尝试使用OPENMV识别装甲板

• 前言
  在参加RM比赛时，我们挑选了许多的设备用来实验，openmv便是其中之一。openmv是在GitHub上的开源项目，开源是相当完整，有能力的团队完全可以依据开源设计制造出自己的产品。我们所使用的openmv为淘宝星瞳科技购买，目前主要用于飞镖的视觉引导。以下为早期使用openmv进行装甲板识别的示例，其实还存在着许多不足，但是可以运行。openmv作为一款高集成度的可供二次开发的轻便设备可以在其他比赛和项目中使用，但不建议在机甲大师赛中担当主力运算设备。
• 使用设备型号为openmv4 H7,通信则采用杜邦线直连引脚
  我们对于openmv还购买了摄像头延长线、红外镜头、无畸变镜头、测距拓展板等用于测试开发。以下程序应该需要配合测距拓展板，但是如果没有的话也不受影响，只需要根据openmv开发示例简单注释几行即可。对于openmv的开发是多种多样的，其功能也十分强大，但测试发现其运行神经网络的效果并不理想，但对于一些做智能小车，完成简单的识别任务、轻量级的开发任务也还是可以的。

import sensor, image,math,pyb
from pyb import UART
import json
from machine import I2C
from vl53l1x import VL53L1X
import time

# 为了使色彩追踪效果真的很好，你应该在一个非常受控制的照明环境中。
blue_threshold   = ((((83, 100, -20, 34, -15, 48))))
                    #(((85, 100, -26, 127, -43, 127)))
                    #100, 97, -10, 28, -24, 69
                    #(58, 100, -32, 17, -48, 29)
                    #(68, 100, -42, 16, -33, 15)
#设置蓝色的阈值，括号里面的数值分别是L A B 的最大值和最小值（minL, maxL, minA,
# maxA, minB, maxB），LAB的值在图像左侧三个坐标图中选取。如果是灰度图，则只需
#设置（min, max）两个数字即可。

# You may need to tweak the above settings for tracking green things...
# Select an area in the Framebuffer to copy the color settings.
sensor.reset() # Initialize the camera sensor.
sensor.set_pixformat(sensor.RGB565) # use RGB565.
sensor.set_framesize(sensor.QVGA) # use QQVGA for speed.
sensor.set_windowing((160,120)) #取160,120中间的区域

sensor.skip_frames(10) # Let new settings take affect.
sensor.set_auto_exposure(False, 3500)#降低曝光
sensor.set_auto_whitebal(True) # turn this off.
sensor.set_auto_gain(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() # Tracks FPS.
a=[]
K=2900

uart = UART(3, 115200)

#uart.init(115200, bits=8, parity=None, stop=1)  #8位数据位，无校验位，1位停止位
i2c = I2C(2)
distance = VL53L1X(i2c)
while(True):
    time_start = pyb.millis()
    clock.tick() # Track elapsed milliseconds between snapshots().
    #img = sensor.snapshot().lens_corr(strength = 1.06, zoom = 1.1)#畸变校正
    img = sensor.snapshot()# Take a picture and return the image.
    #img.midpoint(1, bias=0.5, threshold=True, offset=5, invert=True)
    #img.mode(1)
    #img.laplacian(1, sharpen=True)

    #img = sensor.snapshot().cartoon(seed_threshold=0.05, floating_thresholds=0.05)
    #img.gaussian(1, unsharp=True)

