通常ステレオカメラとIRステレオカメラを電気スタンドに固定する。
1. プレートにカメラを固定
1. 土台に穴を空ける
2. ステレオカメラを固定する
4. 電気スタンドに固定
電気スタンドのソケット以降を外し、プレートを固定する。
ステレオカメラとIRステレオカメラによるヘビの運動量算出【3】
2つのIR カメラをrasberry pi に繋ぐ。
1. 準備
- rasberry pi用マルチカメラアダプタ
- IR カメラ x 2
2. 接続
写真のようにフレキケーブルを接続する。GPIOピンの位置はこの通りにしないと壊れると思う。
マルチカメラアダプタはABCDの4つ口があり、最大4段まで拡張が可能で、1段積み用の設定、2段積み用・・と設定がある。
1段しか使わない場合は、DIPスイッチの1, 5のみONにする。
3. 動作確認
このマルチカメラアダプタにはライブラリはない（たぶん）ので泥臭くコードを書く必要がある。
1. コード
#!/bin/python import RPi.GPIO as gp import os import time gp.setwarnings(False) gp.setmode(gp.BOARD) # Setup the stack layer 1 board gp.setup(7, gp.OUT) gp.setup(11, gp.OUT) gp.setup(12, gp.OUT) def main(): gp.output(7, False) gp.output(11, False) gp.output(12, True) capture(1) gp.output(7, False) gp.output(11, True) gp.output(12, False) capture(3) def capture(cam): cmd = "raspistill -o capture_%d.jpg" % cam os.system(cmd) if __name__ == "__main__": time.sleep(5) main() gp.output(7, False) gp.output(11, False) gp.output(12, True)
●コードの解説
gp.output(7, False) gp.output(11, False) gp.output(12, True) capture(1) gp.output(7, False) gp.output(11, True) gp.output(12, False) capture(3)
CAM A をキャプチャする場合、ピン出力を以下にする。
| ピン番号 | 値 |
|---|---|
| 7 | OFF |
| 11 | OFF |
| 12 | ON |
CAM C をキャプチャする場合、ピン出力を以下にする。
| ピン番号 | 値 |
|---|---|
| 7 | OFF |
| 11 | ON |
| 12 | OFF |
その他、マルチカメラアダプタの詳細設定は以下を参照。
http://www.arducam.com/downloads/RaspCAM/RaspberryPi_Multi_Camera_Adapter_Module_UG.pdf
2. 赤外線ライトの強度調整
添付画像の赤枠箇所をマイナスドライバーで回すと、赤外線ライトの強度を変更できる。
3. カメラピント調整
図の赤枠箇所を回すと、ピント調整できる。
4. 結果
左右でこんな画が撮れた。
ステレオカメラとIRステレオカメラによるヘビの運動量算出【2】
ステレオIR カメラを作成する。
1. 準備
- 木材
- IR カメラ x 2
- 電動ドリル
- ノコギリ
2. 作成
電動ドリルでネジ穴を空ける。
カメラを固定する
余分な部分をノコギリで切って、やすりで角を削ったら完成。
ステレオカメラとIRステレオカメラによるヘビの運動量算出【1】
過去に挑戦した、ペットのヘビを監視するシステムを進化させることにした。
参考：ヘビの安否確認システム - <!--親の顔より見た光景-->
前回のシステムは、通常のUSBカメラを用いた撮影なので
夜間の行動を見ることができなかった（夜行性なのに。
そこで今回は、IRカメラを導入 ＆ 複眼カメラにして1日の運動量を計測することにした。
今回は準備編。
---------------------------
●背景
ペットのヘビを監視するシステムを構築し、1日あたりの運動量を測りたい。
●原理
通常のステレオカメラとIRステレオカメラを作成し、被写体の深度を測る。
昼間は通常のカメラ、夜間はIRカメラを使用する。
深度画像と物体検出アルゴリズムを用いることで、ヘビの運動量を計算することが可能なはず。
こんなイメージで観察したい。
●実験準備
ざっとコレだけ必要
●マイコン周り
| モノ | 値段 | 参考リンク |
| Rasberry pi 3 B+ | ￥5100 | Amazon |
| SDカード 32GB | ￥1350 | Amazon |
| ACアダプタ 3.0A | ￥1580 | Amazon |
| 通常カメラ(CSI インターフェース) | ￥1699 | Amazon |
