| 编辑推荐: |
本文主要介绍了OpenCV通过导入库python导入图像，使用余弦定理识别手指等内容。
本文来自于小白学视觉 ，由火龙果软件Linda编辑、推荐。 |
|
利用余弦定理使用OpenCV-Python实现手指计数与手掌检测。
手检测和手指计数
接下来让我们一起探索以下这个功能是如何实现的。
OpenCV
OpenCV（开源计算机视觉库）是一个开源计算机视觉和机器学习软件库。OpenCV的构建旨在为计算机视觉应用程序提供通用的基础结构，并加速在商业产品中使用机器感知。
导入库
cv2： opencv [pip install opencv]
numpy：用于处理数组和数学[pip install numpy]
import cv2 as
cv
import numpy as npt |
导入图像
img_path = "data/palm.jpg"
img = cv.imread(img_path)
cv.imshow('palm image',img) |
手掌图像
皮肤Mask
用于突出显示图像上的特定颜色。
hsvim：将BGR（蓝色，绿色，红色）图像更改为HSV（色相，饱和度，值）。
较低：HSV中的肤色范围较小。
upper：HSV中皮肤颜色的上限。
skinRegionHSV：在HSV色彩空间的上下像素值范围内检测皮肤。
模糊：使图像模糊以改善遮罩。
脱粒：脱粒。
hsvim = cv.cvtColor
(img, cv.COLOR_BGR2HSV)
lower = np.array ([0, 48, 80], dtype = "uint8")
upper = np.array ([20, 255, 255], dtype = "uint8")
skinRegionHSV = cv.inRange(hsvim, lower, upper)
blurred = cv.blur(skinRegionHSV, (2,2))
ret,thresh = cv.threshold (blurred,0,255,cv.THRESH_BINARY)
cv.imshow ("thresh", thresh) |
处理结果
轮廓线绘制
现在让我们在图像上找到轮廓。
contours, hierarchy
= cv.findContours (thresh, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)
contours = max(contours, key=lambda x: cv.contourArea(x))
cv.drawContours (img, [contours], -1, (255,255,0),
2)
cv.imshow("contours", img) |
手掌轮廓线
凸包检测
hull = cv.convexHull(contours)
cv.drawContours (img, [hull], -1, (0, 255, 255),
2)
cv.imshow("hull", img) |
检测结果
凸缺陷检测
手掌与凸包检测轮廓线的任何偏离的地方都可以视为凸度缺陷。
hull = cv.convexHull (contours,
returnPoints=False)
defects = cv.convexityDefects (contours, hull) |
凸缺陷示例
余弦定理
现在，这是数学时间！让我们了解余弦定理。
在三角学中，余弦定律将三角形边的长度与其角度之一的余弦相关。使用如图1所示的符号表示，余弦定律表明，其中γ表示长度a和b的边之间的长度以及与长度c的边相对的角度。
图1
式：
通过现在看这个公式，我们知道如果有的话；a，b和gama然后我们也找到c以及是否有c ; a，b，c然后我们也找到伽玛（反之亦然）
为了找到伽玛，使用以下公式：
使用余弦定理识别手指
图2
在图2中，我画了一个Side：a，b，c和angle：gamma。现在，该伽马始终小于90度，因此可以说：如果伽马小于90度或pi
/ 2，则将其视为手指。
手指个数计算
注意：如果您不熟悉凸出缺陷，可以阅读文章。
凸缺陷返回一个数组，其中每一行都包含以下值：
起点
终点
最远点
到最远点的大概距离
通过这一点，我们可以轻松得出Sides：a，b，c（请参见CODE），并且根据余弦定理，我们还可以得出两根手指之间的伽马或角度。如前所述，如果伽玛小于90度，我们会将其视为手指。知道伽玛后，我们只需画一个半径为4的圆，到最远点的近似距离即可。在将文本简单地放入图像中之后，我们就表示手指数（cnt）。
if defects is
not None:
cnt = 0
for i in range (defects.shape[0]): # calculate
the angle
s, e, f, d = defects[i][0]
start = tuple(contours[s][0])
end = tuple(contours[e][0])
far = tuple(contours[f][0])
a = np.sqrt ((end[0] - start[0]) ** 2 + (end[1]
- start[1]) ** 2)
b = np.sqrt ((far[0] - start[0]) ** 2 + (far[1]
- start[1]) ** 2)
c = np.sqrt ((end[0] - far[0]) ** 2 + (end[1]
- far[1]) ** 2)
angle = np.arccos ((b ** 2 + c ** 2 - a ** 2) /
(2 * b * c)) # cosine theorem
if angle <= np.pi / 2: # angle less than 90
degree, treat as fingers
cnt += 1
cv.circle (img, far, 4, [0, 0, 255], -1)
if cnt > 0:
cnt = cnt+1
cv.putText (img, str(cnt), (0, 50), cv.FONT_HERSHEY_SIMPLEX,1,
(255, 0, 0) , 2, cv.LINE_AA) |
让我们看看最终结果
| cv.imshow('final_result',img) |
我们也可以通过调用“ cv.VideoCapture（）”来对视频执行此操作。代码
|