    for blob in img.find_blobs([blue_threshold], pixels_threshold=4, area_threshold=8, merge=False):
    #find_blobs(thresholds, invert=False, roi=Auto),thresholds为颜色阈值，
    #是一个元组，需要用括号［ ］括起来。invert=1,反转颜色阈值，invert=False默认
    #不反转。roi设置颜色识别的视野区域，roi是一个元组， roi = (x, y, w, h)，代表
    #从左上顶点(x,y)开始的宽为w高为h的矩形区域，roi不设置的话默认为整个图像视野。
    #这个函数返回一个列表，[0]代表识别到的目标颜色区域左上顶点的x坐标，［1］代表
    #左上顶点y坐标，［2］代表目标区域的宽，［3］代表目标区域的高，［4］代表目标
    #区域像素点的个数，［5］代表目标区域的中心点x坐标，［6］代表目标区域中心点y坐标，
    #［7］代表目标颜色区域的旋转角度（是弧度值，浮点型，列表其他元素是整型），
    #［8］代表与此目标区域交叉的目标个数，［9］代表颜色的编号（它可以用来分辨这个
    #区域是用哪个颜色阈值threshold识别出来的）。


        if (blob[3]/blob[2])>=1.2 and blob.area()<100 :#通过高宽比，
        #色块面积，与像素旋转角度来限制追踪目标and blob[7]>=float(1.35)and blob[7]<= float(1.80)
            a.append(blob)
            b=[]
        if (len(a))>=3:
            #d=image.find_rects([roi=(a[len(a)-2][0],a[len(a)-2][1],a[len(a)-2][2],a[len(a)-2][3]),threshold=100])
            a.pop(0)
            a_=a.copy()
            new_b=[]

            #print(len(a),"a",a)
            for i in range(len(a)-1):#遍历
                #for m in range(len(a)-1):下面将通过两色块中心点的X与Y坐标差值来进行约束
                if abs(a[0][5]-a_[i+1][5])>10 and abs(a[0][5]-a_[i+1][5])<50 and abs(a[0][6]-a_[i+1][6]) >0 and abs(a[0][6]-a_[i+1][6]) <7 :

                    b.append(a[0])
                    b.append(a[i+1])
                    for i in b:
                        if i not in new_b and len(b)>=2:
                            new_b.append(i)

                            #print("b",len(b),b)
                            if len(new_b)>=2:
                            #and min(length) in new_b
                                #img.draw_rectangle(new_b[0][0:4],(0,255,0))
                                #img.draw_rectangle(new_b[1][0:4],(0,255,0))
                                img.draw_cross((int((new_b[0][5]+new_b[1][5])/2),int((new_b[0][6]+new_b[1][6])/2)),size=10)# cx, cy
                                img.draw_circle((int((new_b[0][5]+new_b[1][5])/2),int((new_b[0][6]+new_b[1][6])/2),20))
                                angles_x=math.degrees(math.atan(math.tan(((((new_b[0][5]+new_b[1][5])/2)-80)/1.4)*0.01745)))
                                angles_y=-math.degrees(math.atan(math.tan(((((new_b[0][6]+new_b[1][6])/2)-60)/1.3)*0.01745)))
                                print('水平角度:%f'%angles_x,'竖直角度:%f' % angles_y)
                                if len(new_b)==2:#测距
                                    #Lm=(abs(new_b[0][0]-new_b[1][0])+(new_b[1][3]+new_b[0][3]))/2
                                    #length=K/Lm
                                    #print('length:%f'%length)
                                    length=distance.read()
                                    print('length:%f'%length)
                                    x=int(angles_x*1000)

                                    z=int(length)


                                    #if angles_y<0:#当竖直角度为负数时，此坐标系角度转化方可成立
                                    q=9.75
                                    b=5.5
                                    c=math.sqrt(math.pow(11.2,2)+math.pow(length,2)-2*11.2*length*math.cos(((90-angles_y)+60.57596)*0.01745))

                                    angle__Y=math.degrees(math.acos((math.pow(11.2,2)+math.pow(c,2)-math.pow(length,2))/(2*11.2*c)))
                                    Y=int((angle__Y-28)*1000)
                                    #print(angles_y,angle__Y-30)
                                    img_data = bytearray([0xAA,0xAF,x>>24,x>>16,x>>8,x,Y>>24,Y>>16,Y>>8,Y,z>>8,z,0x5B])
                                    uart.write(img_data)

                                    time.sleep(5)
        duration = pyb.elapsed_millis(time_start)

此为早期不成熟作品，不建议实战使用。