简介人脸识别和目标检测这样的术语听起来觉得很酷，但是当涉及到从头开始实现它们时，每个初学者都会觉得困难，这些技术实际上并没有那么难实现，一旦你掌握了其基本原理，那么实现它们就相当简单了。图像处理有很多种应用，包括用于解析文档和生成相应文本的光学字符识别（OCR）、图像增强与重建、物体识别、人体运动识别、手势识别、人脸识别等。在学习的过程中，你会遇到过奇形怪状的各种图像滤波器，那有没有去思考如何实现它吗，在本文中，我们将通过实现一个简单的滤波器来开始我们的图像处理之旅！什么是OpenCVOpenCV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，其效率足以满足工业上的要求。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。实现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，为了能让计算机达到这个目的，我们可以使用各种技术来让计算机理解图像，我们会将颜色作为检测物体的主要依据。我们使用HSV颜色空间作为检测特征。什么是HSVHSV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：它定义了颜色的强度。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。我们来看看代码我们需要导入我们要使用的库－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）
while（1）：
＿， img ＝ cap．read（）
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）；然后我们使用了一个方法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＞）
让我们继续敲代码…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，我们会得到上面设置的所有轨迹条值。接下来我们主要做两件事：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。我们使用名为“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
结果只检测到粉红色的物体，这是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值。
结论本文我们实现了一个滤波器，可以检测我们指定特定颜色的物体。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．
