basler多相机拍照，通过opencv(3.4.1) svm 实时颜色分类（基于C++）

第一次写博客还是挺激动的，哈哈哈，先来一波干货吧，没写过博客，也不知道什么格式合适，大家先凑合看吧（笔芯）

一、背景及实现效果介绍：

1.1背景简介

该示例基于工业4.0的项目，具体产线技术，流程这里就不多说了，主要说一下我负责的视觉那一块。视觉主要识别乐高积木，识别是否有积木，是什么颜色？（说到这里，估计有的人应该知道了我们这个工业4.0的东西了。）视觉这一部分主要工作是接收上位机给我的拍照命令，然后控制相机拍照并把识别结果返回给上位机，通讯采用c/s模式，其中相机有三个，收到拍照命令拍照，拍照时间随机。

1.2实现效果

要识别的积木原图如下（只选了两张作为代表，实际有多种情况）：

 

       

然后上一张识别结果图吧，先看一下效果（另一张没保存，懒得再运行程序了）：

 

这部分算是整个识别软件的核心，主要采用svm进行多分类，然后根据分类结果重新设置了像素的RGB，所以显示才想上图那样，目的是更易于观察结果。其中积木凸点反光点经过处理之后也基本能识别成要的结果，反光的部分就无能为力了，黄色积木和蓝色积木的反光区就被识别成了背景黑色，但总体来说这个分类结果还是比较满意的，已经能够很容易的得到要的结果了。

再来看看软件的界面吧

但是识别分类只是其中的一部分，要实现预期目标还要做很多东西，比如怎么同时打开三个相机（Basler GigE）,而且保证准确拍照（我没记错的话opencv只能打开一个相机吧？所以这里也算是一个技术点了），然后是通讯，界面等等一系列问题。

第一部分主要是简介，所以先上一张程序运行截图吧

 

说一下这个界面，左侧是程序的界面（嗯，好像是有点卡通啊，萌萌哒，哈哈哈哈），界面上的文本是对应的三个相机。右侧打开的文本是生成的工作日志（作用我就不说了吧），文本文档随着视觉的软件启动而自动打开。如果相机拍照，会把照片显示在界面上，写这篇文章的时候不在现场，所以没有相机，没有拍照图片，但大致是介个样子滴：

 

（呃~~，没错，这个是我p上去的！）

 

然后说一下整个开发的过程吧，首先从哪里入手呢？是不是很懵？其实当时我也是很懵，因为有网路，有相机，有图像处理分类还有软件界面等等，所以我就思考了一下整个流程，然后大致写了一下要实现的功能，上图吧（初稿）：

 

这个是当时的原稿，后来才发现这个东西用处很大，做事之前最好先有个这样的“草稿”，有一个规划，这样不仅让自己心里有谱，而且还能防止自己懵圈，比如做到一半了突然蒙圈了，不知道自己在干嘛了（不开玩笑，这是真的），然后看一下这个流程也能让自己做一个定位，知道自己在干嘛，或者下一步干嘛。我有时候也会犯迷糊，写着写着不知道自己在干嘛了，然后看看流程就知道我要干什么，或者下一步要干什么，然后为了实现这一步的功能，去想办法，如果这个方法不行，那能不能换个方法实现？ 

现在回过头写文档，再把这个流程图给画一下吧：

 

首先初始化的东西有，界面，相机，svm训练，网络通讯，日志等等一系列东西；

接着是拍照，处理图片，再进行分类，中间有很多需要优化的东西，比如说一张图片保存下来10M+的大小，这无码高清大图不经过处理，那计算机得跑到什么时候才能给分完类呀？

好差不多流程弄完了，那接下来开始着手吧，理论上首先是解决网络的问题，测试通讯是否可行，这一块之前做过项目，能保证技术上可行，所以接下来开始先考虑相机吧。

二、多相机连接并保证可以拍照

背景已经介绍过了，这里再重新说一下相机这部分要实现的目标：三个相机（basler ，GigE接口），需要一直处于连接状态并保证独立随时拍照。

最开始的打算是用opencv打开相机：VideoCapture，但是后来发现这个没办法同时打开三个相机，只能打开一个相机，默认打开第一个先连接的相机，这里不多介绍了，具体想了解的话可以查资料。

