temp

Edmond Yoo

2018-09-15 5ba91c38708b5af6e227c0742426b805d39bfafe

temp

 opencv_dnn.py

@@ -2,6 +2,7 @@
import numpy as np
import os
import sys
import math
from operator import itemgetter


@@ -69,6 +70,11 @@


def remove_glare(img):
    """
    Inspired from:
    http://www.amphident.de/en/blog/preprocessing-for-automatic-pattern-identification-in-wildlife-removing-glare.html
    The idea is to find area that has low saturation but high value, which is what a glare usually look like.
    """
    img_hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    _, s, v = cv2.split(img_hsv)
    non_sat = (s < 32) * 255  # Find all pixels that are not very saturated
@@ -84,15 +90,81 @@

    # Slightly increase the area for each pixel
    glare = cv2.dilate(glare.astype(np.uint8), disk)
    #glare = cv2.dilate(glare.astype(np.uint8), disk);

    #corrected = cv2.inpaint(img, glare, 7, cv2.INPAINT_TELEA)
    glare_reduced = np.ones((img.shape[0], img.shape[1], 3), dtype=np.uint8) * 200
    glare = cv2.cvtColor(glare, cv2.COLOR_GRAY2BGR)
    corrected = np.where(glare, glare_reduced, img)
    return corrected


def find_card(img, thresh_val=80, blur_radius=None, dilate_radius=None, min_hyst=80, max_hyst=200, min_line_length=None, max_line_gap=None, debug=False):
    # Default values
    if blur_radius is None:
        blur_radius = math.floor(min(img.shape[:2]) / 100 + 0.5) // 2 * 2 + 1  # Rounded to the nearest odd
    if dilate_radius is None:
        dilate_radius = math.floor(min(img.shape[:2]) / 67 + 0.5)
    if min_line_length is None:
        min_line_length = min(img.shape[:2]) / 3
    if max_line_gap is None:
        max_line_gap = min(img.shape[:2]) / 10

    thresh_radius = math.floor(min(img.shape[:2]) / 50 + 0.5) // 2 * 2 + 1  # Rounded to the nearest odd

    print(blur_radius, dilate_radius, thresh_radius, min_line_length, max_line_gap)
    '''
    blur_radius = 3
    dilate_radius = 3
    thresh_radius = 3
    min_line_length = 5
    max_line_gap = 5
    '''

    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # Median blur better removes background textures than Gaussian blur
    img_blur = cv2.medianBlur(img_gray, blur_radius)
    # Truncate the bright area while detecting the border
    img_thresh = cv2.adaptiveThreshold(img_blur, 128, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY_INV, thresh_radius, 5)
    # _, img_thresh = cv2.threshold(img_blur, thresh_val, 255, cv2.THRESH_TRUNC)

    # Dilate the image to emphasize thick borders around the card
    kernel_dilate = np.ones((dilate_radius, dilate_radius), np.uint8)
    img_dilate = cv2.dilate(img_thresh, kernel_dilate, iterations=1)
    img_dilate = cv2.erode(img_dilate, kernel_dilate, iterations=1)

    img_contour = img_dilate.copy()
    _, contours, _ = cv2.findContours(img_contour, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
    img_contour = cv2.cvtColor(img_contour, cv2.COLOR_GRAY2BGR)
    img_contour = cv2.drawContours(img_contour, contours, -1, (128, 0, 0), 1)

    # find the biggest area
    c = max(contours, key=cv2.contourArea)

    x, y, w, h = cv2.boundingRect(c)
    # draw the book contour (in green)
    img_contour = cv2.drawContours(img_contour, [c], -1, (0, 255, 0), 1)

    # Canny edge - low minimum hysteresis to detect glowed area,
    # and high maximum hysteresis to compensate for high false positives.
    img_canny = cv2.Canny(img_dilate, min_hyst, max_hyst)

    detected_lines = cv2.HoughLinesP(img_dilate, 1, np.pi / 180, threshold=300,
                                     minLineLength=min_line_length,
                                     maxLineGap=max_line_gap)
    card_found = detected_lines is not None
    if card_found:
        print(len(detected_lines))

    img_hough = cv2.cvtColor(img_canny.copy(), cv2.COLOR_GRAY2BGR)
    if card_found:
        for line in detected_lines:
            x1, y1, x2, y2 = line[0]
            cv2.line(img_hough, (x1, y1), (x2, y2), (0, 0, 255), 1)

