先决条件

配置树莓派网络硬件设置窗口。在此过程中，下载用于深度学习的MathWorks®Raspbian映像。如果您选择自定义硬件上的现有映像，而不是使用MathWorks Raspbian映像，请确保选择了安装ARM®计算库的选项。

所需的硬件

硬件设置

创建跟踪对象

创建跟踪器对象并获得地面真相数据。

tracker = raspiObjectTracker

追踪=

带有属性的raspiObjectTracker:

BoardDetails: [1x1 struct]设置:[1x1 struct]检测器:[1x1 struct]测试配置文件:[1x1 struct]

查看树莓派目标板详细信息。

跟踪器。BoardDetails

ans =

带字段的结构:

名称:树莓派DeviceAddress: 192.168.0.100用户名:Pi密码:树莓

该结构显示了树莓派单板的名称、设备地址、用户名和密码。您可以使用点表示法来更改值。例如，将密码修改为MATLAB．

tracker.BoardDetails.Password =MATLAB的；

通过再次查看属性来检查更改。

跟踪器。BoardDetails

ans =

带字段的结构:

名称:树莓派DeviceAddress: 192.168.0.100用户名:Pi密码:MATLAB

该结构显示了更新后的密码。

查看图像捕获设置属性。

跟踪器。设置

ans =

带字段的结构:

DataCaptureTime: 120 CameraInterface: 'webcam'

这个结构显示了接口的类型和捕获时间。

trace . setup . datacapturetime = 300;

将要检测和跟踪的对象放置在摄像机前，在MATLAB命令窗口中执行以下命令:

objectTrackingSetup(跟踪)

该命令与树莓派硬件建立IO连接，并从网络摄像头获取ground truth数据。它还会打开贴标签机视频应用程序。

控件中指定的时间，摄像机将捕获图像DataCaptureTime财产。该应用程序将图像保存到当前工作目录中的文件夹数据-_date_ -_timestamp_,日期当前日期和时间戳是当前时间。

对象中复制一个示例图像数据-_date_-_timestamp_文件夹，并粘贴到当前工作目录。的文件名，以便在训练网络时使用它作为参考图像tracker.Detector.SampleImage财产。

运行objectTrackingSetup(跟踪)命令还将打开贴标签机视频这个应用程序允许您标记感兴趣的区域(ROI)，使用自动化算法自动跨图像帧标记，并导出标记的地面真相。

在视频标签应用程序中遵循以下步骤:

有关如何使用视频标签应用程序的详细信息，请参阅贴标签机视频而且开始与视频标签．

检测对象

从捕获的地面真相数据训练YOLOv2对象检测器，并在Connected IO和PIL模式下验证被检测到的对象。

使用跟踪器。探测器命令查看LabeledData字段是您使用视频标签应用程序导出的MAT文件的名称。

跟踪器。探测器

ans =

带字段的结构:

LabeledData:“objectLabel。ImageSize: [224 224 3] NumClasses: 1 SampleImage: ' SampleImage .jpg'网络:[1x1 struct]训练选项:[1x1 struct] DetectorMatFile: 'detectorSaved.mat'

训练YOLOv2对象检测器

用从相机捕获的图像训练YOLOv2对象检测器。的objectLabel.mat文件包含导出的地面真相数据。使用这个文件来训练YOLOv2对象检测器。

从当前捕获的目标图像目录中，选择一个有效的样本图像作为训练神经网络的参考。对于本例，将示例图像设置为image_50.png．

tracker.Detector.SampleImage =“image_50.png”；

训练YOLOv2对象检测器并将其保存为MAT文件detectorSaved.mat．

createObjectDetector(跟踪)

一旦YOLOv2神经网络完成对图像的训练，就会打开一个包含所选样本图像的图形窗口。该图像显示了训练网络内的ROI和匹配概率。

请注意:可以通过Connected IO和PIL两种方式验证对象检测。

验证Connected IO模式下的对象检测

使用Connected IO模式验证检测到的对象。图像捕获过程发生在树莓派硬件本身。

在MATLAB命令窗口中执行以下命令:

跟踪器。TestAndProfile

ans =

带字段的结构:

PredictFunction: 'raspi_yolov2_detect' TestMode: 'IO' TestDuration: 60伺服:[1x1 struct]

默认的TestMode值是“输入输出”．

验证IO模式下的对象检测:

startTestAndProfile(跟踪)

