Wie man mit Python ein visuelles Tischhockeyspiel erstellt-Python-Tutorial-php.cn

Einführung

Die Regeln sind wie folgt: Die linke Hand kontrolliert den lila Schläger; der rote Kreis ist der Ball, der mit den blauen Rändern kollidiert auf der Ober- und Unterseite, und die Schläger auf beiden Seiten prallen ab; wenn der Ball in den gelben Bereich gelangt und das Spiel endet, wird aufgezeichnet, wie oft jeder Ball auf der linken und rechten Seite geschlagen wird. 1. Dateikonfiguration 1.1 Toolkit importieren der Ball. Bilder, Bilder von Schlägern. Ich habe das Bild mit PPT gezeichnet und die Bilder von Ball und Schläger müssen im PNG-Format gespeichert werden. Legen Sie es zum besseren Lesen in denselben Ordner.

Wie man mit Python ein visuelles Tischhockeyspiel erstellt

2. Handschlüsselpunkterkennung und Materialimport

2.1 Methodeneinführung

(1) cvzone.HandTrackingModule.HandDetector()Handschlüsselpunkterkennungsmethode

Parameter: Wie man mit Python ein visuelles Tischhockeyspiel erstellt

Modus: Der Standardwert ist „Falsch“, behandelt Eingabebilder als Videostreams. Es wird versucht, die Hand im ersten Eingabebild zu erkennen und nach erfolgreicher Erkennung die Koordinaten der Hand weiter zu lokalisieren. Sobald in nachfolgenden Bildern alle maxHands-Hände erkannt und die Koordinaten der entsprechenden Hände lokalisiert wurden, werden diese Koordinaten verfolgt, ohne eine weitere Erkennung aufzurufen, bis die Verfolgung einer Hand verloren geht. Dies reduziert die Latenz und ist ideal für die Verarbeitung von Videobildern. Bei der Einstellung „True“ wird die Handerkennung für jedes Eingabebild ausgeführt, um einen Stapel statischer, möglicherweise irrelevanter Bilder zu verarbeiten.

maxHands: Die maximale Anzahl der zu erkennenden Hände, der Standardwert ist 2

detectionCon: Der minimale Konfidenzwert des Handerkennungsmodells (zwischen 0 und 1). Wenn der Schwellenwert überschritten wird, ist die Erkennung erfolgreich. Der Standardwert ist 0,5

Wie man mit Python ein visuelles Tischhockeyspiel erstellt minTrackingCon: Der minimale Konfidenzwert des Koordinatenverfolgungsmodells (zwischen 0 und 1), der verwendet wird, um die Handkoordinaten als erfolgreiche Verfolgung zu betrachten. Wenn die Handerkennung nicht erfolgreich ist, wird sie beim nächsten Eingabebild automatisch aufgerufen . Wenn Sie ihn auf einen höheren Wert festlegen, verbessert sich die Robustheit der Lösung, jedoch auf Kosten einer höheren Latenz. Wenn der Modus „True“ ist, wird dieser Parameter ignoriert und die Handerkennung wird für jedes Bild ausgeführt. Der Standardwert ist 0,5. Die Parameter und der Rückgabewert ähneln der offiziellen Funktion mediapipe.solutions.hands.Hands() besteht aus x, y, z.

MULTI_HANDEDNESS: Eine Sammlung darüber, ob die Hand, die erkannt/verfolgt wird, links oder rechts ist. Jede Hand besteht aus Beschriftung und Punktzahl. label ist eine Zeichenfolge mit einem „Links“- oder „Rechts“-Wert. Der Score ist die geschätzte Wahrscheinlichkeit, die linke oder rechte Hand vorherzusagen.

