Opencv中的轮廓检测及应用

在openCV中，我们可以对图片的轮廓进行检测，虽然轮廓的检测看起来很简单，只是对一个图形的边框进行描绘，但是，它在很多领域上都应用到了，例如：人脸识别、车辆检测、视频采集等，下面我会通过人脸识别和车辆检测两部分为大家展示。

1.轮廓的概述

轮廓：轮廓是由一系列具有相同或类似的BGR值或灰度值的连续的点构成的曲线，可用于形状分析以及物体的检测和识别。

轮廓与边缘的区别：

边缘是数字图像中亮度变化明显的点所构成的曲线。

边缘检测是检测出轮廓的边缘，轮廓检测是提取图像的轮廓。

边缘检测关注的是图像的边缘，轮廓检测关注的是轮廓构成的图像。

轮廓的绘制：cv2.drawContours(image,contours,contoursIdx,color,thickness,lineType)

参数说明：

dst : 目标图像

image：画布

contours：需要绘制的轮廓

contoursIdx：绘制轮廓的索引

color:绘制颜色

thickness:画笔粗细

lineType:绘制的线型

轮廓框定：

最小外接圆

(x,y),radius=cv2.minEnclosingCircle(points)

(x,y) ：圆心

radius ：半径

points ：被框定的轮廓

外接矩阵：

x,y,w,h = cv2.boundingRect(array)

x：左上顶点坐标

y：右下顶点坐标

w：轮廓矩形的宽

h：轮廓矩形的高

2.轮廓检测

import cv2
import numpy as np
# img=cv2.imread('tsy.jpg')
img=cv2.imread(r'D:\shixunxiangmu\opencv.quan\opencv\lunkuo1.jpg')
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,binary=cv2.threshold(gray,150,255,cv2.THRESH_BINARY)  #二值化
#轮廓查找,第二个参数表示找最外层的轮廓，第三个参数表示存储压缩后的数据
轮廓,层级=cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
print(轮廓)
# print(层级)
#绘制轮廓
cv2.drawContours(img, 轮廓, -1, (0, 0, 255), 5)# #计算面积
# 面积=cv2.contourArea(轮廓[1])
# print(面积)
# #计算周长
# 周长=cv2.arcLength(轮廓[1],True)
# print(周长)
cv2.imshow('lunkuo',img)
cv2.waitKey()

原图：

识别图：

例1：车辆检测

#四大步：加载视频、车辆的识别、车辆的统计、将车辆信息显示出来
#引入两个重要的库
import cv2
# import numpy as np
#加载视频、通过形态学识别车辆、对车辆进行统计、显示车辆统计信息
cap=cv2.VideoCapture(r'D:\shixunxiangmu\openCV\che.mp4')
# 去背景，运动物体为前景，静止物体为背景
bgsubmog=cv2.bgsegm.createBackgroundSubtractorMOG()
min_w=36  #最小宽值
min_h=55  #最小高
line_high=245 #检测线的高度
offset=8 #线的偏移量
carnumber=0
cars=[] #存放有效的车辆
#求车的中心点，来进行车辆的统计
def center(x,y,w,h):x1=int(w/2)y1=int(h/2)cx=x+x1cy=y+y1return cx,cy
#腐蚀卷积核
kernel=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
while True:ret,frame=cap.read()if ret==True:# mask = bgsubmog.apply(blur)#灰度化cv2.cvtColor(frame,cv2.COLOR_BGR2GRAY)# print(frame.shape)#高斯滤波去噪blur=cv2.GaussianBlur(frame,(7,7),5)#获取去背景后的数据mask=bgsubmog.apply(blur)#腐蚀,去掉图中的小方块，比如说车灯、车牌等等erode=cv2.erode(mask,kernel)# cv2.imshow('erode',erode)#膨胀，把车辆还原dilate=cv2.dilate(erode,kernel,iterations=3)# cv2.imshow('dilate',dilate)#闭操作，去除内部的噪点，也就是小方块，可以自己进行调节，达到最优close=cv2.morphologyEx(dilate,cv2.MORPH_CLOSE,kernel)close = cv2.morphologyEx(close, cv2.MORPH_CLOSE, kernel)#去除完背景以及车辆内部的噪点，就可以进行轮廓的查找了#轮廓查找返回两个值，轮廓和层级，cnts,h=cv2.findContours(close,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)#绘制检测线cv2.line(frame,(10,line_high),(1200,line_high),(255,255,0),3)for (i,c) in enumerate(cnts):(x,y,w,h)=cv2.boundingRect(c)#绘制车辆的外界矩形#对车辆的宽高进行判断，验证是不是是有效的车辆isVlid=(w>=min_w) and (h<=min_h)if (not isVlid):continue#在原图上进行矩形的绘制cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 0, 255), 2)center5=center(x,y,w,h)cars.append(center5)for (x,y) in cars:if (y>line_high-offset) and (y<line_high+offset):carnumber+=1cars.remove((x,y))print(carnumber)cv2.putText(frame,"cars count:"+str(carnumber),(100,60),cv2.FONT_HERSHEY_SIMPLEX,2,(255,0,0),5)cv2.imshow('video',frame)key=cv2.waitKey(60)if key==ord('q'):break
#去除背景,creatBackgroundSubtractorMOG(...)
cap.release()
cv2.destroyAllWindows()

在这个例子中，不仅应用到了轮廓检测，还有很多其他的应用，腐蚀、灰度化、二值化、去噪都有涉及，所以，如果需要，也可以采纳。在这里，我们需要注意的是获取视频的路径，代码中是我的视频路径，所以如果直接粘贴复制，可能会报错哦！

下面是视频截图：

例2：人脸识别

import cv2# 载入人脸检测的Cascade模型
FaceCascade = cv2.CascadeClassifier(r'D:\python2\python\Lib\site-packages\cv2\data\haarcascade_frontalface_default.xml')# 载入带有人脸的图片
img = cv2.imread(r'face.png')
# 将彩色图片转换为灰度图
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)# 创建一个窗口 名字叫做Face
cv2.namedWindow('Face',flags=cv2.WINDOW_NORMAL | cv2.WINDOW_KEEPRATIO | cv2.WINDOW_GUI_EXPANDED)# 检测画面中的人脸
faces = FaceCascade.detectMultiScale(gray,scaleFactor=1.1,minNeighbors=5
)# 遍历返回的face数组
for face in faces:# 解析tuple类型的face位置数据# (x, y): 左上角坐标值# w: 人脸矩形区域的宽度# h: 人脸矩形区域的高度(x, y, w, h) = face# 在原彩图上绘制矩形cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 4)# 在窗口Face上面展示图片img
cv2.imshow('Face', img)
# 等待任意按键按下
cv2.waitKey()
# 关闭所有的窗口
cv2.destroyAllWindows()

效果展示：

在这个代码中，我们只是对照片的人脸识别，我们还可以对视频进行人脸识别，如果你拥有代码，欢迎你评论分享给大家！！