基于python+opencv的网球识别

今年上报了一个大学生SRTP项目，准备用树莓派作为主控板实现一个智能捡网球机。由于opencv开发库提供了大量图像处理算法的接口，因此只要一定程度上熟悉python语法和opencv库，实现这个程序并不是特别麻烦。本文会主要写程序实现的过程，不会涉及到很多的理论性的知识，有兴趣深入了解的可以自行查找网络上的各种资料。

本项目以网球的颜色作为识别特征。

识别过程为：获取视频帧----转换到HSV颜色空间----规定阈值、切割图像----识别轮廓获得网球位置信息

获取视频帧：

在树莓派上搭载摄像头获取视频帧不用多提，连接上摄像头然后直接opencv调用即可。因为在树莓派上安装opencv可以能涉及到到需要重新编译等各种问题，想避免麻烦的同学可以尝试直接pip opencv-python。树莓派摄像头可以选择官方的CSI摄像头，我为了便于在电脑上进行分析和调试，选用了usb线传输的摄像头模块，这种模块某宝上很多，使用起来也很简单。

转换颜色空间：

在HSV颜色空间下进行颜色识别能够很好地降低调试难度，提高识别精度。就作者本人的理解，RGB空间下的三通道是互相独立互不关联的，而HSV空间下的三通道值之间具有一定的关系或者说是主次区别，更容易分级调试确定阈值和修正因环境光影响产生的阈值偏移问题，同时HSV空间更符合人的视觉习惯。

转换颜色空间可用opencv的cvtColor函数实现。

hsv_img = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)

注意！！！经过cvtColor函数转换后的图像HSV三通道的取值范围与普遍认知下的HSV通道取值范围不同，可能是为了统一数据类型，opencv将原范围（h:0~360°, s:0~1, v:0~1）映射到了（h:0~180, s:0~255, v:0~255）的空间上。

规定阈值、切割图像：

在颜色空间转换完成后，下一步需要确定网球颜色范围。首先用我们的摄像头拍摄一张照片，从中截取出网球部分进行颜色分析，可以调用calcHist函数和matplotlab包快速实现。

cv2.calcHist(images, channels, mask, histSize, ranges[, hist[, accumulate ]]) ->hist

calcHist()是用于计算颜色直方图的函数，参数意义分别是：

images:输入图像。

channels:图像通道。

mask:掩膜，不使用时置None。

histSize:产生的直方图尺寸，一般与通道值范围有关。

ranges:像素值的范围。

calcHist()会返回hist格式数据，可以直接使用plot()函数进行可视化处理。代码如下：

from matplotlib import pyplot as pltimg = cv2.imread('/test.jpg')
hsv_img = cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
hist_H = cv2.calcHist([hsv_img],[0],None,[181],[0,180])
hist_S = cv2.calcHist([hsv_img],[1],None,[256],[0,255])
hist_V = cv2.calcHist([hsv_img],[2],None,[256],[0,255])    #获得不同通道的颜色直方图
plt.plot(hist_V),plt.xticks(np.arange(0,255,10))           #画图
plt.show()

对截取出的网球图像进行颜色分析得出三通道图：

从图中我们可以直接观察出网球颜色的大致分布区间，先用得到大致分布区间进行图像的预切割。

图像切割函数为：

cv2.inRange(src, lowerb, upperb[, dst]) → dst

参数意义为：

src:输入图像

lowerb:阈值下限

upperb:阈值上限

返回跟原图大小相同的图像矩阵，满足阈值的位置将被置255，其他位置置0。

对图像进行预切割的效果如下（原图来自网络）：

从预切割效果图中可以看出，我们直接观察得到的阈值可以把一部分网球提取出来，但由于网球与摄像头距离、角度的不同，初始阈值并不完全适用与所有网球，因此还需要进一步的调整。作者采用的方法是通过滑动条来实现阈值的动态调整。

cv2.namedWindow('value')
cv2.createTrackbar('h','value',0,180,nothing)
cv2.createTrackbar('_h','value',0,50,nothing)
cv2.createTrackbar('s','value',0,255,nothing)
cv2.createTrackbar('_s','value',0,100,nothing)
cv2.createTrackbar('v','value',0,255,nothing)
cv2.createTrackbar('_v','value',0,100,nothing)while 1:k = cv2.waitKey(10)if k == ord('m'):cv2.destroyAllWindows()breakelif k == ord('n'):print(cv2.getTrackbarPos('h', 'value'), cv2.getTrackbarPos('s', 'value'), cv2.getTrackbarPos('v', 'value'))lower_green = np.array([15,180,150])lower_green = np.array([cv2.getTrackbarPos('h', 'value')-cv2.getTrackbarPos('_h','value'), \cv2.getTrackbarPos('s', 'value')-cv2.getTrackbarPos('_s','value'), \cv2.getTrackbarPos('v', 'value')-cv2.getTrackbarPos('_v','value')])higher_green = np.array([30,255,255])higher_green = np.array([cv2.getTrackbarPos('h', 'value') + cv2.getTrackbarPos('_h', 'value'), \cv2.getTrackbarPos('s', 'value') + cv2.getTrackbarPos('_s', 'value'), \cv2.getTrackbarPos('v', 'value') + cv2.getTrackbarPos('_v', 'value')])mask = cv2.inRange(hsv_img, lower_green, higher_green) cv2.imshow("balls", mask)

通过滑动条调整阈值大小，直到程序能够识别出大部分网球且不会出现大量误判为止，大体效果如下：

记录当前阈值，用于识别程序。

识别轮廓获得图像位置：

经过切割图像后我们获得了含有网球位置信息的黑白掩膜图像，读取出网球的位置信息我们就初步实现了识别程序。黑白掩膜图像是单通道灰度图象，且边缘处像素值突变明显，用轮廓识别函数就可以很简单的获得相关位置信息。轮廓识别函数为：

cv2.findContours(image, mode, method[, contours[, hierarchy[, offset ]]])

参数意义：

image:输入图像

mode:轮廓识别模式。为了避免网球内部噪点的影响，这里可使用cv2.RETR_EXTERNAL只检测外轮廓。

method:输出的轮廓数据类型。这里我们单纯需要简单位置信息，可以使用cv2.CHAIN_APPROX_SIMPLE获得四点坐标。

findContours()会返回一个轮廓列表，然后利用列表中数据在图中画出识别框。

contours, hierarchy = cv2.findContours(mask,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
for c in contours:x,y,w,h = cv2.boundingRect(c)cv2.rectangle(img, (x-d,y-d), (x+w+d,y+h+d),(0,0,255),2)

识别结果如下：

目前，我们就大体上完成了网球识别程序，在实际应用过程中光照影响还是比较严重的，使用时可能需要调整阈值范围。可以尝试监听鼠标点击获得当前网球颜色值调整范围等办法，在此就不一一详述了。