(2) `cvzone.HandTrackingModule.HandDetector.findHands()` Finden Sie die Schlüsselpunkte der Hand und zeichnen Sie

Parameter: vzone.HandTrackingModule.HandDetector()手部关键点检测方法

参数：

mode：默认为 False，将输入图像视为视频流。它将尝试在第一个输入图像中检测手，并在成功检测后进一步定位手的坐标。在随后的图像中，一旦检测到所有 maxHands 手并定位了相应的手的坐标，它就会跟踪这些坐标，而不会调用另一个检测，直到它失去对任何一只手的跟踪。这减少了延迟，非常适合处理视频帧。如果设置为 True，则在每个输入图像上运行手部检测，用于处理一批静态的、可能不相关的图像。

maxHands：最多检测几只手，默认为 2

detectionCon：手部检测模型的最小置信值（0-1之间），超过阈值则检测成功。默认为 0.5

minTrackingCon：坐标跟踪模型的最小置信值 (0-1之间)，用于将手部坐标视为成功跟踪，不成功则在下一个输入图像上自动调用手部检测。将其设置为更高的值可以提高解决方案的稳健性，但代价是更高的延迟。如果 mode 为 True，则忽略这个参数，手部检测将在每个图像上运行。默认为 0.5

它的参数和返回值类似于官方函数 mediapipe.solutions.hands.Hands()

MULTI_HAND_LANDMARKS：被检测/跟踪的手的集合，其中每只手被表示为21个手部地标的列表，每个地标由x, y, z组成。

MULTI_HANDEDNESS：被检测/追踪的手是左手还是右手的集合。每只手由label(标签)和score(分数)组成。 label 是 'Left' 或 'Right' 值的字符串。 score 是预测左右手的估计概率。

（2）cvzone.HandTrackingModule.HandDetector.findHands() 找到手部关键点并绘图

参数：

img：需要检测关键点的帧图像，格式为BGR

draw：是否需要在原图像上绘制关键点及识别框

flipType：图像是否需要翻转，当视频图像和我们自己不是镜像关系时，设为True就可以了

返回值：

hands：检测到的手部信息，由0或1或2个字典组成的列表。如果检测到两只手就是由两个字典组成的列表。字典中包含：21个关键点坐标(x,y,z)，检测框左上坐标及其宽高，检测框中心点坐标，检测出是哪一只手。

img：返回绘制了关键点及连线后的图像

（3）cv2.addWeighted()

img: Das Rahmenbild, das die Schlüsselpunkte erkennen muss Format ist BGR

draw: Ob es notwendig ist, Schlüsselpunkte und Erkennungsrahmen auf dem Originalbild zu zeichnen

flipType: Ob das Bild gespiegelt werden muss. Wenn das Videobild kein Spiegelbild von uns selbst ist, stellen Sie es einfach auf ein True

Rückgabewert:

hands: Erkannte Handinformationen, eine Liste von 0 oder 1 oder 2 Wörterbüchern. Werden zwei Hände erkannt, handelt es sich um eine Liste bestehend aus zwei Wörterbüchern. Das Wörterbuch enthält: 21 Schlüsselpunktkoordinaten (x, y, z), die obere linke Koordinate des Erkennungsrahmens sowie seine Breite und Höhe, die Koordinaten des Mittelpunkts des Erkennungsrahmens und die erkannte Hand.

img: Gibt das Bild nach dem Zeichnen der Schlüsselpunkte und Verbindungen zurück

Wie man mit Python ein visuelles Tischhockeyspiel erstellt (3) cv2.addWeighted()Bildfusion

Fügen Sie die beiden Bilder in einem bestimmten Verhältnis zusammen, es sind zwei Bilder erforderlich Die Größe des Bildes und die Anzahl der Kanäle sind gleich. Die beiden Bilder werden in einem bestimmten Verhältnis zusammengeführt: cv2.addWeighted (Bild 1, Gewicht 1, Bild 2, Gewicht 2, Helligkeitsversatz)

entspricht y = a x1 + b x2 + c , wobei a und b das Gewicht darstellen und c darstellt, um wie viel die Helligkeit aufgehellt wird

2.2 Codeanzeige Wie man mit Python ein visuelles Tischhockeyspiel erstellt

Zunächst bezieht sich der Parameter cv2.IMREAD_UNCHANGED in cv2.imread() auf das Öffnen das Bild im Originalformat, einschließlich des Alpha-Kanals. Das heißt, öffnen Sie das Bild, ohne es zu ändern. Wenn das Bild in Farbe vorliegt, wird es in Graustufen gelesen.

