embedded_bike_safety

Codice sorgente del lavoro di tesi "SISTEMA DI ACQUISIZIONE PORTABILE PER L’ANALISI INTELLIGENTE DELLE DISTANZE DEI SORPASSI CICLISTA-AUTOVEICOLO IN CONTESTO URBANO" import cv2 import os import numpy as np import pyrealsense2 as rs from datetime import datetime, timezone import matplotlib.pyplot as plt

PATH = 'C:\Users\LAURA FALLO\Desktop\TESI\frames'

pipeline = rs.pipeline() config = rs.config()

config.enable_stream(rs.stream.depth, 640, 480, rs.format.z16, 30) config.enable_stream(rs.stream.color, 640, 480, rs.format.bgr8, 30)

pipeline.start(config)

Seleziono il valore del tempo per avere orario di inizio registrazione

orario_inizio = datetime.now() print("La registrazione del video è iniziata in data e ora:") print(orario_inizio.strftime("%Y-%m-%d %H:%M:%S"))

#funzione centro dell'automobile def trova_centro(img):

calcolo il momento dell'immagine già in scala di grigi

M = cv2.moments(img)

calcolo le coordinate del centro

if M["m00"] != 0:
    cX = int(M["m10"] / M["m00"])
    cY = int(M["m01"] / M["m00"])
    return cX, cY
else:
    return None, None

Inizializzo le liste per i centri

centri_x = [] centri_y = [] indice_entrata = [] indice_uscita = []
massimi = [0] * 125 flag = 0 j = 0 m = 0

try: while True: #continua ad acquisire dalla telecamera # Acquisizione diretta dei frame (ne salvo 800, dovrebbe essere poco più di 2 minuti)

    for j in range(1, 120):    
        frames = pipeline.wait_for_frames()
        depth = frames.get_depth_frame()
        color = frames.get_color_frame()

        # esce dal ciclo se viene premuto il tasto 'q'
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
        else:
            # Salva i frame come immagini
            color_filename = os.path.join(PATH, f'frame_{j}.png')
            depth_filename = os.path.join(PATH, f'depth_{j}.png')

            # Converte immagin in numpy arrays
            color_image = np.asanyarray(color.get_data())
            depth_image = np.asanyarray(depth.get_data())

            #nero tutto ciò che non è l'automobile (auto a una distanza tra 10 cm e 1.5 m)
            automobile = np.zeros_like(depth_image, dtype=np.uint8)
            automobile[(depth_image < 500)] = 255 #bianco
            massimi[j] = depth_image.max()

            centro = trova_centro(automobile)
            if centro is not None:
                cX, cY = centro
                #print("centro: ", cX, cY)
                centri_x.append(cX)
                centri_y.append(cY)
            else:
                print("centro non trovato")
            
            # Visualizza il video
            cv2.imshow('automobile', automobile)
            cv2.waitKey(100)

            cv2.imshow('Color', color_image)
            cv2.imshow('Depth', depth_image)

            # salva i frame 
            cv2.imwrite(color_filename, color_image)
            cv2.imwrite(depth_filename, depth_image)
        
    break

    # Memorizzo l'orario di fine registrazione
orario_fine = datetime.now()
print("La registrazione del video è terminata in data e ora:")
print(orario_fine.strftime("%Y-%m-%d %H:%M:%S"))

for k in range(1, j-1):
    if flag == 0 and abs(int(massimi[k]) - int(massimi[k-1])) > 5000 and abs(int(massimi[k]) - int(massimi[k-1])) < 40000:
        indice_entrata.append(k)
        flag = 1
        # ora che ho memorizzato l'indice di entrata individuo le coordinate del centro in quell'indice
        centro_entrata = (centri_x[k], centri_y[k])

    if flag == 1 and abs(int(massimi[k]) - int(massimi[k-1])) > 5000 and abs(int(massimi[k]) - int(massimi[k-1])) < 40000:
        indice_uscita.append(k)
        m+=1
        centro_uscita = (centri_x[k], centri_y[k]) 
        while centri_x[k] is None or centri_y[k] is None:
            l = 1
            centro_uscita = (centri_x[k-l], centri_y[k-l])
            l+=1
            # in questo modo se trova None va indietro fino all'ultimo frame in cui c'era l'oggetto

print("indice entrata: ", indice_entrata)
print("indice uscita: ", indice_uscita)
print("centro entrata: ", centro_entrata)
print("centro uscita: ", centro_uscita)

# ora calcolo la durata di ogni frame e la distanza percorsa
# Calcolo la durata della registrazione e la distanza percorsa
durata_registrazione = orario_fine - orario_inizio
print("Durata della registrazione:", durata_registrazione, " secondi")
durata_singolo_frame = durata_registrazione/j
print('Durata del singolo frame: ', durata_singolo_frame, " secondi")

# calcolo la velocità 
durata_interessata = durata_singolo_frame*(indice_uscita-indice_entrata)
durata_interessata = durata_interessata.total_seconds() #trasforma durata in secondi

distanza_percorsa= abs(centro_uscita[0] - centro_entrata[0]) 
distanza_percorsa_metri = distanza_percorsa*0.01
print("Distanza percorsa: ", distanza_percorsa_metri, " metri")

velocita_media = (distanza_percorsa_metri/ durata_interessata) 
print("velocità media di sorpasso: ", velocita_media, " metri al secondo")

except Exception as e: print(f'Errore: {e}')

finally: pipeline.stop()

stampo i grafici dei centri e dei massimi

plt.plot(centri_x, centri_y, 'bo-') plt.xlabel('X') plt.ylabel('Y') plt.title('Centri dell'' automobile') plt.show()

plt.plot(massimi, 'ro-') plt.xlabel('Frame') plt.ylabel('Massimo') plt.title('Massimo') plt.show()