2021电赛D题：基于互联网的摄像测量系统思路

本文主要是介绍2021电赛D题：基于互联网的摄像测量系统思路，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

2021年全国电赛题目如下：

一：主要思路

基于opencv，树莓派，以及网络交换机组成的摄像测量系统。由测量摄像
系统与网络传输系统组成。支持开机自启动，一键测量，声光提示结束测量，高帧率显
示图像的系统。其中摄像系统包括两组树莓派与摄像头组合，网络传输系统由网线，以
太网交换机，以及终端树莓派及其树莓派组成。通过测量目标物体的像素位置,将坐标通
过网络交换机传递给终端服务器进行绳长的计算。并且通过记录激光头在图像的最大位
置与稳态位置的x 坐标差值之比进行对摆动角的计算。最终做到了测量绳长度误差小于
2cm、测量角度误差小于5°。

二：主要原理

1.视频流的处理

将树莓派得到的图像上载到局域网下，通过交换机进行局域网的数据传输：即三个树莓派全部插在交换机接口上，得到一个局域网，每个树莓派将获得一个ip地址，将树莓派摄像头采集到的视频流传输上局域网下，图像处理即opencv只需直接从局域网下直接读取视频转化为图像进行处理，终端树莓派即显示双图像树莓派也可从局域网下下载图像。

使用的方法：python的requests(从局域网下下载图像)、socket(局域网下的数据传输)、opencv(图像处理)。

局域网下的视频流上传：

opencv-python——使用mjpg-streamer实现实时视频流获取并进行远程图像处理操作_Irving.Gao的博客-CSDN博客

需要注意的是

只需到subversion即可

按照流程进行下载和开启，就可以从局域网http://localhost:8080/得到图像(localhost是测量的树莓派的ip地址)

以下代码即可得到图像信息即返回值img_cv

url = "http://localhost:8080/?action=snapshot"
def downloadImg():global urlwith request.urlopen(url) as f:data = f.read()img1 = np.frombuffer(data, np.uint8)#print("img1 shape ", img1.shape) # (83653,)img_cv = cv2.imdecode(img1, cv2.IMREAD_ANYCOLOR)return img_cv

2.局域网下的数据传输

client = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
ip_port = (("host", 27830)) #host主机地址即终端 27830随机设置即端口号

传输：

trans = '1 ' + str(box[0][0]) + ' ' + str(box[0][1]) + ' ' + str(box[1][0]) + ' ' + str(box[1][1]) + ' ' + str(box[2][0]) + ' ' + str(box[2][1]) + ' ' + str(box[3][0]) + ' ' + str(box[3][1]) + ' ' + str(bias_x) + ' ' + str(long)
try:client.send(trans.encode('utf-8'))  # 设置编码为utf-8
except:print('transport error')

这是我的数据传输端：trans是传输的数据，其中包括从机序号 '1/2'+目标矩形框的坐标和本机树莓派测量得到的长度和x/y方向的偏差值(用于主机整合信息测量角度)

下面是主机的连接和获取

连接：

def link_ip():server.bind(("192.168.1.3", 27830))  # 地址与端口server.listen(10)print("等待连接..")time.sleep(10)num = 0while num<2:if num==1:conn, addr = server.accept()  # 等待连接print("conn:", conn, "\naddr:", addr) # conn连接实例else:conn1, addr = server.accept()  # 等待连接print("conn:", conn1, "\naddr:", addr) # conn连接实例num+=1return [conn, conn1]

获取与解码：

def get_data(cnn, image, image1):long = 0get_n = 0msg = cnn[0].recv(1024).decode('utf-8')  # 接受数据并按照utf-8解码msg1 = cnn[1].recv(1024).decode('utf-8')  # 接受数据并按照utf-8解码get_r = msg.split(' ')get_r1 = msg1.split(' ')

将得到的数据变换后得到框图信息和长度、偏差信息，得到需要的数据并对应每一张图片进行框图和计算。

3.opencv识别激光笔

可以将激光笔换成其他易识别颜色，通过色域的划分和图像滤波处理，排除其他干扰，得到目标位置框图并画框：

确定色域的值：

# -*- coding:utf-8 -*-import cv2
import numpy as np
from urllib import requesturl = "http://:8080/?action=snapshot"def downloadImg():global urlwith request.urlopen(url) as f:data = f.read()img1 = np.frombuffer(data, np.uint8)#print("img1 shape ", img1.shape) # (83653,)img_cv = cv2.imdecode(img1, cv2.IMREAD_ANYCOLOR)return img_cvdef mouse_click(event, x, y, flags, para):if event == cv2.EVENT_LBUTTONDOWN:  # 左边鼠标点击# print('PIX:', x, y)# print("BGR:", img[y, x])# print("GRAY:", gray[y, x])print("HSV:", hsv[y, x])if __name__ == '__main__':cv2.namedWindow("img")cv2.setMouseCallback("img", mouse_click)cv2.setMouseCallback("img1", mouse_click)while True:image = downloadImg() #cv2.imread('1.jpg') # 根据路径读取一张图片
#        (grabbed, img) = cap.read()gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)cv2.imshow('img', image)if cv2.waitKey() == ord('q'):breakcv2.destroyAllWindows()

其中的url是自己的树莓派从机ip即第一步，得到图像，鼠标点击需要识别的位置，即会返回次点的hsv色域值，改变接下来识别的color_dist即可得到hsv的大致范围，接下来即可得到lower和upper，可以作为opencv的色域范围，也方便现场调参

识别和数据处理：

color_dist = {'red': {'Lower': np.array([25, 100, 100]), 'Upper': np.array([55, 185, 185])}}
frame = downloadImg()  # cv2.imread('1.jpg') # 根据路径读取一张图片
gs_frame = cv2.GaussianBlur(frame, (5, 5), 0)  # 高斯模糊
hsv = cv2.cvtColor(gs_frame, cv2.COLOR_BGR2HSV)  # 转化成HSV图像
erode_hsv = cv2.erode(hsv, None, iterations=2)  # 腐蚀 粗的变细
inRange_hsv = cv2.inRange(erode_hsv, color_dist[ball_color]['Lower'], color_dist[ball_color]['Upper'])
cnts = cv2.findContours(inRange_hsv.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]
try:c = max(cnts, key=cv2.contourArea)
except:cv2.imshow('camera', frame)if cv2.waitKey(1) & 0xFF == ord('q'):breakcontinue
rect = cv2.minAreaRect(c)
box = cv2.boxPoints(rect)
# print(box)
img_min_x = box[0][0]
img_max_x = box[0][0]
for i in range(1, len(box)):img_min_x = min(img_min_x, box[i][0])img_max_x = max(img_max_x, box[i][0])
if not img_num:# 这里是由于第一帧图片没有前一帧min_x = img_min_xmax_x = img_max_ximg_num += 1
min_x = min(min_x, img_min_x)
max_x = max(max_x, img_max_x)
bias_x = (max_x - min_x) / 2
me_y = (box[0][1] + box[1][1] + box[2][1] + box[3][1]) / 4
long = 0.08264 * me_y + 80.39 #拟合得到的数据，求长度，后面说明，需自己测量

改进思路：

未来防止可能的扰动误差，可以在动态图像的基础上进行处理，通过前后帧的区别找出动态区域，对该区域进行色域识别，可以滤除背景中可能的颜色重叠，这样也可以增加色域的范围大小，报账识别率。

由上一步的数据传输可以在终端主机上看到如下图