forked from Duckietown-Chile/gym-duckietown
-
Notifications
You must be signed in to change notification settings - Fork 0
/
det_pato.py
126 lines (108 loc) · 4.94 KB
/
det_pato.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
#!/usr/bin/env python
"""
Este programa permite detectar patos dentro del simulador mediante el análisis
de color.
"""
import sys
import argparse
import gym
import gym_duckietown
from gym_duckietown.envs import DuckietownEnv
import numpy as np
import cv2
def mov_duckiebot(key):
# La acción de Duckiebot consiste en dos valores:
# velocidad lineal y velocidad de giro
actions = {ord('w'): np.array([1.0, 0.0]),
ord('s'): np.array([-1.0, 0.0]),
ord('a'): np.array([0.0, 1.0]),
ord('d'): np.array([0.0, -1.0]),
ord('q'): np.array([0.3, 1.0]),
ord('e'): np.array([0.3, -1.0])
}
return actions.get(key, np.array([0.0, 0.0]))
if __name__ == '__main__':
# Se leen los argumentos de entrada
parser = argparse.ArgumentParser()
parser.add_argument('--env-name', default="Duckietown-udem1-v1")
parser.add_argument('--map-name', default='loop_dyn_duckiebots')
parser.add_argument('--distortion', default=False, action='store_true')
parser.add_argument('--draw-curve', action='store_true', help='draw the lane following curve')
parser.add_argument('--draw-bbox', action='store_true', help='draw collision detection bounding boxes')
parser.add_argument('--domain-rand', action='store_true', help='enable domain randomization')
parser.add_argument('--frame-skip', default=1, type=int, help='number of frames to skip')
parser.add_argument('--seed', default=1, type=int, help='seed')
args = parser.parse_args()
# Definición del environment
if args.env_name and args.env_name.find('Duckietown') != -1:
env = DuckietownEnv(
seed = args.seed,
map_name = args.map_name,
draw_curve = args.draw_curve,
draw_bbox = args.draw_bbox,
domain_rand = args.domain_rand,
frame_skip = args.frame_skip,
distortion = args.distortion,
)
else:
env = gym.make(args.env_name)
# Se reinicia el environment
env.reset()
lower_yellow = np.array([20, 210, 160])
upper_yellow = np.array([55, 255, 255])
min_area = 2500
# Parametros para el detector de patos
# Se debe encontrar el rango apropiado
while True:
# Captura la tecla que está siendo apretada y almacena su valor en key
key = cv2.waitKey(30)
# Si la tecla es Esc, se sale del loop y termina el programa
if key == 27:
break
action = mov_duckiebot(key)
# Se ejecuta la acción definida anteriormente y se retorna la observación (obs),
# la evaluación (reward), etc
obs, reward, done, info = env.step(action)
# obs consiste en un imagen RGB de 640 x 480 x 3
# done significa que el Duckiebot chocó con un objeto o se salió del camino
if done:
print('done!')
# En ese caso se reinicia el simulador
env.reset()
### CÓDIGO DE DETECCIÓN POR COLOR ###
#Transformar imagen a espacio HSV
imageO = cv2.cvtColor(obs,cv2.COLOR_RGB2HSV)
# Filtrar colores de la imagen en el rango utilizando
mask = cv2.inRange(imageO,lower_yellow,upper_yellow)
# Bitwise-AND entre máscara (mask) y original (obs) para visualizar lo filtrado
image_out = cv2.bitwise_and(imageO,imageO,mask=mask)
# Se define kernel para operaciones morfológicas
kernel = np.ones((5,5),np.uint8)
# Aplicar operaciones morfológicas para eliminar ruido
# Esto corresponde a hacer un Opening
opening = cv2.morphologyEx(image_out, cv2.MORPH_OPEN, kernel)
# https://docs.opencv.org/trunk/d9/d61/tutorial_py_morphological_ops.html
#Operacion morfologica erode
img_out = cv2.erode(image_out, kernel, iterations = 1)
#Operacion morfologica dilate
img_f = cv2.dilate(img_out, kernel, iterations = 1)
opening = cv2.morphologyEx(image_out, cv2.MORPH_OPEN, kernel)
# Busca contornos de blobs
# https://docs.opencv.org/trunk/d3/d05/tutorial_py_table_of_contents_contours.html
contours, hierarchy = cv2.findContours(mask, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# Iterar sobre contornos y dibujar bounding box de los patos
for cnt in contours:
# Obtener rectangulo que bordea un contorno
x,y,w,h = cv2.boundingRect(cnt)
AREA = w*h
#Filtrar por area minima
if AREA > min_area: # DEFINIR AREA
#Dibujar rectangulo en el frame original
cv2.rectangle(obs,(x,y),(x+w,y+h),(0,255,0),2)
# Se muestra en una ventana llamada "patos" la observación del simulador
# con los bounding boxes dibujados
cv2.imshow('patos', cv2.cvtColor(obs, cv2.COLOR_RGB2BGR))
# Se muestra en una ventana llamada "filtrado" la imagen filtrada
cv2.imshow('filtrado', img_f)
# Se cierra el environment y termina el programa
env.close()