opencv怎么学习（opencv学习方法）

一、Python OpenCV 新手入门

热烈欢迎阅读文章系列产品实例教程，內容包含 OpenCV，它是一个图像和视频解决库，包括 C ，C，Python 和 Java 的关联。 OpenCV 用以各种各样图像和视频剖析，如面部识别和检验，车牌号阅读文章，相片编辑，高級机器人视觉，电子光学图像识别这些。

你将必须2个关键的库，第三个可选：python-OpenCV，Numpy 和 Matplotlib。

Windows 客户：

python-OpenCV：有其余的方式，但这也是非常简单的。 免费下载对应的 wheel（.whl）文档，随后应用pip开展安裝。 收看视频来寻求帮助。

pip install numpy

pip install matplotlib

不了解应用pip？ 客户程序pip安装实例教程来得到协助。

Linux/Mac 客户

pip3 install numpy

或是

apt-get install python3-numpy

你也许必须apt-get来安裝python3-pip。

pip3 install matplotlib

或是

apt-get install python3-matplotlib

apt-get install python-OpenCV

Matplotlib 是用以展现来源于视频或图像的帧的可选择选择项。 大家将在这儿展现好多个应用它的事例。 Numpy 被用以“标值和 Python”的全部东西。 大家关键运用 Numpy 的二维数组作用。 最终，大家应用python-OpenCV，它是 Python 特殊的 OpenCV 关联。

OpenCV 有一些实际操作，要是没有详细安裝 OpenCV （尺寸约 3GB），你将难以进行，可是事实上你能用 python-OpenCV 最简安裝。 大家将在本系列产品的后面一部分中应用 OpenCV 的详细安裝，要是你愿意得话，你能随便得到它，但这三个控制模块将使大家繁忙一段时间！

根据运作 Python 并实行以下指令来保证你安裝取得成功：

import cv2

import matplotlib

import numpy

假如你沒有不正确，那麼你已经准备好了。好啦嘛？使我们潜水吧！

最先，在图像和视频剖析层面，大家需要掌握一些主要的假定和方式。对如今每一个监控摄像头的统计方法而言，纪录事实上是一帧一帧地表明，每秒钟 30-60 次。可是，他们的核心内容是静态数据帧，如同图像一样。因而，图像鉴别和视频剖析绝大多数应用同样的方式。有一些东西，如方位追踪，将必须持续的图像（帧），但像脸部检验或物体识别等东西，在图像和视频中编码几乎完全一致。

下面，很多的图像和视频剖析归纳为尽量简单化由来。这几乎一直起起源于变换为灰度级，但还可以是五颜六色ps滤镜，渐变色或这种的组成。从这儿，我们可以对由来实行各种各样剖析和转换。一般来说，这儿产生的事儿是变换进行，随后是剖析，随后是一切遮盖，大家期待使用在初始由来上，这就是你可以常常见到，目标或面部识别的“制成品”在全色图像或视频上表明。殊不知，数据信息事实上非常少以这类初始方式解决。有一些我们可以在基础方面上做些哪些的事例。全部这种都应用基本上的网络摄像机来进行，没什么尤其的：

环境获取

色调过虑

图像分割

用以目标鉴别的特性配对

一般目标鉴别

在图像分割的情形下，灰黑色相匹配于(0,0,0)的清晰度值，而白色线框是(255,255,255)。视频中的每一个照片和帧都是会像那样溶解为清晰度，而且像图像分割一样，我们可以推论，边沿是根据白色与灰黑色清晰度比照的地区。随后，如果我们想见到标识边沿的初始图像，大家统计下白色清晰度的全部座标部位，随后在初始图像或视频上标识这种部位。

到本实例教程完毕时，你将可以进行以上全部实际操作，而且可以练习你的设备鉴别你愿意的其他目标。如同我一开始说的，第一步通常是变换为灰度级。在这之前，大家必须载入图像。因而，大家来做吧！在全部步骤中，我竭力激励你应用你自己的数据信息来玩。假如您有监控摄像头，一定要应用它，不然找到你觉得很趣味的图像。假如您有不便，这是一个腕表的图像：

import cv2

import numpy as np

from matplotlib import pyplot as plt

img = cv2.imread(‘watch.jpg’,cv2.IMREAD_GRAYSCALE)

cv2.imshow(‘image’,img)

cv2.waitKey(0)

cv2.destroyAllWindows()

最先，大家已经导进一些东西，我已经安裝了这三个控制模块。下面，大家将img界定为cv2.read(image file, parms)。初始值是IMREAD_COLOR，这也是没有 alpha 安全通道的色调。假如不了解，alpha 是不透明度（与清晰度反过来）。假如你必须保存 Alpha 安全通道，还可以应用IMREAD_UNCHANGED。许多情况下，你能载入色调版本号，随后将其变换为灰度级。假如你沒有网络摄像头，这将就是你在本实例教程中采用的具体方式，即载入图像。

你能不应用IMREAD_COLOR …等，反而是应用简易的数据。你应该了解这2种挑选，便于掌握某一人们在干什么。针对第二个主要参数，可以应用-1，0或1。色调为1，灰度级为0，不会改变为-1。因而，针对灰度级，可以实行cv2.imread(‘watch.jpg’, 0)。

一旦载入进行，大家应用cv2.imshow(title,image)来表明图像。从这儿，大家应用cv2.waitKey(0)来等候，直到有一切功能键被按住。一旦进行，大家应用cv2.destroyAllWindows()来关掉全部的东西。

正如之前提及的，你也可以用 Matplotlib 表明图像，下边是一些怎样完成的编码：

import cv2

import numpy as np

from matplotlib import pyplot as plt

img = cv2.imread(‘watch.jpg’,cv2.IMREAD_GRAYSCALE)

plt.imshow(img, cmap = ‘gray’, interpolation = ‘bicubic’)

plt.xticks([]), plt.yticks([]) # to hide tick values on X and Y axis

plt.plot([200,300,400],[100,200,300],’c’, linewidth=5)

plt.show()

小心，你能制作线框，如同一切别的 Matplotlib 数据图表一样，应用清晰度部位做为座标的。 但是，假如你要制作你的图片，Matplotlib 并不是必要的。 OpenCV 因此给予了不错的方式。 如果你进行改动后，你能储存，如下所示所显示：

cv2.imwrite(‘watchgray.png’,img)

将照片导进 OpenCV 好像非常容易，载入视频源怎样？ 在下一个实例教程中，大家将展现怎样载入监控摄像头或视频源。

“自己是一名从业了很多年开发设计的Python老程序猿，离职现阶段在做自己的Python私人订制课程内容，今年初我花了一个月梳理了一份最合适2019年学习培训的Python学习干货知识，从最根本的到各种各样架构都是有梳理，赠给每一位喜爱Python小伙伴们，要想获得的可以关注我的今日头条号并在后台管理私聊我：01，就可以免费获取。”

二、载入视频源

在这个 Python OpenCV 实例教程中，大家将讲解一些应用视频和监控摄像头的操作过程。 除开开始行，解决来源于视频的帧与解决图像是一样的。 大家来举例子一下：

import numpy as np

import cv2

cap = cv2.VideoCapture(0)

while(True):

ret, frame = cap.read()

gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

cv2.imshow(‘frame’,gray)

if cv2.waitKey(1) & 0xFF == ord(‘q’):

break

cap.release()

cv2.destroyAllWindows()

最先，大家导进numpy和cv2，没什么尤其的。 下面，我们可以cap = cv2.VideoCapture(0)。 这将从你电子计算机上的第一个网络摄像机回到视频。 假如你正在观看视频实例教程，你将见到我正在应用1，由于我的第一个监控摄像头已经拍摄我，第二个监控摄像头用以具体的实例教程源。

while(True):

ret, frame = cap.read()

这一段编码运行了一个不断循环（稍候将被break句子摆脱），在其中ret和frame被理解为cap.read()。 大部分，ret是一个意味着是不是有回到的布尔值，frame是每一个回到的帧。 要是没有帧，你肯定不会获得不正确，你能获得None。

gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

在这儿，大家界定一个新的自变量gray，做为变换为灰度级的帧。 留意这一BGR2GRAY。 必须留意的是，OpenCV 将色调载入为 BGR（深蓝色鲜红色），但大部分电子计算机应用软件载入为 RGB（红蓝绿）。 记牢这一点。

cv2.imshow(‘frame’,gray)

小心，虽然是视频流，大家依然应用imshow。 在这儿，大家呈现了变换为深灰色的源。 假如你要与此同时表明，你能对初始帧和灰度级实行imshow，将产生2个对话框。

if cv2.waitKey(1) & 0xFF == ord(‘q’):

break

这一句子每帧只运作一次。 大部分，如果我们获得一个功能键，那一个键是q，大家将撤出while循环系统，随后运作：

cap.release()

cv2.destroyAllWindows()

