基于树莓派的安保巡逻机器人--（二、增量式PID控制二维云台追踪）

已于 2024-11-22 21:48:11 修改
阅读量1.3k 收藏 43
点赞数 19
文章标签： 机器人
于 2024-10-26 08:30:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wallwayj/article/details/143240536
版权

目录

零、简介

一、PCA9685 控制板

二、人脸检测与追踪

三、增量式 PID 控制

四、在项目中使用增量式 PID 控制步骤

1、定义目标位置和误差

3、计算增量式 PID 输出

5、限制舵机的活动范围

五、启动 PID 控制线程

六、对陌生人识别并跟踪拍摄

零、简介

在这一部分，我们将探讨如何实现一个基于树莓派的安保巡逻机器人，使用增量式PID控制算法进行二维云台追踪。该系统利用摄像头捕捉周围环境，并对检测到的人脸进行实时追踪。以下是实现该功能的详细代码及其说明。

 在这个基于 PID 控制的机器人系统中，有两个核心部分协同工作：PID 控制线程和视频帧的实时处理。这两部分各司其职，分别通过单独的线程运行，协同完成对人脸的追踪。以下是这两部分的详细解释。

一、PCA9685 控制板

PCA9685 是一款来自 NXP（恩智浦）的 16 通道 PWM 控制芯片，广泛用于控制多个舵机和 LED 等设备。它可以通过 I²C 接口与控制板（如树莓派）连接，提供稳定的脉宽调制信号。

相比直接使用树莓派的 GPIO 控制，PCA9685 产生的 PWM 信号更为稳定且更安全，有助于提升舵机的响应速度和控制精度。

pip3 install Adafruit_PCA9685

安装PCA9685驱动库：Adafruit PCA9685库

如有需要对树莓派进行IIC线拓展：GitHub - JJSlabbert/Raspberry_PI_i2C_conficts: Use multiple i2c devices with same i2c address. No extra hardware required.

二、人脸检测与追踪

结合 Mediapipe 进行人脸检测，并采用增量式 PID 控制算法对二维云台进行调节，以实现对人脸的精准追踪。通过 PWM 控制舵机的角度变化，机器人可以实时调整摄像头方向，实现自动锁定和跟踪目标人脸。

人脸检测相关内容查看这个：基于树莓派的安保巡逻机器人--（一、快速人脸录入与精准人脸识别）-CSDN博客

主要代码结构及其核心模块

import threading
import mediapipe as mp
import cv2 as cv
import time
import smbus
import Adafruit_PCA9685

PCA9685 控制板设置 PWM 频率为 60Hz，通过 set_pwmss 函数来控制舵机的角度。舵机的初始位置 X_P 和 Y_P 分别为 425 和 1200。

pwm = Adafruit_PCA9685.PCA9685(busnum=4)
pwm.set_pwm_freq(60)

def set_pwmss(chann, duty):
    dutyss = 4095 / 4095 * duty
    pwm.set_pwm(chann, 0, int(dutyss))

三、增量式 PID 控制

我们在 FaceDetector 类中实现 PID 控制。先检测人脸位置，计算误差，再根据增量式 PID 公式计算舵机需要的角度变化。在 FaceDetector 类中，我们使用 增量式 PID 控制 算法根据人脸的偏移位置来调整舵机的角度，从而使摄像头实时跟随人脸的移动。增量式 PID 控制是一种常用的控制算法，它通过当前位置和目标位置的误差来逐步调整控制量，使得目标接近设定值。

增量式 PID 控制主要由三个部分组成：比例 (P)、积分 (I) 和 微分 (D)。
公式如下：

ΔU=Kp×Δe+Ki×e+Kd×(e−elast) 