后来继续查资料，发现basler有自己的SDK，可以自己开发相机，于是就装了pylon，接着就是一顿安装，配置环境（vs2013）,然后看官网的sample,安装配置教程这里就不表述了，网上资料一查一大堆。

经过研究最后确定了一种可行的方案：通过匹配相机的mac,打开对应的相机。

流程图如下：

由于整个文件工程包含的东西比较多，而且相机的功能实现已经封装分布在工程的不同的类中，没办法完全给贴上来，所以只把核心代码给筛检之后贴了出来，如果有什么问题可以交流，下面是实现这些上述功能的核心代码：

#include 
// Namespace for using pylon objects.
using namespace Pylon;

// Namespace for using cout.
//using namespace std;

//这一句必须要
PylonInitialize();

//获得设备
CTlFactory& tlFactory = CTlFactory::GetInstance();


//声明设备信息对象，并设置信息
//参数是绑定MAC地址信息
CDeviceInfo Device_info_siasun_A,Device_info_siasun_B,Device_info_ROKAE;
Device_info_siasun_A.SetFullName("Basler acA1300-60gc#0030532699C7#192.168.2.202:3956");
Device_info_siasun_B.SetFullName("Basler acA1300-60gc#0030532699C6#192.168.2.144:3956");
Device_info_ROKAE.SetFullName("Basler acA1300-60gc#0030532699C8#192.168.2.203:3956");


//把信息添加到filter
DeviceInfoList_t Device_filter_siasun_A, Device_filter_siasun_B, Device_filter_ROKAE;
Device_filter_siasun_A.push_back(Device_info_siasun_A);
Device_filter_siasun_B.push_back(Device_info_siasun_B);
Device_filter_ROKAE.push_back(Device_info_ROKAE);

//创建相机对象
CInstantCamera Camera_siasun_A,Camera_siasun_B,Camera_ROKAE;


//注意此处容易出现异常，打开相机异常
//信息匹配，如果匹配成功，打开相机
//连接并打开相机
DeviceInfoList_t device_temp;
if (tlFactory.EnumerateDevices(device_temp, Device_filter_siasun_A) > 0)
{
	Camera_siasun_A.Attach(tlFactory.CreateDevice(device_temp[0]));
	Camera_siasun_A.Open();
}
if (tlFactory.EnumerateDevices(device_temp, Device_filter_siasun_B) > 0)
{
	Camera_siasun_B.Attach(tlFactory.CreateDevice(device_temp[0]));
	Camera_siasun_B.Open();
}
if (tlFactory.EnumerateDevices(device_temp, Device_filter_ROKAE) > 0)
{
	Camera_ROKAE.Attach(tlFactory.CreateDevice(device_temp[0]));
	Camera_ROKAE.Open();
}


//结果指针
//相机拍完照片之后会先把数据存入内存中，这里是放入了CGrabResultPtr指针对象中
CGrabResultPtr PtrGrabResult_siasun_A,PtrGrabResult_siasun_B,PtrGrabResult_ROKAE;

//开始抓拍
/*Camera_siasun_A.StartGrabbing(1);
Camera_siasun_B.StartGrabbing(1);
Camera_ROKAE.StartGrabbing(1);

//等待并检测，100ms超时
Camera_siasun_A.RetrieveResult( 100, PtrGrabResult_siasun_A, TimeoutHandling_ThrowException);
Camera_siasun_B.RetrieveResult( 100, PtrGrabResult_siasun_B, TimeoutHandling_ThrowException);
Camera_ROKAE.RetrieveResult( 100, PtrGrabResult_ROKAE, TimeoutHandling_ThrowException);
*/
//1000ms超时
//抓取一张图片
Camera_siasun_A.GrabOne(1000,PtrGrabResult_siasun_A, TimeoutHandling_ThrowException);
Camera_siasun_B.GrabOne(1000,PtrGrabResult_siasun_B, TimeoutHandling_ThrowException);
Camera_siasun_ROKAE.GrabOne(1000,PtrGrabResult_siasun_ROKAE, TimeoutHandling_ThrowException);

