根据例程写的追形状中心的代码报错

[nblf]

# 圆形检测例程

#

# 这个例子展示了如何用Hough变换在图像中找到圆。

# https://en.wikipedia.org/wiki/Circle_Hough_Transform

#

# 请注意，find_circles（）方法将只能找到完全在图像内部的圆。圈子之外的

# 图像/ roi被忽略...



import sensor, image, time

from pid import PID

from pyb import Servo

pan_servo=Servo(1)

title_servo=Servo(2)

red_threshold = (13,39,18,61,6,47)

pan_pid = PID(p=0.17,i=0,imax=90)

title_pid = PID(p=0.15,i=0,imax=90)

def find_max(blobs):

    max_size=0

    for blob in blobs:

        if blob[2]*blob[3] > max_size:

            max_blob = blob

            max_size = blob[2]*blob[3]

        return max_blob

sensor.reset()

sensor.set_contrast(1)

sensor.set_gainceiling(16)

sensor.set_pixformat(sensor.GRAYSCALE) # 灰度更快

sensor.set_framesize(sensor.QQVGA)

sensor.skip_frames(time = 2000)

sensor.set_auto_whitebal(False)

clock = time.clock()

while(True):

    clock.tick()

    #lens_corr(1.8)畸变矫正

    img = sensor.snapshot().lens_corr(1.8)

    # x_margin 控制所检测的圆的合并。 圆像素为 x_margin 、 y_margin 和
    # r_margin的部分合并。
    # y_margin 控制所检测的圆的合并。 圆像素为 x_margin 、 y_margin 和
    # r_margin 的部分合并。
    # r_margin 控制所检测的圆的合并。 圆像素为 x_margin 、 y_margin 和
    # r_margin 的部分合并。
    # r_min，r_max和r_step控制测试圆的半径。
    # 缩小测试圆半径的数量可以大大提升性能。
    # threshold = 3500比较合适。如果视野中检测到的圆过多，请增大阈值；
    # 相反，如果视野中检测到的圆过少，请减少阈值。

    # 判断形状，result=1为圆，2为正方形，3为正三角形

    #blobs=img.find_circles(threshold = 3500, x_margin = 10,y_margin = 10, r_margin = 10,r_min = 2, r_max = 100, r_step = 2)

    #if blobs:

        #max_blob = find_max(blobs)

        #pan_error = max_blob[0]-img.width()/2

        #title_error = max_blob[1]-img.height()/2

        #print("pan_error:", pan_error)

        #img.draw_circle(max_blob.x(),max_blob.y(),max_blob.r(),color = (255,0,0))

        #img.draw_cross(int(max_blob[0],int(max_blob[1]))

        #pan_output=pan_pid.get_pid(pan_error,1)/2

        #tilt_output=tilt_pid.get_pid(tilt_error,1)

        #print("pan_output",pan_output)

        #pan_servo.angle(pan_servo.angle()+pan_output)

        #tilt_servo.angle(tilt_servo.angle()-tilt_output)

    for c in img.find_circles(threshold = 3500, x_margin = 10, y_margin = 10, r_margin = 10,r_min = 2, r_max = 100, r_step = 2):

        d = 2*c.r()

        print (d)

        if (d!=0):

            #result = 1

            print ('yuan')

    #blobs = img.find_rects(threshold = 10000)

    #if blobs:

     #   max_blob = find_max(blobs)

      #  pan_error = max_blob.cx()-img.width()/2

       # tilt_error = max_blob.cy()-img.height()/2

        #print("pan_error: ", pan_error)

#        img.draw_rectangle(max_blob.rect()) # rect

 #       img.draw_cross(max_blob.cx(), max_blob.cy()) # cx, cy

  #      pan_output=pan_pid.get_pid(pan_error,1)/2

   #     tilt_output=tilt_pid.get_pid(tilt_error,1)

    #    print("pan_output",pan_output)

     #   pan_servo.angle(pan_servo.angle()+pan_output)

      #  tilt_servo.angle(tilt_servo.angle()-tilt_output)

    for r in img.find_rects(threshold = 10000):

        if (r!=0):

            for l in img.find_line_segments(merge_distance = 0, max_theta_diff = 5):

                s = 0

                s = s + l.length()

                a = s / 4

            print ("square",a)