| 赤外線カメラ(CSI インターフェース) | ￥2899 | Amazon |
| Raspberry Pi用マルチカメラアダプタ(CSI 拡張基盤) | ￥6171 | スイッチサイエンス |
●機構周り（ホームセンターで全て購入）
| モノ | 値段 | 参考リンク |
| アームライト（電球別売り） | ￥2894 | Amazon |
| 充電式電動ドリルドライバー | ￥3218 | ビバホームオンラインショップ |
| 精密ドライバー | ￥321 | ホームセンター |
| カメラプレート用木材 | ￥116 | ホームセンター |
| マイコン土台用木材 | ￥354 | ホームセンター |
| のこぎり | ￥1002 | ホームセンター |
| 紙やすり #240 | ￥84 | ホームセンター |
| M3 スペーサ * 4 | ￥578 | ホームセンター |
| M3 ねじ+ナット+ワッシャー | ￥159 | ホームセンター |
| M2 ねじ+ナット+ワッシャー | ￥159 | ホームセンター |
| 定規 | ￥0 | どこでも |
電動ドリルが意外と安かったので、
カメラのプレートと、マイコン用の土台を木材で作ることにした。
あと、のこぎりがカッコいい
●ソフトウェア
| モノ | 値段 | 参考リンク |
| fusion 360（CAD ソフト）無償体験版 | ￥0 | ホームページ |
図4のような感じで設計し、IR ステレオカメラの完成イメージを掴む。
（手間はかかるが、カメラ位置微調整用のネジ穴数を増やしたほうが良いと気づけた。）
●合計
￥27684
（めっちゃかかった……）
【C++】離散フーリエ級数展開
理解するためにすべて手書きで書いた。
乱数で作ったグラフを、
三角関数の足し合わせのみでキレイに再現できている。
（あと一息で離散フーリエ変換ができそう）
#include "pch.h" #include <iostream> #include <fstream> #include <sstream> #include <vector> #define M_PI 3.14159265358979323846 int main(void) { std::ifstream ifs( "./source.csv" ); if ( ifs.fail() ) { std::cout << "file read error..." << std::endl; return -1; } std::string str; std::vector<double> f; while ( getline( ifs, str ) ) { f.push_back(std::stod( str )); } double a0 = 0; std::vector<double> an; std::vector<double> bn; double sum = 0; int N = f.size(); for ( int x = 0; x < N; x++ ) { sum += f[x]; } a0 = sum / N; for ( int n = 1; n < N; n++ ) { double a_sum = 0; double b_sum = 0; for ( int x = 0; x < N; x++ ) { a_sum += f[x] * cos( 2 * M_PI * n * x / N ); b_sum += f[x] * sin( 2 * M_PI * n * x / N ); } if ( n == ( N / 2 - 1 ) ) { an.push_back( a_sum / N ); bn.push_back( b_sum / N ); } else { an.push_back( 2 * a_sum / N ); bn.push_back( 2 * b_sum / N ); } } std::vector<double> fx_fourier; for (int x = 0; x < N; x++) { double a_sum = 0; double b_sum = 0; for ( int n = 1; n < N; n++ ) { a_sum += an[n - 1] * cos( 2 * M_PI * n * x / N ); b_sum += bn[n - 1] * sin( 2 * M_PI * n * x / N ); } fx_fourier.push_back( a0 + a_sum + b_sum ); } std::ofstream dist; dist.open("dist.csv", std::ios::out); for ( int i = 0; i < fx_fourier.size(); i++ ) { dist << fx_fourier[i] << std::endl; } return 0; }
【画像処理】2次微分フィルタ
二次微分フィルタを自作した。
