手势识别系列文章目录
手势识别是一种人机交互技术，通过识别人的手势动作，从而实现对计算机、智能手机、智能电视等设备的操作和控制。
1. opencv实现手部追踪（定位手部关键点）
2.opencv实战项目 实现手势跟踪并返回位置信息（封装调用）
3.手势识别-手势音量控制（opencv）
4.opencv实战项目 手势识别-手势控制鼠标
5.opencv实战项目 手势识别-手部距离测量
6.opencv实战项目 手势识别-实现尺寸缩放效果
未完待续
目录
1.简介
2.代码思路
3.代码详解
代码需要用到opencv cvzone模块 pickle模块
1.简介
OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉库，它提供了丰富的图像处理和计算机视觉功能，旨在帮助开发者在各种应用领域中实现图像处理、分析和计算机视觉任务
-
功能丰富：OpenCV提供了广泛的图像处理、计算机视觉、机器学习和深度学习功能。这些功能包括图像增强、特征提取、对象检测、人脸识别、图像分割、运动跟踪等。
-
跨平台：OpenCV是跨平台的，可以在多种操作系统上运行，包括Windows、Linux、macOS等。
-
多语言支持：OpenCV支持多种编程语言，如C++、Python、Java等。这使得开发者可以使用自己熟悉的编程语言来使用OpenCV库。
-
高效优化：OpenCV库被优化用于高性能计算。它使用了硬件加速、并行处理和优化算法，以在各种硬件平台上提供高效的计算速度。
-
图像和视频处理：OpenCV支持从图像文件和摄像头中读取图像和视频数据。它可以进行图像预处理、过滤、几何变换、颜色空间转换等。
-
计算机视觉任务：OpenCV包括各种计算机视觉任务的算法和功能，如物体检测、人脸识别、手势识别、运动跟踪、目标追踪等。
-
深度学习集成：OpenCV也集成了一些深度学习框架，如TensorFlow和PyTorch，使得开发者可以结合深度学习模型来执行更复杂的视觉任务。
-
开源社区：OpenCV是一个活跃的开源项目，有着庞大的开发者社区。这意味着你可以找到大量的教程、示例代码和解决方案，帮助你解决各种视觉问题。
2.代码思路
-
视频输入与读取：
- 通过
cv2.VideoCapture打开一个视频文件作为输入。 - 使用
cap.read()读取视频的每一帧图像。
- 通过
-
图像预处理：
- 将每一帧图像转换为灰度图像，以简化后续处理。
- 对灰度图像应用高斯模糊，减少图像中的噪声。
- 使用自适应阈值方法将图像分割为前景（车辆）和背景（停车位）。
-
停车位检测（
checkParkingSpace函数）：- 针对预定义的停车位位置（从文件加载得到），在阈值图像中提取每个停车位的区域。
- 使用
cv2.countNonZero计算每个停车位区域内非零（白色）像素的数量。这相当于计算了停车位区域内的白色像素数量，用于判断是否有车辆停放在该位置。 - 根据计算出的非零像素数量，判断停车位是否空闲。如果非零像素数量低于某个阈值（例如900），则认为停车位为空闲；否则认为停车位被占用。
- 在原始图像上，使用矩形框和文本标记出停车位的状态，以及区域内非零像素的数量。
-
结果显示：
- 在图像上绘制检测结果，使用不同的颜色标记空闲和占用的停车位，以及停车位区域内的像素数量信息。
- 在图像上绘制空闲停车位的总数量，以及总停车位数量。
-
循环处理：
- 循环处理视频的每一帧，重复上述步骤。
- 如果视频处理完毕，重置视频的位置，以便重新播放视频。
3.代码详解
import cv2
import pickle
import cvzone
import numpy as np
# Video feed
cap = cv2.VideoCapture('carPark.mp4')
with open('CarParkPos', 'rb') as f:
posList = pickle.load(f)
width, height = 107, 48
def checkParkingSpace(imgPro):
spaceCounter = 0
for pos in posList:
x, y = pos
imgCrop = imgPro[y:y + height, x:x + width]
# cv2.imshow(str(x * y), imgCrop)
count = cv2.countNonZero(imgCrop)
if count < 900:
color = (0, 255, 0)
thickness = 5
spaceCounter += 1
else:
color = (0, 0, 255)
thickness = 2
cv2.rectangle(img, pos, (pos[0] + width, pos[1] + height), color, thickness)
cvzone.putTextRect(img, str(count), (x, y + height - 3), scale=1,
thickness=2, offset=0, colorR=color)
cvzone.putTextRect(img, f'Free: {spaceCounter}/{len(posList)}', (100, 50), scale=3,
thickness=5, offset=20, colorR=(0,200,0))
while True:
if cap.get(cv2.CAP_PROP_POS_FRAMES) == cap.get(cv2.CAP_PROP_FRAME_COUNT):
cap.set(cv2.CAP_PROP_POS_FRAMES, 0)
success, img = cap.read()
imgGray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
imgBlur = cv2.GaussianBlur(imgGray, (3, 3), 1)
imgThreshold = cv2.adaptiveThreshold(imgBlur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
cv2.THRESH_BINARY_INV, 25, 16)
imgMedian = cv2.medianBlur(imgThreshold, 5)
kernel = np.ones((3, 3), np.uint8)
imgDilate = cv2.dilate(imgMedian, kernel, iterations=1)
checkParkingSpace(imgDilate)
cv2.imshow("Image", img)
# cv2.imshow("ImageBlur", imgBlur)
# cv2.imshow("ImageThres", imgMedian)
cv2.waitKey(10)代码讲解
-
导入所需的库：
cv2：OpenCV库，用于图像处理和计算机视觉任务。pickle：用于序列化和反序列化Python对象。cvzone：这是一个基于OpenCV的库，用于在图像上绘制文本和形状。numpy：用于数组操作和数学计算。
-
打开视频文件并读取停车位位置信息：
cap = cv2.VideoCapture('carPark.mp4')：打开名为'carPark.mp4'的视频文件作为输入。with open('CarParkPos', 'rb') as f:：使用二进制模式打开名为'CarParkPos'的文件，其中包含停车位的位置信息。posList = pickle.load(f)：从文件中加载停车位位置信息，并将其存储在posList变量中。
-
定义一个用于检查停车位空闲情况的函数
checkParkingSpace(imgPro)：spaceCounter用于计算空闲停车位的数量。- 循环遍历每个停车位的位置信息。
- 从输入图像中提取与当前停车位位置对应的区域，即
imgCrop。 - 使用
cv2.countNonZero(imgCrop)计算该区域中非零像素的数量（即白色像素数量）。 - 如果非零像素数量小于900，表示该停车位空闲，将矩形框和文本标记为绿色，计数器增加。
- 否则，表示停车位已被占用，将矩形框和文本标记为红色。
-
进入主循环：
- 循环用于处理视频帧。
- 首先检查是否已经到达视频的末尾，如果是，则将视频的位置重置到开头。
- 使用
cap.read()读取视频的下一帧图像。 - 将图像转换为灰度图像，然后应用高斯模糊、自适应阈值等图像处理步骤，以提取停车位的信息。
- 调用之前定义的
checkParkingSpace()函数，传入经过处理的图像。 - 在图像上绘制检测结果的矩形框和文本信息。
- 使用
cv2.imshow()显示处理后的图像，并等待用户按键（cv2.waitKey(10))。
视频文件
链接：https://pan.baidu.com/s/1TiNlSBF6I1lHvEr2YIxlBA
提取码：8vw3
有遇到的问题欢迎评论区留言
