简介

人脸识别和目标检测这样的术语听起来很酷，但是当涉及到从头开始创建它们时，初学者都会感到困惑。这些技术通常看起来很吓人，但一旦你掌握了基本原理，它们就相当简单了。

图像处理有多种应用，如用于解析文档和生成相应文本的光学字符识别(OCR)、图像增强与恢复、事件识别、人体运动识别、手势识别、人脸识别等。

你可能遇到过奇形怪状的滤波器，有没有想过那是怎么做的？在本文中，我们将通过制作一个简单的滤波器来开始我们的图像处理之旅！

什么是OpenCV

OpenCV是一个开源库，包含了许多计算机视觉算法。它在计算机视觉和图像处理中起着重要作用，用于实时操作，其效率足以满足当今世界的要求。OpenCV可以与其他库一起使用，比如Numpy，这使得Python能够处理OpenCV数组结构。

建立我们的第一个滤波器

检测逻辑

计算机不能像人类一样识别物体。为了达到这个目的，我们可以使用各种技术来让计算机理解图像。在这种情况下，我们将保持颜色作为检测物体的主要依据。

我们将使用HSV颜色空间作为检测逻辑。

什么是HSV

HSV是Hue, Saturation 和Value(色调、饱和度和值)。

?色调：根据光谱，物体的颜色可分为红、蓝、绿、黄四种颜色；?饱和度：它定义颜色的强度；?值：定义颜色的亮度。

OpenCV中有150多种颜色空间转换方法，其中一种是彩色图像到HSV图像的转换。

来看看代码

我们需要导入将要使用的库-OpenCV(cv2)和Numpy。

import cv2
import numpy as np

Numpy是一个python库，用于处理数组，它比传统的python列表快50倍。这对我们来说非常重要，因为我们要处理很多图像。Numpy给了我们在线性代数、傅立叶变换、矩阵等领域工作的函数。

import cv2
import numpy as np
def nothing():
 pass
cap=cv2.VideoCapture(0)
# 跟踪代码到这里
while(1):
 _, img = cap.read()


 # 代码
 k=cv2.waitkey(1)&0xFF
 if k==27:
 break
cap.release()
cv2.destroyAllWindows()

我们创建了一个回调函数，它什么也不做。让我们看看为什么。

我们将使用一个窗口来控制HSV，因为我们不知道要检测的对象的HSV。因此我们将用它来调整HSV的上下限。

因为当我们使用创建trackbar的方法时，我们需要传递一个必要的回调函数，在我们的例子中，这个回调函数什么也不做(但是它的使用会根据父函数的需要而改变)。然后我们使用方法cv2.videocapture(0)，它是一个内置函数，用来从默认摄像机捕捉视频(0表示选择默认摄像机)。最后，我们删除了所有的窗口，并在一个点击事件(这里我们设置为ESC键)后释放捕获。

我们可以用下面的函数命名一个窗口。

cv2.namedWindow(<window name>)

继续编码：

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，在设置检测条件后，我们需要将原始数据(即彩色图像)转换为HSV图像。为了将基本彩色图像转换为HSV图像，我们将使用：

<variableName> = cv2.cvtColor(<frameName>,cv2.COLOR_BGR2HSV)

然后利用Numpy数组方法设置trackbar中数据的上下界：

<variableName> = np.array(<array_Of_Parameters>)

使用这个，我们将得到上面设置的所有轨迹条值，现在真正的游戏开始了。我们将主要做两件事：

1.创建掩码

掩码是一种二进制图像，它指示要在其中执行操作的像素。

2.我们将使用位和逻辑来屏蔽原始图像，使用名为“bitwise_and”的cv2方法，它执行逻辑与运算。

<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.array([l_h,l_s,l_v])
 u_b=np.array([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()

这些帧使用名为“imshow”的方法显示。

cv2.imshow(<name_of_Window>, <windowVariable>)

结果

只检测到粉红色的物体，为什么会这样？因为我们只想选择粉红色的物体！实际上，我们已经使用轨迹条为特定的粉红色设置了HSV值，这就是输出只有特定粉红色的原因。您可以选择要检测的任何特定颜色的值。就这样，我们做了第一个滤波器！

结论

因此，我们创建了一个滤波器，可以检测我们选择的特定颜色的物体。我们所做的只是图像处理和目标检测的一个非常基本的介绍性任务。近年来，计算机视觉领域有了很大的发展。其中大部分都包含了机器学习和深度学习技术。在许多项目中，对象检测是首先执行的基本任务，因为它为我们提供了有关环境的信息，我们可以根据使用情况进行过滤。

参考引用

?Implementing colour and shape-based object detection and tracking with OpenCV(https://hub.packtpub.com/implementing-color-and-shape-based-object-detection-and-tracking-with-opencv-and-cuda-tutorial/).