打开一个摄像头窗口，显示ROI和在训练网络中检测到的对象的匹配概率。

在PIL模式下验证对象检测

使用PIL模式验证被检测对象。图像捕获过程发生在树莓派硬件本身。的raspi_yolov2_detect命令以PIL模式运行在Raspberry Pi单板上。

注意:PIL模式下的对象检测和跟踪需要一些时间来执行。

修改目标检测方式为“公益诉讼”．

tracker.TestAndProfile.TestMode =“公益诉讼”；

在MATLAB命令提示符下运行此命令以验证PIL模式下的目标检测。

startTestAndProfile(跟踪)

打开一个摄像头窗口，显示ROI和在训练网络中检测到的对象的匹配概率。

浏览代码执行分析报告，按执行概要报告链接。

配置伺服电机参数

当目标被检测成功后，为了跟踪目标，必须配置伺服电机参数。

查看伺服电机参数。

tracker.TestAndProfile.Servo

ans =

带字段的结构:

TestWithServo: 0增量:0.5000 PinNumber: 12 StartPosition: 90 MinPulseDuration: 5.0000e-04 MaxPulseDuration: 0.0025

trace . teststandprofile . servo . testwithservo = true;

您可以根据伺服电机的数据表修改这些参数:

1.增量-伺服电机旋转步进角大小。默认步进角度值为0．5度。

2.PinNumber—伺服电机所连接的树莓派目标板GPIO引脚号。

3.起动位置-伺服电机启动角度位置。伺服电机从0到180度旋转。默认的起始角度是90度。

4.MinPulseDuration-最小脉冲持续时间移动到0度。

5.MaxPulseDuration-最大脉冲持续时间移动到180度。

连接IO模式下的跟踪对象

使用这些命令来确保伺服电机上的对象跟踪被启用，并且测试模式被设置为IO:

trace . teststandprofile . servo . testwithservo = true;

tracker.TestAndProfile.TestMode =“输入输出”；

以连接IO模式跟踪被检测对象:

startTestAndProfile(跟踪)

将物体放在摄像机前并移动物体。观察伺服电机跟随运动物体转动。

一个带有ROI和与训练网络匹配概率的摄像头窗口打开。打开一个单独的窗口来显示伺服电机的角度。

PIL模式跟踪对象

使用这些命令确保伺服电机上的对象跟踪是开启的，并且测试模式设置为PIL:

trace . teststandprofile . servo . testwithservo = true

tracker.TestAndProfile.TestMode =“公益诉讼”；

在已连接的PIL模式下跟踪被检测对象:

startTestAndProfile(跟踪)

将物体放在摄像机前并移动物体。观察伺服电机跟随运动物体转动。

一个带有ROI和与训练网络匹配概率的摄像头窗口打开。打开一个单独的窗口来显示伺服电机的角度。

部署在树莓派目标板上

的raspi_object_tracking函数在树莓派硬件板上执行目标跟踪算法。方法中指定的跟踪算法raspi_yolov2_detect函数。

在将代码部署到树莓派目标板之前，请打开raspi_object_tracking.m函数文件，并通过修改其中一个或多个来配置参数:

的raspi_yolov2_detect函数使用基于yolov2的反卷积神经网络(DNN)保存为MAT文件。通过inputImg作为被检测网络的输入。如果探测到该物体，outImg包含被检测对象的包围框信息。posIncFactor指示将对象维持在此包围框的框架中心所需的旋转因子。

打开raspi_yolov2_detect.m文件，并输入保存的训练过的神经网络MAT文件的名称detectorSaved.mat在yolov2obj参数。

在MATLAB命令提示符下运行这些命令。

t = targetHardware(“树莓π”）

t.CoderConfig.TargetLang =“c++”；

DLCFG =编码器。DeepLearningConfig (“arm-compute”）;

dlcfg。ArmArchitecture =v7的；

t.CoderConfig.DeepLearningConfig = dlcfg;

部署(t)“raspi_object_tracking”）

观察安装在伺服电机上的摄像机检测物体并跟踪其运动。在树莓派桌面，打开摄像头显示屏，观察实时跟踪结果。

对象的代码生成raspi_object_tracking函数。代码生成完成后，MATLAB生成代码生成报告。使用此报告调试raspi_object_tracking函数用于生成代码中的任何构建错误或警告。

在成功生成代码之后，支持包将加载对象分类算法并在硬件上作为独立的可执行文件运行。金宝app可执行文件开始检测所获取视频中的对象，并显示预测的标签及其相关概率。要查看树莓派屏幕，请使用VNC查看器并在硬件上打开远程会话以获得显示。您也可以将HDMI线从显示器连接到硬件。

其他可以尝试的事情

另请参阅