这将释放出来网络摄像机，随后关掉全部的imshow()对话框。

在一些情形下，你很有可能事实上必须拍摄，并将录制內容存放到新文档中。 下列是在 Windows 上实行此实际操作的实例：

import numpy as np

import cv2

cap = cv2.VideoCapture(1)

fourcc = cv2.VideoWriter_fourcc(*’XVID’)

out = cv2.VideoWriter(‘output.avi’,fourcc, 20.0, (640,480))

while(True):

ret, frame = cap.read()

gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)

out.write(frame)

cv2.imshow(‘frame’,gray)

if cv2.waitKey(1) & 0xFF == ord(‘q’):

break

cap.release()

out.release()

cv2.destroyAllWindows()

这儿关键要留意的是已经应用的转码软件，及其在while循环系统以前界定的输入输出信息内容。 随后，在while循环系统中，大家应用out.write()来輸出帧。 最终，在while循环系统以外，在大家释放出来监控摄像头以后，大家也释放出来out。

太棒了，如今我们知道怎样实际操作图象视频。 假如你沒有网络摄像机，你能应用图象乃至短视频来追随实例教程的其余部分。 假如你期待应用短视频而不是网络摄像机做为源，则可以为短视频特定文件路径，而不是监控摄像头号。

如今我们可以应用由来了，使我们来展现怎样制作物品。 先前你已经见到，你能应用 Matplotlib 在照片顶端制作，可是 Matplotlib 并不真真正正用以此目地，尤其是无法用以视频源。 幸运的是，OpenCV 给予了一些非常好的专用工具，来协助大家即时制作和标识大家的源，这就是我们将在下一个实例教程中探讨的內容。

三、在图片上制作和书写

在这个 Python OpenCV 实例教程中，大家将讲解怎样在图象视频上制作各种形状。 要想以一种方法标识检验到的另一半是非常广泛的，因此大家人们可以比较容易地见到咱们的程序流程是不是依照人们的期待工作中。 一个事例便是以前表明的图象之一：

针对这一临时性的事例，我将应用下面图片：

激励你应用自身的照片。 像以往一样，大家的初始编码可以是如此的：

import numpy as np

import cv2

img = cv2.imread(‘watch.jpg’,cv2.IMREAD_COLOR)

下边，我们可以逐渐制作，那样：

cv2.line(img,(0,0),(150,150),(255,255,255),15)

cv2.imshow(‘image’,img)

cv2.waitKey(0)

cv2.destroyAllWindows()

cv2.line()接纳下列主要参数：照片，逐渐座标，完毕座标，色调（bgr），线框大小。

結果在这儿：

行吧，很帅，使我们制作大量样子。 下面是一个方形：

cv2.rectangle(img,(15,25),(200,150),(0,0,255),15)

这儿的基本参数是图象，左上方座标，右下方座标，色调和线框大小。

圆如何？

cv2.circle(img,(100,63), 55, (0,255,0), -1)

这儿的基本参数是图象/帧，圆心点，半经，色调和。 留意大家大小为-1。 这代表将添充目标，因此大家会获得一个圆。

线框，方形和圆都很帅，可是如果我们要想五边形，八边形或十八边形？ 没什么问题！

pts = np.array([[10,5],[20,30],[70,20],[50,10]], np.int32)

# OpenCV documentation had this code, which reshapes the array to a 1 x 2. I did not

# find this necessary, but you may:

#pts = pts.reshape((-1,1,2))

cv2.polylines(img, [pts], True, (0,255,255), 3)

最先，大家将座标二维数组称之为pts（点的通称）。 随后，大家应用cv2.polylines来划线。 主要参数如下所示：制作的目标，座标，大家应当联接停止的和开始点，色调和大小。

你很有可能想要做的最终一件事是在图象上书写。 这可以如此做：

font = cv2.FONT_HERSHEY_SIMPLEX

cv2.putText(img,’OpenCV Tuts!’,(0,130), font, 1, (200,255,155), 2, cv2.LINE_AA)

迄今为止的详细编码：

import numpy as np

import cv2

img = cv2.imread(‘watch.jpg’,cv2.IMREAD_COLOR)

cv2.line(img,(0,0),(200,300),(255,255,255),50)

cv2.rectangle(img,(500,250),(1000,500),(0,0,255),15)

cv2.circle(img,(447,63), 63, (0,255,0), -1)

pts = np.array([[100,50],[200,300],[700,200],[500,100]], np.int32)

pts = pts.reshape((-1,1,2))

cv2.polylines(img, [pts], True, (0,255,255), 3)

font = cv2.FONT_HERSHEY_SIMPLEX

cv2.putText(img,’OpenCV Tuts!’,(10,500), font, 6, (200,255,155), 13, cv2.LINE_AA)

cv2.imshow(‘image’,img)

cv2.waitKey(0)

cv2.destroyAllWindows()

結果：

在下一个实例教程中，大家将详细介绍我们可以实行的基本上图象实际操作。

四、图象实际操作

在 OpenCV 实例教程中，大家将讲解一些我们可以做的简易图象实际操作。 每一个短视频转化成帧。 随后每一帧，如同一个图象，转化成储存在列和行中的，帧/照片中的清晰度。 每一个象素都是有一个座标部位，每一个象素都由颜色值构成。 使我们例举浏览不一样的位的一些事例。

大家将像以往一样载入图象（假如能，请应用自身的图象，但在这里是我在这应用的图象）：

import cv2

import numpy as np

img = cv2.imread(‘watch.jpg’,cv2.IMREAD_COLOR)

如今我们可以具体引入特殊清晰度，像那样：

px = img[55,55]

下边我们可以具体改动清晰度：

img[55,55] = [255,255,255]

以后再次引入：

px = img[55,55]

print(px)

如今应当不一样了，下边我们可以引入 ROI，图象地区：

px = img[100:150,100:150]

print(px)

大家还可以改动 ROI，像那样：

img[100:150,100:150] = [255,255,255]

我们可以引入大家的图象的特殊特点：

print(img.shape)

print(img.size)

print(img.dtype)

我们可以像那样实行实际操作：

watch_face = img[37:111,107:194]

img[0:74,0:87] = watch_face

cv2.imshow(‘image’,img)

cv2.waitKey(0)

cv2.destroyAllWindows()

这会解决我的图象，可是很有可能不可以用以你的图象，在于规格。这是我的輸出：

这种是一些简易的实际操作。 在下一个实例教程中，大家将讲解一些我们可以实行的更高等级的图象实际操作。

五、图象算数和或运算

欢迎光临另一个 Python OpenCV 实例教程，在本教程中，大家将讲解一些简易算术运算，我们可以在图片上实行的，并表述他们的功效。 因此，大家将必须2个同样尺寸的图象来逐渐，随后是一个较小的图象和一个比较大的图象。 最先，我将应用：

和

最先，使我们看一下简易的加减法会干什么：

import cv2

import numpy as np

# 500 x 250

img1 = cv2.imread(‘3D-Matplotlib.png’)

img2 = cv2.imread(‘mainsvmimage.png’)

add = img1 img2

cv2.imshow(‘add’,add)

cv2.waitKey(0)

cv2.destroyAllWindows()

結果：

你不太可能要想这类杂乱的加减法。 OpenCV 有一个“加减法”方式，使我们更换之前的“加减法”，看一下是啥：

add = cv2.add(img1,img2)

結果：

这儿很有可能不理想化。 我们可以见到许多图象是十分“乳白色的”。 这是由于色调是 0-255，在其中 255 是“全亮”。 因而，例如：(155,211,79) (50, 170, 200) = 205, 381, 279…变换为(205, 255,255)。

下面，我们可以加上图象，并可以假定每一个图象都是有不一样的“权重值”。 这也是怎样作业的：

import cv2

import numpy as np

img1 = cv2.imread(‘3D-Matplotlib.png’)

img2 = cv2.imread(‘mainsvmimage.png’)

weighted = cv2.addWeighted(img1, 0.6, img2, 0.4, 0)

cv2.imshow(‘weighted’,weighted)

cv2.waitKey(0)

cv2.destroyAllWindows()

针对addWeighted方式，主要参数是第一个图象，权重值，第二个图象，权重值，随后是伽马值，这是一个光的精确测量值。 大家目前就把它保存为零。

这种是一些附加的挑选，但当你确实想将一个图象加上到另一个，全新的重合在哪儿？ 在这样的情况下，你能从较大的逐渐，随后加上较小的图象。 因此，大家将采用同样的3D-Matplotlib.png图像，但应用一个新的 Python 标示：