其中：

Δe ：当前误差（目标位置与当前位置的偏差）。

Kp ​、Ki 、Kd ：比例、积分和微分系数。

e ：累计的误差。

elaste ​：上一次误差。

四、在项目中使用增量式 PID 控制步骤

1、定义目标位置和误差

我们希望摄像头的画面中心能够对准人脸的位置，因此摄像头画面中心 (320, 240) 被定义为目标点。而人脸的中心点 (cx, cy) 则被实时计算出，与目标点的距离就是当前的误差（偏移量）

2、计算当前误差 thisError_x 和 thisError_y

cx, cy = x + w // 2, y + h // 2  # 人脸矩形框的中心点
thisError_x = cx - 320  # X 轴上的偏差，目标中心位置为 320
thisError_y = 240 - cy  # Y 轴上的偏差，目标中心位置为 240

这里，thisError_x 和 thisError_y 表示人脸相对于画面中心在 X 和 Y 轴上的偏移值，这步是最重要的，只要理解好这一步，这个跟踪功能也就基本完成了。

3、计算增量式 PID 输出

根据增量式 PID 公式，我们计算舵机在 X 和 Y 轴上的调整量。

pwm_x = thisError_x * 5 + 1 * (thisError_x - lastError_x)
pwm_y = thisError_y * 5 + 1 * (thisError_y - lastError_y)

P（比例）控制：thisError_x * 5 和 thisError_y * 5。这部分直接与当前误差成比例，用于迅速将人脸移动到目标位置。比例系数为 5，增大该系数可以让舵机响应更快。

D（微分）控制：(thisError_x - lastError_x) 和 (thisError_y - lastError_y)。微分控制对误差的变化率进行调节，避免快速移动或振荡。系数为 1。

积分控制在此例中并未使用，因为在云台追踪中，积分控制通常容易导致系统震荡，而 P 和 D 足以让摄像头平稳跟随人脸

4、将 PID 调节后的值应用到舵机位置 X_P 和 Y_P 上：

XP = pwm_x / 100
YP = pwm_y / 100
X_P = X_P + int(XP)
Y_P = Y_P + int(YP)

这里的 XP 和 YP 是调节后的舵机角度变化。由于舵机的控制精度较高，我们将变化量控制在较小范围内。

XP = pwm_x / 100
YP = pwm_y / 100
X_P = X_P + int(XP)
Y_P = Y_P + int(YP)
5、限制舵机的活动范围

防止舵机的角度超出有效的移动范围（防止撞杆或造成系统损坏），设置上下限：

if X_P > 1200: X_P = 1200
if X_P < 210: X_P = 210
if Y_P > 1500: Y_P = 1500
if Y_P < 1000: Y_P = 1000

代码示例：增量式 PID 控制的完整流程

def fancy_draw(self, frame, bbox, l=30, t=10):
    global X_P, Y_P, lastError_x, lastError_y
    x, y, w, h = bbox
    cx, cy = x + w // 2, y + h // 2  # 计算人脸的中心点
    thisError_x = cx - 320
    thisError_y = 240 - cy

    # 计算增量式 PID 调整量
    pwm_x = thisError_x * 5 + 1 * (thisError_x - lastError_x)
    pwm_y = thisError_y * 5 + 1 * (thisError_y - lastError_y)
    
    # 更新误差
    lastError_x = thisError_x
    lastError_y = thisError_y
    
    # 将 PID 调整量转换为舵机位置
    XP = pwm_x / 100
    YP = pwm_y / 100
    X_P += int(XP)
    Y_P += int(YP)

    # 限制舵机活动范围
    if X_P > 1200: X_P = 1200
    if X_P < 210: X_P = 210
    if Y_P > 1500: Y_P = 1500
    if Y_P < 1000: Y_P = 1000

    return frame

增量式 PID 控制算法在此实现了对二维云台的稳定控制，通过检测人脸位置的偏移量，实时调整摄像头角度，使其保持在人脸的正前方。而

五、启动 PID 控制线程

PID 控制算法的调节过程是通过一个独立的线程 servo_control 函数持续执行的。这样设计可以让 PID 控制在后台实时运作，而不会干扰到主线程中的图像处理和人脸检测工作。

