Setelah pertanyaan saya sebelumnya di menemukan jari kaki dalam setiap kaki , saya mulai memuat pengukuran lain untuk melihat bagaimana itu akan bertahan. Sayangnya, saya dengan cepat mengalami masalah dengan salah satu langkah sebelumnya: mengenali cakarnya.
Anda lihat, bukti konsep saya pada dasarnya mengambil tekanan maksimal setiap sensor dari waktu ke waktu dan akan mulai mencari jumlah dari setiap baris, sampai menemukan itu! = 0,0. Kemudian ia melakukan hal yang sama untuk kolom dan segera setelah menemukan lebih dari 2 baris dengan nol. Ini menyimpan nilai baris dan kolom minimal dan maksimal ke beberapa indeks.
Seperti yang dapat Anda lihat pada gambar, ini bekerja cukup baik dalam banyak kasus. Namun, ada banyak kelemahan dalam pendekatan ini (selain sangat primitif):
Manusia dapat memiliki 'kaki berlubang' yang berarti ada beberapa baris kosong di dalam tapak itu sendiri. Karena saya khawatir ini bisa terjadi dengan anjing (besar) juga, saya menunggu setidaknya 2 atau 3 baris kosong sebelum memotong cakarnya.
Ini menciptakan masalah jika kontak lain dibuat di kolom yang berbeda sebelum mencapai beberapa baris kosong, sehingga memperluas area. Saya pikir saya bisa membandingkan kolom dan melihat apakah mereka melebihi nilai tertentu, mereka harus kaki terpisah.
Masalahnya menjadi lebih buruk ketika anjing itu sangat kecil atau berjalan dengan kecepatan yang lebih tinggi. Apa yang terjadi adalah bahwa jari kaki kaki depan masih melakukan kontak, sedangkan jari kaki belakangnya baru saja mulai melakukan kontak dalam area yang sama dengan kaki depan!
Dengan skrip sederhana saya, tidak akan dapat memisahkan keduanya, karena harus menentukan frame mana dari area tersebut yang memiliki paw, sementara saat ini saya hanya perlu melihat nilai maksimal dari semua frame.
Contoh di mana mulai salah:
Jadi sekarang saya sedang mencari cara yang lebih baik untuk mengenali dan memisahkan cakarnya (setelah itu saya akan sampai pada masalah menentukan mana cakarnya!).
Memperbarui:
Saya telah bermain-main untuk menerapkan jawaban Joe (luar biasa!), Tetapi saya kesulitan mengekstraksi data kaki aktual dari file saya.
Coded_paws menunjukkan kepada saya semua cakar yang berbeda, ketika diterapkan pada gambar tekanan maksimal (lihat di atas). Namun, solusi melewati setiap frame (untuk memisahkan kaki yang tumpang tindih) dan menetapkan empat atribut Rectangle, seperti koordinat atau tinggi / lebar.
Saya tidak tahu cara mengambil atribut ini dan menyimpannya dalam beberapa variabel yang dapat saya terapkan pada data pengukuran. Karena saya perlu tahu untuk setiap kaki, apa lokasinya selama bingkai dan pasangan ini dengan kaki yang mana (depan / belakang, kiri / kanan).
Jadi bagaimana saya bisa menggunakan atribut Rectangles untuk mengekstraksi nilai-nilai ini untuk setiap kaki?
Saya memiliki pengukuran yang saya gunakan dalam pengaturan pertanyaan di folder Dropbox publik saya ( contoh 1 , contoh 2 , contoh 3 ). Bagi siapa pun yang tertarik, saya juga membuat blog agar Anda selalu mendapatkan informasi terbaru :-)
sumber
Jawaban:
Jika Anda hanya ingin (semi) daerah berdekatan, sudah ada implementasi yang mudah dengan Python: SciPy 's ndimage.morphology modul. Ini adalah operasi morfologi gambar yang cukup umum .