            #result = 2

    for l in img.find_line_segments(merge_distance = 10, max_theta_diff = 10):

        img.draw_line(l.line(), color = (255,0,0))

        s1 = 0

        s1 += l.theta()

    s1 = s1 - 180

    if s1<110 and s1>1:

        z = 0

        z = z + line.length()

        b = z / 3

    blobs = img.find_rects(threshold = 10000)

    if blobs:

        max_blob = find_max(blobs)

        pan_error = max_blob[0]-img.width()/2

        tilt_error = max_blob[1]-img.height()/2

        print("pan_error: ", pan_error)

        img.draw_rectangle(max_blob.rect()) # rect

        img.draw_cross(max_blob.x(), max_blob.y()) # cx, cy

        pan_output=pan_pid.get_pid(pan_error,1)/2

        tilt_output=tilt_pid.get_pid(tilt_error,1)

        print("pan_output",pan_output)

        pan_servo.angle(pan_servo.angle()+pan_output)

        tilt_servo.angle(tilt_servo.angle()-tilt_output)

    result = 3

#测量距离

#计算边长

# 圆形检测例程

#

# 这个例子展示了如何用Hough变换在图像中找到圆。

# https://en.wikipedia.org/wiki/Circle_Hough_Transform

#

# 请注意，find_circles（）方法将只能找到完全在图像内部的圆。圈子之外的

# 图像/ roi被忽略...



import sensor, image, time



sensor.reset()

sensor.set_pixformat(sensor.RGB565) # 灰度更快

sensor.set_framesize(sensor.QQVGA)

sensor.skip_frames(time = 2000)

clock = time.clock()



while(True):

    clock.tick()



    #lens_corr(1.8)畸变矫正

    img = sensor.snapshot().lens_corr(1.8)



    # Circle对象有四个值: x, y, r (半径), 和 magnitude。

    # magnitude是检测圆的强度。越高越好



    # roi 是一个用以复制的矩形的感兴趣区域(x, y, w, h)。如果未指定，

    # ROI 即图像矩形。操作范围仅限于roi区域内的像素。



    # x_stride 是霍夫变换时需要跳过的x像素的数量。若已知圆较大，可增加

    # x_stride 。



    # y_stride 是霍夫变换时需要跳过的y像素的数量。若已知直线较大，可增加

    # y_stride 。



    # threshold 控制从霍夫变换中监测到的圆。只返回大于或等于阈值的圆。

    # 应用程序的阈值正确值取决于图像。注意：一条圆的大小是组成圆所有

    # 索贝尔滤波像素大小的总和。



    # x_margin 控制所检测的圆的合并。 圆像素为 x_margin 、 y_margin 和

    # r_margin的部分合并。



    # y_margin 控制所检测的圆的合并。 圆像素为 x_margin 、 y_margin 和

    # r_margin 的部分合并。



    # r_margin 控制所检测的圆的合并。 圆像素为 x_margin 、 y_margin 和

    # r_margin 的部分合并。



    # r_min，r_max和r_step控制测试圆的半径。

    # 缩小测试圆半径的数量可以大大提升性能。

    # threshold = 3500比较合适。如果视野中检测到的圆过多，请增大阈值；

    # 相反，如果视野中检测到的圆过少，请减少阈值。

    # 判断形状，result=1为圆，2为正方形，3为正三角形

    for c in img.find_circles(threshold = 3500, x_margin = 10, y_margin = 10, r_margin = 10,r_min = 2, r_max = 100, r_step = 2):

        img.draw_circle(c.x(), c.y(), c.r(), color = (255, 0, 0))

        print(c)

        d = 2*c.r()

    if (d!=0):

        result = 1

    #画出特征点
    def draw_keypoints(img, kpts):

        if kpts:

            print(kpts)

            img.draw_keypoints(kpts)

            img = sensor.snapshot()

            time.sleep(1000)

