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 / 33

Ver clases

Configuración de los centroides con OpenCV

Curso Profesional de Computer Vision con TensorFlow

Clase 24 de 33

Clase 24 / 33

Configuración de los centroides con OpenCV

Curso Profesional de Computer Vision con TensorFlow

Clase 24 / 33

Ver clases

Comentarios

Josue Davalos Carrera#4079221

Hubiese sido genial que en esta clase se hubiese usado mas recursos visuales para entender lo que se esta haciendo.

Rafael Rivera#4774597

Me imagino que esta división de los frames depende también de la velocidad con que se realizó la grabación, osea si se grabó a 24 fps se realizara la división por 24, y así sucesivamente.

Mario Alexander Vargas Celis#5250624

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)**

Jesus Lopez#5249465

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.

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()

Comentarios

Josue Davalos Carrera#4079221

Hubiese sido genial que en esta clase se hubiese usado mas recursos visuales para entender lo que se esta haciendo.

Rafael Rivera#4774597

Me imagino que esta división de los frames depende también de la velocidad con que se realizó la grabación, osea si se grabó a 24 fps se realizara la división por 24, y así sucesivamente.

Mario Alexander Vargas Celis#5250624

### 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)**

Jesus Lopez#5249465

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()

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()

Configuración de los centroides con OpenCV

Configuración de los centroides con OpenCV

Configuración de los centroides con OpenCV

Progreso 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

Configuración de los centroides con OpenCV

Configuración de los centroides con OpenCV

Comentarios

Comentarios