Python如何利用opencv實現(xiàn)手勢識別

更新時間：2022年05月30日 11:13:34 作者：??Python編程學習圈????

這篇文章主要介紹了Python如何利用opencv實現(xiàn)手勢識別，文章圍繞主題展開詳細的內容介紹，具有一定的參考價值，需要的小伙可以參考一下

獲取視頻（攝像頭）

這部分沒啥說的，就是獲取攝像頭。

cap = cv2.VideoCapture("C:/Users/lenovo/Videos/1.mp4")#讀取文件
#cap = cv2.VideoCapture(0)#讀取攝像頭
while(True):
    ret, frame = cap.read()    key = cv2.waitKey(50) & 0xFF
    if key == ord('q'):
      break
cap.release()
cv2.destroyAllWindows()

膚色檢測

這里使用的是橢圓膚色檢測模型

在RGB空間里人臉的膚色受亮度影響相當大，所以膚色點很難從非膚色點中分離出來，也就是說在此空間經過處理后，膚色點是離散的點，中間嵌有很多非膚色，這為膚色區(qū)域標定(人臉標定、眼睛等)帶來了難題。如果把RGB轉為YCrCb空間的話，可以忽略Y(亮度)的影響，因為該空間受亮度影響很小，膚色會產生很好的類聚。這樣就把三維的空間將為二維的CrCb，膚色點會形成一定得形狀，如：人臉的話會看到一個人臉的區(qū)域，手臂的話會看到一條手臂的形態(tài)。

def A(img):
    YCrCb = cv2.cvtColor(img, cv2.COLOR_BGR2YCR_CB) #轉換至YCrCb空間
    (y,cr,cb) = cv2.split(YCrCb) #拆分出Y,Cr,Cb值
    cr1 = cv2.GaussianBlur(cr, (5,5), 0)
    _, skin = cv2.threshold(cr1, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) #Ostu處理
    res = cv2.bitwise_and(img,img, mask = skin)
    return res

輪廓處理

輪廓處理的話主要用到兩個函數(shù)，cv2.findContours和cv2.drawContours，這兩個函數(shù)的使用使用方法很容易搜到就不說了，這部分主要的問題是提取到的輪廓有很多個，但是我們只需要手的輪廓，所以我們要用sorted函數(shù)找到最大的輪廓。

def B(img):
    #binaryimg = cv2.Canny(Laplacian, 50, 200) #二值化，canny檢測
    h = cv2.findContours(img,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE) #尋找輪廓
    contour = h[0]
    contour = sorted(contour, key = cv2.contourArea, reverse=True)#已輪廓區(qū)域面積進行排序
    #contourmax = contour[0][:, 0, :]#保留區(qū)域面積最大的輪廓點坐標
    bg = np.ones(dst.shape, np.uint8) *255#創(chuàng)建白色幕布
    ret = cv2.dra
wContours(bg,contour[0],-1,(0,0,0),3) #繪制黑色輪廓
    return ret

全部代碼：

""" 從視頻讀取幀保存為圖片"""
import cv2
import numpy as np
cap = cv2.VideoCapture("C:/Users/lenovo/Videos/1.mp4")#讀取文件
#cap = cv2.VideoCapture(0)#讀取攝像頭
#皮膚檢測
def A(img):

    YCrCb = cv2.cvtColor(img, cv2.COLOR_BGR2YCR_CB) #轉換至YCrCb空間
    (y,cr,cb) = cv2.split(YCrCb) #拆分出Y,Cr,Cb值
    cr1 = cv2.GaussianBlur(cr, (5,5), 0)
    _, skin = cv2.threshold(cr1, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) #Ostu處理
    res = cv2.bitwise_and(img,img, mask = skin)
    return res
def B(img):
    #binaryimg = cv2.Canny(Laplacian, 50, 200) #二值化，canny檢測
    h = cv2.findContours(img,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE) #尋找輪廓
    contour = h[0]
    contour = sorted(contour, key = cv2.contourArea, reverse=True)#已輪廓區(qū)域面積進行排序
    #contourmax = contour[0][:, 0, :]#保留區(qū)域面積最大的輪廓點坐標
    bg = np.ones(dst.shape, np.uint8) *255#創(chuàng)建白色幕布
    ret = cv2.drawContours(bg,contour[0],-1,(0,0,0),3) #繪制黑色輪廓
    return ret
while(True):
    ret, frame = cap.read()
    #下面三行可以根據(jù)自己的電腦進行調節(jié)
    src = cv2.resize(frame,(400,350), interpolation=cv2.INTER_CUBIC)#窗口大小
    cv2.rectangle(src, (90, 60), (300, 300 ), (0, 255, 0))#框出截取位置
    roi = src[60:300 , 90:300]  # 獲取手勢框圖

    res = A(roi)  # 進行膚色檢測
    cv2.imshow("0",roi)
    gray = cv2.cvtColor(res, cv2.COLOR_BGR2GRAY)
    dst = cv2.Laplacian(gray, cv2.CV_16S, ksize = 3)
    Laplacian = cv2.convertScaleAbs(dst)
    contour = B(Laplacian)#輪廓處理
    cv2.imshow("2",contour)

    key = cv2.waitKey(50) & 0xFF
    if key == ord('q'):
            break
cap.release()
cv2.destroyAllWindows()

到此這篇關于Python如何利用opencv實現(xiàn)手勢識別的文章就介紹到這了,更多相關 Python手勢識別內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: