日韩无码专区无码一级三级片|91人人爱网站中日韩无码电影|厨房大战丰满熟妇|AV高清无码在线免费观看|另类AV日韩少妇熟女|中文日本大黄一级黄色片|色情在线视频免费|亚洲成人特黄a片|黄片wwwav色图欧美|欧亚乱色一区二区三区

RELATEED CONSULTING
相關(guān)咨詢
選擇下列產(chǎn)品馬上在線溝通
服務(wù)時(shí)間：8:30-17:00
你可能遇到了下面的問題
關(guān)閉右側(cè)工具欄

新聞中心

這里有您想知道的互聯(lián)網(wǎng)營銷解決方案
使用Python和OpenCV在線打乒乓球

我最喜歡的YouTuber之一，CodeBullet，曾經(jīng)嘗試創(chuàng)建一個(gè)乒乓球 AI來統(tǒng)治所有人。

成都創(chuàng)新互聯(lián)公司IDC提供業(yè)務(wù):遂寧服務(wù)器托管,成都服務(wù)器租用,遂寧服務(wù)器托管,重慶服務(wù)器租用等四川省內(nèi)主機(jī)托管與主機(jī)租用業(yè)務(wù);數(shù)據(jù)中心含:雙線機(jī)房,BGP機(jī)房,電信機(jī)房,移動(dòng)機(jī)房,聯(lián)通機(jī)房。

這似乎是一個(gè)非常有趣且簡單的任務(wù)，所以我也想嘗試一下。在這篇文章中，我將概述一些我考慮過的因素，如果你希望在任何類似的項(xiàng)目上工作，這些因素可能會(huì)有所幫助，并且我想我會(huì)嘗試其中的一些其他工作，因此，如果你喜歡這種類型的事情，可以關(guān)注我。

使用計(jì)算機(jī)視覺的好處是，我可以使用已經(jīng)構(gòu)建的游戲并處理圖像。話雖如此，我們將使用與ponggame.org上使用的那個(gè)與CodeBullet相同的游戲版本。它還具有2人模式，因此我可以與自己的AI對抗;我做到了，這確實(shí)很難……

捕捉屏幕

第一件事就是捕捉屏幕。我想確保我的幀速率盡可能快，為此我發(fā)現(xiàn)MSS是一個(gè)很棒的python包。有了這個(gè)，我很容易達(dá)到60幀/秒的最高速度，與 PIL 相比，我只能得到大約20幀每秒。它以 numpy 數(shù)組的形式返回。

Paddle detection

為了簡單起見，我們需要定義paddle 的位置。這可以用幾種不同的方法來完成，但我認(rèn)為最明顯的是對每個(gè)Paddle的區(qū)域進(jìn)行遮罩，然后運(yùn)行連接的組件來找到Paddle對象。下面是一段代碼：

 
 
 
    
  
  
  
  1. def get_objects_in_masked_region(img, vertices,  connectivity = 8): 
    2. 
  
  
  
  2.     ''':return connected components with stats in masked region 
    3. 
  
  
  
  3.     [0] retval number of total labels 0 is background 
    4. 
  
  
  
  4.     [1] labels image 
    5. 
  
  
  
  5.     [2] stats[0] leftmostx, [1] topmosty, [2] horizontal size, [3] vertical size, [4] area 
    6. 
  
  
  
  6.     [3] centroids 
    7. 
  
  
  
  7.     ''' 
    8. 
  
  
  
  8.     mask = np.zeros_like(img)    # fill the mask 
    9. 
  
  
  
  9.     cv2.fillPoly(mask, [vertices], 255) 
    10. 
  
  
  
  10.     # now only show the area that is the mask 
    11. 
  
  
  
  11.     mask = cv2.bitwise_and(img, mask) 
    12. 
  
  
  
  12.     conn = cv2.connectedComponentsWithStats(mask, connectivity, cv2.CV_16U) 
    13. 
  
  
  
  13.     return conn 
    14.

在上面，“vertices”只是定義遮罩區(qū)域的坐標(biāo)列表。一旦在每個(gè)區(qū)域內(nèi)有了對象，我就可以得到它們的質(zhì)心位置或邊界框。需要注意的一點(diǎn)是OpenCV將背景作為任何連接的組件列表中的第0個(gè)對象，因此在本例中，我總是獲取第二大的對象。結(jié)果如下——右邊綠色質(zhì)心的球拍是玩家 / 即將成為人工智能控制的球拍。

移動(dòng)paddle

現(xiàn)在我們有了輸出，我們需要一個(gè)輸入。為此，我求助于一個(gè)有用的包和其他人的代碼 。

它使用ctypes來模擬鍵盤按下，在這種情況下，游戲是用“k”和“m”鍵來玩的。我這里有掃描碼。在測試了它只是隨機(jī)上下移動(dòng)后，我們就可以開始跟蹤了。

乒乓球檢測

下一步是識(shí)別并跟蹤乒乓球。同樣，這可以用幾種方法來處理——其中一種可能是通過使用模板進(jìn)行對象檢測，然而，我再次使用了連接的組件和對象屬性，即乒乓球的區(qū)域，因?yàn)樗俏ㄒ痪哂谐叽绲膶ο蟆?/p>

我知道每當(dāng)乒乓球穿過或碰到其他白色物體時(shí)，我都會(huì)遇到問題，但我也認(rèn)為只要我能在大多數(shù)時(shí)間里追蹤到它，這一切都沒問題。畢竟，它是直線運(yùn)動(dòng)的。如果你看下面的視頻，你會(huì)看到標(biāo)記乒乓球的紅色圓圈是如何閃爍的。這是因?yàn)樗辉诿?幀中找到一個(gè)。在60幀/秒時(shí)，這并不重要。

