Configuración de los centroides con OpenCV

Configurar correctamente el seguimiento de centroides en OpenCV implica ajustar varios parámetros para detectar y seguir los objetos de interés de manera más precisa. Aquí algunos pasos que puedes tomar para mejorar y configurar el seguimiento de centroides en OpenCV: \### 1. \*\*Ajustar el Método de Segmentación\*\* La segmentación es clave para detectar correctamente los objetos. Puedes experimentar con métodos de segmentación como: \- \*\*Umbral Adaptativo\*\*: Ayuda cuando la iluminación no es uniforme en la imagen. ```python thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE\_THRESH\_GAUSSIAN\_C, cv2.THRESH\_BINARY, 11, 2) ``` \- \*\*Segmentación por Color\*\*: Si los objetos tienen colores específicos, puedes usar máscaras de color en el espacio de color HSV. ```python hsv = cv2.cvtColor(frame, cv2.COLOR\_BGR2HSV) lower\_color = np.array(\[H\_min, S\_min, V\_min]) # Ajusta estos valores upper\_color = np.array(\[H\_max, S\_max, V\_max]) # Ajusta estos valores mask = cv2.inRange(hsv, lower\_color, upper\_color) ``` \- \*\*Detección de Bordes (Canny)\*\*: Puede ayudar a detectar contornos en objetos con bordes definidos. ```python edges = cv2.Canny(gray, 100, 200) ``` \### 2. \*\*Filtrado de Contornos por Tamaño o Forma\*\* Para evitar la detección de ruido o pequeños objetos, filtra los contornos según su área o forma: ```python min\_area = 500 # Área mínima del contorno for contour in contours: if cv2.contourArea(contour) > min\_area: \# Procesar el contorno si cumple con el área mínima \# ... ``` \### 3. \*\*Suavizar el Video (Filtro Gaussiano o Blur)\*\* Aplicar un filtro Gaussiano antes de la detección puede ayudar a reducir el ruido en la imagen: ```python gray = cv2.GaussianBlur(gray, (5, 5), 0) ``` \### 4. \*\*Configuración del Cálculo del Centroide\*\* Asegúrate de que el cálculo del centroide se haga correctamente usando momentos. Si trabajas con varios objetos, puedes asignar un identificador único a cada uno y seguirlos en cada fotograma. ```python M = cv2.moments(contour) if M\["m00"] != 0: cX = int(M\["m10"] / M\["m00"]) cY = int(M\["m01"] / M\["m00"]) ``` \### 5. \*\*Añadir Estabilidad al Centroide (Filtro de Promedio)\*\* Si el centroide varía mucho, puedes suavizar su movimiento usando un promedio móvil para estabilizar el seguimiento. ```python alpha = 0.7 # Factor de suavizado (entre 0 y 1) cX\_smooth = int(alpha \* prev\_cX + (1 - alpha) \* cX) cY\_smooth = int(alpha \* prev\_cY + (1 - alpha) \* cY) ``` \### 6. \*\*Usar Algoritmos de Seguimiento Adicionales\*\* Si necesitas una mayor estabilidad en el seguimiento, puedes usar algoritmos como el filtro de Kalman o los trackers de OpenCV para una mejora considerable en la predicción y seguimiento de trayectorias. ```python tracker = cv2.TrackerCSRT\_create() # Puedes cambiar el tipo de tracker tracker.init(frame, bbox) # bbox es el cuadro delimitador inicial del objeto ``` \### Ejemplo Completo Aquí tienes un ejemplo de código que combina algunos de estos ajustes: ```python import cv2 import numpy as np \# Abre el video cap = cv2.VideoCapture('video.mp4') min\_area = 500 # Área mínima para considerar un contorno válido \# Variables para suavizar el centroide alpha = 0.7 prev\_cX, prev\_cY = 0, 0 while True: ret, frame = cap.read() if not ret: break \# Conversión a escala de grises y suavizado gray = cv2.cvtColor(frame, cv2.COLOR\_BGR2GRAY) gray = cv2.GaussianBlur(gray, (5, 5), 0) \# Umbralización adaptativa para segmentar thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE\_THRESH\_GAUSSIAN\_C, cv2.THRESH\_BINARY, 11, 2) \# Encontrar contornos contours, \_ = cv2.findContours(thresh, cv2.RETR\_EXTERNAL, cv2.CHAIN\_APPROX\_SIMPLE) for contour in contours: if cv2.contourArea(contour) > min\_area: M = cv2.moments(contour) if M\["m00"] != 0: cX = int(M\["m10"] / M\["m00"]) cY = int(M\["m01"] / M\["m00"]) \# Suavizar la posición del centroide cX\_smooth = int(alpha \* prev\_cX + (1 - alpha) \* cX) cY\_smooth = int(alpha \* prev\_cY + (1 - alpha) \* cY) \# Actualizar las posiciones anteriores prev\_cX, prev\_cY = cX\_smooth, cY\_smooth \# Dibuja el centroide cv2.circle(frame, (cX\_smooth, cY\_smooth), 7, (0, 255, 0), -1) cv2.putText(frame, f"({cX\_smooth}, {cY\_smooth})", (cX\_smooth + 10, cY\_smooth), cv2.FONT\_HERSHEY\_SIMPLEX, 0.5, (0, 255, 0), 2) \# Mostrar el resultado cv2.imshow("Seguimiento de Centroides", frame) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() ``` \### Descripción de los Pasos: 1\. \*\*Umbralización Adaptativa\*\*: Segmenta la imagen sin depender de un umbral fijo, lo cual es útil en condiciones de iluminación variable. 2\. \*\*Filtrado de Contornos por Área\*\*: Asegura que solo se rastrean los objetos relevantes. 3\. \*\*Suavizado de Centroide\*\*: Suaviza el movimiento del centroide para evitar fluctuaciones rápidas. Estas configuraciones ayudan a mejorar la detección y el seguimiento de centroides en OpenCV, especialmente en situaciones de video en tiempo real o donde la iluminación puede variar.

La calidad de las clases ha ido disminuyendo, parece que me uní a un meet y el profesor iba explicando del tirón, a diferencia de las clases anteriores donde al menos se dedicaban tiempo de hacer visuales.