opencv-python——调用摄像头或导入视频实现颜色识别并画框_opencv识别颜色方块并框出

采用opencv进行颜色识别有个好处就是他的框可以是具有角度的长方体框，不局限于平行点的

颜色识别实现过程

1.调用摄像头、导入视频或读入照片

• 调用摄像头

import os
import cv2
import numpy as np
cap = cv2.VideoCapture(0)
while True:
	ret, frame = cap.read()
	if ret == True:
1
2
3
4
5
6
7

• 导入视频

cap = cv2.VideoCapture("opencv/8_15_2save.avi") # 输入视频
1

• 读入照片

frame = cv2.imread("123.jpg")
1

2.找出所需颜色对应的HSV阈值

• 通过HSV阈值分析器调节阈值，并写入color_dist中：

color_dist = {'red': {'Lower': np.array([0, 25, 123]), 'Upper': np.array([17, 255, 255])},
              'light_red': {'Lower': np.array([178, 100, 136]), 'Upper': np.array([255, 255, 255])},
              'blue': {'Lower': np.array([100, 80, 46]), 'Upper': np.array([124, 255, 255])},
              'green': {'Lower': np.array([35, 43, 35]), 'Upper': np.array([90, 255, 255])},
              'yellow': {'Lower': np.array([25, 75, 165]), 'Upper': np.array([40, 255, 255])},
              'black': {'Lower': np.array([0,0,0]), 'Upper': np.array([1,1,1])},
              }
1
2
3
4
5
6
7

• 将图片进行HSV转换，并通过inRange函数对hsv图像进行处理，

	hsv = cv2.cvtColor(mask_img, cv2.COLOR_BGR2HSV) 
	inRange_hsv = cv2.inRange(hsv, color_dist[ball_color1]['Lower'], color_dist[ball_color1]['Upper'])
1
2

3.找出二值化后的图片中的特征点并进行画框

	cnts = cv2.findContours(inRange_hsv.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]
    c = max(cnts, key=cv2.contourArea)
    rect = cv2.minAreaRect(c)
    box = cv2.boxPoints(rect)
    box_list = box.tolist() #四个点的点的坐标
	
    cv2.drawContours(frame, [np.int0(box)], -1, (0, 255, 255), 2)
1
2
3
4
5
6
7

完整代码

import cv2
import numpy as np

color_dist = {'red': {'Lower': np.array([0, 25, 138]), 'Upper': np.array([19, 255, 255])},
              'light_red': {'Lower': np.array([178, 100, 136]), 'Upper': np.array([255, 255, 255])},
              'blue': {'Lower': np.array([100, 80, 46]), 'Upper': np.array([124, 255, 255])},
              'green': {'Lower': np.array([35, 43, 35]), 'Upper': np.array([90, 255, 255])},
              'yellow': {'Lower': np.array([26, 43, 46]), 'Upper': np.array([34, 255, 255])},
              }
#调用摄像头
#cap = cv2.VideoCapture(0)
# 输入视频
cap = cv2.VideoCapture("opencv/8_15_2save.avi") 
cv2.namedWindow('camera', cv2.WINDOW_AUTOSIZE)

while True:
    # 读取视频帧，ret标志读取的结果，frame为读取到的视频帧图像
    ret, frame = cap.read()

    gs_frame = cv2.GaussianBlur(frame, (5, 5), 0)                     # 高斯模糊
    hsv = cv2.cvtColor(gs_frame, cv2.COLOR_BGR2HSV)                 # 转化成HSV图像

    inRange_hsv = cv2.inRange(hsv, color_dist['red']['Lower'], color_dist['red']['Upper'])
    #寻找外部的点
    cnts = cv2.findContours(inRange_hsv.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]

    c = max(cnts, key=cv2.contourArea)
    rect = cv2.minAreaRect(c)
    box = cv2.boxPoints(rect)
    box_list = box.tolist()
    #将点画在
    cv2.drawContours(frame, [np.int0(box)], -1, (0, 255, 255), 2)

    cv2.imshow('camera', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
            
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

函数详解

findContours()函数

findContours(InputOutputArray image, 
             OutputArrayOfArrays contours, 
             OutputArray hierarchy, 
             int mode, 
             int method, 
             Point offset = Point());
1
2
3
4
5
6

• 参数1：单通道图像矩阵，可以是灰度图，但更常用的是二值图像，一般是经过Canny、拉普拉斯等边缘检测算子处理过的二值图像；
• 参数2：contours定义为“vector<vector>
  contours”，是一个双重向量（向量内每个元素保存了一组由连续的Point构成的点的集合的向量），每一组点集就是一个轮廓，有多少轮廓，contours就有多少元素；
• 参数3：hierarchy定义为“vector hierarchy”，Vec4i的定义：typedef Vec<int, 4> Vec4i;（向量内每个元素都包含了4个int型变量），所以从定义上看，hierarchy是一个向量，向量内每个元素都是一个包含4个int型的数组。向量hierarchy内的元素和轮廓向量contours内的元素是一一对应的，向量的容量相同。hierarchy内每个元素的4个int型变量是hierarchy[i][0] ~ hierarchy[i][3]，分别表示当前轮廓 i 的后一个轮廓、前一个轮廓、父轮廓和内嵌轮廓的编号索引。如果当前轮廓没有对应的后一个轮廓、前一个轮廓、父轮廓和内嵌轮廓，则相应的hierarchy[i][*]被置为-1。
• 参数4：定义轮廓的检索模式，取值如下：

CV_RETR_EXTERNAL：只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略；
CV_RETR_LIST：检测所有的轮廓，包括内围、外围轮廓，但是检测到的轮廓不建立等级关系，彼此之间独立，没有等级关系，这就意味着这个检索模式下不存在父轮廓或内嵌轮廓，所以hierarchy向量内所有元素的第3、第4个分量都会被置为-1，具体下文会讲到；
CV_RETR_CCOMP: 检测所有的轮廓，但所有轮廓只建立两个等级关系，外围为顶层，若外围内的内围轮廓还包含了其他的轮廓信息，则内围内的所有轮廓均归属于顶层；
CV_RETR_TREE: 检测所有轮廓，所有轮廓建立一个等级树结构。外层轮廓包含内层轮廓，内层轮廓还可以继续包含内嵌轮廓。
1
2
3
4

• 参数5：定义轮廓的近似方法，四种取值分别如下：

CV_CHAIN_APPROX_NONE：保存物体边界上所有连续的轮廓点到contours向量内；
CV_CHAIN_APPROX_SIMPLE：仅保存轮廓的拐点信息，把所有轮廓拐点处的点保存入contours向量内，拐点与拐点之间直线段上的信息点不予保留；
CV_CHAIN_APPROX_TC89_L1：使用teh-Chinl chain 近似算法;
CV_CHAIN_APPROX_TC89_KCOS：使用teh-Chinl chain 近似算法。
1
2
3
4

• 参数6：Point偏移量，所有的轮廓信息相对于原始图像对应点的偏移量，相当于在每一个检测出的轮廓点上加上该偏移量，并且Point还可以是负值！

minAreaRect()函数

OpenCV 中boundingRect、minAreaRect的用法区别