物体追踪实战：使用 OpenCV实现对指定颜色的物体追踪

本文实现对特定颜色的物体追踪，我实验用的是绿萝的树叶。

新建脚本ball_tracking.py，加入代码：

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

导入必要的包,然后定义一些函数

def grab_contours(cnts):# 如果 cv2.findContours 返回的轮廓元组的长度为“2”，那么我们使用的是 OpenCV v2.4、v4-beta 或 v4-officialif len(cnts) == 2:cnts = cnts[0]# 如果轮廓元组的长度为“3”，那么我们使用的是 OpenCV v3、v4-pre 或 v4-alphaelif 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]# 如果高和宽为None则直接返回if width is None and height is None:return image# 检查宽是否是Noneif width is None:# 计算高度的比例并并按照比例计算宽度r = height / float(h)dim = (int(w * r), height)# 高为Noneelse:# 计算宽度比例，并计算高度r = width / float(w)dim = (width, int(h * r))resized = cv2.resize(image, dim, interpolation=inter)# return the resized imagereturn resized

grab_contours 对于opencv不同版本做了兼容处理。

resize等比例改变图片的大小。

 命令行参数
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())
# 绿色树叶的HSV色域空间范围
greenLower = (29, 86, 6)
greenUpper = (64, 255, 255)
pts = deque(maxlen=args["buffer"])
vs = cv2.VideoCapture(0)
fps = 30    #保存视频的FPS，可以适当调整
size=(600,450)
fourcc=cv2.VideoWriter_fourcc(*'XVID')
videowrite=cv2.VideoWriter('output.avi',fourcc,fps,size)

定义参数

–video ：视频文件的路径或者摄像头的id

–buffer 是 deque 的最大大小，它维护我们正在跟踪的球的先前 (x, y) 坐标列表。这个双端队列允许我们绘制球的“轨迹”，详细说明它过去的位置。较小的队列将导致较短的尾部，而较大的队列将产生较长的尾部

定义hsv空间的上限和下限

启动摄像头0

最后是保存定义VideoWriter对象，实现对视频的写入功能

while True:ret_val, frame = vs.read()if ret_val is False:breakframe = resize(frame, width=600)# 通过高斯滤波去除掉一些高频噪声，使得重要的数据更加突出blurred = cv2.GaussianBlur(frame, (11, 11), 0)# 将图片转为HSVhsv = cv2.cvtColor(blurred, cv2.COLOR_BGR2HSV)# inRange的作用是根据阈值进行二值化:阈值内的像素设置为白色(255)，阈值外的设置为黑色(0)mask = cv2.inRange(hsv, greenLower, greenUpper)# 腐蚀(erode)和膨胀(dilate)的作用:# 1. 消除噪声;# 2. 分割(isolate)独立的图像元素，以及连接(join)相邻的元素;# 3. 寻找图像中的明显的极大值区域或极小值区域mask = cv2.erode(mask, None, iterations=2)mask = cv2.dilate(mask, None, iterations=2)

开启一个循环，该循环将一直持续到 (1) 我们按下 q 键，表明我们要终止脚本或 (2) 我们的视频文件到达终点并用完帧。

读取一帧，返回两个参数，第一个参数是否成功，第二个参数是一帧图像。

如果失败则break。

对图像进行了一些预处理。首先，我们将框架的大小调整为 600 像素的宽度。缩小帧使我们能够更快地处理帧，从而提高 FPS（因为我们要处理的图像数据更少）。然后我们将模糊框架以减少高频噪声，并使我们能够专注于框架内的结构物体，例如球。最后，我们将帧转换为 HSV 颜色空间。

通过调用 cv2.inRange 处理帧中绿球的实际定位。首先为绿色提供下 HSV 颜色边界，然后是上 HSV 边界。 cv2.inRange 的输出是一个二进制掩码，

 # 寻找轮廓，不同opencv的版本cv2.findContours返回格式有区别，所以调用了一下imutils.grab_contours做了一些兼容性处理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 foundif len(cnts) > 0:# find the largest contour in the mask, then use it to compute the minimum enclosing circle# and centroidc = max(cnts, key=cv2.contourArea)((x, y), radius) = cv2.minEnclosingCircle(c)M = cv2.moments(c)# 对于01二值化的图像，m00即为轮廓的面积, 一下公式用于计算中心距center = (int(M["m10"] / M["m00"]), int(M["m01"] / M["m00"]))# only proceed if the radius meets a minimum sizeif radius > 10:# draw the circle and centroid on the frame, then update the list of tracked pointscv2.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 themif pts[i - 1] is None or pts[i] is None:continue# compute the thickness of the line and draw the connecting linethickness = 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) & 0xFFif key == ord("q"):break
videowrite.release()
vs.release()
cv2.destroyAllWindows()