反彈預(yù)測的光線投射

在這一點(diǎn)上，我們已經(jīng)有一個(gè)可工作的人工智能。如果我們只是移動(dòng)球員的球拍，使其處于與乒乓球相同的y軸位置，它的效果相當(dāng)不錯(cuò)。然而，當(dāng)乒乓球得到良好的反彈時(shí)，它確實(shí)會(huì)遇到問題。球拍太慢了，跟不上，需要預(yù)測乒乓球的位置，而不是僅僅移動(dòng)到當(dāng)前的位置。這已經(jīng)在上面的剪輯中實(shí)現(xiàn)了，下面是兩種方法的比較。

差別并不大，但如果選擇了正確的人工智能，這絕對是一場更穩(wěn)定的勝利。為此，我首先為乒乓球創(chuàng)建了一個(gè)位置列表。為了公平起見，我把這個(gè)列表的長度控制在5個(gè)，基本上可以做到。列表不要太長，否則要花更長的時(shí)間才能發(fā)現(xiàn)它改變了方向。在得到位置列表后，我使用簡單的矢量平均法來平滑并得到方向矢量——如綠色箭頭所示。這也被標(biāo)準(zhǔn)化成一個(gè)單位向量，然后乘以一個(gè)長度以方便可視化。

投射光線只是這個(gè)的延伸——使前向投影變長。然后我檢查了未來的位置是否在頂部和底部區(qū)域的邊界之外。如果是這樣的話，它只是將位置投影回游戲區(qū)域。對于左側(cè)和右側(cè)，它計(jì)算出與paddle的x位置相交的位置，并將x和y位置固定到該點(diǎn)。這樣可以確保paddle指向正確的位置。如果沒有這一點(diǎn)，它通常會(huì)走得太遠(yuǎn)。下面是定義光線的代碼，該光線可以預(yù)測乒乓球的未來位置：

 
 
 
    
  
  
  
  1. def pong_ray(pong_pos, dir_vec, l_paddle, r_paddle, boundaries, steps = 250): 
    2. 
  
  
  
  2.     future_pts_list = []    for i in range(steps): 
    3. 
  
  
  
  3.         x_tmp = int(i * dir_vect[0] + pong_pos[0]) 
    4. 
  
  
  
  4.         y_tmp = int(i * dir_vect[1] + pong_pos[1]) 
    5. 
  
  
  
  5.         if y_tmp > boundaries[3]: #bottom 
    6. 
  
  
  
  6.             y_end = int(2*boundaries[3] - y_tmp) 
    7. 
  
  
  
  7.             x_end = x_tmp        elif y_tmp < boundaries[2]: #top 
    8. 
  
  
  
  8.             y_end = int(-1*y_tmp) 
    9. 
  
  
  
  9.             x_end = x_tmp        else: 
    10. 
  
  
  
  10.             y_end = y_tmp        ##stop where paddle can reach        if x_tmp > r_paddle[0]: #right 
    11. 
  
  
  
  11.             x_end = int(boundaries[1]) 
    12. 
  
  
  
  12.             y_end = int(pong_pos[1] + ((boundaries[1] - pong_pos[0])/dir_vec[0])*dir_vec[1]) 
    13. 
  
  
  
  13.         elif x_tmp < boundaries[0]: #left 
    14. 
  
  
  
  14.             x_end = int(boundaries[0]) 
    15. 
  
  
  
  15.             y_end = int(pong_pos[1] + ((boundaries[0] - pong_pos[0]) / dir_vec[0]) * dir_vec[1]) 
    16. 
  
  
  
  16.         else: 
    17. 
  
  
  
  17.             x_end = x_tmp        end_pos = (x_end, y_end)        future_pts_list.append(end_pos) 
    18. 
  
  
  
  18.     return future_pts_list 
    19.

在上面，也許不太明顯的計(jì)算方法是確定paddle對目標(biāo)的左或右位置的截距。我們基本上是通過相似三角形來實(shí)現(xiàn)的，圖片和方程如下所示。我們知道在邊界中給定的paddle的x位置的截距。然后我們可以計(jì)算出乒乓球?qū)⒁苿?dòng)多遠(yuǎn)，并將其添加到當(dāng)前的y位置。

paddle雖然看起來筆直，但實(shí)際上有一個(gè)彎曲的反彈面。也就是說，如果你用球拍向兩端擊球，球會(huì)反彈，就像球拍有角度一樣。因此，我允許球拍擊中邊緣，這增加了人工智能的攻擊性，使乒乓球四處飛舞。

結(jié)論

盡管是為這種特定的乒乓球?qū)崿F(xiàn)而設(shè)計(jì)的，但是相同的概念和代碼也可以用于任何版本——只需要改變一些預(yù)處理步驟。當(dāng)然，另一種方法是通過強(qiáng)化學(xué)習(xí)或簡單的conv-net使用機(jī)器學(xué)習(xí)，但我喜歡這種經(jīng)典方法;至少在這種情況下，我不需要健壯的通用性或困難的圖像處理步驟。正如我提到的，這個(gè)版本的乒乓球是2人，老實(shí)說我無法打敗我自己的AI…


新聞標(biāo)題：使用Python和OpenCV在線打乒乓球
分享路徑：http://m.5511xx.com/article/cododij.html