溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要講解了python如何實現手勢識別，內容清晰明了，對此有興趣的小伙伴可以學習一下，相信大家閱讀完之后會有幫助。
使用open-cv實現簡單的手勢識別。剛剛接觸python不久，看到了很多有意思的項目，尤其時關于計算機視覺的。網上搜到了一些關于手勢處理的實驗，我在這兒簡單的實現一下（PS：和那些大佬比起來真的是差遠了，畢竟剛接觸不久），主要運用的知識就是opencv，python基本語法，圖像處理基礎知識。
最終實現結果：
獲取視頻（攝像頭）
這部分沒啥說的，就是獲取攝像頭。
cap = cv2.VideoCapture("C:/Users/lenovo/Videos/1.mp4")#讀取文件
#cap = cv2.VideoCapture(0)#讀取攝像頭
while(True):
ret, frame = cap.read() key = cv2.waitKey(50) & 0xFF
if key == ord('q'):
break
cap.release()
cv2.destroyAllWindows()膚色檢測
這里使用的是橢圓膚色檢測模型
在RGB空間里人臉的膚色受亮度影響相當大，所以膚色點很難從非膚色點中分離出來，也就是說在此空間經過處理后，膚色點是離散的點，中間嵌有很多非膚色，這為膚色區域標定(人臉標定、眼睛等)帶來了難題。如果把RGB轉為YCrCb空間的話，可以忽略Y(亮度)的影響，因為該空間受亮度影響很小，膚色會產生很好的類聚。這樣就把三維的空間將為二維的CrCb，膚色點會形成一定得形狀，如：人臉的話會看到一個人臉的區域，手臂的話會看到一條手臂的形態。
def A(img): YCrCb = cv2.cvtColor(img, cv2.COLOR_BGR2YCR_CB) #轉換至YCrCb空間 (y,cr,cb) = cv2.split(YCrCb) #拆分出Y,Cr,Cb值 cr1 = cv2.GaussianBlur(cr, (5,5), 0) _, skin = cv2.threshold(cr1, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) #Ostu處理 res = cv2.bitwise_and(img,img, mask = skin) return res
輪廓處理
輪廓處理的話主要用到兩個函數，cv2.findContours和cv2.drawContours，這兩個函數的使用使用方法很容易搜到就不說了，這部分主要的問題是提取到的輪廓有很多個，但是我們只需要手的輪廓，所以我們要用sorted函數找到最大的輪廓。
def B(img): #binaryimg = cv2.Canny(Laplacian, 50, 200) #二值化，canny檢測 h = cv2.findContours(img,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE) #尋找輪廓 contour = h[0] contour = sorted(contour, key = cv2.contourArea, reverse=True)#已輪廓區域面積進行排序 #contourmax = contour[0][:, 0, :]#保留區域面積最大的輪廓點坐標 bg = np.ones(dst.shape, np.uint8) *255#創建白色幕布 ret = cv2.drawContours(bg,contour[0],-1,(0,0,0),3) #繪制黑色輪廓 return ret
全部代碼
""" 從視頻讀取幀保存為圖片"""
import cv2
import numpy as np
cap = cv2.VideoCapture("C:/Users/lenovo/Videos/1.mp4")#讀取文件
#cap = cv2.VideoCapture(0)#讀取攝像頭
#皮膚檢測
def A(img):
YCrCb = cv2.cvtColor(img, cv2.COLOR_BGR2YCR_CB) #轉換至YCrCb空間
(y,cr,cb) = cv2.split(YCrCb) #拆分出Y,Cr,Cb值
cr1 = cv2.GaussianBlur(cr, (5,5), 0)
_, skin = cv2.threshold(cr1, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) #Ostu處理
res = cv2.bitwise_and(img,img, mask = skin)
return res
def B(img):
#binaryimg = cv2.Canny(Laplacian, 50, 200) #二值化，canny檢測
h = cv2.findContours(img,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE) #尋找輪廓
contour = h[0]
contour = sorted(contour, key = cv2.contourArea, reverse=True)#已輪廓區域面積進行排序
#contourmax = contour[0][:, 0, :]#保留區域面積最大的輪廓點坐標
bg = np.ones(dst.shape, np.uint8) *255#創建白色幕布
ret = cv2.drawContours(bg,contour[0],-1,(0,0,0),3) #繪制黑色輪廓
return ret
while(True):
ret, frame = cap.read()
#下面三行可以根據自己的電腦進行調節
src = cv2.resize(frame,(400,350), interpolation=cv2.INTER_CUBIC)#窗口大小
cv2.rectangle(src, (90, 60), (300, 300 ), (0, 255, 0))#框出截取位置
roi = src[60:300 , 90:300] # 獲取手勢框圖
res = A(roi) # 進行膚色檢測
cv2.imshow("0",roi)
gray = cv2.cvtColor(res, cv2.COLOR_BGR2GRAY)
dst = cv2.Laplacian(gray, cv2.CV_16S, ksize = 3)
Laplacian = cv2.convertScaleAbs(dst)
contour = B(Laplacian)#輪廓處理
cv2.imshow("2",contour)
key = cv2.waitKey(50) & 0xFF
if key == ord('q'):
break
cap.release()
cv2.destroyAllWindows()看完上述內容，是不是對python如何實現手勢識別有進一步的了解，如果還想學習更多內容，歡迎關注億速云行業資訊頻道。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
