Suivi avancé de balle de ping-pong sur Raspberry Pi avec OpenCV

NOTE : Ce tutoriel est avancé, non adapté aux débutants Linux.

Dans ce guide, nous montrons comment détecter et suivre des balles de ping-pong – ou tout objet circulaire bien visible – en utilisant OpenCV sur un Raspberry Pi. Cette technique est précieuse pour la robotique, l'analyse sportive ou l'expérimentation amateur.

Prérequis

• Raspberry Pi exécutant le dernier Raspbian (téléchargeable sur raspberrypi.org/downloads)
• Webcam USB compatible avec le Pi
• Hôte Linux (Linux Mint 17, Ubuntu ou similaire) pour le développement et le transfert de fichiers
• Familiarité avec les systèmes basés sur Debian

Étape 1 : Configuration initiale

1. Connectez le Pi au clavier, souris, webcam, clé Ethernet ou Wi‑Fi, écran HDMI et alimentation.
2. Mettez sous tension et démarrez sur l'interface graphique Raspbian.
3. Ouvrez un terminal et installez OpenCV. Suivez le guide complet de Trevor Appleton pour confirmer l'installation (Installer OpenCV sur Raspberry Pi).
4. Transférez bdtct.py vers le répertoire personnel du Pi via scp ou une clé USB.

Étape 2 : Exécuter le code de suivi

1. Dans le terminal du Pi, accédez au dossier contenant bdtct.py.
2. Exécutez le script :
   sudo python bdtct.py
3. Cinq fenêtres doivent apparaître : la vidéo originale, une vue « tracking » et trois panneaux de réglage HSV.
4. Présentez une balle de ping-pong (jaune de préférence) à la webcam.
5. Ajustez les curseurs « HueComp », « SatComp » et « ValComp » jusqu'à ce que les pixels de la balle soient la seule région blanche dans la fenêtre « closing ». Notez ces valeurs pour une utilisation future en modifiant bdtct.py.

Étape 3 : Comprendre l'algorithme

Ouvrez bdtct.py dans votre éditeur favori pour voir le flux de travail suivant :

1. Capture vidéo depuis la caméra par défaut : cap = cv2.VideoCapture(-1)
2. Redimensionnement des images à 320×240 pour augmenter le taux d'images sur le Pi.
3. Création de fenêtres interactives avec curseurs min/max pour Teinte, Saturation et Valeur.
4. Conversion de chaque image de BGR vers HSV : hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV).
5. Séparation des canaux HSV.
6. Seuillage de chaque canal selon les plages des curseurs pour produire des masques binaires.
7. Combinaison des trois masques par un ET logique pour isoler les pixels de la balle.
8. Application d'un flou gaussien pour lisser le résultat.
9. Utilisation de cv2.HoughCircles pour détecter les formes circulaires.
10. Dessin des cercles détectés sur l'image originale pour la visualisation.

Pour plus de détails, consultez la documentation complète du projet.