Rastreamento Avançado de Bolas de Tênis de Mesa com OpenCV no Raspberry Pi

NOTA: Este é um tutorial avançado, não adequado para iniciantes em Linux.

Neste guia, mostraremos como detectar e rastrear bolas de tênis de mesa – ou qualquer objeto circular claramente visível – usando OpenCV em um Raspberry Pi. A técnica é valiosa para projetos de robótica, análise esportiva ou experimentação de hobbyistas.

Pré-requisitos

• Raspberry Pi rodando o Raspbian mais recente (download em https://www.raspberrypi.org/downloads/)
• Webcam USB compatível com o Pi
• Host Linux (Linux Mint 17, Ubuntu ou similar) para desenvolvimento e transferência de arquivos
• Familiaridade com sistemas baseados em Debian

Passo 1: Configuração Inicial

1. Conecte o Pi a teclado, mouse, webcam, Ethernet ou dongle Wi-Fi, display HDMI e alimentação.
2. Ligue e inicie na interface gráfica do Raspbian.
3. Abra um terminal e instale o OpenCV. Siga o guia abrangente de Trevor Appleton para confirmar a instalação (Instalar OpenCV no Raspberry Pi).
4. Transfira bdtct.py para o diretório home do Pi via scp ou pen drive USB.

Passo 2: Execute o Código de Rastreamento

1. No terminal do Pi, navegue até a pasta contendo bdtct.py.
2. Execute o script:
   sudo python bdtct.py
3. Cinco janelas devem aparecer: o vídeo original, uma visão de "rastreamento" e três painéis de ajuste HSV.
4. Apresente uma bola de tênis de mesa (amarela preferida) à webcam.
5. Ajuste os controles deslizantes "HueComp", "SatComp" e "ValComp" até que os pixels da bola sejam a única região branca na janela "closing". Anote esses valores para uso futuro editando bdtct.py.

Passo 3: Entendendo o Algoritmo

Abra bdtct.py no seu editor favorito para ver o seguinte fluxo de trabalho:

1. Capture vídeo da câmera padrão: cap = cv2.VideoCapture(-1)
2. Redimensione frames para 320×240 para aumentar a taxa de quadros no Pi.
3. Crie janelas interativas com controles deslizantes min/max para Matiz, Saturação e Valor.
4. Converta cada frame de BGR para HSV: hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV).
5. Divida HSV em canais separados.
6. Aplique limiarização em cada canal com base nas faixas dos controles para produzir máscaras binárias.
7. Combine as três máscaras com AND lógico para isolar pixels da bola.
8. Aplique desfoque gaussiano para suavizar o resultado.
9. Use cv2.HoughCircles para detectar formas circulares.
10. Desenhe os círculos detectados de volta no frame original para visualização.

Para insights mais profundos, veja a documentação completa do projeto.