簡介人臉識別和目標檢測這樣的術語聽起來覺得很酷，但是當涉及到從頭開始實現(xiàn)它們時，每個初學者都會覺得困難，這些技術實際上并沒有那么難實現(xiàn)，一旦你掌握了其基本原理，那么實現(xiàn)它們就相當簡單了。圖像處理有很多種應用，包括用于解析文檔和生成相應文本的光學字符識別（OCR）、圖像增強與重建、物體識別、人體運動識別、手勢識別、人臉識別等。在學習的過程中，你會遇到過奇形怪狀的各種圖像濾波器，那有沒有去思考如何實現(xiàn)它嗎，在本文中，我們將通過實現(xiàn)一個簡單的濾波器來開始我們的圖像處理之旅！什么是OpenCVOpenCV是一個開源庫，包含了許多計算機視覺算法。它在計算機視覺和圖像處理中起著重要作用，用于實時操作，其效率足以滿足工業(yè)上的要求。OpenCV可以與其他庫一起使用，比如Numpy，這使得Python能夠處理OpenCV數(shù)組結(jié)構(gòu)。實現(xiàn)我們的第一個濾波器檢測邏輯計算機不能像人類一樣識別物體，為了能讓計算機達到這個目的，我們可以使用各種技術來讓計算機理解圖像，我們會將顏色作為檢測物體的主要依據(jù)。我們使用HSV顏色空間作為檢測特征。什么是HSVHSV是Hue， Saturation 和Value（色調(diào)、飽和度和值）。色調(diào)：根據(jù)光譜，物體的顏色可分為紅、藍、綠、黃四種顏色。飽和度：它定義了顏色的強度。值：定義顏色的亮度。OpenCV中有150多種顏色空間轉(zhuǎn)換方法，其中一種是彩色圖像到HSV圖像的轉(zhuǎn)換。我們來看看代碼我們需要導入我們要使用的庫－OpenCV（cv2）和Numpy。import cv2

import numpy as np

Numpy是一個python庫，用于處理數(shù)組，它比傳統(tǒng)的python列表快50倍，這對我們來說非常重要，因為我們要處理很多圖像。Numpy給了我們在線性代數(shù)、傅立葉變換、矩陣等領域工作的函數(shù)。import cv2
import numpy as np
def nothing（）：
 pass
cap＝cv2．VideoCapture（0）
while（1）：
 ＿， img ＝ cap．read（）
 k＝cv2．waitkey（1）＆0xFF
 if k＝＝27：
   break
cap．release（）
cv2．destroyAllWindows（）

我們創(chuàng)建了一個回調(diào)函數(shù)，它什么也不做，讓我們看看為什么。我們使用一個窗口來控制HSV，因為我們不知道要檢測的對象的HSV，因此我們用它來調(diào)整HSV的上下限。因為當我們使用創(chuàng)建trackbar的方法時，我們需要傳遞一個必要的回調(diào)函數(shù)，在我們的例子中，這個回調(diào)函數(shù)什么也不做（但是它的使用會根據(jù)父函數(shù)的需要而改變）；然后我們使用了一個方法cv2．videocapture（0），它是一個內(nèi)置函數(shù)，用來從默認攝像機捕捉視頻（0表示選擇默認攝像機）；最后，我們刪除了所有的窗口，并在一個點擊事件（這里我們設置為ESC鍵）后釋放捕獲。我們可以用下面的函數(shù)命名一個窗口。cv2．namedWindow（＜window name＞）
讓我們繼續(xù)敲代碼…import cv2
import numpy as np
def nothing（x）：
   pass
 
cap＝cv2．VideoCapture（0）
cv2．namedWindow（＇tracking＇）
cv2．createTrackbar（＇LH＇，＇tracking＇，0，255，nothing）
cv2．createTrackbar（＇LS＇，＇tracking＇，0，255，nothing）
cv2．createTrackbar（＇LV＇，＇tracking＇，0，255，nothing）
cv2．createTrackbar（＇UH＇，＇tracking＇，255，255，nothing）
cv2．createTrackbar（＇US＇，＇tracking＇，255，255，nothing）
cv2．createTrackbar（＇UV＇，＇tracking＇，255，255，nothing）

