基于OpenMV的图像识别之数字识别功能
发布时间：2021-11-07 15:39:51 所属栏目：教程 来源：互联网
导读：目录 基于OpenMV的图像识别OpenMV简介一、数字识别 基于OpenMV的图像识别 OpenMV简介 什么是OpenMV OpenMV是由美国克里斯团队基于MicroPython发起的开源机器视觉项目，目的是创建低成本，可扩展，使用python驱动的机器视觉模块。OpenMV搭载了MicroPython解
|
目录 基于OpenMV的图像识别OpenMV简介一、数字识别 基于OpenMV的图像识别 OpenMV简介 什么是OpenMV OpenMV是由美国克里斯团队基于MicroPython发起的开源机器视觉项目，目的是创建低成本，可扩展，使用python驱动的机器视觉模块。OpenMV搭载了MicroPython解释器，使其可以在嵌入式端进行python开发，关于MicroPython可以参照我之前的博客专栏：MicroPython. OpenMV基于32位，ARM Cortex-M7内核的OpenMV-H7, 并结合各种摄像头，可以进行多种机器视觉应用的实现，比如人脸检测，物体分类等。 OpenMV是一个开源，低成本，功能强大的机器视觉模块，以STM32F427CPU为核心，集成了OV7725摄像头芯片，在小巧的硬件模块上，用C语言高效地实现了核心机器视觉算法，提供Python编程接口 。同时 OpenMV也是一个可编程的摄像头，通过Python语言可实现你想要的逻辑。而且摄像头本身也内置了一些图像处理的算法，使用起来也更加的方便，仅需要写一些简单的Python代码，即可轻松的完成各种机器视觉相关的任务。在此，我们通过OpenMV实现了数字识别。 在打开OpenMV摄像头链接电脑时，会弹出让你升级的窗口 这时切忌一定要选择Cancel键， 不能选择升级！！！ 不能选择升级！！！ 不能选择升级！！！ 在这里插入图片描述 然后在进行下一步的操作 OpenMV中文入门视频教程 一、数字识别 数字识别的基础是需要配置使用NCC模板匹配。通过NCC模板的匹配可把 需要识别的数字模板图片保存到SD卡中，然后可进行下一步的识别。 1、可以通过打开模板匹配的历程来直接打开代码进行使用 2、如果运行出现这个窗口就说明没有保存模板图片 所以这时就需要创建一个模板图片：创建模板图片的详细视频教程 创建一个模板图片首先要打开一个helloworld历程文件 然后在helloworld历程文件中进行匹配0~9这样的基本数字，对这些数字进 行一一截取，用它们来作为我们的模板图片。 在右边的Frame Buffer框中进行截取，注意：不要点Zoom，因为Zoom展示 的是放大后的效果，在识别时可能会导致失帧。 然后点击左键选出一个框（如图所示） 选完框后点击右键选择Save Image selection to PC 最后把截取的数字图片进行保存，一定要保存到OpenMV的SD卡中，保存的文件名可自己 定义 3、把template.pgm改为你创建的模板图片的名称 （注意：模板图片的格式一定要是pgm的格式，转换格式可以在 https://convertio.co/zh/bmp-pgm/网站直接进行转换） 4、改完之后就可以运行 下面展示一些 有关数字识别的代码。 此代码为源代码，可根据自己的需求在上面进行改动。 代码来源：数字识别代码，可直接引用并修改 # Template Matching Example - Normalized Cross Correlation (NCC) # # This example shows off how to use the NCC feature of your OpenMV Cam to match # image patches to parts of an image... expect for extremely controlled enviorments # NCC is not all to useful. # # WARNING: NCC supports needs to be reworked! As of right now this feature needs # a lot of work to be made into somethin useful. This script will reamin to show # that the functionality exists, but, in its current state is inadequate. import time, sensor, image from image import SEARCH_EX, SEARCH_DS # Reset sensor sensor.reset() # Set sensor settings sensor.set_contrast(1) sensor.set_gainceiling(16) # Max resolution for template matching with SEARCH_EX is QQVGA sensor.set_framesize(sensor.QQVGA) # You can set windowing to reduce the search image. #sensor.set_windowing(((640-80)//2, (480-60)//2, 80, 60)) sensor.set_pixformat(sensor.GRAYSCALE) # Load template. # Template should be a small (eg. 32x32 pixels) grayscale image. template8 = image.Image("/8.pgm") template9 = image.Image("/9.pgm") clock = time.clock() # Run template matching while (True): clock.tick() img = sensor.snapshot() # find_template(template, threshold, [roi, step, search]) # ROI: The region of interest tuple (x, y, w, h). # Step: The loop step used (y+=step, x+=step) use a bigger step to make it faster. # Search is either image.SEARCH_EX for exhaustive search or image.SEARCH_DS for diamond search # # Note1: ROI has to be smaller than the image and bigger than the template. # Note2: In diamond search, step and ROI are both ignored. r 8= img.find_template(template8, 0.70, step=4, search=SEARCH_EX) #, roi=(10, 0, 60, 60)) if r8: img.draw_rectangle(r8) r 9= img.find_template(template9, 0.70, step=4, search=SEARCH_EX) #, roi=(10, 0, 60, 60)) if r9: img.draw_rectangle(r9) print(clock.fps()) （编辑：洛阳站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
站长推荐