//****************接下来转换图片格式
//创建格式转换对象
CImageFormatConverter Format_converter_siasun_A,Format_converter_siasun_B,Format_converter_ROKAE;
CPylonImage PylonImage_Temp_siasun_A,PylonImage_Temp_siasun_B,PylonImage_Temp_ROKAE;

//设定转换格式
Format_converter_siasun_A.OutputPixelFormat = PixelType_BGR8packed;
Format_converter_siasun_A.OutputBitAlignment = OutputBitAlignment_MsbAligned;

Format_converter_siasun_B.OutputPixelFormat = PixelType_BGR8packed;
Format_converter_siasun_B.OutputBitAlignment = OutputBitAlignment_MsbAligned;


Format_converter_ROKAE.OutputPixelFormat = PixelType_BGR8packed;
Format_converter_ROKAE.OutputBitAlignment = OutputBitAlignment_MsbAligned;


Format_converter_siasun_A.Convert(PylonImage_Temp_siasun_A, PtrGrabResult_siasun_A);
Format_converter_siasun_B.Convert(PylonImage_Temp_siasun_B, PtrGrabResult_siasun_B);
Format_converter_ROKAE.Convert(PylonImage_Temp_ROKAE, PtrGrabResult_ROKAE);

好了，相机打开的问题解决了，接下来该处理图像了。（做个工程真的是要经历九九八十一难呀，好多莫名的bug）

对，还有一个问题就是格式转换，我拍完照片之后是pylon的图片，需要转换成opencv需要处理的格式也就是Mat，最开始以为挺麻烦的，想着实在不行就先保存到磁盘上，然后再用opencv读取过来，后来发现这个一行代码就搞定了：

//CPylonImage类图片
CPylonImage PylonImage_Temp;
//把指针指向的缓存数据转换为CPylonImage类
Format_converter.Convert(PylonImage_Temp, PtrGrabResult);
//把CPylonImage类转换为Mat类，其实图片读取到内容中就是一堆数据（三通道为三维数组），转换的时候只需要把buffer都去过来就好了
Mat temp_grab = cv::Mat(PtrGrabResult->GetHeight(), PtrGrabResult->GetWidth(), CV_8UC3, (uint8_t *)PylonImage_Temp.GetBuffer());

 

三、opencv颜色分类

终于到重点了，这就是整个工程最核心的部分--颜色分类。其实颜色识别分类的方法有挺多的，我这里用了svm进行分类，主要也想了解一下机器学习的一些东西，为以后打点基础。

其实opencv已经把机器学习的框架都做好了，我们只需要添加数据，训练模型，只不过中间可能需要再调一下参数就好。

3.1添加数据及标签

之前一直不知道怎么添加标签，耽误了很多时间，后来发现其实特别简单，就是把读取图片的数据（矩阵）直接添加成训练集就好了，同时要再加上对应的标签。

需要注意的是svm训练数据的格式是CV_32FC1，而标签是CV_32SC1，所以在训练之前需要对数据进行处理一下，同时在predict的时候也需要处理。

添加标签以红色和黄色为例：

//------------------红色训练数据--------------------------//
Mat red_roi_uf = imread("C:/Users/ncutl/Desktop/red.png");
//原图是CV_8UC3,例如255*255的像素，矩阵是255*255*3的矩阵，现在需要转换成，(255*255)*3的矩阵，格式为CV_32FC1
Mat red_roi_convert;
red_roi_uf.convertTo(red_roi_convert, CV_32FC1);
Mat red_roi_data(red_roi_convert.rows*red_roi_convert.cols, 3, CV_32FC1, red_roi_convert.data);
//生成对应的标签，红色标签为1
Mat red_label = Mat(red_roi_convert.rows*red_roi_convert.cols, 1, CV_32SC1, Scalar::all(1));

