人工智能开源硬件与python编程实践 课件 项目7、8 轨迹跟踪与拟合、 计算机视觉与人脸检测.ppt

轨迹跟踪与拟合 人工智能开源硬件与python编程实践 情境导入 服务机器人一般具有巡航功能，可以按照事先规划好的线路巡线行走，代替人工为人们提供各种服务。 机器人身上的专门设计有红外或视觉传感器用来实时识别地面上的黑线轨迹，通过PID算法，对运动速度和方向进行比例、积分、微分控制，实现巡线功能。 任务与目标 了解轨迹跟踪技术的基本原理、相关算法和应用框架； 掌握运用人工智能开源硬件设计智能应用系统的方法，掌握Python语言的编程方法； 应用人工智能开源硬件和Python相关算法模块设计轨迹跟踪功能； 针对生活应用场景，进一步开展创意设计，设计具有实用价值的轨迹跟踪应用系统。 知识拓展： 相关分析 相关分析是研究两个或两个以上处于同等地位的随机变量间的相关关系的统计分析方法，它是描述客观事物相互间关系的密切程度并用适当的统计指标表示出来的过程。 当自变量取某一值时，因变量对应为一概率分布，如果自变量的取值不同，因变量的分布也不同，则说明两者是存在相关关系的。 知识拓展：回归分析 回归分析（regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，它根据对因变量与一个或多个自变量的统计分析，建立起因变量和自变量的关系； 按照涉及的变量的多少，分为一元回归和多元回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。 知识拓展：相关分析与回归分析 相关分析研究的是现象之间是否相关、相关的方向和密切程度，而回归分析则要分析现象之间相关的具体形式，确定其因果关系，并用数学模型来表现其具体关系； 在相关分析中 ，所讨论的变量的地位一样，分析侧重于随机变量之间的种种相关特征。然而在回归分析中，所关心的是一个随机变量Y对另一个（或一组）随机变量X的依赖关系的函数形式。 知识拓展：一元线性回归 回归分析中，如果只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。 线性回归是利用称为线性回归方程的最小二乘函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。当因变量和自变量之间高度相关时，我们就可以使用线性回归来对数据进行预测。 设计与实践 简单轨迹的追踪 复杂轨迹的追踪 轨迹拟合Python综合编程 程序运行结果分析 线性回归的实现 get_regression（）方法用来对指定的图像矩形区域里的所有阈值特征像素点进行线性回归计算 ； get_regression（）方法中通过最小二乘法进行对图像区域里所有阈值像素进行线性回归计算； Thresholds 定义追踪的颜色范围。对于灰度图像，每个元组包含两个值 - 最小灰度值和最大灰度值。对于RGB565图像，每个元组需要有六个值(l_lo，l_hi，a_lo，a_hi，b_lo，b_hi) - 分别是LAB L，A和B通道的最小值和最大值。 。 简单轨迹追踪的实现 while(True): clock.tick() img = sensor.snapshot().binary([THRESHOLD]) if BINARY_VISIBLE else sensor.snapshot() ? #get_regression()返回回归后的线段对象line，包括有x1(), y1(), x2(), y2(), length(), theta(), rho(), #magnitude()等参数。其中，theta()表示旋转度，是线段的角度。x1、y1、x2、y2分别代表线段的两个顶点坐标，length是线段长度。 line = img.get_regression([(255,255) if BINARY_VISIBLE else THRESHOLD]) ? if (line): img.draw_line(line.line(), color = 127) 简单轨迹追踪 追踪结果 复杂轨迹追踪的实现 实际应用中，往往要对曲线段进行线性拟合； 简明的方法是依次将曲线分段处理，每段进行线性拟合，得到对曲线的逼近； 分段越细，逼近的效果越好。 复杂轨迹追踪的实现 #利用颜色识别分别寻找三个矩形区域内的线段 for r in ROIS: blobs = img.find_blobs(GRAYSCALE_THRESHOLD, roi=r[0:4], merge=True) #找到视野中的线，将找到的图像区域合并成一个，然后直线 if blobs: most_pixels = 0 largest_blob = 0 for i in range(l