基于OpenMV的图像识别之数字识别功能

Elsa ·

更新时间:2024-11-10

· 765 次阅读

基于OpenMV的图像识别

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！！！

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())

运行的结果如图所示