如何利用差分方法实现虚拟选择菜单

本文介绍了一种使用差分方法实现虚拟菜单选择的技术方案。通过摄像头捕捉运动物体并运用差分处理来干扰监测目标,进而触发菜单选择。文章详细展示了从颜色转换到差分计算、命中数统计及结果显示的全过程。
部署运行你感兴趣的模型镜像


如何利用差分方法实现虚拟选择菜单

一些摄像头程序实现了用差分方法来选择菜单,就是你不断用运动的物体干扰监测目标,它会出现进度条,直到选中,例如camgoo,实际上它实现起来却非常的简单。不过它的作用却是很大。

下图绿色表示选择的进度,


第一步准备

//颜色转化
cvCvtColor( image, grey, CV_BGR2GRAY );    
//差分
cvAbsDiff( grey,prev_grey, abs_img );

//清理低的值,这样抗干扰强
cvThreshold( abs_img, abs_img, 30, 255, CV_THRESH_BINARY);


第二步:
//定义命中器的结构
typedef struct hit_chooser

    float Perc_x;
    float Perc_y;
    float Perc_width;
    float Perc_height;
    int hit_count;
    bool isUse;
} hit_chooser;

//初始化数据,定义一个监视区域
hit_chooser Hit_Objects[WW_MAX_HIT_COUNT];
Hit_Objects[0].isUse  =true;
Hit_Objects[0].Perc_x   = 0.7; 
Hit_Objects[0].Perc_y   = 0.6;
Hit_Objects[0].Perc_width = 0.1;
Hit_Objects[0].Perc_height = 0.1;
Hit_Objects[0].hit_count = 0;

第三步,在需要检测的地方加入 getHitCounts(Hit_Objects);

WW_RETURN HumanMotion::getHitCounts(hit_chooser *Hit_Objects)
/*************************************************
  Function:
  Description:  利用差分统计命中数目,返回该区域的命中次数     
  Date:   2006-7-24
  Author:  
  Input:                       
  Output:        
  Return:        
  Others:         
*************************************************/
{
 const int w = abs_img->width;
 const int h = abs_img->height;
 float counter = 0;

 for(int i=0;i<WW_MAX_HIT_COUNT;i++)
 {
  if(Hit_Objects[i].isUse)
  {
   if(Hit_Objects[i].hit_count<100)
   {
    int x = Hit_Objects[i].Perc_x * w;
    int y = Hit_Objects[i].Perc_y * h;
    int Perc_width = Hit_Objects[i].Perc_width * w;
    int Perc_height = Hit_Objects[i].Perc_height * h;
    cvSetImageROI( abs_img, cvRect( x, y,Perc_width,Perc_height));
    int num  = cvCountNonZero(abs_img);
    cvResetImageROI(abs_img);
    if(num > 10)
    {     
     Hit_Objects[i].hit_count+=2; //升值比降值快一倍
    }
    else
    {
     if(Hit_Objects[i].hit_count>0)
     {
      Hit_Objects[i].hit_count --;
     }
    }
   }
  }
 }
 return WW_OK;
}
 
第四步显示出来

void showHitObject(void)
{

  for(int i=0;i<WW_MAX_HIT_COUNT;i++)
  {
   if(Hit_Objects[i].isUse)
   {
    //draw a circle
    glPushMatrix();
    glTranslatef(Hit_Objects[i].Perc_x*room_size/3 , 0.0,Hit_Objects[i].Perc_y*room_size/2);
    glRotatef(90,1,0,0);
    glColor3f(1,1,1);
    dsDrawTours(0.2,0.3,45,45,false);   

    if(Hit_Objects[i].hit_count>0 && Hit_Objects[i].hit_count<100)
    {
     //show hit  
     int hit = (float)Hit_Objects[i].hit_count/100*45;    
     glTranslatef(0.0, 0.0,0.1);
     dsDrawTours(0.2,0.3,45,hit,true);
    }

    if(Hit_Objects[i].hit_count>=100)
    {
     //show full
     glColor3f(0,1,0);
     glTranslatef(0.0, 0.0,0.1);
     dsDrawTours(0.2,0.3,45,45,false);
    }
    glPopMatrix();
   }
  }

}

//显示圆环
void dsDrawTours(float inRadio,float ExRadio,int numc,int endnumc,bool needcolor)
{
   int i;
   double s, twopi,sinA,cosA,x,y;

   twopi = 2 * 3.14;
   for (i = 0; i <endnumc; i++)
   {  
      glBegin(GL_QUAD_STRIP);    
   {
       
   s = i;
   if(needcolor) glColor3f(0,s/numc/2+0.2,0);

   s= s/numc*twopi;
            sinA = sin(s);
            cosA = cos(s);
            x = inRadio * sinA;
            y = inRadio * cosA;
            glVertex2f(x, y);

            x = ExRadio * sinA;
            y = ExRadio * cosA;
            glVertex2f(x, y);

   s = i+1;
   s= s/numc*twopi;
            sinA = sin(s);
   cosA = cos(s);
            x = inRadio * sinA;
            y = inRadio * cosA;
            glVertex2f(x, y);

            x = ExRadio * sinA;
            y = ExRadio * cosA;
            glVertex2f(x, y);  

      }
      glEnd();
   }
}

 

 

您可能感兴趣的与本文相关的镜像

Stable-Diffusion-3.5

Stable-Diffusion-3.5

图片生成
Stable-Diffusion

Stable Diffusion 3.5 (SD 3.5) 是由 Stability AI 推出的新一代文本到图像生成模型,相比 3.0 版本,它提升了图像质量、运行速度和硬件效率

【无人机】基于改进粒子群算法的无人机路径规划研究[和遗传算法、粒子群算法进行比较](Matlab代码实现)内容概要:本文围绕基于改进粒子群算法的无人机路径规划展开研究,重点探讨了在复杂环境中利用改进粒子群算法(PSO)实现无人机三维路径规划的方法,并将其与遗传算法(GA)、标准粒子群算法等传统优化算法进行对比分析。研究内容涵盖路径规划的多目标优化、避障策略、航路点约束以及算法收敛性和寻优能力的评估,所有实验均通过Matlab代码实现,提供了完整的仿真验证流程。文章还提到了多种智能优化算法在无人机路径规划中的应用比较,突出了改进PSO在收敛速度和全局寻优方面的优势。; 适合人群:具备一定Matlab编程基础和优化算法知识的研究生、科研人员及从事无人机路径规划、智能优化算法研究的相关技术人员。; 使用场景及目标:①用于无人机在复杂地形或动态环境下的三维路径规划仿真研究;②比较不同智能优化算法(如PSO、GA、蚁群算法、RRT等)在路径规划中的性能差异;③为多目标优化问题提供算法选型和改进思路。; 阅读建议:建议读者结合文中提供的Matlab代码进行实践操作,重点关注算法的参数设置、适应度函数设计及路径约束处理方式,同时可参考文中提到的多种算法对比思路,拓展到其他智能优化算法的研究与改进中。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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