weixin_44845743的博客

树莓派（Raspberry Pi）是一款基于ARM架构的微型计算机，最初为编程教育设计，具备多媒体处理、文档编辑等多种功能，支持4K视频播放。树莓派经过多年迭代，2023年发布了最新的Raspberry Pi 5，配备2.4GHz四核处理器，CPU性能提升2-3倍，图形处理和相机支持也有显著增强。其USB和SD卡带宽均提升，并引入PCI Express 2.0接口。使用树莓派时，可通过烧录系统至SD卡，再通过远程连接或外接显示器操作，完成系统配置与设置。

开启VNC：applications menu → Preferences → Raspberry Pi Configuration。获取树莓派主板IP地址后，可以使用RealVNC Viewer软件进行远程登录。账号和密码是自行设置的。进行VNC远程登录前，需要在树莓派系统设置或使用raspi-config工具开启VNC功能。系统连接WiFi后，将鼠标停留在WiFi图标上，就可以看到对应的IP地址。启用VNC功能后，就可以根据树莓派的IP进行远程控制。远程登录成功后会显示树莓派系统桌面！

该项目使用的汽车检测使用的也是 haar 模型。这是一种基于机器学习的汽车检测算法。它使用了 Haar 特征来检测汽车，可以在图像中快速检测到汽车并输出其位置。采用该方法检测速度较快，但准确率略低。

本项目使用 esseract、OpenCV和Python探索光学字符识别（OCR）的神奇世界，本项目将带你了解最受欢迎的OCR引擎 Tesseract 背后的技术，以及如何用 Pytesseract 和 OpenCV实现字符识别。 从图像中检测字符的技术称为 OCR（光学字符识别），使用 Pytesseract 库很容易实现。2.2 车牌识别相关操作 1.车牌检测：第一步是从汽车上检测车牌所在位置。使用OpenCV中矩形的轮廓检测来寻找车牌，如果我们知道车牌的确切尺

YOLOv8是Ultralytics公司2023年推出的Yolo系列目标检测算法，可以用于图像分类、物体检测和实例分割等任务。YOLOv8作为YOLO系列算法的最新成员，在损失函数、Anchor机制、样本分配策略等方面进行了全面优化和创新。这些改进不仅提高了模型的检测精度和鲁棒性，还简化了训练流程并提升了模型的可扩展性。建立在Yolo系列历史版本的基础上，并引入了新的功能和改进点，以进一步提升性能和灵活性。其核心思想是将目标检测问题转化为一个回归问题，通过一次前向传播过程即可完成目标的位置和类别预测。

YOLOv5是UItralyties开发的一种目标检测算法。它是YOLO（You Only Look Once）系列实时目标检测模型的演变。YOL0v5 建立在早期版本（如 YOLOv4 和 YOLOv3）的基础上，在准确性和速度方面进行了多项改进。YOLOv5快速且易于使用，它基于PyTorch框架，该框架拥有比YOLOv4 Darknet更大的社区。安装简单明了，YOLOv5是YOLO系列的一个延伸，可以看作是基于YOLOv3、YOLOv4的改进。

Mobilenet 是一种专为移动和嵌入式视觉应用而设计的卷积神经网络。它们不使用标准的卷积层，而是基于使用深度可分离卷积的简化架构，使用这种架构，我们可以为移动和嵌入式设备（例如：树莓派）构建低延迟的轻量级深度神经网络。 SSD（single Shot Multi Box Detection）是一种针对多种类别的单次深度神经网络，同时集中了 YOLO 的回归思想和 Faster RCNN 算法的 Anchor 机制，从一个层面来说，采用回归思想可以降低检测过程中卷积计算的复杂度，使得算法时效

二维码又称二维条码，常见的二维码为QR Code,QR全称Quick Response，是一个近几年来移动设备上超流行的一种编码方式，它比传统的Bar Code条形码能存更多的信息，也能表示更多的数据类型。二维条码/二维码（2-dimensional bar code）是用某种特定的几何图形按一定规律在平面（二维方向上）分布的、黑白相间的、记录数据符号信息的图形，在代码编制上巧妙地利用构成计算机内部逻辑基础的 “0”、“1”比特流的概念。

本项目内容和前面学习的云台追踪物体是一样的原理，只是这里把追踪物体修改成追踪人脸，在前面的内容中，我们已经学习了二维云台的物体追踪，理解了二维云台对物体追踪的PID控制模型，在本案例中，把物体追踪直接换成前面所学习的Haar分类器进行OpenCV二维云台人脸追踪，只需要把物体识别的代码换成 Haar 分类器识别人脸即可。

常见的闭环控制算法是所谓的PID及比例-积分-微分控制器。PID通常用于自动化，使得机械装置可以快速且准确地达到最佳值（由反馈传感器读取）。它们用于制造，自动化过程控制，机器人等。PID 控制器计算误差项（所需设定点和传感器读数之间的差值）并且具有补偿误差的目标。PID 计算输出一个值，该值用作“过程”的输入（机电过程，而不是计算机科学/软件工程师类型认为的“计算机过程”）。传感器输出称为“过程变量”，并作为等式的输入。在整个反馈回路中，捕获定时并将其输入到等式中。