通过单独线程运行 servo_control 函数，程序可以在后台同时进行摄像头图像处理和 PWM 输出控制。这避免了因为图像处理开销过大而影响舵机控制的实时性。

# 在主程序中启动 PID 控制线程
thread_servo_control = threading.Thread(target=servo_control)
thread_servo_control.start()

打开摄像头，并对每帧图像进行人脸检测。当检测到人脸时，PID 控制算法计算出摄像头需要调整的角度，从而实时跟随人脸移动。

附上完整代码：

import threading
import mediapipe as mp
import cv2 as cv
import time
import os
import smbus
 
import Adafruit_PCA9685
pwm = Adafruit_PCA9685.PCA9685(busnum=1)
pwm.set_pwm_freq(60)
 

def set_pwmss(chann,duty):
    dutyss=4095 /4095*duty
    pwm.set_pwm(chann, 0,int(dutyss))

 
# 舵机初始位置
X_P = 425
Y_P = 1200
lastError_x = 0
lastError_y = 0

# 人脸检测类
class FaceDetector:
    def __init__(self, min_detection_confidence=0.5):
        self.mpFaceDetection = mp.solutions.face_detection
        self.face_detection = self.mpFaceDetection.FaceDetection(min_detection_confidence=min_detection_confidence)
    
    def find_faces(self, frame):
        img_RGB = cv.cvtColor(frame, cv.COLOR_BGR2RGB)
        results = self.face_detection.process(img_RGB)
        bboxs = []

        if results.detections:
            for id, detection in enumerate(results.detections):
                bboxC = detection.location_data.relative_bounding_box
                ih, iw, ic = frame.shape
                bbox = int(bboxC.xmin * iw), int(bboxC.ymin * ih), \
                       int(bboxC.width * iw), int(bboxC.height * ih)
                bboxs.append([id, bbox, detection.score])
                frame = self.fancy_draw(frame, bbox)
        return frame, bboxs
 
    def fancy_draw(self, frame, bbox, l=30, t=10):
        global X_P, Y_P, lastError_x, lastError_y
        x, y, w, h = bbox
        x1, y1 = x + w, y + h
        cv.rectangle(frame, (x, y), (x + w, y + h), (255, 0, 255), 1)# 绘制矩形框
        cx, cy = x + w // 2, y + h // 2 # 计算中心点
        thisError_x = cx - 320
        thisError_y = 240 -cy 
        pwm_x = thisError_x * 5 + 1 * (thisError_x - lastError_x)
        pwm_y = thisError_y * 5 + 1 * (thisError_y - lastError_y)
        lastError_x = thisError_x
        lastError_y = thisError_y
        XP = pwm_x / 100
        YP = pwm_y / 100
        X_P = X_P + int(XP)
        Y_P = Y_P + int(YP)
        max_movement = 10 
        if X_P > 1200:
            X_P = 1200
        if X_P < 210:
            X_P = 210
        if Y_P > 1500:
            Y_P = 1500
        if Y_P < 1000:
            Y_P = 1000
        return frame



def servo_control():
    global X_P, Y_P
    Kp = 0.45
    while True:
        set_pwmss(11, min(1023, max(0, X_P * Kp)))  
        set_pwmss(12, min(1023, max(0, Y_P *+ Kp)))
        time.sleep(0.065)
 
 
if __name__ == '__main__':
    capture = cv.VideoCapture(-1)
    capture.set(cv.CAP_PROP_FRAME_WIDTH, 640)
    capture.set(cv.CAP_PROP_FRAME_HEIGHT, 480)
    print("capture get FPS : ", capture.get(cv.CAP_PROP_FPS))
    pTime, cTime = 0, 0
    face_detector = FaceDetector(0.75)

    thread_servo_control = threading.Thread(target=servo_control)
    thread_servo_control.start()

