怎么在Python3.5 中利用OpenCV實現(xiàn)一個手勢識別功能？相信很多沒有經(jīng)驗的人對此束手無策，為此本文總結(jié)了問題出現(xiàn)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(diào)用OpenCV——cv2.VideoCapture()
重慶分公司
重慶分公司
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
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(huán)境
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(jié)構(gòu)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(jié)構(gòu)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
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
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(qū)域，可避免周圍環(huán)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(）的方法找到較大輪廓，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(fā)現(xiàn)“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(guī)律，石頭<剪刀<布，代碼如下
# 輪廓匹配 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 < 25000: # 石頭 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(jù)匹配值和面積大小來決定識別結(jié)果，例如，下述結(jié)果，1.179515828609219, 0.9604643714904955, 0.9896353720020925分別對應(yīng)剪刀、石頭、布的匹配值，越小說明越吻合；結(jié)合最終識別情況來看，在三種手勢中，石頭的識別成功率高，約98%；布其次，約88%；剪刀最低，約80%，而且結(jié)果易受環(huán)境亮度影響，環(huán)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(xué)習的方法
石頭 [1.179515828609219, 0.9604643714904955, 0.9896353720020925]
看完上述內(nèi)容，你們掌握怎么在Python3.5 中利用OpenCV實現(xiàn)一個手勢識別功能的方法了嗎？如果還想學(xué)到更多技能或想了解更多相關(guān)內(nèi)容，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝各位的閱讀！