//-------------------黄色训练数据--------------------//
Mat yellow_roi_uf = imread("C:/Users/ncutl/Desktop/yellow.png");
Mat yellow_roi_convert;
//转换
yellow_roi_uf.convertTo(yellow_roi_convert, CV_32FC1);
Mat yellow_roi_data(yellow_roi_convert.rows*yellow_roi_convert.cols, 3, CV_32FC1, yellow_roi_convert.data);
//黄色标签为2
Mat yellow_label = Mat(yellow_roi_convert.rows*yellow_roi_convert.cols, 1, CV_32SC1, Scalar::all(2));
//imshow("黄色", yellow_roi);

//-----------------合并所有的样本点，作为训练数据----------------------//
	Mat train_data, train_label;
	vconcat(red_roi_data, yellow_roi_data, train_data);
	vconcat(red_label, yellow_label, train_label);

3.2训练模型并调整参数

训练模型其实就几行代码，需要做的就是改参数，使得分类最优。

本例是使用多分类，参数及优化可以参考这篇文章：OpenCV中的SVM参数优化

下边的参数是我已经调完之后的：

// 设置参数

	Ptr svm = SVM::create();
	svm->setType(SVM::C_SVC);
	svm->setKernel(SVM::POLY);
	//svm->setNu(0.5);
	svm->setGamma(100);
	//svm->setC(100);
	svm->setDegree(0.08);
	svm->setTermCriteria(TermCriteria(TermCriteria::MAX_ITER, 100, 1e-6));

	// 训练分类器
	Ptr tData = TrainData::create(train_data, ROW_SAMPLE, train_label);

	svm->train(tData);



	cout << "训练完成" << endl << endl;

3.3predict

这部分代码适用于分类，遍历像素提取rgb的值进行格式转换，然后predict，根据分类结果把该点像素点替换成理想的红黄蓝绿和背景黑色。

//设置颜色
Vec3b green(0, 255, 0), blue(255, 0, 0), red(0, 0, 255), yellow(0, 255, 255), black(0, 0, 0);
//分类颜色计数器
long red_numb = 0, yellow_numb = 0, green_numb = 0, blue_numb = 0, back_numb = 0;
Mat test_img=imread("C:\\Users\\ncutl\\Desktop\\samp.png");
//一个一个像素predict，这个缺点是太慢了
for (int i = 0; i < test_img.rows; i++)
	for (int j = 0; j < test_img.cols; j++)
	{
		//部分用于格式转关，在上一步已经说过这个问题
	Vec3b pixel = test_img.at(i, j);
		float a_t = pixel[0];
		float b_t = pixel[1];
		float c_t = pixel[2];
		//cout << a_t << endl << b_t << endl << c_t << endl;
		Mat sampleMat = (Mat_(1, 3) << a_t, b_t, c_t);
		int response = svm->predict(sampleMat);

		if (response == 1)
		{
			test_img.at(i, j) = red; red_numb++;
		}
		if (response == 2)
		{
			test_img.at(i, j) = yellow;
			yellow_numb++;
		}

		if (response == 3)
		{
			test_img.at(i, j) = green;
			green_numb++;
		}
		if (response == 4)
		{
			test_img.at(i, j) = blue;
			blue_numb++;
		}
		if (response == 5)//背景颜色
		{
			test_img.at(i, j) = black;
			back_numb++;
		}

		}

最后执行完之后得到的结果如下所示：

3.4速度优化

前面说过，分类是单个像素分类，这样的缺点是速度太慢，而且拍摄的照片也是高像素的图片，所以提高速度非常必要。最后识别用的方法是先对原图进行采样，再设置ROI区域，这样的话速度会提高不少。

