Configuración de los centroides con OpenCV

Curso Profesional de Computer Vision con TensorFlow

Contenido del curso

Comprender la visión computarizada

Dimensionamiento de proyecto de visión computarizada

Obtención y procesamiento de los datos

Entrena, testea y optimiza tus modelos

Producto con visión computarizada en producción

Siguientes pasos en inteligencia artificial

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:009:54

Configuración de los centroides con OpenCV

Curso Profesional de Computer Vision con TensorFlow

Clase 24 de 33

Clase 24 / 33

Mario Alexander Vargas Celis

Hace 2 años

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:


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:

&#x20;   ret, frame = cap.read()

&#x20;   if not ret:

&#x20;       break



&#x20;   \# Conversión a escala de grises y suavizado

&#x20;   gray = cv2.cvtColor(frame, cv2.COLOR\_BGR2GRAY)

&#x20;   gray = cv2.GaussianBlur(gray, (5, 5), 0)



&#x20;   \# Umbralización adaptativa para segmentar

&#x20;   thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE\_THRESH\_GAUSSIAN\_C, cv2.THRESH\_BINARY, 11, 2)

&#x20;  &#x20;

&#x20;   \# Encontrar contornos

&#x20;   contours, \_ = cv2.findContours(thresh, cv2.RETR\_EXTERNAL, cv2.CHAIN\_APPROX\_SIMPLE)



&#x20;   for contour in contours:

&#x20;       if cv2.contourArea(contour) > min\_area:

&#x20;           M = cv2.moments(contour)

&#x20;           if M\["m00"] != 0:

&#x20;               cX = int(M\["m10"] / M\["m00"])

&#x20;               cY = int(M\["m01"] / M\["m00"])



&#x20;               \# Suavizar la posición del centroide

&#x20;               cX\_smooth = int(alpha \* prev\_cX + (1 - alpha) \* cX)

&#x20;               cY\_smooth = int(alpha \* prev\_cY + (1 - alpha) \* cY)

&#x20;              &#x20;

&#x20;               \# Actualizar las posiciones anteriores

&#x20;               prev\_cX, prev\_cY = cX\_smooth, cY\_smooth

&#x20;              &#x20;

&#x20;               \# Dibuja el centroide

&#x20;               cv2.circle(frame, (cX\_smooth, cY\_smooth), 7, (0, 255, 0), -1)

&#x20;               cv2.putText(frame, f"({cX\_smooth}, {cY\_smooth})", (cX\_smooth + 10, cY\_smooth), cv2.FONT\_HERSHEY\_SIMPLEX, 0.5, (0, 255, 0), 2)

&#x20;  &#x20;

&#x20;   \# Mostrar el resultado

&#x20;   cv2.imshow("Seguimiento de Centroides", frame)

&#x20;   if cv2.waitKey(1) & 0xFF == ord('q'):

&#x20;       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.

Comprender la visión computarizada

¿Por qué aprender computer vision?

¿Qué es la visión computarizada?

Tipos de visión computarizada

Introducción a object detection: clasificación + localización

Aprende a identificar problemas

Dimensionamiento de proyecto de visión computarizada

Cómo definir los tiempos de tu proyecto

Cómo costear tu proyecto

Cómo identificar los roles necesarios en el proyecto

Producto mínimo viable en computer vision

Obtención y procesamiento de los datos

Obtención de datos para tu proyecto

Limpieza de la base de datos

Distribución de datos en entrenamiento y testeo

Etiquetado de los datos de test

Etiquetado de los datos de train

Transforma tu base de datos a TFRecord

Transformar CSV a TFRecord

Entrena, testea y optimiza tus modelos

Librerías a importar durante fase de entrenamiento

Fase de entrenamiento del modelo

Balanceo de imágenes y data augmentation

Entrena, evalua y optimiza con TensorBoard

Validación de modelo en un entorno de ejecución

Re-entrenamiento del modelo para obtener mejores resultados

Seguimiento de centroides con OpenCV

Configuración de los centroides con OpenCV

Algoritmo de dirección y conteo con OpenCV

Crea un ciclo de entrenamiento de tu modelo: MLOps

Producto con visión computarizada en producción

Prepara tu entorno en Google Cloud Platform

Carga y preprocesamiento de modelos

Postprocesamiento de modelos

Despliega y consume tu modelo en producción

Bonus: aprende a apagar las máquinas de GCP para evitar sobrecostos

Siguientes pasos en inteligencia artificial

Siguientes pasos en inteligencia artificial

Comparte tu proyecto de detección de vehículos en carretera y certifícate

Configuración de los centroides con OpenCV