颜色和移动物体识别系统
1.开发工具
Python版本：Anaconda 的python环境3.8版本
开发软件：Pycharm社区版
识别模型：深度学习模型，普通学习模型
相关模块：opencv-python=3.4.8.29模块
2.环境搭建
安装Anaconda并将路径添加到环境变量，安装Pycharm并将路径添加到环境变量，使用pip安装需要的相关模块即可。
3.程序流程
一、颜色识别系统
1)打开pycharm,创建一个文件夹和一个.py文件

2)导入两个库，cv2和numpy库

3)设置绿色和红色的高低阈值

4)判断是否正常打开视频

5)读取每一帧与当读取帧正常时

6)将图片转为灰色

7)根据颜色范围筛选红色和绿色

8)中值滤波处理

9)对两种颜色进行处理，寻找绿色和红色范围

10)在绿色区域画正方形并显示“Green”

11)在红色区域画正方形并显示“Red”

12)显示每一帧，等待播放，按“q”中断

13)如果视频播放完，自动跳出循环，窗口关闭

14)释放视频以及销毁所有创建的窗口

15)运行时示例截图

源码展示

import numpy as np  # 导入numpy库
import cv2  # 导入opencv-python库即cv2库lower_green = np.array([35, 110, 106])  # 绿色范围低阈值
upper_green = np.array([77, 255, 255])  # 绿色范围高阈值
lower_red = np.array([0, 127, 128])  # 红色范围低阈值
upper_red = np.array([10, 255, 255])  # 红色范围高阈值
# 需要更多颜色，可以去百度一下HSV阈值！
cap = cv2.VideoCapture("2.mp4")  # 打开视频文件
num = 0
while (cap.isOpened()):  # 是否正常打开视频ret, frame = cap.read()  # 读取每一帧if ret == True:  # 判断读取帧正确时hsv_img = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)  # 将图片转为灰色以便后面处理mask_green = cv2.inRange(hsv_img, lower_green, upper_green)  # 根据颜色范围筛选绿色mask_red = cv2.inRange(hsv_img, lower_red, upper_red)  # 根据颜色范围筛选红色mask_green = cv2.medianBlur(mask_green, 7)  # 中值滤波mask_red = cv2.medianBlur(mask_red, 7)  # 中值滤波mask = cv2.bitwise_or(mask_green, mask_red)  # 对两种颜色进行处理mask_green, contours, hierarchy = cv2.findContours(mask_green, cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE)  # 寻找绿色范围mask_red, contours2, hierarchy2 = cv2.findContours(mask_red, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)  # 寻找红色范围for cnt in contours:(x, y, w, h) = cv2.boundingRect(cnt)cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 255), 2)cv2.putText(frame, "Green", (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 0), 2)# 在绿色区域画正方形并显示Greenfor cnt2 in contours2:(x2, y2, w2, h2) = cv2.boundingRect(cnt2)cv2.rectangle(frame, (x2, y2), (x2 + w2, y2 + h2), (0, 255, 255), 2)cv2.putText(frame, "Red", (x2, y2 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2)# 在红色区域画正方形并显示Greencv2.imshow("dection", frame)  # 显示每一帧if cv2.waitKey(20) & 0xFF == ord("q"):  # 类似中断播放的按键，按q跳出循环终止播放breakelse:break
cap.release()  # 释放视频
cv2.destroyAllWindows()  # 将创建的所有的窗口毁灭

二、移动物体识别系统
1)打开pycharm,创建一个文件夹和一个.py文件

2)导入cv2库，该系统只需要一个cv2库

3)读取视频的路径

4)找出视频的长和宽，并且输出

5)给椭圆形描点并赋值给变量，并给background赋值

6)判断能否正确读取视频流

7)读取视频并判断视频是否结束

8)对帧进行预处理，先转灰度，再进行高斯滤波

9)将第一帧设置为整个输入的背景

10)对于每个从背景之后读取的帧都会计算其与背景之间的差异，并得到一个差分图

11)应用阈值来得到一幅黑白图像，并通过下面代码来膨胀图像，从而对孔和缺陷进行归一化处理

12)对移动的物体显示矩形框

13)播放视频并且按“q”退出视频

14)如果视频播放结束。跳出循环并关闭窗口

15)释放视频和销毁所有创造的窗口

16)运行示例截图

源码展示

import cv2  # 导入opencv-python库即cv2库camera = cv2.VideoCapture("5.mp4")  # 读取视频路径
size = (int(camera.get(cv2.CAP_PROP_FRAME_WIDTH)), int(camera.get(cv2.CAP_PROP_FRAME_HEIGHT)))  # 找出视频的长和宽并赋给变量
print('size:' + repr(size))  # 输出图片的长和宽
es = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (9, 4))  # 以椭圆形描点并赋值给变量
background = None  # 给background赋予初始值None
while (camera.isOpened()):  # 能否正确读取视频流grabbed, frame_lwpCV = camera.read()if grabbed == True:gray_lwpCV = cv2.cvtColor(frame_lwpCV, cv2.COLOR_BGR2GRAY)  # 对帧进行预处理，先转灰度图，再进行高斯滤波。gray_lwpCV = cv2.GaussianBlur(gray_lwpCV, (21, 21),0)  # 用高斯滤波进行模糊处理，进行处理的原因：每个输入的视频都会因自然震动、光照变化或者摄像头本身等原因而产生噪声。对噪声进行平滑是为了避免在运动和跟踪时将其检测出来。# 将第一帧设置为整个输入的背景if background is None:background = gray_lwpCVcontinue# 对于每个从背景之后读取的帧都会计算其与背景之间的差异，并得到一个差分图（different map）。# 还需要应用阈值来得到一幅黑白图像，并通过下面代码来膨胀（dilate）图像，从而对孔（hole）和缺陷（imperfection）进行归一化处理diff = cv2.absdiff(background, gray_lwpCV)diff = cv2.threshold(diff, 148, 255, cv2.THRESH_BINARY)[1]  # 二值化阈值处理diff = cv2.dilate(diff, es, iterations=2)  # 形态学膨胀image, contours, hierarchy = cv2.findContours(diff.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)  # 该函数计算一幅图像中目标的轮廓# 显示矩形框for c in contours:if cv2.contourArea(c) < 15:  # 对于矩形区域，只显示大于给定阈值的轮廓，所以一些微小的变化不会显示。对于光照不变和噪声低的摄像头可不设定轮廓最小尺寸的阈值continue(x, y, w, h) = cv2.boundingRect(c)  # 该函数计算矩形的边界框cv2.rectangle(frame_lwpCV, (x, y), (x + w, y + h), (0, 255, 0), 2)  # 画出有移动物体的矩形cv2.imshow('contours', frame_lwpCV)  # 播放视频key = cv2.waitKey(20) & 0xFF# 按'q'健退出循环if key == ord('q'):breakelse:break
camera.release()  # 释放视频
cv2.destroyAllWindows()  # 将创建的所有的窗口毁灭