计算图像中对象的轮廓。在接下来的行中，将球的中心 (x, y) 坐标初始化为 None。

检查以确保在掩码中至少找到一个轮廓。假设至少找到一个轮廓，找到 cnts 列表中最大的轮廓，计算 blob 的最小包围圆，然后计算中心 (x, y) 坐标（即“质心”）。

快速检查以确保最小包围圆的半径足够大。如果半径通过测试，我们然后画两个圆圈：一个围绕球本身，另一个表示球的质心。

然后，将质心附加到 pts 列表中。

循环遍历每个 pts。如果当前点或前一个点为 None（表示在该给定帧中没有成功检测到球），那么我们忽略当前索引继续循环遍历 pts。

如果两个点都有效，我们计算轨迹的厚度，然后将其绘制在框架上。

运行结果：

物体追踪实战：使用 OpenCV实现对指定颜色的物体追踪相关推荐

Opencv实战 | 用摄像头自动化跟踪特定颜色物体
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达本文转自:新机器视觉 1. 导语在之前的某个教程里,我们探讨了如 ...
Python+OpenCV教程5：颜色空间转换追踪视频中特定颜色的物体消除票据中的红色印章
目标颜色空间转换,如BGR↔Gray,BGR↔HSV等追踪视频中特定颜色的物体 OpenCV函数:cv2.cvtColor(),cv2.inRange() 消除票据中的红色印章教程颜色空间转换 ...
[python opencv 计算机视觉零基础到实战] 一 opencv的helloworld
前置条件说明:本系列opencv实战教程将从基础到实战,若只是简单学习完python也可以通过该教程完成一般的机器学习编程:文中将会对很多python的基础内容进行讲解,但由于文章定位的原因将不会赘 ...
深度学习二(Pytorch物体检测实战)
深度学习二(Pytorch物体检测实战) 文章目录深度学习二(Pytorch物体检测实战) 1.PyTorch基础 1.1.基本数据结构:Tensor 1.1.1.Tensor数据类型 1.1.2. ...
【CV-tracking】多目标跟踪-实战（OpenCV+YOLO+DeepSORT）
[CV-tracking]多目标跟踪-实战(OpenCV+YOLO+DeepSORT) 文章目录 1. 参考文献 1.1. 数据集 1.2. 可复现的代码 1.3. YOLO教程 1.4. DeepS ...
深度学习三(PyTorch物体检测实战)
深度学习三(PyTorch物体检测实战) 文章目录深度学习三(PyTorch物体检测实战) 1.网络骨架:Backbone 1.1.神经网络基本组成 1.1.1.卷积层 1.1.2.激活函数层 1. ...
《深度学习之PyTorch物体检测实战》—读书笔记
随书代码物体检测与PyTorch 深度学习为了赋予计算机以人类的理解能力与逻辑思维,诞生了人工智能(Artificial Intelligence, AI)这一学科.在实现人工智能的众多算法中,机 ...
26.菊花厂员工泄密事件(Qt5文件及磁盘处理)--- OpenCV从零开始到图像（人脸 + 物体）识别系列
本文作者:小嗷微信公众号:aoxiaoji 吹比QQ群:736854977 简书链接:https://www.jianshu.com/u/45da1fbce7d0 本信息都来源与网络公开内容.如有疑 ...
25.消除不相关的细节/裂缝桥接(形态学 --膨胀与腐蚀详解 )--- OpenCV从零开始到图像（人脸 + 物体）识别系列
本文作者:小嗷微信公众号:aoxiaoji 吹比QQ群:736854977 简书链接:https://www.jianshu.com/u/45da1fbce7d0 本文你会找到以下问题的答案: 形态 ...

物体追踪实战：使用 OpenCV实现对指定颜色的物体追踪

物体追踪实战：使用 OpenCV实现对指定颜色的物体追踪相关推荐

最新文章

热门文章