def edge_filter_2(file): image = cv2.imread(file, cv2.IMREAD_GRAYSCALE) (height, width) = image.shape[:2] edge_width = image.copy() edge_height = image.copy() edge_lap = image.copy() for i in range(1, height-1): for j in range(1, width-1): left = image[i, j-1] right = image[i, j+1] top = image[i-1, j] bottom = image[i+1, j] center = -image[i, j] * 2 edge_width[i, j] = abs(left + right + center) edge_height[i, j] = abs(top + bottom + center) edge_lap[i, j] = abs(top + bottom + left + right + center*2) cv2.imwrite('gray.png', image) cv2.imwrite('edge2_width.png', edge_width) cv2.imwrite('edge2_height.png', edge_height) cv2.imwrite('edge2_lap.png', edge_lap)
参考は以下。
画像処理フィルタの１次微分と２次微分の違い | ぱーくん plus idea
適用フィルタは以下。
横方向
| 0 | 0 | 0 |
| 1 | -2 | 1 |
| 0 | 0 | 0 |
縦方向
| 0 | 1 | 0 |
| 0 | -2 | 0 |
| 0 | 1 | 0 |
4近傍
| 0 | 1 | 0 |
| 1 | -4 | 1 |
| 0 | 1 | 0 |
●横方向二次微分
●縦方向二次微分
●4近傍（ラプラシアンフィルタ）
★なぜ1次微分より2次微分のほうがエッジが目立つ？
左から、元画像・1次微分(横方向)・2次微分(横方向)
横方向微分の1次微分と2次微分の出力差を見てみる。
仮に、顔の輪郭にフィルタを適用するとして、
フィルタ適用前画素列を、以下とする
| 32 | 32 | 64 | 64 | 64 | 64 | 255 | 255 |
★★1次微分(横方向)
| -1/2 | 0 | 1/2 |
このフィルタを適用すると（左端・右端は元画像のままとする）、
| 32 | 32 | 64 | 64 | 64 | 64 | 255 | 255 |
↓↓ 1次微分適用
| 32 | 16 | 16 | 0 | 0 | 95 | 95 | 255 |
★★2次微分(横方向)
| 1 | -2 | 1 |
このフィルタを適用すると（左端・右端は元画像のままとする）、
※絶対値を画素値として採用
| 32 | 32 | 64 | 64 | 64 | 64 | 255 | 255 |
↓↓ 2次微分適用
| 32 | 32 | -32 | 0 | 0 | 191 | -191 | 255 |
1次微分より白成分が2倍になっている。
【画像処理】1次微分フィルタ（横、縦）
自作で微分フィルタを作った。
#!/usr/env/bin python import cv2 import sys args = sys.argv def edge_filter(file): image = cv2.imread(file, cv2.IMREAD_GRAYSCALE) image = cv2.medianBlur(image, 3) (height, width) = image.shape[:2] edge_width = image.copy() edge_height = image.copy() for i in range(1, height-1): for j in range(1, width-1): left = image[i, j-1] / -2 right = image[i, j+1] / 2 top = image[i-1, j] / -2 bottom = image[i+1, j] / 2 edge_width[i, j] = abs(left + right) edge_height[i, j] = abs(top + bottom) cv2.imwrite('gray.png', image) cv2.imwrite('edge_width.png', edge_width) cv2.imwrite('edge_height.png', edge_height) if __name__ == '__main__': edge_filter(args[1])
フィルタは以下を適用した。
ただし、画像の端には適用していない。（コード上の、range(1, height-1) と range(1, width-1)）
●横方向微分フィルタ
| 0 | 0 | 0 |
| -1/2 | 0 | 1/2 |
| 0 | 0 | 0 |
●縦方向微分フィルタ
| 0 | -1/2 | 0 |
| 0 | 0 | 0 |
| 0 | 1/2 | 0 |
■元画像
■横方向微分画像
■縦方向微分画像
余計なエッジを消すために、メディアンフィルタを適用してから微分フィルタを適用する。
↓
★★比較