    img_thresh = cv2.cvtColor(img_thresh, cv2.COLOR_GRAY2BGR)
    img_dilate = cv2.cvtColor(img_dilate, cv2.COLOR_GRAY2BGR)
    #img_canny = cv2.cvtColor(img_canny, cv2.COLOR_GRAY2BGR)
    return img_thresh, img_dilate, img_contour, img_hough


def detect_frame(net, classes, img, thresh_conf=0.5, thresh_nms=0.4, in_dim=(416, 416), display=True, out_path=None):
    img_copy = img.copy()
    # Create a 4D blob from a frame.
@@ -123,21 +195,14 @@
        no_glare = remove_glare(img_copy)
        img_concat = np.concatenate((img, no_glare), axis=1)
        cv2.imshow('result', img_concat)

        '''
        for i in range(len(obj_list)):
            class_id, confidence, box = obj_list[i]
            left, top, width, height = box
            img_snip = img[max(0, top):min(img.shape[0], top + height), max(0, left):min(img.shape[1], left + width)]
            #cv2.imshow('feature#%d' % i, img_snip)
            img_hsv = cv2.cvtColor(img_snip, cv2.COLOR_BGR2HSV)
            h, s, v = cv2.split(img_hsv)
            #h = cv2.cvtColor(h, cv2.COLOR_GRAY2BGR)
            s = cv2.cvtColor(s, cv2.COLOR_GRAY2BGR)
            v = cv2.cvtColor(v, cv2.COLOR_GRAY2BGR)
            img_concat = np.concatenate((img_snip, s, v), axis=1)
            cv2.imshow('feature#%d - hsv' % i, img_concat)
        '''
            img_snip = img_copy[max(0, top):min(img.shape[0], top + height),
                                max(0, left):min(img.shape[1], left + width)]
            img_thresh, img_dilate, img_canny, img_hough = find_card(img_snip)
            img_concat = np.concatenate((img_snip, img_thresh, img_dilate, img_canny, img_hough), axis=1)
            cv2.imshow('feature#%d' % i, img_concat)
        cv2.waitKey(0)
        cv2.destroyAllWindows()

@@ -165,25 +230,18 @@
            no_glare = remove_glare(img)
            img_concat = np.concatenate((frame, no_glare), axis=1)
            cv2.imshow('result', img_concat)
            '''
            for i in range(len(obj_list)):
                class_id, confidence, box = obj_list[i]
                left, top, width, height = box
                img_snip = img[max(0, top):min(img.shape[0], top + height),
                           max(0, left):min(img.shape[1], left + width)]
                # cv2.imshow('feature#%d' % i, img_snip)
                img_hsv = cv2.cvtColor(img_snip, cv2.COLOR_BGR2HSV)
                h, s, v = cv2.split(img_hsv)
                # h = cv2.cvtColor(h, cv2.COLOR_GRAY2BGR)
                s = cv2.cvtColor(s, cv2.COLOR_GRAY2BGR)
                v = cv2.cvtColor(v, cv2.COLOR_GRAY2BGR)
                img_concat = np.concatenate((img_snip, s, v), axis=1)
                cv2.imshow('feature#%d - hsv' % i, img_concat)
                img_thresh, img_dilate, img_canny, img_hough = find_card(img_snip)
                img_concat = np.concatenate((img_snip, img_thresh, img_dilate, img_canny, img_hough), axis=1)
                cv2.imshow('feature#%d' % i, img_concat)
            for i in range(len(obj_list), max_num_obj):
                cv2.imshow('feature#%d - hsv' % i, np.zeros((1, 1), dtype=np.uint8))
            '''
            #if len(obj_list) > 0:
                #cv2.waitKey(0)
                cv2.imshow('feature#%d' % i, np.zeros((1, 1), dtype=np.uint8))
            if len(obj_list) > 0:
                cv2.waitKey(0)
        if out_path is not None:
            vid_writer.write(frame.astype(np.uint8))
        cv2.waitKey(1)
@@ -195,7 +253,7 @@

def main():
    # Specify paths for all necessary files
    test_path = os.path.abspath('../data/test18.jpg')
    test_path = os.path.abspath('../data/test1.jpg')
    weight_path = 'weights/second_general/tiny_yolo_final.weights'
    cfg_path = 'cfg/tiny_yolo.cfg'
    class_path = "data/obj.names"