有许多其他方法可以检测颜色，速度会比较快，用svm的话应该有其他训练模型的方法，可以快速分类。

采样前后的时间对比如下（上边原图，下边采样之后）：

时间缩短了有10倍之多，这一部分资源我上传了，文件包括分类cpp文件和测试图片，有需要可以下载：svm颜色分类

四、网络通讯

单网络通讯这一部分网上资源挺多的，也很简单。重要的是在程序运行时候需要单独开线程，防止阻塞，这一部分跟TCP的通讯方式有关。

4.1开辟新线程

网络通信是会有阻塞的，为了防止通讯占用主线程资源，需要开辟新线程处理通讯的程序，开辟新线程主要包括三部分，首先声明线程函数和指针，定义线程函数，最后启动新线程。下边以相机线程为例。

//声明线程函数和指针
CWinThread* pRecvThread_Connect_Camera = NULL;
UINT RecvThread_Connect_Camera(LPVOID pParam);
//这一句启动新线程
pRecvThread_Connect_Camera = AfxBeginThread(RecvThread_Connect_Camera, this);

//这一部分是线程函数
UINT RecvThread_Connect_Camera(LPVOID pParam)
{
	//传递对话框的this指针
	C视觉Dlg* pThis = (C视觉Dlg*)pParam;
	/*
	这里填写代码
	*/
	return 0;
	
}

4.2网络通讯

这一部分是tcp通讯，打开服务等待连接，如果有连接判断接收数据，然后根据接收数据执行相应代码就好。

#include     
#include  

#pragma comment(lib,"ws2_32.lib")  

int main()
{
	//初始化WSA    
	WORD sockVersion = MAKEWORD(2, 2);
	WSADATA wsaData;
	if (WSAStartup(sockVersion, &wsaData) != 0)
	{
		return 0;
	}


	//创建套接字    
	SOCKET slisten = socket(AF_INET, SOCK_STREAM, IPPROTO_TCP);
	if (slisten == INVALID_SOCKET)
	{
		printf("socket error !");
		return 0;
	}

	//绑定IP和端口    
	sockaddr_in sin;
	sin.sin_family = AF_INET;
	sin.sin_port = htons(4680);
	sin.sin_addr.S_un.S_addr = inet_addr("192.168.2.211");// htonl(INADDR_ANY); //inet_addr("172.20.10.8");
	if (bind(slisten, (LPSOCKADDR)&sin, sizeof(sin)) == SOCKET_ERROR)
	{
		printf("bind error !");
	}

	//开始监听    
	if (listen(slisten, 5) == SOCKET_ERROR)
	{
		printf("listen error !");
		return 0;
	}

	//循环接收数据    
	SOCKET sClient;
	sockaddr_in remoteAddr;
	int nAddrlen = sizeof(remoteAddr);
	char revData[255];
	long linenum = 0;
	while (true)
	{
		//printf("等待连接...\n");
		sClient = accept(slisten, (SOCKADDR *)&remoteAddr, &nAddrlen);
		if (sClient == INVALID_SOCKET)
		{
			printf("accept error !");
			continue;
		}


		//printf("第%d次：\n", linenum);
		//linenum++;

		//printf("接受到一个连接：%s :\r\n", inet_ntoa(remoteAddr.sin_addr));
		//printf("/t/t");
		//接收数据    
		int ret = recv(sClient, revData, 255, 0);
		if (ret > 0)
		{
			revData[ret] = 0x00;
			printf(revData);
		}
		printf("\n");
		//发送数据    
		//char send[4] = { 1, 1, 1, 1 };
		const char * sendData="";
		if (revData[1] == '1')
		{
			sendData = "9999";
			
		}
		
		send(sClient, sendData, strlen(sendData), 0);
		printf("发送结果：%s\n\n", sendData);
		Sleep(100);
		closesocket(sClient);
	}

	closesocket(slisten);
	WSACleanup();
	return 0;


}

这个版本代码是网上的例程，但只能连接一个client，并且不能连续发送数据，可以适当修改使得可以连接多个client且连续发送数据。

目前核心的功能已经全部实现，先写到这里吧，后期再更新吧。