    while capture.isOpened():
        ret, frame = capture.read()
        frame = cv.flip(frame, 1)   
        frame, bboxs = face_detector.find_faces(frame)
        if cv.waitKey(1) & 0xFF == ord('q'): 
            break
        cTime = time.time()
        fps = 1 / (cTime - pTime)
        pTime = cTime
        text = "FPS : " + str(int(fps))
        cv.putText(frame, text, (20, 30), cv.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 1)
        cv.imshow('frame', frame)

    capture.release()
    cv.destroyAllWindows()
#############################################################
#########下面的代码为舵机调试代码##############################
# import sys
# import termios
# import tty
# def get_key():
#     """获取单个键的输入"""
#     fd = sys.stdin.fileno()
#     old_settings = termios.tcgetattr(fd)
#     try:
#         tty.setraw(fd)
#         ch = sys.stdin.read(1)
#     finally:
#         termios.tcsetattr(fd, termios.TCSADRAIN, old_settings)
#     return ch

# def update_values():
#     global X_P, Y_P
#     Kp = 0.45w
#     print("按 'q' 增加 X_P, 按 'p' 增加 Y_P, 按 'esc' 退出。")
#     print("按 'w 减小 X_P, 按 's' 减小 Y_P, 按 'esc' 退出。")

#     while True:
#         key = get_key()
        
#         if key == 'q':
#             X_P += 1
#             print(f"X_P: {X_P}")
#             set_pwmss(11, min(1023, max(0, int(X_P * Kp))))
#         elif key == 'w':
#             X_P -= 1
#             print(f"X_P: {X_P}")
#             set_pwmss(11, min(1023, max(0, int(X_P * Kp))))
#         elif key == 'a':
#             Y_P += 1
#             print(f"Y_P: {Y_P}")
#             set_pwmss(12, min(1023, max(0, int(Y_P * Kp))))
#         elif key == 's':
#             Y_P -= 1
#             print(f"Y_P: {Y_P}")
#             set_pwmss(12, min(1023, max(0, int(Y_P * Kp))))            

#         elif key == '\x1b':  # Esc 键
#             print("程序退出")
#             break 

# if __name__ == '__main__':
#     update_values()

六、对陌生人识别并跟踪拍摄

而进行对陌生人识别并跟踪拍摄只需将人脸检测更改成人脸识别即可，具体人脸识别代码可参考：

基于树莓派的安保巡逻机器人--（一、快速人脸录入与精准人脸识别）-CSDN博客

具体跟踪操作与原理是一样的故直接上代码：

import threading
import mediapipe as mp
import cv2 as cv
import time
import numpy as np
import smbus
 
import Adafruit_PCA9685
pwm = Adafruit_PCA9685.PCA9685(busnum=1)
pwm.set_pwm_freq(60)
 

def set_pwmss(chann,duty):
    dutyss=4095 /4095*duty
    pwm.set_pwm(chann, 0,int(dutyss))

# 设置舵机的初始位置和误差
X_P = 425
Y_P = 1200
lastError_x = 0
lastError_y = 0

# 初始化人脸识别器
recognizer = cv.face.LBPHFaceRecognizer_create()
recognizer.read('trainer/trainer.yml')
cascadePath = "haarcascade_frontalface_default.xml"
faceCascade = cv.CascadeClassifier(cascadePath)
font = cv.FONT_HERSHEY_SIMPLEX

