簡介人臉識別和目標(biāo)檢測這樣的術(shù)語聽起來覺得很酷，但是當(dāng)涉及到從頭開始實(shí)現(xiàn)它們時(shí)，每個(gè)初學(xué)者都會覺得困難，這些技術(shù)實(shí)際上并沒有那么難實(shí)現(xiàn)，一旦你掌握了其基本原理，那么實(shí)現(xiàn)它們就相當(dāng)簡單了。圖像處理有很多種應(yīng)用，包括用于解析文檔和生成相應(yīng)文本的光學(xué)字符識別（OCR）、圖像增強(qiáng)與重建、物體識別、人體運(yùn)動識別、手勢識別、人臉識別等。在學(xué)習(xí)的過程中，你會遇到過奇形怪狀的各種圖像濾波器，那有沒有去思考如何實(shí)現(xiàn)它嗎，在本文中，我們將通過實(shí)現(xiàn)一個(gè)簡單的濾波器來開始我們的圖像處理之旅！什么是OpenCVOpenCV是一個(gè)開源庫，包含了許多計(jì)算機(jī)視覺算法。它在計(jì)算機(jī)視覺和圖像處理中起著重要作用，用于實(shí)時(shí)操作，其效率足以滿足工業(yè)上的要求。OpenCV可以與其他庫一起使用，比如Numpy，這使得Python能夠處理OpenCV數(shù)組結(jié)構(gòu)。實(shí)現(xiàn)我們的第一個(gè)濾波器檢測邏輯計(jì)算機(jī)不能像人類一樣識別物體，為了能讓計(jì)算機(jī)達(dá)到這個(gè)目的，我們可以使用各種技術(shù)來讓計(jì)算機(jī)理解圖像，我們會將顏色作為檢測物體的主要依據(jù)。我們使用HSV顏色空間作為檢測特征。什么是HSVHSV是Hue， Saturation 和Value（色調(diào)、飽和度和值）。色調(diào)：根據(jù)光譜，物體的顏色可分為紅、藍(lán)、綠、黃四種顏色。飽和度：它定義了顏色的強(qiáng)度。值：定義顏色的亮度。OpenCV中有150多種顏色空間轉(zhuǎn)換方法，其中一種是彩色圖像到HSV圖像的轉(zhuǎn)換。我們來看看代碼我們需要導(dǎo)入我們要使用的庫－OpenCV（cv2）和Numpy。import cv2

import numpy as np

Numpy是一個(gè)python庫，用于處理數(shù)組，它比傳統(tǒng)的python列表快50倍，這對我們來說非常重要，因?yàn)槲覀円�處理很多圖像。Numpy給了我們在線性代數(shù)、傅立葉變換、矩陣等領(lǐng)域工作的函數(shù)。import cv2
import numpy as np
def nothing（）：
 pass
cap＝cv2．VideoCapture（0）
while（1）：
 ＿， img ＝ cap．read（）
 k＝cv2．waitkey（1）＆0xFF
 if k＝＝27：
   break
cap．release（）
cv2．destroyAllWindows（）

我們創(chuàng)建了一個(gè)回調(diào)函數(shù)，它什么也不做，讓我們看看為什么。我們使用一個(gè)窗口來控制HSV，因?yàn)槲覀儾恢�道要檢測的對象的HSV，因此我們用它來調(diào)整HSV的上下限。因?yàn)楫?dāng)我們使用創(chuàng)建trackbar的方法時(shí)，我們需要傳遞一個(gè)必要的回調(diào)函數(shù)，在我們的例子中，這個(gè)回調(diào)函數(shù)什么也不做（但是它的使用會根據(jù)父函數(shù)的需要而改變）；然后我們使用了一個(gè)方法cv2．videocapture（0），它是一個(gè)內(nèi)置函數(shù)，用來從默認(rèn)攝像機(jī)捕捉視頻（0表示選擇默認(rèn)攝像機(jī)）；最后，我們刪除了所有的窗口，并在一個(gè)點(diǎn)擊事件（這里我們設(shè)置為ESC鍵）后釋放捕獲。我們可以用下面的函數(shù)命名一個(gè)窗口。cv2．namedWindow（＜window name＞）
讓我們繼續(xù)敲代碼…import cv2
import numpy as np
def nothing（x）：
   pass
 
cap＝cv2．VideoCapture（0）
cv2．namedWindow（＇tracking＇）
cv2．createTrackbar（＇LH＇，＇tracking＇，0，255，nothing）
cv2．createTrackbar（＇LS＇，＇tracking＇，0，255，nothing）
cv2．createTrackbar（＇LV＇，＇tracking＇，0，255，nothing）
cv2．createTrackbar（＇UH＇，＇tracking＇，255，255，nothing）
cv2．createTrackbar（＇US＇，＇tracking＇，255，255，nothing）
cv2．createTrackbar（＇UV＇，＇tracking＇，255，255，nothing）