    #kpts1 = None
    #kpts1保存目标物体的特征，可以从文件导入特征，但是不建议这么做。
    kpts1 = image.load_descriptor("/desc1.orb")

    kpts2 = image.load_descriptor("/desc2.orb")

    kpts3 = image.load_descriptor("/desc3.orb")
    #img = sensor.snapshot()
    #draw_keypoints(img, kpts1)

    clock = time.clock()

    while (True):

        clock.tick()

        img = sensor.snapshot()

        if (kpts1 == None):

            kpts1 = img.find_keypoints(max_keypoints=150, threshold=10, scale_factor=1.2)

            draw_keypoints(img, kpts1)

        else:
          #当与最开始的目标特征进行匹配时，默认设置normalized=True，只匹配目标特征的一种大小。
          # NOTE: When extracting keypoints to match the first descriptor, we use normalized=True to extract
          # keypoints from the first scale only, which will match one of the scales in the first descriptor.
          kpts0 = img.find_keypoints(max_keypoints=150, threshold=10, normalized=True)
          #如果检测到特征物体
          if (kpts0):
              #匹配当前找到的特征和最初的目标特征的相似度
              match = image.match_descriptor(kpts1, kpts0, threshold=85)
              #image.match_descriptor(descritor0, descriptor1, threshold=70, filter_outliers=False)。本函数返回kptmatch对象。
              #threshold阈值设置匹配的准确度，用来过滤掉有歧义的匹配。这个值越小，准确度越高。阈值范围0～100，默认70
              #filter_outliers默认关闭。

              #match.count()是kpt1和kpt2的匹配的近似特征点数目。
              #如果大于10，证明两个特征相似，匹配成功。
              if (match.count()>10):
                  # If we have at least n "good matches"
                  # Draw bounding rectangle and cross.
                  #在匹配到的目标特征中心画十字和矩形框。
                  img.draw_rectangle(match.rect())

                  img.draw_cross(match.cx(), match.cy(), size=10)

              #match.theta()是匹配到的特征物体相对目标物体的旋转角度。
              print(kpts0, "matched:%d dt:%d"%(match.count(), match.theta()))
               #不建议draw_keypoints画出特征角点。
               # NOTE: uncomment if you want to draw the keypoints
               #img.draw_keypoints(kpts2, size=KEYPOINTS_SIZE, matched=True)

        if (kpts2 == None):

            kpts2 = img.find_keypoints(max_keypoints=150, threshold=10, scale_factor=1.2)

            draw_keypoints(img, kpts2)

        else:

            kpts0 = img.find_keypoints(max_keypoints=150, threshold=10, normalized=True)

        if(kpts0):

            match = image.match_descriptor(kpts2, kpts0, threshold=85)

            if (match.count()>10):

                img.draw_rectangle(match.rect())

                img.draw_cross(match.cx(), match.cy(), size=10)

            print(kpts0, "matched:%d dt:%d"%(match.count(), match.theta()))

        if (kpts3 == None):

            kpts3 = img.find_keypoints(max_keypoints=150, threshold=10, scale_factor=1.2)

            draw_keypoints(img, kpts3)

        else:

            kpts0 = img.find_keypoints(max_keypoints=150, threshold=10, normalized=True)

        if(kpts0):

            match = image.match_descriptor(kpts3, kpts0, threshold=85)

            if (match.count()>10):

                img.draw_rectangle(match.rect())

                img.draw_cross(match.cx(), match.cy(), size=10)

            print(kpts0, "matched:%d dt:%d"%(match.count(), match.theta()))

    for r in img.find_rects(threshold = 10000):

        img.draw_rectangle(r.rect(), color = (255, 0, 0))

        print(r)

        if (r!=0):

            for l in img.find_line_segments(merge_distance = 0, max_theta_diff = 5):

                s = s + line.length()

                a = s / 4

            result = 2

    for l in img.find_line_segments(merge_distance = 10, max_theta_diff = 10):

        img.draw_line(l.line(), color = (255,0,0))

        sum += l.theta()

    sum-=180

    if (sum<110 and sum>1):

        z = z + line.length()

    b = z / 3

    result = 3

#测量距离

#计算边长

第200行 显示tilt_pid没定义
第172行 显示S1没定义
是什么问题呢

[kidswong999]

1，第31行是title_pid。和tilt_pid名字不一样。

2，如果164行没有找到线段，s1就不会设置为0，s1就未定义。