如今，我们可以选择这一标示，并把它放到初始图象上。 这非常容易（大部分应用我们在前一个实例教程中采用的同样编码，大家用一个新的物品更换了图象地区（ROI）），可是如果我们只要想标示一部分而不是白背景呢？ 我们可以应用与以前用以 ROI 更换同样的基本原理，可是大家须要一种方式 来“除去”标示的环境，促使乳白色不容易多余地阻拦大量背景图像。 最先我将表明详细的编码，随后表述：

import cv2

import numpy as np

# Load two images

img1 = cv2.imread(‘3D-Matplotlib.png’)

img2 = cv2.imread(‘mainlogo.png’)

# I want to put logo on top-left corner, So I create a ROI

rows,cols,channels = img2.shape

roi = img1[0:rows, 0:cols ]

# Now create a mask of logo and create its inverse mask

img2gray = cv2.cvtColor(img2,cv2.COLOR_BGR2GRAY)

# add a threshold

ret, mask = cv2.threshold(img2gray, 220, 255, cv2.THRESH_BINARY_INV)

mask_inv = cv2.bitwise_not(mask)

# Now black-out the area of logo in ROI

img1_bg = cv2.bitwise_and(roi,roi,mask = mask_inv)

# Take only region of logo from logo image.

img2_fg = cv2.bitwise_and(img2,img2,mask = mask)

dst = cv2.add(img1_bg,img2_fg)

img1[0:rows, 0:cols ] = dst

cv2.imshow(‘res’,img1)

cv2.waitKey(0)

cv2.destroyAllWindows()

这儿发生了许多事儿，发生了一些新的物品。 大家最先见到的是一个新的阀值：ret, mask = cv2.threshold(img2gray, 220, 255, cv2.THRESH_BINARY_INV)。

大家将在下一个实例教程中详细介绍大量的阀值，因此请持续关心主要内容，但大部分它的工作方式是依据阀值将全部清晰度变换为灰黑色或乳白色。 在人们的案例中，阀值是 220，可是我们可以应用别的值，或是乃至动态性地挑选一个，这也是ret自变量可以采用的值。 下面，大家见到：mask_inv = cv2.bitwise_not(mask)。 这是一个按位操作。 大部分，这种运算符与 Python 中的典型性运算符十分类似，除开一点，但大家不可能在这儿碰触它。 在这样的情况下，不可以看到的部份是黑灰色的地区。 随后，大家可以说，我们想在第一个图象里将这一地区遮挡住，随后将空缺地区更换为图象 2 的內容。

下一个实例教程中，大家深层次探讨阀值。

六、阈值

热烈欢迎阅读文章另一个 OpenCV 实例教程。在本教程中，大家将详细介绍图象和视频采集的阀值。阈值的思想意识是进一步简单化视觉效果数据的分析。最先，你能变换为灰度级，可是你务必考虑到灰度级依然有最少 255 个值。阀值可以做的事儿，在最主要的层次上，是根据阀值将全部東西都转化成乳白色或灰黑色。比如说，大家期待阀值为 125（较大为 255），那麼 125 下列的任何信息都将被变换为 0 或灰黑色，而高过 125 的任何信息都将被变换为 255 或乳白色。假如你像平时一样转化成灰度级，你能变为乳白色和灰黑色。假如你没变换灰度级，你能获得二值化的照片，但会有色彩。

尽管这听起来不错，但通常并不是。大家将在这儿详细介绍好几个实例和不一样种类的阀值来表明这一点。大家将应用下面图片做为人们的实例照片，但可以自由应用你自己的照片：

这一书的图片便是个不错的事例，表明为什么一个人很有可能必须阀值。 最先，环境压根沒有乳白色，一切都是黯淡的，并且一切都是转变的。 有一些一部分非常容易阅读文章，另一部分则十分暗，必须非常多的专注力才可以鉴别出去。 最先，大家来尝试一个简便的阀值：

retval, threshold = cv2.threshold(img, 10, 255, cv2.THRESH_BINARY)

二元阈值是个简便的“是或并不是”的阀值，在其中清晰度为 255 或 0。在许多情形下，这也是乳白色或灰黑色，但人们已经为大家的图象保存了色调，因此它仍旧是五颜六色的。 这儿的第一个主要参数是图象。 下一个主要参数是阀值，大家挑选 10。下一个是最高值，大家挑选为 255。最终是阀值种类，大家选用了THRESH_BINARY。 一般来说，10 的阀值会有点儿差。 大家挑选 10，由于这也是低阳光照射的照片，因此大家挑选低的数据。 通常 125-150 上下的物品很有可能实际效果最好是。

import cv2

import numpy as np

img = cv2.imread(‘bookpage.jpg’)

retval, threshold = cv2.threshold(img, 12, 255, cv2.THRESH_BINARY)

cv2.imshow(‘original’,img)

cv2.imshow(‘threshold’,threshold)

cv2.waitKey(0)

cv2.destroyAllWindows()

結果：

如今的照片略微更方便阅读文章了，但或是有点儿乱。 从视觉效果上而言，那样比较好，可是依然难以使用程序流程来剖析它。 使我们看一下大家能否可以进一步简单化。

最先，使我们灰度级化图象，随后应用一个阀值：

import cv2

import numpy as np

grayscaled = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

retval, threshold = cv2.threshold(grayscaled, 10, 255, cv2.THRESH_BINARY)

cv2.imshow(‘original’,img)

cv2.imshow(‘threshold’,threshold)

cv2.waitKey(0)

cv2.destroyAllWindows()

更简易，可是人们依然在这儿忽视了许多环境。 下面，我们可以试着响应式阀值，这将试着更改阀值，并期待搞清楚弯折的网页页面。

import cv2

import numpy as np

th = cv2.adaptiveThreshold(grayscaled, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 115, 1)

cv2.imshow(‘original’,img)

cv2.imshow(‘Adaptive threshold’,th)

cv2.waitKey(0)

cv2.destroyAllWindows()

也有另一个新版本的阀值，可以应用，叫做大津阀值。 它在这儿并无法非常好充分发挥，可是：

retval2,threshold2 = cv2.threshold(grayscaled,125,255,cv2.THRESH_BINARY cv2.THRESH_OTSU)

cv2.imshow(‘original’,img)

cv2.imshow(‘Otsu threshold’,threshold2)

cv2.waitKey(0)

cv2.destroyAllWindows()

七、色调过虑

在这个 Python OpenCV 实例教程中，大家将讲解怎样构建一个过滤装置，回望按位操作，在其中大家将过虑特殊的色调，尝试表明它。或是，你还可以专业挑选出指定的色调，随后将其更换为情景，如同大家用别的方式更换ROI（图象地区）一样，如同绿屏的工作方式。

为了更好地像那样过虑，您有好多个选择项。通常，你也许会将你的颜色转换为 HSV，即“色彩对比度纯净度”。例如，这可以幫助你依据色彩和对比度范畴，应用改变的值明确一个更主要的色调。假如你期待得话，你能具体形成根据 BGR 值的过滤装置，可是这会有些艰难。假如你难以数据可视化 HSV，不必觉得失望，查询wiki百科网页页面上的 HSV，那边有一个十分有效的图型使你数据可视化它。我最好是亲自叙述色调的色彩对比度和纯净度。如今使我们逐渐：

import cv2

import numpy as np

cap = cv2.VideoCapture(0)

while(1):

_, frame = cap.read()

hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)

lower_red = np.array([30,150,50])

upper_red = np.array([255,255,180])

mask = cv2.inRange(hsv, lower_red, upper_red)

res = cv2.bitwise_and(frame,frame, mask= mask)

cv2.imshow(‘frame’,frame)

cv2.imshow(‘mask’,mask)

cv2.imshow(‘res’,res)

k = cv2.waitKey(5) & 0xFF

if k == 27:

break

cv2.destroyAllWindows()

cap.release()

这只不过是一个事例，以红色为总体目标。 它的工作方式是，大家所见到的是大家范畴内的任何东西，大部分是 30-255，150-255 和 50-180。 它用以红色，但可以随意试着寻找自身的颜色。 HSV 在这里实际效果最佳的因素是，大家要想范畴内的颜色，这儿人们通常必须类似的颜色。 许多情况下，典型性的红色依然会出现一些健康和深蓝色分量，因此大家务必容许一些健康和深蓝色，可是大家会要想几乎紫红。 这代表大家会在这里得到全部颜色的低光混和。

为了更好地明确 HSV 的范畴，我觉得最好是的方式 便是尝试错误。 OpenCV 内嵌了将 BGR 变换为 HSV 的方式。 假如你要选择单一的颜色，那麼 BGR 到 HSV 可能非常好用。 为了更好地课堂教学，下边是这一编码的一个事例：

dark_red = np.uint8([[[12,22,121]]])

dark_red = cv2.cvtColor(dark_red,cv2.COLOR_BGR2HSV)

