Pixy原理及Opencv实现

Pixy原理

Pixy的基本思想其实是简单的：利用颜色空间来除去所有用户不感兴趣的背景，提取出前景。但是在实际的环境下却并不好做，特别是摄像头看到的颜色会受到光线的影响，导致颜色的变化（对于这一点，笔者觉得确实是没有办法的，比如红色在黑暗的条件下确实看起来是红色，那么依靠任何颜色空间看到的其实都是黑色，无法区别），因此，对于Pixy这样神奇的产品来讲，他的识别也需要颜色尽量鲜艳，饱和度尽量好的物体，对于背景来讲，也尽量是光线较好、不突变的环境。否则Pixy是“学习”不来的。

在笔者看到的Pixy的对于颜色处理的源码中，其核心思想有2个部分，这也是笔者借鉴最多的地方：

1、对像素点的处理
Pixy接收到摄像头的信息格式应该是YUV格式的，在源码的colorlut.cpp的nextHelper函数中,Pixy做了两件事：1、将YUV转为RGB的；2、处理该像素值得到U和V的值，这里的U和V并不是YUV中的UV通道，而是经过了处理，具体处理的代码如下：其中CL_LUT_ENTRY_SCALE变量为15

        if (uv){c = r+g1+b;if (c<miny){m_x += 2;continue;}u = ((r-g1)<<CL_LUT_ENTRY_SCALE)/c;c = r+g2+b;if (c<miny){m_x += 2;continue;}v = ((b-g2)<<CL_LUT_ENTRY_SCALE)/c;uv->m_u = u;uv->m_v = v;}

    这样做的好处是在U和V的值中，加入亮度的影响，这样得到的U和V值就考虑到了光线亮度对于物体颜色的影响。

2、对感兴趣域的比较统计
对于得到的U和V，Pixy将其作为“学习”的依据，即下面的学习算法均是依靠此处的U和V来进行的，在colorlut.cpp的calcRatios函数中，Pixy对于得到的U和V值进行了如下处理：其中sig是个结构体，其中的元素代表该感兴趣前景的U和V的上下阈值

    while(ip->next(&uv)){if (uv.m_u>sig->m_uMin)counts[0]++;if (uv.m_u<sig->m_uMax)counts[1]++;if (uv.m_v>sig->m_vMin)counts[2]++;if (uv.m_v<sig->m_vMax)counts[3]++;n++;}// calc ratiosratios[0] = (float)counts[0]/n;ratios[1] = (float)counts[1]/n;ratios[2] = (float)counts[2]/n;ratios[3] = (float)counts[3]/n;// calc mean (because it's cheap to do it here)sig->m_uMean = (sig->m_uMin + sig->m_uMax)/2;sig->m_vMean = (sig->m_vMin + sig->m_vMax)/2;

    在上段代码中，Pixy对用户给出区域的像素点与上下阈值进行比较统计，得到的统计值决定了“学习”的方向。

3、根据统计进行“学习”
由上部分得到的ratios数组表征了用户给定区域的像素在该阈值左右的分布，假定给定一个该分布情况的界限，则阈值就可以根据当前分布与给定分布之间的大小进行自动调整（Pixy默认的界限是80%，即该阈值可以提取出图像区域80%的像素值）：以U值为例，当图像在该阈值作用下，大于U阈值最小值的像素点有90%，则说明U阈值的最小值过小，此时应该向下调整，使该阈值增大，反之则反之。具体的代码见下：其中m_ratio为0.8

for (scale=1<<30, sig->m_uMin=sig->m_uMax=sig->m_vMin=sig->m_vMax=0; scale!=0; scale>>=1){calcRatios(ip, sig, ratios);if (ratios[0]>m_ratio)sig->m_uMin += scale;elsesig->m_uMin -= scale;if (ratios[1]>m_ratio)sig->m_uMax -= scale;elsesig->m_uMax += scale;if (ratios[2]>m_ratio)sig->m_vMin += scale;elsesig->m_vMin -= scale;if (ratios[3]>m_ratio)sig->m_vMax -= scale;elsesig->m_vMax += scale;}

    根据上述代码可以看到，Pixy在学习的过程中对一幅图像（用户感兴趣）学习了30次，最终根据反馈得到了较好的阈值。

Opencv实现

其实知道了原理之后，想用Opencv对一幅图像进行处理并得到较好的阈值是比较容易的，笔者也对该算法进行了尝（chao）试（xi），但是效果十分不好，1、不能进行较好的前景提取；2、处理速度十分慢。对于以上两个问题，个人认为还是对于YUV的格式没有把握好，导致中间运算出现问题（悼念三分钟尝试失败）。

但是笔者并没有放弃，把该算法移植到了HSV空间上，说是移植，其实中间去掉了一些处理，比如移植的算法没有考虑亮度对颜色的影响（> <），但是确实可以给定一个区域进行自“学习”了，收获还是不小，想要进行参考的同学可以到该地址进行下载http://download.csdn.net/detail/wubaobao1993/9745837

最后上两个图，是该算法的实际效果