Python 如何提高我的爪子检测能力？

在我上一个关于的问题之后，我开始加载其他测量值，看看它能保持多久。不幸的是，我很快就遇到了前面步骤之一的问题：识别爪子

你看，我的概念验证基本上是利用每个传感器随时间变化的最大压力，开始寻找每行的总和，直到找到为止！=0.0. 然后，它对列执行相同的操作，并且一旦它找到两个以上的行，这些行再次为零。它将最小和最大的行和列值存储到某个索引中

如图所示，这在大多数情况下都非常有效。然而，这种方法有很多缺点（除了非常原始）：

• 人类可以有“空心脚”，这意味着脚印本身有几排空的。因为我担心这种情况也会发生在（大型）狗身上，所以我在切断爪子之前至少要等两三排空狗
  如果在到达多个空行之前在另一列中创建了另一个联系人，则会产生问题，从而扩大该区域。我想我可以比较一下这些列，看看它们是否超过某个值，它们一定是分开的爪子

• 当狗很小或以更高的速度行走时，问题会变得更严重。发生的情况是，前爪的脚趾仍在接触，而后爪的脚趾只是在与前爪相同的区域内开始接触
  使用我的简单脚本，它将无法分割这两个帧，因为它必须确定该区域的哪些帧属于哪个paw，而当前我只需要查看所有帧的最大值

开始出错的地方的示例：

因此，现在我正在寻找一种更好的识别和分离爪子的方法（在此之后，我将讨论确定它是哪只爪子的问题！）

更新：

我一直在努力实现Joe（棒极了！）的答案，但我很难从文件中提取实际的paw数据

当应用于最大压力图像时，编码的_爪向我显示所有不同的爪（见上文）。但是，解决方案会遍历每个帧（以分离重叠的爪子），并设置四个矩形属性，例如坐标或高度/宽度

我不知道如何获取这些属性并将它们存储在某个可以应用于测量数据的变量中。因为我需要知道每个爪子在哪个帧中的位置，并将其耦合到哪个爪子（前/后，左/右）

那么如何使用矩形属性为每个爪子提取这些值呢？

---

我的公共Dropbox文件夹（，）中有我在问题设置中使用的测量值。为了让您了解最新信息：-）

我不是图像检测方面的专家，我也不懂Python，但我会尝试一下

要检测单个爪子，您应该首先只选择压力大于某个小阈值、非常接近无压力的所有东西。上面的每个像素/点都应该被“标记”。然后，与所有“标记”像素相邻的每个像素都被标记，并且这个过程重复几次。将形成完全相连的质量，因此有不同的对象。然后，每个“对象”都有一个最小和最大的x和y值，因此边界框可以整齐地围绕在它们周围

伪代码：

（标记）高于（0.5）的所有像素

（标记）与（标记）像素相邻的所有像素

重复（步骤2）（5）次

将每个完全连接的质量分离为单个对象

标记每个对象的边缘，并将其切割成切片。

那就差不多了

注意：我说的是像素，但这可能是使用像素平均值的区域。优化是另一个问题

听起来您需要分析每个像素的函数（随时间变化的压力），并确定（当它在另一个方向上改变>X时，它被认为是一个计数器错误的转折点）

如果你知道它在哪一帧转动，你就会知道哪一帧压力最大，哪一帧压力最小。从理论上讲，你会知道爪子最用力按压的两帧，并能计算出这些间隔的平均值

之后，我将开始决定它是哪只爪子的问题

这和以前一样，知道每个爪子何时施加最大压力有助于您做出决定。

如果您只是想要（半）连续区域，Python模块中已经有了一个简单的实现。这是一种相当常见的操作

---

基本上，您有5个步骤：

def find_paws(data, smooth_radius=5, threshold=0.0001):
    data = sp.ndimage.uniform_filter(data, smooth_radius)
    thresh = data > threshold
    filled = sp.ndimage.morphology.binary_fill_holes(thresh)
    coded_paws, num_paws = sp.ndimage.label(filled)
    data_slices = sp.ndimage.find_objects(coded_paws)
    return object_slices

模糊输入数据一点，以确保爪子有一个连续的足迹。（只使用更大的内核（将

结构

kwarg转换为各种

scipy.ndimage.morphology

函数）会更有效，但由于某些原因，这并不能正常工作……）

设置数组的阈值，使压力超过某个阈值（即

thresh=data>value

）的位置具有布尔数组

填充任何内部孔，以获得更干净的区域（

filled=sp.ndimage.morphics.binary\u Fill\u holes（thresh）

）

查找单独的连续区域（

coded\u paws，num\u paws=sp.ndimage.label（filled）

）。这将返回一个数组，其中区域按数字编码（每个区域是唯一整数（1到paw数）的连续区域，其他所有区域均为零）

使用

data\u slices=sp.ndimage.find\u对象（已编码的爪子）

隔离相邻区域。这将返回

slice

对象的元组列表，因此可以获得

import numpy as np
import scipy as sp
import scipy.ndimage

import matplotlib.pyplot as plt
from matplotlib.patches import Rectangle

def animate(input_filename):
    """Detects paws and animates the position and raw data of each frame
    in the input file"""
    # With matplotlib, it's much, much faster to just update the properties
    # of a display object than it is to create a new one, so we'll just update
    # the data and position of the same objects throughout this animation...

    infile = paw_file(input_filename)

    # Since we're making an animation with matplotlib, we need 
    # ion() instead of show()...
    plt.ion()
    fig = plt.figure()
    ax = fig.add_subplot(111)
    fig.suptitle(input_filename)