因此，在設置檢測條件后，我們需要將原始數(shù)據(jù)（即彩色圖像）轉(zhuǎn)換為HSV圖像。為了將基本彩色圖像轉(zhuǎn)換為HSV圖像，我們使用＜variableName＞ ＝ cv2．cvtColor（＜frameName＞，cv2．COLOR＿BGR2HSV）

然后利用Numpy數(shù)組方法設置trackbar中數(shù)據(jù)的上下界。＜variableName＞ ＝ np．a(chǎn)rray（＜array＿Of＿Parameters＞）

使用這個，我們會得到上面設置的所有軌跡條值。接下來我們主要做兩件事：1．創(chuàng)建掩碼掩碼是一種二進制圖像，它指示要在其中執(zhí)行操作的像素。2．我們將使用位和邏輯來屏蔽原始圖像。我們使用名為“bitwise＿and”的cv2方法，它執(zhí)行邏輯與運算。＜maskName＞ ＝ cv2．inRange（hav， l＿b， u＿b）
res ＝ cv2．bitwise＿and（＜frameName＞， ＜frameName＞， mask ＝ ＜maskName＞）
import cv2
import numpy as np
def nothing（x）：
   pass
cap＝cv2．VideoCapture（0）
cv2．namedWindow（＇tracking＇）
cv2．createTrackbar（＇LH＇，＇tracking＇，0，255，nothing）
cv2．createTrackbar（＇LS＇，＇tracking＇，0，255，nothing）
cv2．createTrackbar（＇LV＇，＇tracking＇，0，255，nothing）
cv2．createTrackbar（＇UH＇，＇tracking＇，255，255，nothing）
cv2．createTrackbar（＇US＇，＇tracking＇，255，255，nothing）
cv2．createTrackbar（＇UV＇，＇tracking＇，255，255，nothing）
while （1）：
   ＿， img＝cap．read（）
   hav＝cv2．cvtColor（img，cv2．COLOR＿BGR2HSV）
   l＿h＝cv2．getTrackbarPos（＇LH＇，＇tracking＇）
   l＿s＝cv2．getTrackbarPos（＇LS＇， ＇tracking＇）
   l＿v＝cv2．getTrackbarPos（＇LV＇， ＇tracking＇）
   u＿h＝cv2．getTrackbarPos（＇UH＇， ＇tracking＇）
   u＿s＝cv2．getTrackbarPos（＇US＇， ＇tracking＇）
   u＿v＝cv2．getTrackbarPos（＇UV＇， ＇tracking＇）
   l＿b＝np．a(chǎn)rray（［l＿h，l＿s，l＿v］）
   u＿b＝np．a(chǎn)rray（［u＿h，u＿s，u＿v］）
   mask＝cv2．inRange（hav， l＿b， u＿b）
   res ＝ cv2．bitwise＿and（img， img， mask＝mask）
   cv2．imshow（＇image＇， img）
   cv2．imshow（＇mask＇， mask）
   cv2．imshow（＇res＇， res）
   k＝cv2．waitKey（1）＆0xFF
   if k＝＝27：
       break
cap．release（）
cv2．destroyAllWindows（）

這些幀使用名為“imshow”的方法顯示。cv2．imshow（＜name＿of＿Window＞， ＜windowVariable＞）

結(jié)果

結(jié)果只檢測到粉紅色的物體，這是因為我們只想選擇粉紅色的物體！實際上，我們已經(jīng)使用軌跡條為特定的粉紅色設置了HSV值，這就是輸出只有特定粉紅色的原因。您可以選擇要檢測的任何特定顏色值。

結(jié)論本文我們實現(xiàn)了一個濾波器，可以檢測我們指定特定顏色的物體。我們所做的只是圖像處理和目標檢測的一個非�；�本的介紹性任務。近年來，計算機視覺領域有了很大的發(fā)展，其中大部分都包含了機器學習和深度學習技術。在許多項目中，對象檢測是首先執(zhí)行的基本任務，因為它為我們提供了有關環(huán)境的信息，我們可以根據(jù)使用情況進行過濾。

參考引用Implementing colour and shape－based object detection and tracking with OpenCV．