这儿的結果是一个 HSV 值，与dark_red值同样。这非常好…可是，一样…你碰到了颜色范畴和 HSV 范围的主要问题。她们压根不一样。你很有可能合理使用 BGR 范畴，他们依然可以工作中，可是针对检验一种“颜色”，则没法正常的工作中。

返回主编码，殊不知，大家第一步要把帧转化成 HSV。那边没有什么尤其的。下面，大家为红色特定一些 HSV 值。大家应用inRange函数，为大家的特殊范畴建立子网掩码。这也是真或假，灰黑色或乳白色。下面，大家根据实行按位操作来“修复”大家的红色。大部分，大家展现了frame and mask。子网掩码的乳白色一部分是红色范畴，被变换为白色，而别的一切都变为灰黑色。最终大家展现全部物品。我选择了表明初始真，子网掩码和最后結果，便于更好的掌握产生的事儿。

在下一个实例教程中，大家将对这一主题风格做一些详细介绍。你很有可能看到了，大家在这里或是有一些“噪声”。物品有凹凸感，红色中的小黑点许多，也有很多其它的小色点。我们可以做一些事儿，尝试根据模糊不清和光滑来减轻这个问题，下面大家将探讨这个问题。

八、模糊不清和光滑

在这个 Python OpenCV 实例教程中，大家将讲解怎样试着从大家的过滤装置中清除噪音，例如简易的阀值，或是乃至大家之前的指定的颜色过滤装置：

正如你所看见的，大家有很多小黑点，在其中大家喜爱红色，也有许多其它的脏点撒落之中。 我们可以应用各种各样模糊不清和光滑技术性来试着填补这一点。 我们可以从一些了解的编码逐渐：

import cv2

import numpy as np

cap = cv2.VideoCapture(0)

while(1):

_, frame = cap.read()

hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)

lower_red = np.array([30,150,50])

upper_red = np.array([255,255,180])

mask = cv2.inRange(hsv, lower_red, upper_red)

res = cv2.bitwise_and(frame,frame, mask= mask)

如今，使我们运用一个简便的光滑，大家测算每一个清晰度块的平均值。 在人们的案例中，大家应用15×15方形，这代表人们有 225 个总清晰度。

kernel = np.ones((15,15),np.float32)/225

smoothed = cv2.filter2D(res,-1,kernel)

cv2.imshow(‘Original’,frame)

cv2.imshow(‘Averaging’,smoothed)

k = cv2.waitKey(5) & 0xFF

if k == 27:

break

cv2.destroyAllWindows()

cap.release()

这一非常简单，可是結果放弃了许多粒度分布。 下面，使我们试着一些高斯模糊：

blur = cv2.GaussianBlur(res,(15,15),0)

cv2.imshow(‘Gaussian Blurring’,blur)

另一个选择项是平均值模糊不清：

median = cv2.medianBlur(res,15)

cv2.imshow(‘Median Blur’,median)

最后一个选择项是双重模糊不清：

bilateral = cv2.bilateralFilter(res,15,75,75)

cv2.imshow(‘bilateral Blur’,bilateral)

全部模糊不清的比照：

最少在这样的情况下，你以为会应用平均值模糊不清，可是不一样的照明灯具，不一样的阀值/过滤装置，及其别的不一样的个人目标和总体目标也许会决策你应用在其中一个。

在下一个实例教程中，大家将探讨形状转换。

九、形状转换

在这个 Python OpenCV 实例教程中，大家将详细介绍形状转换。 这种是一些简易实际操作，我们可以根据图象样子实行。

我们要谈的第一对是浸蚀和胀大。 浸蚀是人们将“浸蚀”边沿。 它的工作方式是应用滚轮（核）。 大家让滚轮滚动，假如全部的清晰度是乳白色的，那麼大家获得乳白色，不然是灰黑色。 这将会有利于清除一些白色噪音。 另一个版本号是胀大，它通常是反过来的：让滚轮滚动，假如全部地区并不是黑灰色的，便会转化成乳白色。 这是一个事例：

import cv2

import numpy as np

cap = cv2.VideoCapture(0)

while(1):

_, frame = cap.read()

hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)

lower_red = np.array([30,150,50])

upper_red = np.array([255,255,180])

mask = cv2.inRange(hsv, lower_red, upper_red)

res = cv2.bitwise_and(frame,frame, mask= mask)

kernel = np.ones((5,5),np.uint8)

erosion = cv2.erode(mask,kernel,iterations = 1)

dilation = cv2.dilate(mask,kernel,iterations = 1)

cv2.imshow(‘Original’,frame)

cv2.imshow(‘Mask’,mask)

cv2.imshow(‘Erosion’,erosion)

cv2.imshow(‘Dilation’,dilation)

k = cv2.waitKey(5) & 0xFF

if k == 27:

break

cv2.destroyAllWindows()

cap.release()

結果：

下一对是“对外开放”和“关掉”。 对外开放的总体目标是清除“阳性”。 有时候在环境中，你能获得一些清晰度“噪声”。 “关掉”的见解是清除假阴性。 大部分便是你检验了你的样子，例如咱们的遮阳帽，但物件依然有一些灰黑色清晰度。 关掉将试着消除他们。

cap = cv2.VideoCapture(1)

while(1):

_, frame = cap.read()

hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)

lower_red = np.array([30,150,50])

upper_red = np.array([255,255,180])

mask = cv2.inRange(hsv, lower_red, upper_red)

res = cv2.bitwise_and(frame,frame, mask= mask)

kernel = np.ones((5,5),np.uint8)

opening = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)

closing = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)

cv2.imshow(‘Original’,frame)

cv2.imshow(‘Mask’,mask)

cv2.imshow(‘Opening’,opening)

cv2.imshow(‘Closing’,closing)

k = cv2.waitKey(5) & 0xFF

if k == 27:

break

cv2.destroyAllWindows()

cap.release()

此外2个选择是tophat和blackhat，对咱们的例子并不有效：

# It is the difference between input image and Opening of the image

cv2.imshow(‘Tophat’,tophat)

# It is the difference between the closing of the input image and input image.

cv2.imshow(‘Blackhat’,blackhat)

在下一个实例教程中，大家将探讨图象渐变色和图像分割。

十、图像分割和渐变色

热烈欢迎阅读文章另一个 Python OpenCV 实例教程。 在本教程中，大家将详细介绍图象渐变色和图像分割。 图象渐变色可以用于精确测量方位的抗压强度，图像分割如同它常说的：它找到边沿！ 我也打赌你毫无疑问没见到。

最先，大家来展现一些渐变色的事例：

import cv2

import numpy as np

cap = cv2.VideoCapture(1)

while(1):

# Take each frame

_, frame = cap.read()

hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)

lower_red = np.array([30,150,50])

upper_red = np.array([255,255,180])

mask = cv2.inRange(hsv, lower_red, upper_red)

res = cv2.bitwise_and(frame,frame, mask= mask)

laplacian = cv2.Laplacian(frame,cv2.CV_64F)

sobelx = cv2.Sobel(frame,cv2.CV_64F,1,0,ksize=5)

sobely = cv2.Sobel(frame,cv2.CV_64F,0,1,ksize=5)

cv2.imshow(‘Original’,frame)

cv2.imshow(‘Mask’,mask)

cv2.imshow(‘laplacian’,laplacian)

cv2.imshow(‘sobelx’,sobelx)

cv2.imshow(‘sobely’,sobely)

k = cv2.waitKey(5) & 0xFF

if k == 27:

break

cv2.destroyAllWindows()

cap.release()

假如你想要知道什么叫cv2.CV_64F，那便是基本数据类型。 ksize是核尺寸。 大家应用 5，因此每一次查看5×5的渔区。

尽管我们可以应用这种渐变色变换为纯边沿，但大家还可以应用 Canny 图像分割！

import cv2

import numpy as np

cap = cv2.VideoCapture(0)

while(1):

_, frame = cap.read()

hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)

lower_red = np.array([30,150,50])

upper_red = np.array([255,255,180])

mask = cv2.inRange(hsv, lower_red, upper_red)

res = cv2.bitwise_and(frame,frame, mask= mask)

cv2.imshow(‘Original’,frame)

edges = cv2.Canny(frame,100,200)

cv2.imshow(‘Edges’,edges)

k = cv2.waitKey(5) & 0xFF

if k == 27:

break

cv2.destroyAllWindows()

cap.release()

这真的是棒极了！ 可是，这并有缺憾。 留意黑影造成了边沿被检验到。 在其中最显著的是蓝狗狗的窝传出的黑影。

在下一个 OpenCV 实例教程中，大家将探讨怎样在别的图象中检索和搜索同样的图象模版。

十一、模板匹配

热烈欢迎阅读文章另一个 Python OpenCV 实例教程，在本教程中，大家将介绍女朋友鉴别的一个基本上版本号。 这儿的见解是，得出一定的阀值，寻找配对大家给予的模版图象的同样地区。 针对实际的目标配对，具备准确的照明灯具/标尺/视角，这可以工作中得非常好。 通常会遇上这种状况的事例便是电子计算机上的一切 GUI。 按键等物品一直同样的，因此你能应用模板匹配。 融合模板匹配和一些电脑鼠标操纵，你已经建立了一个根据 Web 的智能机器人！

