Cours:Classif

TP Classification : détection d'objet en temps réel par vision

Le travail de cette étape va consister à

• analyser des images acquises en "temps réel" afin de détecter et identifier des objets
• les objets seront
  • dans un premier temps des jetons de nain jaune
  • dans un second temps des briques lego.

Technos matérielles et logicielles

Vous utiliserez :

• Une Rpi 4 que vous programmerez depuis des postes utilisés en terminaux connectés par ssh, avec redirection graphique (option - X).
• Une camera PiCam Wide (grand angle)
• Le langage Python accompagné de
  • la librairie libcamera pour les acquisitions :
    • https://github.com/raspberrypi/libcamera
    • https://pip-assets.raspberrypi.com/categories/652-raspberry-pi-camera-module-2/documents/RP-008156-DS-2-picamera2-manual.pdf?disposition=inline
  • PIL et numpy pour les traitements bas niveaux
  • la librairie opencv et dlib pour la classification et la reconnaissance

Étapes :

• Connexion à la Rpi et test d'acquisition en ligne de commande
• Capture d'image et affichage en temps réel, avec Python
• Prétraitement
• Reconnaissance simple d'un seul objet, avec descripteurs géométriques
• Classifieur plus évolué (knn, svm)
• Plusieurs objets

Connexion à la Rpi et test d'acquisition en ligne de commande

• Connecter (si cela n'est pas fait) la PiCam à la Rpi4
• Dans un terminal, se connecter à la Rpi en ssh : ssh -X root@10.98.33.XX
• Tester la PiCam avec libcamera-hello (la capture en video doit s'afficher sur l'écran de la Rpi). Avec les informations affichées, identifier :
  • le modèle du capteur,
  • ses caractéristiques (résolution, format, cadence, etc ...).
• Tester l'acquisition d'image avec l'éxecutable libcamera-still
  • Explorer les options de cette application (libcamera-still -h), en particulier -n, --immediate, --width, --height et -o
  • Voir la page suivante pour le détails des options possibles : https://www.raspberrypi.com/documentation/computers/camera_software.html

Capture d'image et affichage en temps réel

En exploitant la documentation Picamera2 (principalement section 6 - Capturing images and requests)

• Tester les deux exemples Capturing arrays et Capturing PIL images
  • PIL fait référence à Python Imaging Library : une bibliothèque Python de traitement d'images.

Références

OpenCV :

• OpenCV Tutorials
• Exemples OpenCV en c++
• K-Nearest Neighbour
• Image Segmentation with Watershed Algorithm
• connected Components et son exemple en cpp : https://docs.opencv.org/3.4/de/d01/samples_2cpp_2connected_components_8cpp-example.html#a3
• Introduction to Support Vector Machines
• Fourier Descriptors, voir également Contours example pour obtenir les contours d'un objet.

Archives de cette page :

• Cours:Classif_archive