Dieser Teil des Codes ist hauptsächlich für die Handschrifterkennung und die Fusion von Hintergrundbild und Videobild verantwortlich. Das Rendering ist wie folgt:

3 Bewegung: 3.1 Einführung in die Methode 🎜🎜🎜(1) Kontrolliere den Schläger🎜🎜

hand['bbox'] 中包含了手部检测框的左上角坐标和检测框的宽高，使用手掌中心点的 y 坐标来控制球拍的上下移动。由于两个球拍的shape是相同的，因此只要获取一个球拍的高度 h2 即可。使用掌心中点 y 坐标控制球拍中点的 y1 坐标，公式为：y1 = (y + h) // 2 - h2 // 2

接着使用 cvzone.overlayPNG() 就可以将球拍图片覆盖在原图片的指定区域，其中坐标参数是指覆盖区域的左上角坐标。固定横坐标，只上下移动。

（2）球移动

首先要规定球的移动速度 speedx, speedy = 10, 10 代表球每一帧沿x轴正方向移动10个像素，沿y轴正方向移动10个像素，那么球的初始合速度方向是沿图片的正右下角移动

如果球碰撞到了球桌的上下边框，就反弹。speedy = -speedy。代表x方向每帧移动的步长不变，y方向每帧移动的方向反转，即入射角等于出射角。

3.2 代码展示

在上述代码中补充

import cv2
import cvzone
import numpy as np
from cvzone.HandTrackingModule import HandDetector  # 导入手部检测模块
 
#（1）捕获摄像头
cap = cv2.VideoCapture(0)  # 0代表电脑自带的摄像头
cap.set(3, 1280)  # 读入的图像的宽
cap.set(4, 720)   # 读入的图像的高
 
 
#（2）文件配置
# 导入所有需要对图片文件
imgDesk = cv2.imread(&#39;games/desk.jpg&#39;)  # 球桌的图片
imgBall = cv2.imread(&#39;games/ball.png&#39;, cv2.IMREAD_UNCHANGED)  # 球的图片
imgBlock1 = cv2.imread(&#39;games/block1.png&#39;, cv2.IMREAD_UNCHANGED)  # 球拍的图片
imgBlock2 = cv2.imread(&#39;games/block2.png&#39;, cv2.IMREAD_UNCHANGED)  # 球拍的图片
# 调整球桌图片的size
imgDesk = cv2.resize(imgDesk, dsize=(1280,720))
# 调整球拍的size
imgBlock1 = cv2.resize(imgBlock1, dsize=(50,200))
imgBlock2 = cv2.resize(imgBlock2, dsize=(50,200))
 
 
#（3）参数设置
# 接收手部关键点识别的方法，最小手部检测模块置信度0.8，最多检测2只手
detector = HandDetector(detectionCon=0.8, maxHands=2)
 
# 球的默认位置
ballpos = [100, 100]
 
# 球的移动速度，每帧15个像素
speedx, speedy = 10, 10
 
 
#（4）处理帧图像
while True:
 
    # 返回是否读取成功，以及读取后的帧图像
    success, img = cap.read()  # 每次执行读取一帧
    
    # 图片翻转呈镜像关系，1代表左右翻转，0代表上下翻转
    img = cv2.flip(img, flipCode=1)
    
    # 手部关键点检测，返回每个只手的信息和绘制后的图像
    hands, img = detector.findHands(img, flipType=False)  # 上面翻转过了这里就不用翻转了
 
    # 将球桌图片和视频帧图像融合在一起, 两张图的shape要相同
    # 给出每张图片的融合权重, 亮度偏置为0，这样就变成了半透明的显示形式
    img = cv2.addWeighted(img, 0.4, imgDesk, 0.6, 0)
    
    
    #（5）处理手部关键点，如果检测到手了就进行下一步
    if hands:
        
        # 遍历每检测的2只手，获取每一只手的坐标
        for hand in hands:
            
            # 获取手部检测框的左上坐标xy，宽高wh
            x, y, w, h = hand[&#39;bbox&#39;]
            
            # 获取球拍的宽高
            h2, w1 = imgBlock1.shape[0:2]
            
            # 球拍的中心y坐标，随着掌心移动
            y1 = (y + h) // 2 - h2 // 2
 
            # 如果检测到了左手
            if hand[&#39;type&#39;] == &#39;Left&#39;:
                
                # 左侧的球拍x轴固定,y坐标随左手掌间中点移动
                img = cvzone.overlayPNG(img, imgBlock1, (55,y1))
                
            # 如果检测到了右手
            if hand[&#39;type&#39;] == &#39;Right&#39;:
                
                # 右侧的球拍x轴固定,y坐标随右手掌间中点移动
                img = cvzone.overlayPNG(img, imgBlock2, (1280-55,y1))
                      
    #（6）改变球的位置
    # 如果球的y坐标在超出了桌面的上或下边框范围，调整移动方向
    if ballpos[1] >= 600 or ballpos[1] <= 50:
        
