大家好，我是杰杰。
从上一篇openmv的学习中openmv学习之旅-1
我们可以很简单运用micropython在openmv上做我们想做的事情。
Python这个东西用起来是很简单的，，下面来说说改善色块追踪的算法
先做个改善前的分析吧：
改善前：
API：find_blobsthresholds 是颜色的阈值。这个参数是一个列表，可以包含多个颜色。在返回的色块对象blob可以调用code方法，来判断是什么颜色的色块。
roi 是“感兴趣区”。
x_stride 就是查找的色块的x方向上最小宽度的像素，默认为2。
y_stride 就是查找的色块的y方向上最小宽度的像素，默认为1。
area_threshold 面积阈值，如果色块被框起来的面积小于这个值，会被过滤掉。
pixels_threshold 像素个数阈值，如果色块像素数量小于这个值，会被过滤掉
merge 合并，如果设置为True，那么合并所有重叠的blob为一个。 注意：这会合并所有的blob，无论是什么颜色的。如果你想混淆多种颜色的blob，只需要分别调用不同颜色阈值的find_blobs。
blobs = img.find_blobs([red])find_blobs 对象返回的是多个 blob 的列表。
而一个 blobs 列表里包含很多 blob 对象， blobs 对象就是色块，每个 blobs 对象包含一个色块的信息。
blob有多个方法：
blob.rect() 返回这个色块的外框——矩形元组(x, y, w, h)，可以直接在image.draw_rectangle中使用。
blob.x() 返回色块的外框的x坐标（int），也可以通过blob[0]来获取。
blob.y()返回色块的外框的y坐标（int），也可以通过blob[1]来获取。
blob.w()返回色块的外框的宽度w（int），也可以通过blob[2]来获取。
blob.h()返回色块的外框的高度h（int），也可以通过blob[3]来获取。
blob.pixels() 返回色块的像素数量（int），也可以通过blob[4]来获取。
blob.cx() 返回色块的外框的中心x坐标（int），也可以通过blob[5]来获取。
blob.cy() 返回色块的外框的中心y坐标（int），也可以通过blob[6]来获取。
blob.rotation()返回色块的旋转角度（单位为弧度）（float）。如果色块类似一个铅笔，那么这个值为0-180°。如果色块是一个圆，那么这个值是无用的。如果色块完全没有对称性，那么你会得到0-360°，也可以通过blob[7]来获取。
blob.code()返回一个16bit数字，每一个bit会对应每一个阈值。
（上面的知识在openmv的官网上都有说明）
下面是说说调用find_blobs来做色块的追踪的原理
它是全幅图像扫描，它有优点也有缺点
先说说优点吧:信息全面，全幅图像的搜索，把所有色块都搜索进来了
但是缺点也不少：①：运算的速度，是很慢的，有些地方我们根本不需要扫描它。
②：色块的数量，很多时候，会有很多延时差不多的色块过来干扰，导致追踪失败。
源码：
import sensor, image, time
red_threshold_01 = (0, 35, 0, 50, -10, 40)
sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
sensor.skip_frames(10)
sensor.set_auto_whitebal(False)
clock = time.clock()
while(True):
clock.tick()
img = sensor.snapshot()
blobs = img.find_blobs([red_threshold_01],
area_threshold=150)
if blobs:
#如果找到了目标颜色
print(blobs)
for b in blobs:
#迭代找到的目标颜色区域
# Draw a rect around the blob.
img.draw_rectangle(b[0:4]) # rect
#用矩形标记出目标颜色区域
img.draw_cross(b[5], b[6]) # cx, cy
#在目标颜色区域的中心画十字形标记
print(clock.fps())效果图：
运算速度：
从拍摄完到扫描完，每秒只能处理二十多帧图像，而且是简单的处理。
虽然脱机运行速度可以快一倍。但是还是比较慢的。
肯定要改进啊。
以下是改进扫描算法的思想：
①：首先做一次全幅图像的扫描，找到我们需要的色块。
②：我们得到色块的信息：如色块的长、宽、及色块的位置
③：我们只扫描色块周围的区域（ROI）
④：假设在新的ROI找不到我们需要的色块，就重新来。
这个方法类似于飞思卡尔的边缘检测。
其实这个改进是非常简单的。因为我们需要的东西在microPython中全部都有。
只需要拿到find_blobs的返回的东西就好啦。
算法示意图
绿色的是我们追踪的色块，
而红色的框是我们第一次全局扫描得到的东西
那么我们只需在红色的框之外做一次扫描就能得到绿色块啦
实现的源码
import sensor, image, time
#red_threshold_01 = (45, 100, -60, 80, 34, 91)
red_threshold_01 = (21, 29, -72, 6, -11, 17)
sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
sensor.skip_frames(20)
sensor.set_auto_whitebal(False)
#关闭白平衡。白平衡是默认开启的，在颜色识别中，需要关闭白平衡
clock = time.clock()
img = sensor.snapshot()
blobs = img.find_blobs([red_threshold_01],
area_threshold=150)
last_blobs = blobs
while(True):
clock.tick()
img = sensor.snapshot()
if last_blobs:
for b in blobs:
x1 = b[0]-7
y1 = b[1]-7
w1 = b[2]+12
h1 = b[3]+12
#print(b.cx(),b.cy())
roi2 = (x1,y1,w1,h1)
print(roi2)
blobs = img.find_blobs([red_threshold_01],
roi = roi2,
area_threshold=1000)
last_blobs = blobs
else:
blobs = img.find_blobs([red_threshold_01],
area_threshold=1000)
last_blobs = blobs
if last_blobs:
#如果找到了目标颜色
# print(blobs)
for b in last_blobs:#迭代找到的目标颜色区域
img.draw_rectangle(b[0:4])
img.draw_cross(b[5], b[6])
print("帧率 : ",clock.fps())
改善后的帧率的确是快了不少的：基本能快一倍以上，当然，物体在图片越大，处理的速度会越慢。
帧率达到了 45 ，并且，对于运动中的物体，也能很好的追踪出来，减少无关物体的干扰。
按照这个思想，我们还能把这个物体分成四条边来扫描：
那么是不是只需要扫描到这个物体的四条边，并且证明四条边的点都有重合，那么，我们就能知道这个物体是一个整体从而得到物体的位置。。。。
当然，这只是想法。对于程序员任何的功能想法的实现都需要代码的实现，这代码我就不实现了，有兴趣的可以试试。。。
喜欢就关注我吧！
相关代码可以在公众号后台获取。
