Seguimiento Avanzado de Pelotas de Ping‑Pong con Raspberry Pi y OpenCV

NOTA: Este es un tutorial avanzado, no apto para principiantes en Linux.

En esta guía mostraremos cómo detectar y rastrear pelotas de ping‑pong –u cualquier objeto circular claramente visible– usando OpenCV en una Raspberry Pi. La técnica es valiosa para proyectos de robótica, análisis deportivo o experimentación aficionada.

Requisitos Previos

• Raspberry Pi con el último Raspbian (descargue en https://www.raspberrypi.org/downloads/)
• Webcam USB compatible con la Pi
• Host Linux (Linux Mint 17, Ubuntu o similar) para desarrollo y transferencia de archivos
• Familiaridad con sistemas basados en Debian

Paso 1: Configuración Inicial

1. Conecte la Pi a teclado, ratón, webcam, Ethernet o dongle Wi‑Fi, pantalla HDMI y alimentación.
2. Encienda e inicie en la interfaz gráfica de Raspbian.
3. Abra una terminal e instale OpenCV. Siga la guía completa de Trevor Appleton para confirmar la instalación (Instalar OpenCV en Raspberry Pi).
4. Transfiera bdtct.py al directorio home de la Pi vía scp o una memoria USB.

Paso 2: Ejecute el Código de Rastreo

1. En la terminal de la Pi, navegue a la carpeta que contiene bdtct.py.
2. Ejecute el script:
   sudo python bdtct.py
3. Deberían aparecer cinco ventanas: el video original, una vista de "rastreo" y tres paneles de ajuste HSV.
4. Presente una pelota de ping‑pong (amarilla preferida) a la webcam.
5. Ajuste los deslizadores "HueComp", "SatComp" y "ValComp" hasta que los píxeles de la pelota sean la única región blanca en la ventana "closing". Anote estos valores para uso futuro editando bdtct.py.

Paso 3: Entendiendo el Algoritmo

Abra bdtct.py en su editor favorito para ver el siguiente flujo de trabajo:

1. Capturar video de la cámara por defecto: cap = cv2.VideoCapture(-1)
2. Redimensionar frames a 320×240 para aumentar la tasa de frames en la Pi.
3. Crear ventanas interactivas con deslizadores min/max para Matiz, Saturación y Valor.
4. Convertir cada frame de BGR a HSV: hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV).
5. Separar HSV en canales individuales.
6. Umbralizar cada canal según rangos de deslizadores para producir máscaras binarias.
7. Combinar las tres máscaras con AND lógico para aislar píxeles de la pelota.
8. Aplicar desenfoque gaussiano para suavizar el resultado.
9. Usar cv2.HoughCircles para detectar formas circulares.
10. Dibujar los círculos detectados sobre el frame original para visualización.

Para mayor profundidad, consulte la documentación completa del proyecto.