如何通過OpenCV實現對指定顏色的物體追蹤

這篇文章給大家分享的是有關如何通過OpenCV實現對指定顏色的物體追蹤的內容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

實現對特定顏色的物體追蹤，我實驗用的是綠蘿的樹葉。

新建腳本ball_tracking.py，加入代碼：

import argparse
from collections import deque
import cv2
import numpy as np

導入必要的包,然后定義一些函數

def grab_contours(cnts):
    # 如果 cv2.findContours 返回的輪廓元組的長度為“2”，那么我們使用的是 OpenCV v2.4、v4-beta 或 v4-official
    if len(cnts) == 2:
        cnts = cnts[0]
    # 如果輪廓元組的長度為“3”，那么我們使用的是 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 cnts
def resize(image, width=None, height=None, inter=cv2.INTER_AREA):
    dim = None
    (h, w) = image.shape[:2]
    # 如果高和寬為None則直接返回
    if width is None and height is None:
        return image
    # 檢查寬是否是None
    if width is None:
        # 計算高度的比例并并按照比例計算寬度
        r = height / float(h)
        dim = (int(w * r), height)
    # 高為None
    else:
        # 計算寬度比例，并計算高度
        r = width / float(w)
        dim = (width, int(h * r))
    resized = cv2.resize(image, dim, interpolation=inter)
    # return the resized image
    return resized

grab_contours 對于opencv不同版本做了兼容處理。

resize等比例改變圖片的大小。

 命令行參數
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())
# 綠色樹葉的HSV色域空間范圍
greenLower = (29, 86, 6)
greenUpper = (64, 255, 255)
pts = deque(maxlen=args["buffer"])
vs = cv2.VideoCapture(0)
fps = 30    #保存視頻的FPS，可以適當調整
size=(600,450)
fourcc=cv2.VideoWriter_fourcc(*'XVID')
videowrite=cv2.VideoWriter('output.avi',fourcc,fps,size)

定義參數

–video ：視頻文件的路徑或者攝像頭的id

–buffer 是 deque 的最大大小，它維護我們正在跟蹤的球的先前 (x, y) 坐標列表。 這個雙端隊列允許我們繪制球的“軌跡”，詳細說明它過去的位置。 較小的隊列將導致較短的尾部，而較大的隊列將產生較長的尾部

定義hsv空間的上限和下限

啟動攝像頭0

最后是保存定義VideoWriter對象，實現對視頻的寫入功能

while True:
    ret_val, frame = vs.read()
    if ret_val is False:
        break
    frame = resize(frame, width=600)
    # 通過高斯濾波去除掉一些高頻噪聲，使得重要的數據更加突出
    blurred = cv2.GaussianBlur(frame, (11, 11), 0)
    # 將圖片轉為HSV
    hsv = cv2.cvtColor(blurred, cv2.COLOR_BGR2HSV)
    # inRange的作用是根據閾值進行二值化:閾值內的像素設置為白色(255)，閾值外的設置為黑色(0)
    mask = cv2.inRange(hsv, greenLower, greenUpper)
    # 腐蝕(erode)和膨脹(dilate)的作用:
    # 1. 消除噪聲;
    # 2. 分割(isolate)獨立的圖像元素，以及連接(join)相鄰的元素;
    # 3. 尋找圖像中的明顯的極大值區域或極小值區域
    mask = cv2.erode(mask, None, iterations=2)
    mask = cv2.dilate(mask, None, iterations=2)

開啟一個循環，該循環將一直持續到 (1) 我們按下 q 鍵，表明我們要終止腳本或 (2) 我們的視頻文件到達終點并用完幀。

讀取一幀，返回兩個參數，第一個參數是否成功，第二個參數是一幀圖像。

如果失敗則break。

對圖像進行了一些預處理。首先，我們將框架的大小調整為 600 像素的寬度。縮小幀使我們能夠更快地處理幀，從而提高 FPS（因為我們要處理的圖像數據更少）。然后我們將模糊框架以減少高頻噪聲，并使我們能夠專注于框架內的結構物體，例如球。最后，我們將幀轉換為 HSV 顏色空間。

通過調用 cv2.inRange 處理幀中綠球的實際定位。首先為綠色提供下 HSV 顏色邊界，然后是上 HSV 邊界。 cv2.inRange 的輸出是一個二進制掩碼，

 # 尋找輪廓，不同opencv的版本cv2.findContours返回格式有區別，所以調用了一下imutils.grab_contours做了一些兼容性處理
    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)
        # 對于01二值化的圖像，m00即為輪廓的面積, 一下公式用于計算中心距
        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"):
        break
videowrite.release()
vs.release()
cv2.destroyAllWindows()

計算圖像中對象的輪廓。在接下來的行中，將球的中心 (x, y) 坐標初始化為 None。

檢查以確保在掩碼中至少找到一個輪廓。假設至少找到一個輪廓，找到 cnts 列表中最大的輪廓，計算 blob 的最小包圍圓，然后計算中心 (x, y) 坐標（即“質心”）。

快速檢查以確保最小包圍圓的半徑足夠大。如果半徑通過測試，我們然后畫兩個圓圈：一個圍繞球本身，另一個表示球的質心。

然后，將質心附加到 pts 列表中。

循環遍歷每個 pts。如果當前點或前一個點為 None（表示在該給定幀中沒有成功檢測到球），那么我們忽略當前索引繼續循環遍歷 pts。

如果兩個點都有效，我們計算軌跡的厚度，然后將其繪制在框架上。

感謝各位的閱讀！關于“如何通過OpenCV實現對指定顏色的物體追蹤”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！