如何通过OpenCV实现对指定颜色的物体追踪

这篇文章给大家分享的是有关如何通过OpenCV实现对指定颜色的物体追踪的内容。小编觉得挺实用的，因此分享给大家做个参考，一起跟随小编过来看看吧。

实现对特定颜色的物体追踪，我实验用的是绿萝的树叶。

新建脚本ball_tracking.py，加入代码：

import argparsefrom collections import dequeimport cv2import numpy as np

导入必要的包,然后定义一些函数

def grab_contours(cnts):    # 如果 cv2.findContours 返回的轮廓元组的长度为“2”，那么我们使用的是 OpenCV v2.4、v4-beta 或 v4-official    if len(cnts) == 2:        cnts = cnts[0]    # 如果轮廓元组的长度为“3”，那么我们使用的是 OpenCV v3、v4-pre 或 v4-alpha    elif len(cnts) == 3:        cnts = cnts[1]    else:        raise Exception(("Contours tuple must have length 2 or 3, "            "otherwise OpenCV changed their cv2.findContours return "            "signature yet again. Refer to OpenCV's documentation "            "in that case"))    return cntsdef resize(image, width=None, height=None, inter=cv2.INTER_AREA):    dim = None    (h, w) = image.shape[:2]    # 如果高和宽为None则直接返回    if width is None and height is None:        return image    # 检查宽是否是None    if width is None:        # 计算高度的比例并并按照比例计算宽度        r = height / float(h)        dim = (int(w * r), height)    # 高为None    else:        # 计算宽度比例，并计算高度        r = width / float(w)        dim = (width, int(h * r))    resized = cv2.resize(image, dim, interpolation=inter)    # return the resized image    return resized

grab_contours 对于opencv不同版本做了兼容处理。

resize等比例改变图片的大小。

 命令行参数ap = argparse.ArgumentParser()ap.add_argument("-v", "--video", help="path to video")ap.add_argument("-b", "--buffer", type=int, default=64, help="max buffer size")args = vars(ap.parse_args())# 绿色树叶的HSV色域空间范围greenLower = (29, 86, 6)greenUpper = (64, 255, 255)pts = deque(maxlen=args["buffer"])vs = cv2.VideoCapture(0)fps = 30    #保存视频的FPS，可以适当调整size=(600,450)fourcc=cv2.VideoWriter_fourcc(*'XVID')videowrite=cv2.VideoWriter('output.avi',fourcc,fps,size)

定义参数

–video ：视频文件的路径或者摄像头的id

–buffer 是 deque 的最大大小，它维护我们正在跟踪的球的先前 (x, y) 坐标列表。 这个双端队列允许我们绘制球的“轨迹”，详细说明它过去的位置。 较小的队列将导致较短的尾部，而较大的队列将产生较长的尾部

定义hsv空间的上限和下限

启动摄像头0

最后是保存定义VideoWriter对象，实现对视频的写入功能

while True:    ret_val, frame = vs.read()    if ret_val is False:        break    frame = resize(frame, width=600)    # 通过高斯滤波去除掉一些高频噪声，使得重要的数据更加突出    blurred = cv2.GaussianBlur(frame, (11, 11), 0)    # 将图片转为HSV    hsv = cv2.cvtColor(blurred, cv2.COLOR_BGR2HSV)    # inRange的作用是根据阈值进行二值化:阈值内的像素设置为白色(255)，阈值外的设置为黑色(0)    mask = cv2.inRange(hsv, greenLower, greenUpper)    # 腐蚀(erode)和膨胀(dilate)的作用:    # 1. 消除噪声;    # 2. 分割(isolate)独立的图像元素，以及连接(join)相邻的元素;    # 3. 寻找图像中的明显的极大值区域或极小值区域    mask = cv2.erode(mask, None, iterations=2)    mask = cv2.dilate(mask, None, iterations=2)

开启一个循环，该循环将一直持续到 (1) 我们按下 q 键，表明我们要终止脚本或 (2) 我们的视频文件到达终点并用完帧。

读取一帧，返回两个参数，第一个参数是否成功，第二个参数是一帧图像。

如果失败则break。

对图像进行了一些预处理。首先，我们将框架的大小调整为 600 像素的宽度。缩小帧使我们能够更快地处理帧，从而提高 FPS（因为我们要处理的图像数据更少）。然后我们将模糊框架以减少高频噪声，并使我们能够专注于框架内的结构物体，例如球。最后，我们将帧转换为 HSV 颜色空间。

通过调用 cv2.inRange 处理帧中绿球的实际定位。首先为绿色提供下 HSV 颜色边界，然后是上 HSV 边界。 cv2.inRange 的输出是一个二进制掩码，

 # 寻找轮廓，不同opencv的版本cv2.findContours返回格式有区别，所以调用了一下imutils.grab_contours做了一些兼容性处理    cnts = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)    cnts = grab_contours(cnts)    center = None    # only proceed if at least one contour was found    if len(cnts) > 0:        # find the largest contour in the mask, then use it to compute the minimum enclosing circle        # and centroid        c = max(cnts, key=cv2.contourArea)        ((x, y), radius) = cv2.minEnclosingCircle(c)        M = cv2.moments(c)        # 对于01二值化的图像，m00即为轮廓的面积, 一下公式用于计算中心距        center = (int(M["m10"] / M["m00"]), int(M["m01"] / M["m00"]))        # only proceed if the radius meets a minimum size        if radius > 10:            # draw the circle and centroid on the frame, then update the list of tracked points            cv2.circle(frame, (int(x), int(y)), int(radius), (0, 255, 255), 2)            cv2.circle(frame, center, 5, (0, 0, 255), -1)        pts.appendleft(center)    for i in range(1, len(pts)):        # if either of the tracked points are None, ignore them        if pts[i - 1] is None or pts[i] is None:            continue        # compute the thickness of the line and draw the connecting line        thickness = int(np.sqrt(args["buffer"] / float(i + 1)) * 2.5)        cv2.line(frame, pts[i - 1], pts[i], (0, 0, 255), thickness)    cv2.imshow("Frame", frame)    videowrite.write(frame)    key = cv2.waitKey(1) & 0xFF    if key == ord("q"):        breakvideowrite.release()vs.release()cv2.destroyAllWindows()

计算图像中对象的轮廓。在接下来的行中，将球的中心 (x, y) 坐标初始化为 None。

检查以确保在掩码中至少找到一个轮廓。假设至少找到一个轮廓，找到 cnts 列表中最大的轮廓，计算 blob 的最小包围圆，然后计算中心 (x, y) 坐标（即“质心”）。

快速检查以确保最小包围圆的半径足够大。如果半径通过测试，我们然后画两个圆圈：一个围绕球本身，另一个表示球的质心。

然后，将质心附加到 pts 列表中。

循环遍历每个 pts。如果当前点或前一个点为 None（表示在该给定帧中没有成功检测到球），那么我们忽略当前索引继续循环遍历 pts。

如果两个点都有效，我们计算轨迹的厚度，然后将其绘制在框架上。

感谢各位的阅读！关于“如何通过OpenCV实现对指定颜色的物体追踪”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，让大家可以学到更多知识，如果觉得文章不错，可以把它分享出去让更多的人看到吧！