# 初始化摄像头
capture = cv.VideoCapture(-1)
capture.set(3, 640)
capture.set(4, 480)
minW = 0.1 * capture.get(3)
minH = 0.1 * capture.get(4)

class FaceDetector:
    def __init__(self, min_detection_confidence=0.5):
        self.mpFaceDetection = mp.solutions.face_detection
        self.face_detection = self.mpFaceDetection.FaceDetection(min_detection_confidence=min_detection_confidence)

    def find_faces(self, frame):
        global tracking_enabled
        gray = cv.cvtColor(frame, cv.COLOR_BGR2GRAY)
        faces = faceCascade.detectMultiScale(gray, scaleFactor=1.2, minNeighbors=5, minSize=(int(minW), int(minH)))
        bboxs = []
        tracking_enabled = False 
        for (x, y, w, h) in faces:
            bbox = x, y, w, h
            bboxs.append([0, bbox, 0])
            id, confidence = recognizer.predict(gray[y:y + h, x:x + w])
            # 判断是否是陌生人
            if confidence >= 70:  # 如果是陌生人
                id_text = "Unknown"
                tracking_enabled = True  # 开启追踪
            else:
                id_text = f"ID={id}"  # 如果不是陌生人，显示ID信息
            frame = self.fancy_draw(frame, bbox)
            cv.putText(frame, id_text, (x + 5, y - 5), font, 1, (255, 255, 255), 2)
        return frame, bboxs

    def fancy_draw(self, frame, bbox, l=30, t=10):
        global X_P, Y_P, lastError_x, lastError_y,tracking_enabled
        x, y, w, h = bbox
        x1, y1 = x + w, y + h
        cv.rectangle(frame, (x, y), (x + w, y + h), (255, 0, 255), 1)# 绘制矩形框
        if tracking_enabled   :
            cx, cy = x + w // 2, y + h // 2 # 计算中心点
            thisError_x = cx - 320
            thisError_y = 240 -cy 
            pwm_x = thisError_x * 5 + 1 * (thisError_x - lastError_x)
            pwm_y = thisError_y * 5 + 1 * (thisError_y - lastError_y)
            lastError_x = thisError_x
            lastError_y = thisError_y
            XP = pwm_x / 100
            YP = pwm_y / 100
            X_P = X_P + int(XP)
            Y_P = Y_P + int(YP)
            if X_P > 1200:
                X_P = 1200
            if X_P < 210:
                X_P = 210
            if Y_P > 1500:
                Y_P = 1500
            if Y_P < 1000:
                Y_P = 1000
        return frame

def servo_control():
    global X_P, Y_P
    Kp = 0.45
    while True:
        set_pwmss(11, min(1023, max(0, X_P * Kp)))  
        set_pwmss(12, min(1023, max(0, Y_P *+ Kp)))
        time.sleep(0.065)

if __name__ == '__main__':
    capture.set(6, cv.VideoWriter.fourcc('M', 'J', 'P', 'G'))
    capture.set(cv.CAP_PROP_FRAME_WIDTH, 640)
    capture.set(cv.CAP_PROP_FRAME_HEIGHT, 480)
    print("Capture FPS: ", capture.get(cv.CAP_PROP_FPS))
    pTime = 0
    face_detector = FaceDetector(0.75)

    # 启动舵机控制线程
    thread_servo_control = threading.Thread(target=servo_control)
    thread_servo_control.start()

    while capture.isOpened():
        ret, frame = capture.read()
        frame = cv.flip(frame, 1)   
        frame, bboxs = face_detector.find_faces(frame)
        if cv.waitKey(1) & 0xFF == ord('q'): break
        cTime = time.time()
        fps = 1 / (cTime - pTime)
        pTime = cTime
        cv.putText(frame, f"FPS: {int(fps)}", (20, 30), cv.FONT_HERSHEY_SIMPLEX, 0.9, (0, 0, 255), 1)
        cv.imshow('frame', frame)
    capture.release()
    cv.destroyAllWindows()

 