Pada dasarnya, Anda memiliki 5 langkah:
Kaburkan data input sedikit untuk memastikan kaki memiliki jejak kaki yang berkelanjutan. (Akan lebih efisien jika hanya menggunakan kernel yang lebih besar (
structure
kwarg untuk berbagaiscipy.ndimage.morphology
fungsi) tetapi ini tidak berfungsi dengan baik untuk beberapa alasan ...)Threshold array sehingga Anda memiliki array boolean tempat di mana tekanan melebihi beberapa nilai ambang (yaitu
thresh = data > value
)Isi setiap lubang internal, sehingga Anda memiliki daerah yang lebih bersih (
filled = sp.ndimage.morphology.binary_fill_holes(thresh)
)Temukan wilayah berdekatan yang terpisah (
coded_paws, num_paws = sp.ndimage.label(filled)
). Ini mengembalikan array dengan wilayah yang dikodekan oleh angka (setiap wilayah adalah area yang berdekatan dari integer unik (1 hingga jumlah kaki) dengan nol di tempat lain)).Isolasi daerah yang berdekatan menggunakan
data_slices = sp.ndimage.find_objects(coded_paws)
. Ini mengembalikan daftar tupelslice
objek, sehingga Anda bisa mendapatkan wilayah data untuk setiap kaki[data[x] for x in data_slices]
. Sebagai gantinya, kami akan menggambar persegi panjang berdasarkan irisan ini, yang membutuhkan sedikit lebih banyak pekerjaan.Dua animasi di bawah ini menunjukkan data contoh "Cakar yang Tumpang tindih" dan "Cakar yang Dikelompokkan". Metode ini tampaknya bekerja dengan sempurna. (Dan berapapun nilainya, ini berjalan jauh lebih lancar daripada gambar GIF di bawah pada komputer saya, sehingga algoritma pendeteksian kaki cukup cepat ...)
Inilah contoh lengkap (sekarang dengan penjelasan yang jauh lebih terperinci). Sebagian besar dari ini membaca input dan membuat animasi. Deteksi kaki sebenarnya hanya 5 baris kode.
Pembaruan: Sejauh mengidentifikasi kaki mana yang bersentuhan dengan sensor pada jam berapa, solusi paling sederhana adalah dengan hanya melakukan analisis yang sama, tetapi gunakan semua data sekaligus. (yaitu, menumpuk input ke dalam array 3D, dan bekerja dengannya, alih-alih kerangka waktu individual.) Karena fungsi ndimage SciPy dimaksudkan untuk bekerja dengan array n-dimensi, kita tidak perlu memodifikasi fungsi pencarian paw asli sama sekali.
sumber
convert *.png output.gif
. Aku tentu saja membayangkan imagemagick membuat mesin saya bertekuk lutut sebelumnya, meskipun itu bekerja dengan baik untuk contoh ini. Di masa lalu, saya telah menggunakan skrip ini: svn.effbot.python-hosting.com/pil/Scripts/gifmaker.py untuk secara langsung menulis gif animasi dari python tanpa menyimpan frame individu. Semoga itu bisa membantu! Saya akan memposting contoh di pertanyaan @unutbu yang disebutkan.bbox_inches='tight'
dalamplt.savefig
, yang lain adalah ketidaksabaran :)Saya bukan ahli dalam pendeteksian gambar, dan saya tidak tahu Python, tapi saya akan memukulnya ...
Untuk mendeteksi masing-masing cakar, pertama-tama Anda harus memilih semuanya dengan tekanan lebih besar dari beberapa ambang batas kecil, sangat dekat dengan tidak ada tekanan sama sekali. Setiap piksel / titik di atas ini harus ditandai. Kemudian, setiap piksel yang berdekatan dengan semua piksel "ditandai" menjadi ditandai, dan proses ini diulang beberapa kali. Massa yang terhubung sepenuhnya akan terbentuk, sehingga Anda memiliki objek yang berbeda. Kemudian, setiap "objek" memiliki nilai x dan y minimum dan maksimum, sehingga kotak pembatas dapat dikemas dengan rapi di sekitarnya.
Kodesemu:
(MARK) ALL PIXELS ABOVE (0.5)
(MARK) ALL PIXELS (ADJACENT) TO (MARK) PIXELS
REPEAT (STEP 2) (5) TIMES
SEPARATE EACH TOTALLY CONNECTED MASS INTO A SINGLE OBJECT
MARK THE EDGES OF EACH OBJECT, AND CUT APART TO FORM SLICES.
Itu harus tentang melakukannya.
sumber
catatan: Saya katakan piksel, tetapi ini bisa berupa wilayah yang menggunakan rata-rata piksel. Optimalisasi adalah masalah lain ...
Kedengarannya seperti Anda perlu menganalisis fungsi (tekanan dari waktu ke waktu) untuk setiap piksel dan menentukan di mana fungsi berubah (ketika berubah> X di arah lain itu dianggap sebagai giliran untuk mengatasi kesalahan).
Jika Anda tahu pada frame mana ternyata, Anda akan tahu bingkai di mana tekanan adalah yang paling sulit dan Anda akan tahu di mana itu adalah yang paling sulit di antara kedua cakar. Secara teori, Anda kemudian akan tahu dua frame di mana cakar ditekan paling keras dan dapat menghitung rata-rata interval tersebut.
Ini adalah tur yang sama seperti sebelumnya, mengetahui kapan setiap paw menerapkan tekanan paling banyak membantu Anda memutuskan.
sumber