怎么在Python3.5 中利用OpenCV實現一個手勢識別功能

發布時間：2020-12-22 11:56:32

來源：億速云

閱讀：67

作者：Leah

怎么在Python3.5 中利用OpenCV實現一個手勢識別功能？相信很多沒有經驗的人對此束手無策，為此本文總結了問題出現的原因和解決方法，通過這篇文章希望你能解決這個問題。

OpenCV用攝像頭捕獲視頻

采用方法：調用OpenCV——cv2.VideoCapture()def?video_capture():

cap?=?cv2.VideoCapture(0)

while?True:

#?capture?frame-by-frame

ret,?frame?=?cap.read()

#?our?operation?on?the?frame?come?here

#?gray?=?cv2.cvtColor(frame,?cv2.COLOR_BGR2GRAY)?可選擇灰度化

#?display?the?resulting?frame

cv2.imshow('frame',?frame)

if?cv2.waitKey(1)?&?0xFF?==?ord('q'):?#?按q鍵退出

break

#?when?everything?done?,?release?the?capture

cap.release()

cv2.destroyAllWindows()

效果如下

膚色識別——橢圓膚色檢測模型

參考下述博文

https://www.jb51.net/article/202594.htm

代碼如下def?ellipse_detect(img):

#?橢圓膚色檢測模型

skinCrCbHist?=?np.zeros((256,?256),?dtype=np.uint8)

cv2.ellipse(skinCrCbHist,?(113,?155),?(23,?15),?43,?0,?360,?(255,?255,?255),?-1)

YCRCB?=?cv2.cvtColor(img,?cv2.COLOR_BGR2YCR_CB)

(y,?cr,?cb)?=?cv2.split(YCRCB)

skin?=?np.zeros(cr.shape,?dtype=np.uint8)

(x,?y)?=?cr.shape

for?i?in?range(0,?x):

for?j?in?range(0,?y):

CR?=?YCRCB[i,?j,?1]

CB?=?YCRCB[i,?j,?2]

if?skinCrCbHist[CR,?CB]?>?0:

skin[i,?j]?=?255

dst?=?cv2.bitwise_and(img,?img,?mask=skin)

return?dst

效果如下，可見與膚色相近的物體全被提取出來，包括桌子。。。

識別時需尋找一無干擾環境

去噪——濾波、腐蝕和膨脹

參考下述博文

https://www.jb51.net/article/202599.htm

采用方法：高斯濾波 cv2.GaussianBlur() + 膨脹 cv2.dilate()，代碼如下#?膨脹

def?dilate_demo(image):

#?灰度化

gray?=?cv2.cvtColor(image,?cv2.COLOR_BGR2GRAY)

#?二值化

ret,?binary?=?cv2.threshold(gray,?0,?255,?cv2.THRESH_BINARY?|?cv2.THRESH_OTSU)

#?定義結構元素的形狀和大小

kernel?=?cv2.getStructuringElement(cv2.MORPH_RECT,?(5,?5))

#?膨脹操作

dst?=?cv2.dilate(binary,?kernel)

return?dst

#?腐蝕

def?erode_demo(image):

#?灰度化

gray?=?cv2.cvtColor(image,?cv2.COLOR_BGR2GRAY)

#?二值化

ret,?binary?=?cv2.threshold(gray,?0,?255,?cv2.THRESH_BINARY?|?cv2.THRESH_OTSU)

#?定義結構元素的形狀和大小

kernel?=?cv2.getStructuringElement(cv2.MORPH_RECT,?(15,?15))

#?腐蝕操作

dst?=?cv2.erode(binary,?kernel)

return?dst

#?濾波

def?img_blur(image):

#?腐蝕操作

#?img_erode?=?erode_demo(image)

#?膨脹操作

img_dilate?=?dilate_demo(image)

#?均值濾波

#?blur?=?cv2.blur(image,?(5,?5))

#?高斯濾波

blur?=?cv2.GaussianBlur(img_dilate,?(3,?3),?0)

return?blur

Canny邊緣檢測

參考OpenCV中文教程

https://www.kancloud.cn/aollo/aolloopencv/271603

代碼如下#?Canny邊緣檢測v

def?canny_detect(image):

edges?=?cv2.Canny(image,?50,?200)

return?edges

識別——輪廓匹配

Tensorflow框架實在太難搭，搭了半天沒搭出來，還一堆錯誤。。。所以采用輪廓匹配 cv2.matchShapes() ，方案如下：劃分出了一個手勢識別區域，可避免周圍環境的干擾，也可簡化圖像處理過程

尋找輪廓時采用尋找矩形框架 cv2.boundingRect()的方法找到最大輪廓，即手勢的輪廓

將找到的輪廓直接與標準圖片進行匹配，簡化識別過程

但在匹配時發現“剪刀”的手勢常與“石頭”、“布”的手勢匹配到一起。。。所以另辟蹊徑，在匹配時加上了對于矩形框架面積的判斷，一般來說有如下規律，石頭

value?=?[0,?0,?0]

value[0]?=?cv2.matchShapes(img_contour,?img1,?1,?0.0)

value[1]?=?cv2.matchShapes(img_contour,?img2,?1,?0.0)

value[2]?=?cv2.matchShapes(img_contour,?img3,?1,?0.0)

min_index?=?np.argmin(value)

if?min_index?==?0:?#?剪刀

print(text[int(min_index)],?value)

elif?min_index?==?1?and?w*h?

print(text[int(min_index)],?value)

elif?min_index?==?1?and?w*h?>=?25000:?#?剪刀

print(text[0],?value)

elif?min_index?==?2?and?w?*?h?>?30000:?#?布

print(text[int(min_index)],?value)

elif?min_index?==?2?and?w?*?h?<=?30000:?#?剪刀

print(text[0],?value)

程序會根據匹配值和面積大小來決定識別結果，例如，下述結果，1.179515828609219, 0.9604643714904955, 0.9896353720020925分別對應剪刀、石頭、布的匹配值，越小說明越吻合；結合最終識別情況來看，在三種手勢中，石頭的識別成功率最高，約98%；布其次，約88%；剪刀最低，約80%，而且結果易受環境亮度影響，環境過暗或過亮，有時候手勢輪廓都出不來。。?？磥砣杂写倪M，還是得用機器學習的方法石頭 [1.179515828609219, 0.9604643714904955, 0.9896353720020925]

看完上述內容，你們掌握怎么在Python3.5 中利用OpenCV實現一個手勢識別功能的方法了嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！

總結

以上是生活随笔為你收集整理的python基于opencv的手势识别_怎么在Python3.5 中利用OpenCV实现一个手势识别功能的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。