最先，你需要一个关键图象和一个模版。 你应该从你已经图象中搜索的“物品”选择你的模版。 我将给予一个图象做为事例，但自由应用你最青睐的企业网站的图象或相似的物品。

关键图象：

我们要检索的模版：

这就是在其中一个端口号，但大家很好奇，看一下大家能否可以配对所有别的端口号。 大家的确要选取一个阀值，在其中某类物品可能是 80% 配对，那麼大家说这就配对。 因此，大家将逐渐载入和变换图象：

import cv2

import numpy as np

img_rgb = cv2.imread(‘opencv-template-matching-python-tutorial.jpg’)

img_gray = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2GRAY)

template = cv2.imread(‘opencv-template-for-matching.jpg’,0)

w, h = template.shape[::-1]

到现在为止，大家载入了2个图象，变换为灰度级。 大家保存最原始的 RGB 图象，并建立一个灰度级版本号。 我以前提及过这一，可是大家那样做的因素是，我们在灰度级版本号上实行全部的解决，随后在彩色图像上应用同样的标识来标记。

针对关键图象，大家仅有五颜六色版本号和灰度级版本号。 大家载入模版并记录下来规格。

res = cv2.matchTemplate(img_gray,template,cv2.TM_CCOEFF_NORMED)

threshold = 0.8

loc = np.where( res >= threshold)

在这儿，大家用img_gray（我们的主图象），模版，和我们要应用的配对方式启用matchTemplate，并将传参称之为res。 大家特定一个阀值，这儿是 80%。 随后大家应用逻辑性句子，寻找res大于或等于 80% 的部位。

最终，大家应用二值化中寻找的座标，标识初始图象上的全部配对：

for pt in zip(*loc[::-1]):

cv2.rectangle(img_rgb, pt, (pt[0] w, pt[1] h), (0,255,255), 2)

cv2.imshow(‘Detected’,img_rgb)

因此大家取得了好多个配对。或许必须减少阀值？大家试一下 0.7。

这里有一些阳性。 你能再次调节门坎，直到你做到 100%，可是要是没有阳性，你很有可能一直不容易做到它。 另一个挑选便是应用另一个模版图象。 有时，应用同样目标的好几个图象是有效的。 那样，你能使阀值充足高的，来保证你的结论精确。

在下一个实例教程中，大家将详细介绍市场前景获取。

十二、GrabCut 市场前景获取

热烈欢迎阅读文章 Python OpenCV 市场前景获取实例教程。 这儿的见解是寻找市场前景，并删掉环境。 这很像绿屏，仅仅这儿大家事实上不用绿屏。

最先，大家将应用一个图象：

随便应用你自己的。

使我们载入图象并界定一些物品：

import numpy as np

import cv2

from matplotlib import pyplot as plt

img = cv2.imread(‘opencv-python-foreground-extraction-tutorial.jpg’)

mask = np.zeros(img.shape[:2],np.uint8)

bgdModel = np.zeros((1,65),np.float64)

fgdModel = np.zeros((1,65),np.float64)

rect = (161,79,150,150)

到现在为止，大家已经导进了cv2，numpy和matplotlib。 随后大家载入图象，建立一个子网掩码，特定优化算法内部结构应用的情况和市场前景实体模型。 真真正正关键的部份是大家界定的方形。 这也是rect = (start_x, start_y, width, height)。

这是包围着大家的首要目标的方形。 假如你已经应用我的图片，那便是要应用的引流矩阵。 假如你运用自身的，寻找合适你的图象的座标。

下边：

cv2.grabCut(img,mask,rect,bgdModel,fgdModel,5,cv2.GC_INIT_WITH_RECT)

mask2 = np.where((mask==2)|(mask==0),0,1).astype(‘uint8’)

img = img*mask2[:,:,np.newaxis]

plt.imshow(img)

plt.colorbar()

plt.show()

因此在这儿大家应用了cv2.grabCut，它用了许多主要参数。 最先是键入图象，随后是子网掩码，随后是关键目标的方形，环境实体模型，市场前景实体模型，要运作的梯度下降法量及其应用的方式。

这儿更改了子网掩码，促使全部清晰度 0 和 2 变换为环境，而清晰度 1 和 3 现在是市场前景。 从这儿，大家乘于键入图象，获得大家的最后結果：

下一个实例教程中，大家准备探讨怎样实行角点检验。

十三、角点检测

热烈欢迎阅读文章 Python OpenCV 角点检验实例教程。 检验角点的目的性是跟踪健身运动，做 3D 模型，鉴别物件，样子和人物角色等。

针对本实例教程，大家将应用下列图象：

大家的总体目标是寻找这一图形中的全部角点。 我能注意到，在这儿大家有一些别称问题（斜杠的锯齿状），因此，如果我们容许得话，会看到许多角点，并且是合理的。 和往日一样，OpenCV 已经为大家完成了难点，大家必须做的便是键入一些主要参数。 使我们逐渐载入图象并设定一些主要参数：

import numpy as np

import cv2

img = cv2.imread(‘opencv-corner-detection-sample.jpg’)

gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

gray = np.float32(gray)

corners = cv2.goodFeaturesToTrack(gray, 100, 0.01, 10)

corners = np.int0(corners)

到现在为止，大家载入图象，变换为灰度级，随后是float32。 下面，大家用goodFeaturesToTrack函数公式检验角点。 这儿的基本参数是图象，检验到的较大角点总数，质量和角点中间的最少间距。 如前所述，大家在这儿的锯齿状问题将容许寻找很多角点，因此人们对此进行了限定。 下边：

for corner in corners:

x,y = corner.ravel()

cv2.circle(img,(x,y),3,255,-1)

cv2.imshow(‘Corner’,img)

如今大家解析xml每一个角点，在大家觉得是角点的每一点上画一个圆。

在下一个实例教程中，大家将探讨作用配对/单投射。

十四、特点配对（单映射）工程爆破

热烈欢迎阅读文章 Python OpenCV 特征匹配实例教程。 特征匹配将是略微更让人印象深刻的模板匹配版本号，在其中必须一个很好的，或十分贴近极致的匹配。

大家从我们期待寻找的图像逐渐，随后我们可以在另一幅图像中检索这一图像。 这儿的极致是图像不用同样的阳光照射，视角，转动等。 特征只必须匹配。

最先，大家要一些实例图像。 大家的“模板”，或是大家即将试着匹配的图像：

以后是人们用以检索这一模板的图像：

在这儿，大家的模板图像在模板中，比在我们要检索的图像时要小一些。 它的转动也不一样，黑影也有一些不一样。

如今人们将应用一种“工程爆破”匹配的方式。 大家将在2个图像中寻找全部特征。 随后大家匹配这种特征。 随后，我们可以绘制大家需要的，尽量多的匹配。 可是要当心。 假如你绘制 500 个匹配，你能有很多乱报。 因此只绘制绘制前好多个。

import numpy as np

import cv2

import matplotlib.pyplot as plt

img1 = cv2.imread(‘opencv-feature-matching-template.jpg’,0)

img2 = cv2.imread(‘opencv-feature-matching-image.jpg’,0)

到现在为止，大家已经导进了要采用的控制模块，并界定了大家的2个图像，即模板（img1）和用以检索模板的图像（img2）。

orb = cv2.ORB_create()

这也是大家准备用以特征的探测器。

kp1, des1 = orb.detectAndCompute(img1,None)

kp2, des2 = orb.detectAndCompute(img2,None)

在这儿，大家应用orb探测仪寻找关键环节和她们的描述符。

bf = cv2.BFMatcher(cv2.NORM_HAMMING, crossCheck=True)

这就是我们的BFMatcher目标。

matches = bf.match(des1,des2)

matches = sorted(matches, key = lambda x:x.distance)

这儿大家建立描述符的匹配，随后依据他们的间距对他们排列。

img3 = cv2.drawMatches(img1,kp1,img2,kp2,matches[:10],None, flags=2)

plt.imshow(img3)

plt.show()

这儿大家绘制了前 10 个匹配。輸出：

十五、MOG 环境变弱

在这个 Python OpenCV 实例教程中，大家即将探讨怎样根据检验健身运动来变弱图像的环境。 这将规定大家回望短视频的应用，或是有两个图像，一个没有你要想跟踪的角色/物件，另一个有着角色/物件。 假如你期待，你能采用你的监控摄像头，或是应用以下的短视频：

大家走动的示例短视频

这儿的编码事实上非常简单，便是大家目前了解的：

import numpy as np

import cv2

cap = cv2.VideoCapture(‘people-walking.mp4’)

fgbg = cv2.createBackgroundSubtractorMOG2()

while(1):

ret, frame = cap.read()

fgmask = fgbg.apply(frame)

cv2.imshow(‘fgmask’,frame)

cv2.imshow(‘frame’,fgmask)

k = cv2.waitKey(30) & 0xff

if k == 27:

break

cap.release()

cv2.destroyAllWindows()

結果：

pythonprogramming.net/static/imag…

这儿的念头是以静态数据环境中获取挪动的市场前景。 你还可以采用这一来较为2个类似的图像，并马上获取他们中间的差别。

在人们的案例中，我们可以见到大家的确已经监测到了一些人，可是大家的确有一些“噪声”，噪音事实上是落叶在周边的风中移动了一下。 只需我们知道一种降低噪声的方式。 等一下！ 大家确实了解！ 一个不可思议的挑戰已经发生了你眼前！

下面的实例教程逐渐使我们避开ps滤镜或转换的运用，并使我们应用 Haar Cascades 来检验一般目标，例如脸部检验这些。

十六、Haar Cascade 脸部检验

在这个 Python OpenCV 实例教程中，大家将探讨 Haar Cascades 目标检验。大家将从面部和双眼检验来逐渐。为了更好地应用重叠文档开展目标鉴别/检验，最先必须重叠文档。针对十分时髦的每日任务，这种已经存有。检验面部，车辆，笑容，双眼和车牌号等物品是十分广泛的。

最先，我能对你说怎么使用这种重叠文档，随后我将对你说怎么开始建立你自己的重叠，那样就可以检查到一切你愿意的目标，这很帅！

你能应用 Google 来搜索你很有可能要想检查的東西的各种各样 Haar Cascades。针对寻找以上种类，你应该沒有很多的不便。大家将应用脸部重叠和双眼重叠。你能在 Haar Cascades 的网站根目录寻找大量。小心用以应用/派发这种 Haar Cascades 的许可证书。

使我们逐渐大家的编码。我假定你已经从以上的超链接中安装了haarcascade_eye.xml和
haarcascade_frontalface_default.xml，并将这种材料放到你新项目的文件目录中。

import numpy as np

import cv2

# multiple cascades: https://github.com/Itseez/opencv/tree/master/data/haarcascades

#https://github.com/Itseez/opencv/blob/master/data/haarcascades/haarcascade_frontalface_default.xml

face_cascade = cv2.CascadeClassifier(‘haarcascade_frontalface_default.xml’)

#https://github.com/Itseez/opencv/blob/master/data/haarcascades/haarcascade_eye.xml

eye_cascade = cv2.CascadeClassifier(‘haarcascade_eye.xml’)

cap = cv2.VideoCapture(0)

在这儿，大家从导进cv2和numpy逐渐，随后载入大家的面部和眼周的重叠。 迄今为止非常简单。

while 1:

ret, img = cap.read()

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

faces = face_cascade.detectMultiScale(gray, 1.3, 5)

如今大家逐渐大家的典型性循环系统，这儿唯一的新生事物便是面部的建立。 其他信息请浏览detectMultiScale函数的文本文档。 大部分，它找到脸部！ 大家也想寻找双眼，可是在一个阳性的全世界里，在脸部里边找寻双眼，从逻辑关系上而言是否很聪明？ 大家期待我们不找寻没有在脸部的双眼！ 严格意义上来说，“双眼检验”很有可能不容易寻找闲置不用的目光。 大部分双眼检验应用周边的肌肤，上眼睑，睫毛，眼眉还可以用以检验。 因而，大家的下一步便是先去分拆脸部，随后才可以抵达双眼：

for (x,y,w,h) in faces:

cv2.rectangle(img,(x,y),(x w,y h),(255,0,0),2)

roi_gray = gray[y:y h, x:x w]

roi_color = img[y:y h, x:x w]

在这儿，大家找到脸部，他们的尺寸，绘制方形，并留意 ROI。 下面，大家找了一些双眼：

eyes = eye_cascade.detectMultiScale(roi_gray)

for (ex,ey,ew,eh) in eyes:

cv2.rectangle(roi_color,(ex,ey),(ex ew,ey eh),(0,255,0),2)

如果我们找出这种，大家会再次绘制大量的方形。 下面大家进行：

cv2.imshow(‘img’,img)

k = cv2.waitKey(30) & 0xff

if k == 27:

break

cap.release()

cv2.destroyAllWindows()

详细编码：

import numpy as np

import cv2

# multiple cascades: https://github.com/Itseez/opencv/tree/master/data/haarcascades

#https://github.com/Itseez/opencv/blob/master/data/haarcascades/haarcascade_frontalface_default.xml

face_cascade = cv2.CascadeClassifier(‘haarcascade_frontalface_default.xml’)

#https://github.com/Itseez/opencv/blob/master/data/haarcascades/haarcascade_eye.xml

eye_cascade = cv2.CascadeClassifier(‘haarcascade_eye.xml’)

cap = cv2.VideoCapture(0)

while 1:

ret, img = cap.read()

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

faces = face_cascade.detectMultiScale(gray, 1.3, 5)

for (x,y,w,h) in faces:

cv2.rectangle(img,(x,y),(x w,y h),(255,0,0),2)

roi_gray = gray[y:y h, x:x w]

roi_color = img[y:y h, x:x w]

eyes = eye_cascade.detectMultiScale(roi_gray)

for (ex,ey,ew,eh) in eyes:

cv2.rectangle(roi_color,(ex,ey),(ex ew,ey eh),(0,255,0),2)

cv2.imshow(‘img’,img)

k = cv2.waitKey(30) & 0xff

if k == 27:

break

cap.release()

cv2.destroyAllWindows()

非常好。你也许会注意到我迫不得已取出我的近视眼镜。这种导致了一些不便。我的嘴也时常被检查为双眼，有时候乃至是一张脸，但你懂了。脸部头发和别的物品常常可以蒙骗基本上脸部检验，此外，皮肤颜色也会产生较大的不便，由于大家常常尝试尽量简单化图象，进而失去许多颜色值。乃至还有一个中小型领域，可以防止人脸识别算法和鉴别。CVDazzle 网址便是一个事例。在其中有一些十分怪异，但它们很合理。你还可以一直走详细的脸部复建手术治疗的线路，以防止全自动追踪和检验，因此一直那样，可是这更永久性。做一个头型较为短暂性也非常容易保证。

行吧，检验脸部，双眼和车辆是可以的，但我们都是程序猿。大家期望可以做一切事儿。事实上，事儿会越来越非常错乱，创建自身的 Haar Cascades 有一定的难度系数，可是别人也这样做……你还可以！这就是在下一个实例教程中所探讨的。

十七、建立自身的 Haar Cascade

感谢来到 Python OpenCV 目标检验实例教程。在本教程中，你将见到怎样建立你自己的 Haar Cascades，便于你能追踪一切你愿意的目标。因为这一每日任务的实质和多元性，本步骤将比平常稍长一些，但奖赏是很大的。

尽管你可以在 Windows 中进行，我是不会提议那样。因而，针对本实例教程，我将应用 Linux VPS，而且我建议你也如此做。你能试着应用 Amazon Web Services 给予的完全免费套餐内容，但对你而言很有可能太悲痛了，你也许要越来越多的运行内存。你还是可以从 Digital Ocean 得到低至五美元/月的 VPS。推存最少 2GB 的运行内存用以大家即将做的事儿。如今大部分服务器按钟头收费标准，包含 DO。因而，你能选购一个 20 美金/月的网络服务器，应用它一天，获得你愿意的文档，随后停止网络服务器，并付款非常少的钱。你需要大量的作用来设定网络服务器？如果是得话，看一下这一详细的实例教程。

一旦你的网络服务器做好准备，你能准备获得具体的 OpenCV 库。

将文件目录变更到云服务器的网站根目录，或是你要置放工作区域的地区：

cd ~

sudo apt-get update

sudo apt-get upgrade

最先，使我们为自己制作一个美丽的工作中文件目录：

mkdir opencv_workspace

cd opencv_workspace

即然大家完成了，使我们获得 OpenCV。

sudo apt-get install git

git clone https://github.com/Itseez/opencv.git

大家这儿复制了 OpenCV 的最新版。如今获得一些必须品。

c语言编译器：sudo apt-get install build-essential

库：sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev

Python 关联：sudo apt-get install python-dev python-numpy libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev

最终，使我们获得 OpenCV 开发设计库：

sudo apt-get install libopencv-dev

如今，大家该怎样进行这一全过程呢？因此如果你想创建一个 Haar Cascade 时，你需要“全片”图象和“胶片”图象。 “全片”图象是包括要搜索的另一半的图象。这可以是具备目标的关键图象，还可以是包括目标的图象，并特定目标所处的 ROI（兴趣爱好地区）。拥有这种全片图象，大家创建一个矢量文件，大部分是所有的这种物品放到一起。全片图象的一个益处是，你能具体只有一个你要想检查的另一半的图象，随后有好几千个胶片图象。是的，好几千。胶片图象可以是任何东西，除开她们不可以包括你的目标。

在这儿，应用你的胶片图象，你能应用opencv_createsamples指令来建立一堆全片的实例。你的全片图象将累加在这种胶片上，并且会产生各式各样的视角。它事实上可以工作中得非常好，尤其是假如你仅仅是在找寻一个特殊的目标。可是，假如你已经找寻全部螺丝起子，则必须有着数千个螺丝起子的与众不同图象，而不是应用opencv_createsamples给你形成试品。大家将维持简易，只采用一个全片图象，随后用人们的胶片建立一堆样版。

大家的全片图象：

>need-to-insert-img

这也是此外一个情景，假如你运用自身的图象，你也许会更喜欢这一。假如事儿出错了，试一试我的，可是我建议你自己画一下。维持较小。 50×50清晰度应当可以。

行吧，得到全片图象是没有问题的！只有一个问题。大家必须许多的胶片图象。很有可能在未来，大家也有可能必须许多的全片图象。我们可以在当今世界的哪个地方完成它？根据 WordNet 的定义，有一个十分有效的网站叫做 ImageNet。从这儿，你能寻找几乎任何东西的图象。大家这儿，大家要想腕表，因此检索腕表，你就会发现很多类型的腕表。使我们查找电子手表。太棒了！看一下免费下载标识！存有用以全部电子手表腕表的 URL！很帅。行吧，但我讲过大家只能采用一个全片，因此大家仅仅检验一个腕表。假如你要检验“所有”腕表，必须提前准备获得不必要 50,000 个腕表图象，最少 25000 个“胶片”的图象。以后，提前准备充足的网络服务器，除非是你想要你的 Haar Cascade 练习花一个星期。那麼大家怎样获得胶片？ ImageNet 的所有关键是图象练习，因此它们的图象十分实际。因而，如果我们检索人，车辆，船舶，飞机场……无论哪些，都不可能有腕表。你也许会见到一些人或相似的物品，但你懂了。即然你很有可能见到人周边或上边的腕表，我实际上觉得你也会获得人的图象。我的想法是找寻锻炼身体的人，她们很有可能沒有戴电子手表。因此，大家来找一些大批量照片的 URL 连接。我发现体育文化/田径运动连接有 1,888 张图片，但你就会发现许多这种全是彻底毁坏的。使我们再去找一个：

行吧，大家有着全部这种照片，如今呢？那麼，最先，大家期待全部这种尺寸都同样，并且要小许多！天呐，只需我们知道一个方式来实际操作图象…嗯…哦，这是一个 OpenCV 实例教程！我们可以解决它。因此，最先，我们要做的是撰写一个简便的脚本制作，浏览这种 URL 目录，获得连接，浏览连接，获取图象，调节尺寸，储存他们，随后反复，直到进行。在我们的文件目录充斥着图象时，大家还要一种叙述图片的软件更新。针对全片，手动式建立这一文档尤其痛楚，因为你必须指定你的目标，每一个图象的具体化的兴趣爱好地区。幸运的是，create_samples方式将图象任意置放，并为大家进行了全部工作中。大家只需用一个用以胶片的简易描述符，可是这不是问题，在拉长和实际操作图象时我们可以完成。

www.youtube.com/embed/z_6fP…

在一切你喜爱的地区随便运作这一编码。 我想在我的服务器上运作它，因为它应当快一点。 你能在你的网络服务器上运作。 假如你要应用cv2控制模块，请实行sudo apt-get install python-OpenCV。 现阶段，我不知道在 Linux 上为 Python 3 得到这种关联的好方法。 我即将写的代码是 Python 3，因此记牢这一点。 关键差别是Urllib解决。

# download-image-by-link.py

import urllib.request

import cv2

import numpy as np

import os

def store_raw_images():

neg_images_link = ‘//image-net.org/api/text/imagenet.synset.geturls?wnid=n00523513’

neg_image_urls = urllib.request.urlopen(neg_images_link).read().decode()

pic_num = 1

if not os.path.exists(‘neg’):

os.makedirs(‘neg’)

for i in neg_image_urls.split(‘n’):

try:

print(i)

urllib.request.urlretrieve(i, “neg/” str(pic_num) ”.jpg”)

img = cv2.imread(“neg/” str(pic_num) ”.jpg”,cv2.IMREAD_GRAYSCALE)

# should be larger than samples / pos pic (so we can place our image on it)

resized_image = cv2.resize(img, (100, 100))

cv2.imwrite(“neg/” str(pic_num) ”.jpg”,resized_image)

pic_num = 1

except Exception as e:

print(str(e))

非常简单，这一脚本制作将浏览连接，爬取网站地址，并打开网址他们。从这儿，大家爬取图象，转化成灰度级，调节尺寸，随后储存。大家应用一个简便的计数来取名图象。再次运作它。你很有可能见到，有很多的确的照片等。没事儿。这种错误图片中的一些更有什么问题。大部分全是乳白色，含有一些文字，说她们不会再可以用，而不是服务项目和 HTTP 不正确。如今，大家有几个挑选。我们可以忽视他们，或是修补它。嘿，这是一个沒有腕表的图象，因此什么叫对的呢？自然，你能采用这些见解，但假如你为全片应用这类获取方法得话，这肯定是一个问题。你能手动式删掉他们…或是我们可以运用大家新的图像检测专业知识，来检验这种愚昧的图象，并将其删掉！

我继续形成了一个新的文件目录，称作“uglies（丑恶）”。在那一个文件目录中，我点一下并拖拽了全部丑恶的图象版本号（仅仅这其中之一）。在胶片中我只发觉了一个首犯，所以我只有一个。使我们编写一个脚本来查找这一图像的全部实例并删除它。

www.youtube.com/embed/t0HOV…

def find_uglies():

match = False

for file_type in [‘neg’]:

for img in os.listdir(file_type):

for ugly in os.listdir(‘uglies’):

try:

current_image_path = str(file_type) ’/’ str(img)

ugly = cv2.imread(‘uglies/’ str(ugly))

question = cv2.imread(current_image_path)

if ugly.shape == question.shape and not(np.bitwise_xor(ugly,question).any()):

print(‘That is one ugly pic! Deleting!’)

print(current_image_path)

os.remove(current_image_path)

except Exception as e:

print(str(e))

如今大家仅有胶片，可是我留有了室内空间使你随便在那里加上’pos’（全片）。 你能运作它来检测，但我不在意先把握住大量的胶片。 使我们再度运作图片提取器，只是应用这一 url：
//image-net.org/api/text/imagenet.synset.geturls?wnid=n07942152。 最终一张图像是#952，因此使我们以 953 逐渐pic_num，并变更网站地址。

def store_raw_images():

neg_images_link = ‘//image-net.org/api/text/imagenet.synset.geturls?wnid=n07942152’

neg_image_urls = urllib.request.urlopen(neg_images_link).read().decode()

pic_num = 953

if not os.path.exists(‘neg’):

os.makedirs(‘neg’)

for i in neg_image_urls.split(‘n’):

try:

print(i)

urllib.request.urlretrieve(i, “neg/” str(pic_num) ”.jpg”)

img = cv2.imread(“neg/” str(pic_num) ”.jpg”,cv2.IMREAD_GRAYSCALE)

# should be larger than samples / pos pic (so we can place our image on it)

resized_image = cv2.resize(img, (100, 100))

cv2.imwrite(“neg/” str(pic_num) ”.jpg”,resized_image)

pic_num = 1

except Exception as e:

print(str(e))

如今咱们有高于2000张相片。 最后一步是，大家必须为这种胶片图像建立描述符文档。 大家将再度应用一些编码！

def create_pos_n_neg():

for file_type in [‘neg’]:

for img in os.listdir(file_type):

if file_type == ‘pos’:

line = file_type ’/’ img ’ 1 0 0 50 50n’

with open(‘info.dat’,’a’) as f:

f.write(line)

elif file_type == ‘neg’:

line = file_type ’/’ img ’n’

with open(‘bg.txt’,’a’) as f:

f.write(line)