树莓派应用--AI项目实战篇来啦-12.OpenCV摄像头云台物体追踪
weixin_44845743的博客
10-10 2650
常见的闭环控制算法是所谓的PID及比例-积分-微分控制器。PID通常用于自动化，使得机械装置可以快速且准确地达到最佳值（由反馈传感器读取）。它们用于制造，自动化过程控制，机器人等。PID 控制器计算误差项（所需设定点和传感器读数之间的差值）并且具有补偿误差的目标。PID 计算输出一个值，该值用作“过程”的输入（机电过程，而不是计算机科学/软件工程师类型认为的“计算机过程”）。传感器输出称为“过程变量”，并作为等式的输入。在整个反馈回路中，捕获定时并将其输入到等式中。
STM32 + OPENMV 实现二维云台追踪小球
最新发布
lexusaltezza的博客
02-03 419
二维云台是淘宝上买的，用的是数字舵机，精度还可以，主控为STM32F103C8T6，单片机与openmv之间使用串口通信，通信格式采用json字符串。程序逻辑很简单，openmv识别色块，持续发送小球的相对于以画面中心为原点的坐标系的坐标，由stm32进行pid控制，使小球保持在画面中心。由于程序非常简单，所以pid直接放在空闲中断里进行。
python下树莓派舵机云台操纵
05-19
树莓派舵机云台操纵
基于树莓派的安保巡逻机器人--（一、快速人脸录入与精准人脸识别）
wallwayj的博客
10-25 1738
本文介绍了如何在树莓派5B上实现快速的人脸录入与精准的人脸识别。从采集人脸图像、训练人脸数据库，再到使用LBPH进行实时识别，我们完成了一套简单但有效的人脸识别系统。LBPH特征提取方法在资源有限的设备上表现出色，能够在保证准确率的同时实现实时检测。
基于树莓派的安保巡逻机器人--（三、树莓派的语音合成与语音播报
wallwayj的博客
10-28 1084
对于基于树莓派的安保巡逻机器人来说，语音合成和语音识别功能不仅增强了交互体验，也使得机器人的安防效果更加智能化和人性化。本篇博客将详细讲解如何在树莓派上使用Piper进行语音合成，以及如何借助百度AI开放平台实现语音转文字，从而赋予机器人更强的语言理解与响应能力。
树莓派控制舵机 （二维云台舵机）
tianyukun0223的博客
10-04 2946
树莓派控制舵机 二维舵机云台rr
【STM32+OPENMV】二维云台颜色识别及追踪
缺积分下载资源的可以私信我或在评论区留言邮箱号
03-05 5407
一、准备工作 有关OPENMV最大色块追踪及与STM32通信内容，详情见【STM32+HAL】与OpenMV通信 有关七针OLED屏显示内容，详情见【STM32+HAL】七针OLED(SSD1306)配置(SPI版) 二、所用工具 1、芯片：STM32F103C8T6 2、CUBEMX配置软件 3、KEIL5 4、OPENMV 三、实现功能 二维云台追踪最大色块，并显示中心x,y坐标至OLED
基于树莓派的安保巡逻机器人-（一、快速人脸录入与精准人脸识别）
10-25
基于树莓派的安保巡逻机器人技术方案主要涵盖了快速人脸录入与精准人脸识别两个方面。树莓派是一种小型、低成本的单板计算机，由于其灵活性和强大的扩展能力，常被应用于各种DIY项目和原型开发中。在安保巡逻机器人...
高新兴智能巡逻机器人系统- GoRoBo O1技术方案.docx
06-24
【高新技术在安防领域的应用——高新兴智能巡逻机器人GoRoBo O1】 1. 项目背景 随着科技的快速发展，特别是5G网络通信和移动互联网的进步，传统的安防手段已无法满足现代产业园区的安全需求。高新兴智能巡逻机器人...
高新兴智能巡逻机器人系统- GoRoBo O2技术方案.docx
06-24
本文将详细解析"高新兴智能巡逻机器人系统- GoRoBo O2技术方案"的相关内容，该方案由广州高新兴机器人有限公司于2019年11月提出，旨在利用先进的机器人技术与5G网络通信、移动互联网等科技手段，提升工业园区的安全...
基于32f103的openmv舵机云台二维追踪PID程序.zip
05-28
做电磁炮的时候写的二维舵机云台追踪的程序，openmv是颜色识别然后返回色块的x和y轴的坐标，openmv的程序得自己写，我这里只有32端的PID程序，舵机用精度越高越好。pid的参数得根据具体的硬件再做调整。
创客教育背景下基于Arduino的安保机器人模型设计.pdf
08-14
本文旨在结合创客教育的实际需要，设计了一款基于 Arduino 的安保机器人模型，整个机器人模型由运动控制模块、金属探测及搬运模块、蓝牙通信模块及手机上位 APP 等几部分组成。该机器人模型能够在手机的远程控制下，...
树莓派 二维云台调零控制
ChenWenHaoHaoHao的博客
05-02 2014
二维云台是通过IIC进行控制的，我们可以通过窗口命令输入：来检测IIC总线是否连接正常。当有40显示的时候就说明IIC总线正常。操控舵机我们需要一个PCA9685的模块，用到“Adafruit_PCA9685”的库函数，需要我们在官网下载。舵机的工作原理舵机的伺服系统由可变宽度的脉冲来进行控制，控制线是用来传送脉冲的。脉冲的参数有最小值，最大值，和频率。一般而言，舵机的基准信号都是周期为20ms，宽度为1.5ms。这个基准信号定义的位置为中间位置。
探索未来之旅：基于树莓派的趣味机器人——rpi-robot
gitblog_00636的博客
09-04 704
探索未来之旅：基于树莓派的趣味机器人——rpi-robot rpi-robot项目地址:https://gitcode.com/gh_mirrors/rp/rpi-robot 在科技与创意碰撞的时代，每一个极客心中都藏着一个机器人的梦想。今天，我们带您走进一个由热爱与创新催生的项目——rpi-robot，它不仅是一个玩物，更是技术和想象力的结晶。 项目介绍 rpi-robot 是一款由树莓派驱动...
基于二轴云台目标跟踪系统设计
weixin_46187561的博客
10-18 8526
文章目录 前言 机器学习之前的目标检测研究 一、系统总览 上位机及其功能 下位机及其功能 二、基本方案设计 云台结构设计 机器视觉运算需求分析 三、目标识别算法与跟踪算法 运用HOG特征结合SVM的目标识别和跟踪算法 改进的HOG+CamShift跟踪算法 YOLOv3目标检测 四、云台跟踪控制 PID算法及改进 串口通讯协议 前言 文...
云台的智能追踪功能
SKYDROID666的博客
11-18 2166
在摄影和航拍领域，云台追踪系统可以帮助摄影师实现对运动物体的拍摄，提高拍摄效果和稳定性。同时，在航拍中，云台还可以实现对航拍设备的稳定控制，提高航拍画面的质量。后端处理系统会根据预先设定好的算法规则，对目标物体的运动轨迹进行分析和预测，然后控制云台自动跟随目标的脚步移动并进行连续追踪拍摄。在安防领域，云台追踪系统可以通过识别人脸、车牌等特定目标，实现对目标物体的自动跟踪和智能报警，提高安防监控的效率和准确性。云台的智能追踪功能是一种基于计算机视觉的智能跟踪技术，它可以实时识别并跟踪目标物体的运动轨迹。
树莓派控制舵机云台
I_LOVE_MCU的博客
01-03 2188
文章目录学习记录 学习记录 手上有一套电赛时候买的舵机云台。扭矩15KG。型号为LD-1501MG。
电赛：二维云台控制
LiuSanming的博客
08-30 6764
二维云台控制，电赛心得，K210视觉识别
中智科创安保巡逻机器人用户指南
“中智科创安保巡逻哨兵机器人用户手册提供了关于SPR300A/B型号巡逻机器人的详细使用指南，该机器人采用GPS、激光雷达和惯性导航技术，能在复杂环境中实现24小时自主巡逻，并具备360度全景视频监控、双向语音对讲、...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值