因此，在設(shè)置檢測條件后，我們需要將原始數(shù)據(jù)（即彩色圖像）轉(zhuǎn)換為HSV圖像。為了將基本彩色圖像轉(zhuǎn)換為HSV圖像，我們使用＜variableName＞ ＝ cv2．cvtColor（＜frameName＞，cv2．COLOR＿BGR2HSV）

然后利用Numpy數(shù)組方法設(shè)置trackbar中數(shù)據(jù)的上下界。＜variableName＞ ＝ np．a(chǎn)rray（＜array＿Of＿Parameters＞）

使用這個(gè)，我們會得到上面設(shè)置的所有軌跡條值。接下來我們主要做兩件事：1．創(chuàng)建掩碼掩碼是一種二進(jìn)制圖像，它指示要在其中執(zhí)行操作的像素。2．我們將使用位和邏輯來屏蔽原始圖像。我們使用名為“bitwise＿and”的cv2方法，它執(zhí)行邏輯與運(yùn)算。＜maskName＞ ＝ cv2．inRange（hav， l＿b， u＿b）
res ＝ cv2．bitwise＿and（＜frameName＞， ＜frameName＞， mask ＝ ＜maskName＞）
import cv2
import numpy as np
def nothing（x）：
   pass
cap＝cv2．VideoCapture（0）
cv2．namedWindow（＇tracking＇）
cv2．createTrackbar（＇LH＇，＇tracking＇，0，255，nothing）
cv2．createTrackbar（＇LS＇，＇tracking＇，0，255，nothing）
cv2．createTrackbar（＇LV＇，＇tracking＇，0，255，nothing）
cv2．createTrackbar（＇UH＇，＇tracking＇，255，255，nothing）
cv2．createTrackbar（＇US＇，＇tracking＇，255，255，nothing）
cv2．createTrackbar（＇UV＇，＇tracking＇，255，255，nothing）
while （1）：
   ＿， img＝cap．read（）
   hav＝cv2．cvtColor（img，cv2．COLOR＿BGR2HSV）
   l＿h(yuǎn)＝cv2．getTrackbarPos（＇LH＇，＇tracking＇）
   l＿s＝cv2．getTrackbarPos（＇LS＇， ＇tracking＇）
   l＿v＝cv2．getTrackbarPos（＇LV＇， ＇tracking＇）
   u＿h(yuǎn)＝cv2．getTrackbarPos（＇UH＇， ＇tracking＇）
   u＿s＝cv2．getTrackbarPos（＇US＇， ＇tracking＇）
   u＿v＝cv2．getTrackbarPos（＇UV＇， ＇tracking＇）
   l＿b＝np．a(chǎn)rray（［l＿h(yuǎn)，l＿s，l＿v］）
   u＿b＝np．a(chǎn)rray（［u＿h(yuǎn)，u＿s，u＿v］）
   mask＝cv2．inRange（hav， l＿b， u＿b）
   res ＝ cv2．bitwise＿and（img， img， mask＝mask）
   cv2．imshow（＇image＇， img）
   cv2．imshow（＇mask＇， mask）
   cv2．imshow（＇res＇， res）
   k＝cv2．waitKey（1）＆0xFF
   if k＝＝27：
       break
cap．release（）
cv2．destroyAllWindows（）

這些幀使用名為“imshow”的方法顯示。cv2．imshow（＜name＿of＿Window＞， ＜windowVariable＞）

結(jié)果

結(jié)果只檢測到粉紅色的物體，這是因?yàn)槲覀冎幌脒x擇粉紅色的物體！實(shí)際上，我們已經(jīng)使用軌跡條為特定的粉紅色設(shè)置了HSV值，這就是輸出只有特定粉紅色的原因。您可以選擇要檢測的任何特定顏色值。

結(jié)論本文我們實(shí)現(xiàn)了一個(gè)濾波器，可以檢測我們指定特定顏色的物體。我們所做的只是圖像處理和目標(biāo)檢測的一個(gè)非常基本的介紹性任務(wù)。近年來，計(jì)算機(jī)視覺領(lǐng)域有了很大的發(fā)展，其中大部分都包含了機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)。在許多項(xiàng)目中，對象檢測是首先執(zhí)行的基本任務(wù)，因?yàn)樗鼮槲覀兲峁┝擞嘘P(guān)環(huán)境的信息，我們可以根據(jù)使用情況進(jìn)行過濾。

參考引用Implementing colour and shape－based object detection and tracking with OpenCV．