运作它，你拥有个bg.txt文件。 如今，我明白有的人的网络联接很有可能并不是最佳的，所以我做个善人，在这儿提交胶片照片和软件更新。 你应该根据这种流程。 假如你对本实例教程觉得困惑，则必须了解怎样实行这一部分。 行吧，因此我们决定大家将一个图像用以全片市场前景图像。 因而，大家必须实行create_samples。 这代表着，大家必须将人们的neg文件目录和bg.txt文件挪动到咱们的网络服务器。 假如你在网络服务器上运作全部这类编码，不要担心。

www.youtube.com/embed/eay7C…

如果你是一个术士，并已经想到了怎样在 Windows 上运作create_samples等，恭贺！ 返回网络服务器的城池，我的文件现在是那样的：

opencv_workspace

–neg

—-negimages.jpg

–opencv

–info

–bg.txt

–watch5050.jpg

你也许沒有info文件目录，因此再次并mkdir info。 这也是大家置放全部全片图像的地区。

大家如今提前准备依据watch5050.jpg图像建立一些全片样版。 因此，请在工作区域中根据终端设备运作下列指令：

opencv_createsamples -img watch5050.jpg -bg bg.txt -info info/info.lst -pngoutput info -maxxangle 0.5 -maxyangle 0.5 -maxzangle 0.5 -num 1950

那样做是根据大家特定的img建立样版，bg是环境信息内容，大家将輸出info.list（很像bg.txt文件）的信息内容，随后-pngoutput便是大家要想置放新产生的图像的任何地方。 最终，大家有一些可选择的主要参数，使人们的初始图像更为动态性一些，随后用= num来表明大家需要建立的样品总数。 棒极了，使我们来运作它。 如今你的info文件目录应当有约 2,000 个图像，还有一个名叫info.lst的文档。 这一文档大部分就是你的“全片”文档。 开启它，而且看一下它如何：

0001_0014_0045_0028_0028.jpg 1 14 45 28 28

最先您有文件夹名称，以后是图像中有多少目标，次之是他们的任何部位。 大家只有一个，因此它是图像中目标方形的x，y，总宽和相对高度。 这是一个图像：

>need-to-insert-img

难以见到它，但假如你难以见到，腕表就是这个图像。 图像中最左边角色的左下角。 因而，这是一个“全片”图像，从此外一个“胶片”图像建立，胶片图像也将用以练习。 如今大家拥有全片图像，如今大家必须建立矢量文件，这大部分是一个地区，大家将全部全片图像拼凑起來。大家会再度因此应用opencv_createsamples！

opencv_createsamples -info info/info.lst -num 1950 -w 20 -h 20 -vec positives.vec

这也是人们的矢量文件。 在这儿，大家仅仅让它了解信息内容文档的部位，大家需要在文档中含有是多少图像，在这个矢量文件中图像应当是啥规格，随后才可以輸出結果。 要是你愿意得话，你能做得更高一些，20×20很有可能充足好啦，你做的越大，练习時间便会越长。 再次，大家如今只必须练习大家的重叠。

最先，我们要把輸出放到某一地区，因此使我们建立一个新的信息文件目录：

mkdir data，你的运行室内空间应当如下所示所显示：

opencv_workspace

–neg

—-negimages.jpg

–opencv

–info

–data

–positives.vec –bg.txt

–watch5050.jpg

如今使我们运作练习指令：

opencv_traincascade -data data -vec positives.vec -bg bg.txt -numPos 1800 -numNeg 900 -numStages 10 -w 20 -h 20

在这儿，大家证明了，大家需要数据信息去的地区，矢量文件的部位，环境文档的部位，要应用多少个全片图像和胶片图像，多少个环节及其总宽和相对高度。小心，大家采用的numPos比大家少得多。这也是以便给环节空出室内空间。

有越多的挑选，但这种就可以了。这儿主要是全片和胶片的总数。一般觉得，针对大部分实践活动，你需要 2:1 占比的全片和胶片图像。有一些状况有可能会各有不同，但这也是大家好像遵循的一般标准。下面，大家有着环节。大家选用了 10 个。你最少要 10-20 个，越多必须的时间段越长，并且是指数级的。第一阶段通常迅速，第五环节要慢得多，第五十个阶段始终不容易做完！因此，大家如今实行 10 个环节。这儿非常好的一件事就是你可以练习 10 个环节，稍候再回家，把数据改为 20，随后在你离去的位置再次。一样的，你还可以放一些像 100 个环节的物品，唾觉，早上醒来，慢下来，看看你多远，随后用这种环节“练习”，你能马上获得一个重叠文档。你很有可能从最终一句话中得到，这一指令的效果的确非常好，是个很好的重叠文档。大家期待能监测到我的腕表，或是你决策检验的任何东西。我所了解的是，在导出这一段的情况下，我都沒有进行第一阶段的工作中。假如你确实要想在一夜之间运行命令，但不愿让终端设备开启，你能应用nohup：

nohup opencv_traincascade -data data -vec positives.vec -bg bg.txt -numPos 1800 -numNeg 900 -numStages 10 -w 20 -h 20 &

这使指令即使在关掉终端设备以后也可以再次运作。 你能应用大量，但你也许会或很有可能不容易用完你的 2GB RAM。

www.youtube.com/embed/-Mhy-…

在我的 2GB DO 网络服务器上，10 个阶段花了不上 2 个钟头的時间。 因此，要不有一个cascade.xml文件，要么终止脚本制作运作。 假如你停止运行，你应该在你的data文件目录下有一堆stageX.xml文件。 开启它，看看你有多少个阶段，随后你能应用这种阶段，再度运作opencv_traincascade，你能马上获得一个cascade.xml文件。 这儿，我只想讲出它是啥，及其有多少个阶段。 对于我而言，我做了 10 个阶段，因此我将它重新命名为watchcascade10stage.xml。 这就是我们需要的，因此如今将新的层级文件传到主电子计算机，放到工作中文件目录中，使我们试一试！

import numpy as np

import cv2

face_cascade = cv2.CascadeClassifier(‘haarcascade_frontalface_default.xml’)

eye_cascade = cv2.CascadeClassifier(‘haarcascade_eye.xml’)

#this is the cascade we just made. Call what you want

watch_cascade = cv2.CascadeClassifier(‘watchcascade10stage.xml’)

cap = cv2.VideoCapture(0)

while 1:

ret, img = cap.read()

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

faces = face_cascade.detectMultiScale(gray, 1.3, 5)

# add this

# image, reject levels level weights.

watches = watch_cascade.detectMultiScale(gray, 50, 50)

# add this

for (x,y,w,h) in watches:

cv2.rectangle(img,(x,y),(x w,y h),(255,255,0),2)

for (x,y,w,h) in faces:

cv2.rectangle(img,(x,y),(x w,y h),(255,0,0),2)

roi_gray = gray[y:y h, x:x w]

roi_color = img[y:y h, x:x w]

eyes = eye_cascade.detectMultiScale(roi_gray)

for (ex,ey,ew,eh) in eyes:

cv2.rectangle(roi_color,(ex,ey),(ex ew,ey eh),(0,255,0),2)

cv2.imshow(‘img’,img)

k = cv2.waitKey(30) & 0xff

if k == 27:

break

cap.release()

cv2.destroyAllWindows()

你很有可能注意到，腕表的方块不大。 它好像并没做到全部腕表。 回忆一下咱们的练习经营规模是20×20。 因而，大家较多有一个20×20的方块。 你能做100×100，可是，要当心，这将必须很长期来练习。 因而，我们不制作方块，反而是，为什么没有在腕表上书写或什么？ 那样做相对性简易。 大家没有在腕表上实行cv2.rectangle(img,(x,y),(x w,y h),(0,0,255),2)，我们可以执行：

font = cv2.FONT_HERSHEY_SIMPLEX

cv2.putText(img,’Watch’,(x-w,y-h), font, 0.5, (11,255,255), 2, cv2.LINE_AA)

很帅！ 因此你也许沒有应用我的腕表，你是怎么做的？ 假如碰到不便，请试着应用和我完全一致的任何內容。 检验图象，而不是检测摄像头，这儿是一个：

在图片上运作检验会让你：

我并不掌握你，但一旦我最后使其工作中，我十分激动！最令我印象深刻的是，追踪目标需要的数据信息尺寸。Haar Cascades 通常是 100-2000 KB 的尺寸。高于或等于 2,000 KB 的 Haar Cascades 应当十分精确。考虑到你的状况，你也许会碰到约 5000 个一般物件。考虑到 Haar Cascades 均值可能是约 500 KB。大家必须：0.5 MB * 5,000 = 2,500 MB或 2.5 GB。你需要 2.5 GB 的运行内存来鉴别 5000 个目标，而且很有可能你在一天中遇上的较多目标。这要我痴迷。充分考虑我们可以浏览全部的 image-net，并可以马上获取非常大范畴的另一半的一般图象。考虑到 image-net 上的大部分图象，大部分全是 100% 的“追踪”目标，因而，你能根据手动式标明部位，并仅应用 0,0 和画面的所有尺寸来获得合理的結果。这儿你能做的事儿有极大很有可能…行吧，那就是目前。我未来也许会用 OpenCV 做一些图像识别。

享有你的新生力量。好好地运用他们。