        # y方向的速度调整为反方向，那么x方向和y方向的合速度方向调整了
        speedy = -speedy
 
    ballpos[0] = ballpos[0] + speedx  # 调整球的x坐标
    ballpos[1] = ballpos[1] + speedy  # 调整球的y坐标
 
    
    #（5）添加桌球的图片，将imgBall放在球桌img的指定坐标位置
    img = cvzone.overlayPNG(img, imgBall, ballpos)
    
    # 图像展示
    cv2.imshow(&#39;img&#39;, img)
    # 每帧滞留1ms后消失
    k = cv2.waitKey(1)
    # ESC键退出程序
    if k & 0XFF==27:
        break
 
# 释放视频资源
cap.release()
cv2.destroyAllWindows()

Nach dem Login kopieren

效果图如下：

Wie man mit Python ein visuelles Tischhockeyspiel erstellt

4. 球拍击球、游戏完善

4.1 方法介绍

这一部分主要完成三项工作，第一是球拍击打到球，球需要反弹；第二是如果球进入黄色区域，游戏结束；第三是左右侧击球得分计数器。

（1）球拍击球

看到代码中的第（5）步，ballpos 代表球的左上角坐标(x,y)，100 < ballpos[0] < 100+w1 代表球到了球拍横坐标区域范围内部了，y1 < ballpos[1] < y1+h2 代表球的y坐标在球拍y坐标内部，这时表明击球成功，speedx = -speedx 只改变沿x轴的速度方向，不改变沿y轴的速度方向。

（2）球进黄区，游戏结束

if ballpos[0] < 50 or ballpos[0] > 1150，如果球图片的左上坐标的 x 坐标，在黄区边缘，整个程序退出。当然也可以做一个游戏结束界面，我之前的博文里也有介绍，我偷个懒不写了。

（3）计数器

首先定义个变量初始化记录左右侧的击球次数 score = [0, 0]，如果有一侧的球拍击中球，那么对应该侧计数加一。

4.2 代码展示

上面代码是掌心控制球拍，这里改成食指指尖控制球拍中点移动。

import cv2
import cvzone
from cvzone.HandTrackingModule import HandDetector  # 导入手部检测模块
 
#（1）捕获摄像头
cap = cv2.VideoCapture(0)  # 0代表电脑自带的摄像头
cap.set(3, 1280)  # 读入的图像的宽
cap.set(4, 720)   # 读入的图像的高
 
 
#（2）文件配置
# 导入所有需要对图片文件
imgDesk = cv2.imread(&#39;games/desk.jpg&#39;)  # 球桌的图片
imgBall = cv2.imread(&#39;games/ball.png&#39;, cv2.IMREAD_UNCHANGED)  # 球的图片
imgBlock1 = cv2.imread(&#39;games/block1.png&#39;, cv2.IMREAD_UNCHANGED)  # 球拍的图片
imgBlock2 = cv2.imread(&#39;games/block2.png&#39;, cv2.IMREAD_UNCHANGED)  # 球拍的图片
# 调整球桌图片的size
imgDesk = cv2.resize(imgDesk, dsize=(1280,720))
# 调整球拍的size
imgBlock1 = cv2.resize(imgBlock1, dsize=(50,200))
imgBlock2 = cv2.resize(imgBlock2, dsize=(50,200))
 
 
#（3）参数设置
# 接收手部关键点识别的方法，最小手部检测模块置信度0.8，最多检测2只手
detector = HandDetector(detectionCon=0.8, maxHands=2)
 
# 球的默认位置
ballpos = [100, 100]
 
# 球的移动速度，每帧15个像素
speedx, speedy = 10, 10
 
# 记录是否游戏结束
gameover = False
 
# 记录左右的击球数
score = [0, 0]
 
 
#（4）处理帧图像
while True:
 
