Python+OpenCV实现基于颜色的目标识别
本文介绍使用Python和OpenCV进行基于颜色的目标识别实战。针对固定背景下的气球检测，对比了轮廓提取与颜色识别两种方案，最终选择基于HSV空间的颜色分割方法。通过高斯滤波、腐蚀操作及轮廓过滤，成功提取目标并计算中心点坐标，适用于四足机器人等移动平台场景。
在掌握OpenCV基础知识后，我选择了一个小型项目进行实践。需要说明的是，本文所述方法并非最优解，仅作为练习参考，欢迎专业人士提出改进建议。
任务
核心目标是利用摄像头识别视野内的气球，并返回每个气球的中心点坐标。
由于场地固定且背景单一，处理流程得以简化。这里存在两种解决思路：一是基于形状进行轮廓提取，将闭合的椭圆或圆形视为目标；二是基于颜色进行识别，只要像素值符合目标颜色范围即判定为目标。
考虑到摄像头安装在四足机器人身上（其任务是扎破气球），当机器人移动导致气球在视野中变形为非闭合椭圆或圆形时，基于形状的方法将失效。此外，场地灯光产生的阴影也会干扰图像处理结果，导致提取的气球轮廓不完整。因此，初步实践表明基于形状的方法不可行，予以否决。
最终采用基于颜色的识别方案，具体实现思路如下：
首先对图像进行形态学处理：读取灰度图并进行高斯滤波，随后转换为HSV色彩空间，执行腐蚀操作。接着进行目标颜色的识别与提取，获取图像轮廓并过滤掉面积较小的干扰物体，将剩余大轮廓视为目标。随后绘制目标的外接矩形（主要用于调试，同时也为了视觉效果）。最后计算目标中心点坐标并返回，同时在图像中标记出来。
接下来展示具体的代码实现。
主要代码
import cv2
#import matplotlib.pyplot as plt
import numpy as np
#定义一个展示图片的函数
def cv_show(name,img):
cv2.imshow(name,img)
cv2.waitKey(0)
cv2.destroyAllWindows()
#定义一个形态学处理的函数
def good_thresh_img(img):
gs_frame = cv2.GaussianBlur(img, (5, 5), 0) #高斯滤波
hsv = cv2.cvtColor(gs_frame, cv2.COLOR_BGR2HSV) # 转化成HSV图像
erode_hsv = cv2.erode(hsv, None, iterations=2)
return erode_hsv
#定义一个识别目标颜色并处理的函数
def select_color_img(target_color,img):
for i in target_color:
mask=cv2.inRange(erode_hsv,color_dist[i]['Lower'],color_dist[i]['Upper'])
if(i==target_color[0]):
inRange_hsv=cv2.bitwise_and(erode_hsv,erode_hsv,mask = mask)
cv_show('res',inRange_hsv)#不必要，用于调试
else:
inRange_hsv1=cv2.bitwise_and(erode_hsv,erode_hsv,mask = mask)
cv_show('res1',inRange_hsv1)#不必要，用于调试
inRange_hsv=cv2.add(inRange_hsv,inRange_hsv1)
cv_show('res2',inRange_hsv)#不必要，用于调试
return inRange_hsv
#定义一个提取轮廓的函数
def extract_contour(img):
inRange_gray = cv2.cvtColor(final_inRange_hsv,cv2.COLOR_BGR2GRAY)
contours,hierarchy = cv2.findContours(inRange_gray,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
return contours
#定义一个寻找目标并绘制外接矩形的函数
def find_target(contours,draw_img):
for c in contours:
if cv2.contourArea(c) < 2000: #过滤掉较面积小的物体
continue
else:
target_list.append(c) #将面积较大的物体视为目标并存入目标列表
for i in target_list: #绘制目标外接矩形
rect = cv2.minAreaRect(i)
box = cv2.boxPoints(rect)
cv2.drawContours(draw_img, [np.int0(box)], -1, (0, 255, 255), 2)
return draw_img
#定义一个绘制中心点坐标的函数
def draw_center(target_list,draw_img):
for c in target_list:
M = cv2.moments(c) #计算中心点的x、y坐标
center_x = int(M['m10']/M['m00'])
center_y = int(M['m01']/M['m00'])
print('center_x:',center_x) #打印（返回）中心点的x、y坐标
print('center_y:',center_y)
cv2.circle(draw_img,(center_x,center_y),7,128,-1)#绘制中心点
str1 = '(' + str(center_x)+ ',' +str(center_y) +')' #把坐标转化为字符串
cv2.putText(draw_img,str1,(center_x-50,center_y+40),cv2.FONT_HERSHEY_SIMPLEX,1,(255,255,0),2,cv2.LINE_AA)#绘制坐标点位
return draw_img
###主函数部分
#创建颜色字典
color_dist = {'red': {'Lower': np.array([0, 60, 60]), 'Upper': np.array([6, 255, 255])},
'yellow': {'Lower': np.array([15, 160, 50]), 'Upper': np.array([35, 255, 255])},
'green': {'Lower': np.array([50, 50, 50]), 'Upper': np.array([130, 255, 255])},
}
#目标颜色
target_color = ['green','yellow']
#创建目标列表
target_list=[]
img = cv2.imread(r'D:lesson\balloom.jpg',cv2.COLOR_BGR2RGB) #读入图像（直接读入灰度图）
draw_img = img.copy() #为保护原图像不被更改而copy了一份，下面对图像的修改都是对这个副本进行的
erode_hsv = good_thresh_img(img)
final_inRange_hsv = select_color_img(target_color,erode_hsv)
contours = extract_contour(final_inRange_hsv)
draw_img = find_target(contours,draw_img)
final_img = draw_center(target_list,draw_img)
cv_show('final_img',final_img)
效果展示
颜色提取效果：
绘制外接矩形及中心点的效果：
关于Python结合OpenCV实现基于颜色的目标识别就介绍到这里。如需了解更多Python与OpenCV相关的颜色识别内容，可搜索本站往期文章或浏览下方相关链接。感谢大家的支持！
本站声明
本文内容仅供参考，不代表本站观点。转载或引用请注明出处。如发现内容问题，请通过联系我们页面反馈。
