🈶️又想要搞了一个新玩意了，不知道这次能做成啥样子。准备做个摄像头识别激光笔光斑的东西，设想是可以做成激光打靶的游戏，或者扩展一下实现一个类似StarTrek在holodeck中实现的设计联系游戏，即：随机出现移动的物体靶子，用枪进行设计。只不是在holodeck中是photon energy组成的虚拟物体，我这里只能是屏幕上显示的，或者投影仪投射在墙上的图像。
现从最简单的开始，能准确的识别激光光斑，前后想了几种方法，每个都不完美，这里罗列一下吧，算是个经历和经验的分享。
识别红色光点的方案：
A）砖家系统方法，步骤中的各种阈值是手工试验得出的结果
1、高斯模糊==》转化成HSV==》拆分通道
2、开闭运算处理H通道（消除细碎部分）==》使用H通道查找边缘（查找颜色的边缘）
3、对于每一个边缘执行如下操作，如果不满足则跳过当前边缘：
3.1 是否是高亮区域（通过V通道判断边缘圈起来的部分是否比外部亮）
3.2 是否是红色（通过S和H通道，判断判断饱和度稍高的区域的颜色是否是红色）
3.3 判断边缘形状是否是圆形
方案A有缺陷，饱和度低的部分颜色信息没有意义。很多饱和度过低的区域，虽然H通道也是红色，但是其实是背景中的黑色部分，所以这种方法不能准确的识别出红色的光斑。
B）
1、高斯模糊==》转化成HSV==》拆分通道
2、对三部分区域进行阈值操作，分别选出饱和度高的区域（饱和度高颜色才有意义），颜色在范围内的区域，明亮的区域。并对结果做与操作。
3、对结果图形进行形态学处理，消除凹陷、凸起和孤立的小点。
4、查找边缘，跳过形态不为圆形的点
5、通过矩的计算找出中心点。
结果：基本可以正确的找到光点，但是没法区分红色的圆球和光点。还可以改进，不过感觉没有机器学习算法来的彻底，有算法自动提取提取特征，不需要手工处理和设置阈值。
C）
1、高斯模糊==》转化成HSV==》拆分通道
2、对三部分进行归一求和，转化为灰度图像。
H通道的亮度决定于颜色距离红色的距离；
S通道和V通道的数值保持原始，仅作归一。
3、在灰度图像查找明亮的圆形区域。
C）机器学习算法，各种阈值是计算机匹配的结果。
结果：这种方法仅实现了前半部分，可以把颜色和饱和度的变化统一成亮度的变化，合成出来灰度图片。这样就可以使用常规的机器学习算法进行图像识别了，但是目前没有完成。
下一步准备继续改进第二种方法，因为第三种方法还是有些门槛的，包括机器学习算法原理的学习和图像的足够训练图像的收集，后续找机会跟进。
改进点：
1、背景颜色调整，之前一直使用黑色背景，但是现在的摄像头一般都带有自动亮度调节，对于黑色的背景下摄像头的亮度调整的特别高，这样的话对于光斑一只处于过曝的状态，这样对于颜色的识别是不利的。因此下一步准备把背景调整成更明亮一点的中性颜色，比如说灰色。
2、对于光斑和靶标标记的颜色识别进行自适应。不同摄像头、不同光照对颜色的识别影响较大，固定的阈值都会有些缺陷，因此准备在算法中增加一个校准的过程，在开始识别之前，进行校准操作，这样可以自动根据当前的光照和相机特性选择合适的阈值。
目前的半成品代码：https://github.com/lishen2/LaserShoot
有一个国外的类似的成熟项目提供了很多参考：https://github.com/laabicz/HomeLESS
PLUS，用了机械键盘果然回不去了，用macbook的键盘也觉得如此难受，经常打错字。