    # 返回是否读取成功，以及读取后的帧图像
    success, img = cap.read()  # 每次执行读取一帧
    
    # 图片翻转呈镜像关系，1代表左右翻转，0代表上下翻转
    img = cv2.flip(img, flipCode=1)
    
    # 手部关键点检测，返回每个只手的信息和绘制后的图像
    hands, img = detector.findHands(img, flipType=False)  # 上面翻转过了这里就不用翻转了
 
    # 将球桌图片和视频帧图像融合在一起, 两张图的shape要相同
    # 给出每张图片的融合权重, 亮度偏置为0，这样就变成了半透明的显示形式
    img = cv2.addWeighted(img, 0.4, imgDesk, 0.6, 0)
    
    
    #（5）处理手部关键点，如果检测到手了就进行下一步
    if hands:
        
        # 遍历每检测的2只手，获取每一只手的坐标
        for hand in hands:
            
            # 获取食指坐标(x,y,z)
            x, y, z = hand[&#39;lmList&#39;][8]
            
            # 获取球拍的宽高
            h2, w1 = imgBlock1.shape[0:2]
            
            # 球拍的中心y坐标，随着掌心移动
            y1 = y - h2 // 2
 
            # 如果检测到了左手
            if hand[&#39;type&#39;] == &#39;Left&#39;:
                
                # 左侧的球拍x轴固定,y坐标随左手掌间中点移动
                img = cvzone.overlayPNG(img, imgBlock1, (100,y1))
                
                # 检查球是否被左球拍击中, 球的xy坐标是否在球拍xy坐标附近
                if 100 < ballpos[0] < 100+w1 and y1 < ballpos[1] < y1+h2:
                    
                    # 满足条件代表球拍击中了，改变球的移动方向
                    speedx = -speedx  # x方向设为反方向
                    
                    # 得分加一
                    score[0] += 1
                
                
            # 如果检测到了右手
            if hand[&#39;type&#39;] == &#39;Right&#39;:
                
                # 右侧的球拍x轴固定,y坐标随右手掌间中点移动
                img = cvzone.overlayPNG(img, imgBlock2, (1150,y1))
                
                # 检查球是否被右球拍击中
                if 1050 < ballpos[0] < 1050+w1 and y1 < ballpos[1] < y1+h2:
                    
                    # 满足条件代表球拍击中了，改变球的移动方向
                    speedx = -speedx  # x方向设为反方向
                    
                    # 得分加一
                    score[1] += 1
 
 
    #（6）检查球是否没接到，那么游戏结束
    if ballpos[0] < 50 or ballpos[0] > 1150:
        gameover = True
    
    # 游戏结束，画面就不动了
    if gameover is True:
        break
     
    # 游戏没结束就接下去执行
    else:
         #（7）调整球的坐标
         # 如果球的y坐标在超出了桌面的上或下边框范围，调整移动方向
         if ballpos[1] >= 600 or ballpos[1] <= 50:
             
             # y方向的速度调整为反方向，那么x方向和y方向的合速度方向调整了
             speedy = -speedy
         
         # 每一整都调整xy坐标
         ballpos[0] = ballpos[0] + speedx  # 调整球的x坐标
         ballpos[1] = ballpos[1] + speedy  # 调整球的y坐标
    
         #（8）添加桌球的图片，将imgBall放在球桌img的指定坐标位置
         img = cvzone.overlayPNG(img, imgBall, ballpos)
    
    
    #（9）显示记分板
    cvzone.putTextRect(img, f&#39;Left:{score[0]} and Right:{score[1]}&#39;, (400,710))
 
    #（10）图像展示
    cv2.imshow(&#39;img&#39;, img)
    # 每帧滞留1ms后消失
    k = cv2.waitKey(1)
    # ESC键退出程序
    if k & 0XFF==27:
        break
 
# 释放视频资源
cap.release()
cv2.destroyAllWindows()

Nach dem Login kopieren

效果图如下：

Wie man mit Python ein visuelles Tischhockeyspiel erstellt

Das obige ist der detaillierte Inhalt vonWie man mit Python ein visuelles Tischhockeyspiel erstellt. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!