    # Make an image based on the first frame that we'll update later
    # (The first frame is never actually displayed)
    im = ax.imshow(infile.next()[1])

    # Make 4 rectangles that we can later move to the position of each paw
    rects = [Rectangle((0,0), 1,1, fc='none', ec='red') for i in range(4)]
    [ax.add_patch(rect) for rect in rects]

    title = ax.set_title('Time 0.0 ms')

    # Process and display each frame
    for time, frame in infile:
        paw_slices = find_paws(frame)

        # Hide any rectangles that might be visible
        [rect.set_visible(False) for rect in rects]

        # Set the position and size of a rectangle for each paw and display it
        for slice, rect in zip(paw_slices, rects):
            dy, dx = slice
            rect.set_xy((dx.start, dy.start))
            rect.set_width(dx.stop - dx.start + 1)
            rect.set_height(dy.stop - dy.start + 1)
            rect.set_visible(True)

        # Update the image data and title of the plot
        title.set_text('Time %0.2f ms' % time)
        im.set_data(frame)
        im.set_clim([frame.min(), frame.max()])
        fig.canvas.draw()

def find_paws(data, smooth_radius=5, threshold=0.0001):
    """Detects and isolates contiguous regions in the input array"""
    # Blur the input data a bit so the paws have a continous footprint 
    data = sp.ndimage.uniform_filter(data, smooth_radius)
    # Threshold the blurred data (this needs to be a bit > 0 due to the blur)
    thresh = data > threshold
    # Fill any interior holes in the paws to get cleaner regions...
    filled = sp.ndimage.morphology.binary_fill_holes(thresh)
    # Label each contiguous paw
    coded_paws, num_paws = sp.ndimage.label(filled)
    # Isolate the extent of each paw
    data_slices = sp.ndimage.find_objects(coded_paws)
    return data_slices

def paw_file(filename):
    """Returns a iterator that yields the time and data in each frame
    The infile is an ascii file of timesteps formatted similar to this:

    Frame 0 (0.00 ms)
    0.0 0.0 0.0
    0.0 0.0 0.0

    Frame 1 (0.53 ms)
    0.0 0.0 0.0
    0.0 0.0 0.0
    ...
    """
    with open(filename) as infile:
        while True:
            try:
                time, data = read_frame(infile)
                yield time, data
            except StopIteration:
                break

def read_frame(infile):
    """Reads a frame from the infile."""
    frame_header = infile.next().strip().split()
    time = float(frame_header[-2][1:])
    data = []
    while True:
        line = infile.next().strip().split()
        if line == []:
            break
        data.append(line)
    return time, np.array(data, dtype=np.float)

if __name__ == '__main__':
    animate('Overlapping paws.bin')
    animate('Grouped up paws.bin')
    animate('Normal measurement.bin')

# This uses functions (and imports) in the previous code example!!
def paw_regions(infile):
    # Read in and stack all data together into a 3D array
    data, time = [], []
    for t, frame in paw_file(infile):
        time.append(t)
        data.append(frame)
    data = np.dstack(data)
    time = np.asarray(time)

    # Find and label the paw impacts
    data_slices, coded_paws = find_paws(data, smooth_radius=4)

    # Sort by time of initial paw impact... This way we can determine which
    # paws are which relative to the first paw with a simple modulo 4.
    # (Assuming a 4-legged dog, where all 4 paws contacted the sensor)
    data_slices.sort(key=lambda dat_slice: dat_slice[2].start)

    # Plot up a simple analysis
    fig = plt.figure()
    ax1 = fig.add_subplot(2,1,1)
    annotate_paw_prints(time, data, data_slices, ax=ax1)
    ax2 = fig.add_subplot(2,1,2)
    plot_paw_impacts(time, data_slices, ax=ax2)
    fig.suptitle(infile)

def plot_paw_impacts(time, data_slices, ax=None):
    if ax is None:
        ax = plt.gca()

    # Group impacts by paw...
    for i, dat_slice in enumerate(data_slices):
        dx, dy, dt = dat_slice
        paw = i%4 + 1
        # Draw a bar over the time interval where each paw is in contact
        ax.barh(bottom=paw, width=time[dt].ptp(), height=0.2, 
                left=time[dt].min(), align='center', color='red')
    ax.set_yticks(range(1, 5))
    ax.set_yticklabels(['Paw 1', 'Paw 2', 'Paw 3', 'Paw 4'])
    ax.set_xlabel('Time (ms) Since Beginning of Experiment')
    ax.yaxis.grid(True)
    ax.set_title('Periods of Paw Contact')

def annotate_paw_prints(time, data, data_slices, ax=None):
    if ax is None:
        ax = plt.gca()

    # Display all paw impacts (sum over time)
    ax.imshow(data.sum(axis=2).T)

    # Annotate each impact with which paw it is
    # (Relative to the first paw to hit the sensor)
    x, y = [], []
    for i, region in enumerate(data_slices):
        dx, dy, dz = region
        # Get x,y center of slice...
        x0 = 0.5 * (dx.start + dx.stop)
        y0 = 0.5 * (dy.start + dy.stop)
        x.append(x0); y.append(y0)

        # Annotate the paw impacts         
        ax.annotate('Paw %i' % (i%4 +1), (x0, y0),  
            color='red', ha='center', va='bottom')

    # Plot line connecting paw impacts
    ax.plot(x,y, '-wo')
    ax.axis('image')
    ax.set_title('Order of Steps')