龙空技术网

50行Python代码实现物体颜色识别和跟踪(必须以红色为例)

千锋IT教育 593

前言:

而今看官们对“python物体识别”大约比较着重,我们都想要剖析一些“python物体识别”的相关知识。那么小编在网上收集了一些关于“python物体识别””的相关文章,希望大家能喜欢,看官们一起来学习一下吧!

目前计算机视觉(CV)与自然语言处理(NLP)及语音识别并列为人工智能三大热点方向,而计算机视觉中的目标检测(ObjectDetection)应用非常广泛,比如自动驾驶、视频监控、工业质检、医疗诊断等场景。

目标检测的根本任务就是将图片或者视频中感兴趣的目标提取出来,目标的识别可以基于颜色、纹理、形状。其中颜色属性运用十分广泛,也比较容易实现。下面就向大家分享一个我做的小实验———通过OpenCV的Python接口实现从视频中物体颜色识别和跟踪。

下面就是我们完整的代码实现(已调试运行):

import numpy as npimport cv2font = cv2.FONT_HERSHEY_SIMPLEXlower_green = np.array([35, 110, 106]) # 绿色范围低阈值upper_green = np.array([77, 255, 255]) # 绿色范围高阈值lower_red = np.array([0, 127, 128]) # 红色范围低阈值upper_red = np.array([10, 255, 255]) # 红色范围高阈值#需要更多颜色,可以去百度一下HSV阈值!# cap = cv2.VideoCapture('1.mp4') # 打开视频文件cap = cv2.VideoCapture(0)#打开USB摄像头if (cap.isOpened()): # 视频打开成功 flag = 1else: flag = 0num = 0if (flag): while (True): ret, frame = cap.read() # 读取一帧  if ret == False: # 读取帧失败 break hsv_img = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) mask_green = cv2.inRange(hsv_img, lower_green, upper_green) # 根据颜色范围删选 mask_red = cv2.inRange(hsv_img, lower_red, upper_red) # 根据颜色范围删选 mask_green = cv2.medianBlur(mask_green, 7) # 中值滤波 mask_red = cv2.medianBlur(mask_red, 7) # 中值滤波 mask = cv2.bitwise_or(mask_green, mask_red) mask_green, contours, hierarchy = cv2.findContours(mask_green, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) mask_red, contours2, hierarchy2 = cv2.findContours(mask_red, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) for cnt in contours: (x, y, w, h) = cv2.boundingRect(cnt) cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 255), 2) cv2.putText(frame, "Green", (x, y - 5), font, 0.7, (0, 255, 0), 2) for cnt2 in contours2: (x2, y2, w2, h2) = cv2.boundingRect(cnt2) cv2.rectangle(frame, (x2, y2), (x2 + w2, y2 + h2), (0, 255, 255), 2) cv2.putText(frame, "Red", (x2, y2 - 5), font, 0.7, (0, 0, 255), 2) num = num + 1 cv2.imshow("dection", frame) cv2.imwrite("imgs/%d.jpg"%num, frame) if cv2.waitKey(20) & 0xFF == 27: breakcv2.waitKey(0)cv2.destroyAllWindows()

如图所示,我们将会检测到红色区域



最终的效果图:



同学们,有没有发现这段代码的潜在价值?比如某种颜色的识别?你发现了啥,评论区留言吼!

标签: #python物体识别