基于OpenCV的手掌检测和手指计数

利用余弦定理使用OpenCV-Python实现手指计数与手掌检测。

接下来让我们一起探索以下这个功能是如何实现的。

OpenCV

OpenCV（开源计算机视觉库）是一个开源计算机视觉和机器学习软件库。OpenCV的构建旨在为计算机视觉应用程序提供通用的基础结构，并加速在商业产品中使用机器感知。

导入库

• cv2： opencv [pip install opencv]

• numpy：用于处理数组和数学[pip install numpy]

import cv2 as cv
import numpy as np

导入图像

img_path = "data/palm.jpg"
img = cv.imread(img_path)
cv.imshow('palm image',img)

皮肤Mask

• 用于突出显示图像上的特定颜色。

• hsvim：将BGR（蓝色，绿色，红色）图像更改为HSV（色相，饱和度，值）。

• 较低：HSV中的肤色范围较小。

• upper：HSV中皮肤颜色的上限。

• skinRegionHSV：在HSV色彩空间的上下像素值范围内检测皮肤。

• 模糊：使图像模糊以改善遮罩。

• 脱粒：脱粒。

hsvim = cv.cvtColor(img, cv.COLOR_BGR2HSV)
lower = np.array([0, 48, 80], dtype = "uint8")
upper = np.array([20, 255, 255], dtype = "uint8")
skinRegionHSV = cv.inRange(hsvim, lower, upper)
blurred = cv.blur(skinRegionHSV, (2,2))
ret,thresh = cv.threshold(blurred,0,255,cv.THRESH_BINARY)
cv.imshow("thresh", thresh)

轮廓线绘制

现在让我们在图像上找到轮廓。

凸包检测

hull = cv.convexHull(contours)cv.drawContours(img, [hull], -1, (0, 255, 255), 2)cv.imshow("hull", img)

 

凸缺陷检测

手掌与凸包检测轮廓线的任何偏离的地方都可以视为凸度缺陷。

hull = cv.convexHull(contours, returnPoints=False)
defects = cv.convexityDefects(contours, hull)

余弦定理

现在，这是数学时间！让我们了解余弦定理。

在三角学中，余弦定律将三角形边的长度与其角度之一的余弦相关。使用如图1所示的符号表示，余弦定律表明，其中γ表示长度a和b的边之间的长度以及与长度c的边相对的角度。

图1

式：

通过现在看这个公式，我们知道如果有的话；a，b和gama然后我们也找到c以及是否有c ; a，b，c然后我们也找到伽玛（反之亦然）

为了找到伽玛，使用以下公式：

使用余弦定理识别手指

图2

在图2中，我画了一个Side：a，b，c和angle：gamma。现在，该伽马始终小于90度，因此可以说：如果伽马小于90度或pi / 2，则将其视为手指。

手指个数计算

注意：如果您不熟悉凸出缺陷，可以阅读以下文章。

https://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_imgproc/py_contours/py_contours_more_functions/py_contours_more_functions.html

凸缺陷返回一个数组，其中每一行都包含以下值：

• 起点

• 终点

• 最远点

• 到最远点的大概距离

通过这一点，我们可以轻松得出Sides：a，b，c（请参见CODE），并且根据余弦定理，我们还可以得出两根手指之间的伽马或角度。如前所述，如果伽玛小于90度，我们会将其视为手指。知道伽玛后，我们只需画一个半径为4的圆，到最远点的近似距离即可。在将文本简单地放入图像中之后，我们就表示手指数（cnt）。

if defects is not None:
cnt = 0
for i in range(defects.shape[0]): # calculate the angle
s, e, f, d = defects[i][0]
start = tuple(contours[s][0])
end = tuple(contours[e][0])
far = tuple(contours[f][0])
a = np.sqrt((end[0] - start[0]) ** 2 + (end[1] - start[1]) ** 2)
b = np.sqrt((far[0] - start[0]) ** 2 + (far[1] - start[1]) ** 2)
c = np.sqrt((end[0] - far[0]) ** 2 + (end[1] - far[1]) ** 2)
angle = np.arccos((b ** 2 + c ** 2 - a ** 2) / (2 * b * c)) # cosine theorem
if angle <= np.pi / 2: # angle less than 90 degree, treat as fingers
cnt += 1
cv.circle(img, far, 4, [0, 0, 255], -1)
if cnt > 0:
cnt = cnt+1
cv.putText(img, str(cnt), (0, 50), cv.FONT_HERSHEY_SIMPLEX,1, (255, 0,

 让我们看看最终结果

cv.imshow('final_result',img)

我们也可以通过调用“ cv.VideoCapture（）”来对视频执行此操作。