜軌跡的追蹤軌跡擬合Python綜合編程程序運(yùn)行結(jié)果分析線性回歸的實(shí)現(xiàn)get_regression（）方法用來對(duì)指定的圖像矩形區(qū)域里的所有閾值特征像素點(diǎn)進(jìn)行線性回歸計(jì)算；get_regression（）方法中通過最小二乘法進(jìn)行對(duì)圖像區(qū)域里所有閾值像素進(jìn)行線性回歸計(jì)算；Thresholds定義追蹤的顏色范圍。對(duì)于灰度圖像，每個(gè)元組包含兩個(gè)值-最小灰度值和最大灰度值。對(duì)于RGB565圖像，每個(gè)元組需要有六個(gè)值(l_lo，l_hi，a_lo，a_hi，b_lo，b_hi)-分別是LABL，A和B通道的最小值和最大值。。簡(jiǎn)單軌跡追蹤的實(shí)現(xiàn)while(True):clock.tick()img=sensor.snapshot().binary([THRESHOLD])ifBINARY_VISIBLEelsesensor.snapshot()

#get_regression()返回回歸后的線段對(duì)象line，包括有x1(),y1(),x2(),y2(),length(),theta(),rho(),#magnitude()等參數(shù)。其中，theta()表示旋轉(zhuǎn)度，是線段的角度。x1、y1、x2、y2分別代表線段的兩個(gè)頂點(diǎn)坐標(biāo)，length是線段長(zhǎng)度。line=img.get_regression([(255,255)ifBINARY_VISIBLEelseTHRESHOLD])

if(line):img.draw_line(line.line(),color=127)

簡(jiǎn)單軌跡追蹤追蹤結(jié)果復(fù)雜軌跡追蹤的實(shí)現(xiàn)實(shí)際應(yīng)用中，往往要對(duì)曲線段進(jìn)行線性擬合；簡(jiǎn)明的方法是依次將曲線分段處理，每段進(jìn)行線性擬合，得到對(duì)曲線的逼近；分段越細(xì)，逼近的效果越好。復(fù)雜軌跡追蹤的實(shí)現(xiàn)

#利用顏色識(shí)別分別尋找三個(gè)矩形區(qū)域內(nèi)的線段forrinROIS:blobs=img.find_blobs(GRAYSCALE_THRESHOLD,roi=r[0:4],merge=True)#找到視野中的線，將找到的圖像區(qū)域合并成一個(gè)，然后直線ifblobs: most_pixels=0largest_blob=0foriinrange(len(blobs)):#目標(biāo)區(qū)域找到的顏色塊（線段塊）最大的一個(gè)，作為本區(qū)域內(nèi)目標(biāo)直線ifblobs[i].pixels()>most_pixels:most_pixels=blobs[i].pixels() largest_blob=I img.draw_rectangle(blobs[largest_blob].rect())#將此區(qū)域的像素?cái)?shù)最大的顏色塊畫矩形和十字形標(biāo)記出來img.draw_cross(blobs[largest_blob].cx(),lobs[largest_blob].cy())centroid_sum+=blobs[largest_blob].cx()*r[4]#centroid_sum等于每個(gè)區(qū)域的最大顏色塊的中心點(diǎn)的x坐標(biāo)值乘本區(qū)域的權(quán)值，center_pos=(centroid_sum/weight_sum)。確定線的中心實(shí)驗(yàn)過程及程序運(yùn)行結(jié)果追蹤結(jié)果：檢測(cè)較長(zhǎng)的S型曲線，每幀分三段線性擬合，并計(jì)算出各段矩心。分析與思考在軌跡追蹤應(yīng)用中，環(huán)境光照變化對(duì)識(shí)別追蹤結(jié)果有什么影響？請(qǐng)更換不同的光線環(huán)境，反復(fù)試驗(yàn)多次