本项目通过PCA9685舵机控制模块控制二自由度舵机云台固定在零点位置，然后通OpenCV检测到黄色小熊，找到中心位置并打印出中心位置的坐标，通过双色LED灯进行指示是否检测到目标，本项目为后面二维云台追踪物体和追踪人脸提供基础，云台追踪物体就必须知道物体的中心坐标和图像坐标的相对值，然后才能控制舵机云台进行水平方问（x方向）和垂直方向（y方向）进行修正。

该项目使用的行人检测使用的也是 haar 模型。这是一种基于机器学习的行人检测算法。它使用了 Haar 特征来检测行人，可以在图像中快速检测到行人并输出其位置。采用该方法检测速度较快，但准确率略低。

Jupyter Lab作为一种基于web的集成开发环境，可以使用它编写notebook、操作终端、编辑markdown文本、打开交互模式、查看csv文件及图片等功能。我们可以把Jupyter Lab 当作一种究极进化版的Jupyter Notebook。官方网站• 交互模式：Python交互式模式可以直接输入代码，然后执行，并立刻得到结果，因此Python交互模式主要是为了调试Python代码用的。

在树莓派可以联网的情况下，以从官网安装QQ Linux最新版为例（其他软件安装同样适用）。第一步：打开树莓派浏览器，用百度搜索“QQLinux最新版”，选择ARM下载deb文件。其中 /home/pai/Downloads/ 为安装包路径，QQ.deb为安装包名。第二步：打开Download文件夹可以看到下载好的deb文件。第四步：安装完成后，在Internet中打开QQ即可登录。第三步：打开终端先后输入以下两个指令。

在进入人工智能之后，我们会发现人工智能与数据的关系非常密切，而数据则需要通过一些简单实用的库来进行庞大的数据处理，而且庞大的数据基本上以数组或者矩阵的形式，所以我们需要学习 Numpy、Matplotlib 等 Pyplot 库。Matplotlib 是 Python 的绘图库。它可与 NumPy一起使用，提供了一种有效的 MatLab开源替代方案。它也可以和图形工具包一起使用，如PyQt和wxPython。

树莓派操作CSI摄像头，推荐使用官方开发的Picamera2库，Picamera2是一个Python库，可以方便地操作 Raspberry Pi 的摄像头，而不适用于其他摄像头。

在计算机视觉和图像处理领域，读取和显示图像是最基础且常见的操作之一，OpenCV作为一个强大的计算机视觉库，提供了丰富的功能来处理图像数据。读取、显示和写入图像是图像处理和计算机视觉的基础，即使裁剪、调整大小、旋转或应用不同的过滤器来处理图像，您也需要首先读取图像。因此，掌握这些基本操作很重要。

视频是由一张一张图片组成的，所以读取视频就相当于读取很多张图片，然后将其连起来cv2.VideoCapture可以捕获摄像头，但是针对树莓派的CSI摄像头调用方式采用了之前介绍的Picamera2 库，所以在调用的时候是有区别的，但是如果是事先准备的视频或者是 USB 摄像头使用cv2.VideoCapture初始化设备即可，如果是视频文件，直接写好视频路径就好。

OpenCV作为一款功能强大的计算机视觉库，被广泛地应用于图像处理和计算机视觉领域。除了在机器视觉和人工智能领域有者广泛的应用，OpenCV 还能够媲美艺术家的创造力，通过其强大的绘图函数，绘制出令人叹为观止的艺术画作。OpenCV中的绘图函数为我们提供了丰富多样的工具，能够绘制出各种形状和效果。例如，我们可以使用线条函数画出细腻的轮廓，使用填充函数给图像增添色彩和渐变效果，使用文本函数添加文字说明等等。这些绘图函数结合起来，让我们能够在图像中创造出各种想象力丰富的人物形象。

在后续章节中将尝试完成的一件事是检测和跟踪特定颜色的对象。为此，必须对OpenCV 如何解释颜色有更多的了解。通常，相机将在RGB颜色模式下工作，可以将其理解可以由红色，绿色和蓝色三种颜色的灯光构成的所有可能的颜色。我们将在这里使用BGR（蓝色，绿色，红色）代替。对于 BGR，像素由蓝色，绿色和红色这三个参数表示。每个参数通常具有0到255之间的值（或十六进制的0到FF）。例如，计算机屏幕上的纯蓝色像素的B值为255，G值为0，R值为0。

在深度学习时代，人脸识别一般是利用卷积神经网络进行监督式学习，也就是通过让算法（神经网络）自己去发现规律的方式，创造出有用的卷积核，然后利用其进行寻找图片和视频中的人脸，而在这之前，人们需要的则是自己去设计算法，寻找人脸。不过后来人们发明了一种近似于深度学习思路的人脸寻找算法，那就是 haar 算法。这个算法简单点来说，就是计算一个区域内不同像素之间的灰度差别，来判断是不是人脸，原理就是一种有规律的图像，比如一个物体，无论光线明亮与否，其不同区域之间的像素差总是有一定规律的。