一.主要代码分析 1.首先是实例化模板,默认检测为蓝色 if __name__ == '__main__': import sys try: color = sys.argv[1] #外部读入数据 except: color = 1 #在函数发生IndexError的时候,直接赋值给color为1,检测颜色为蓝色 print __doc__ a = App(color) #将a定义为APP的实例 a.run() #使用a的方法“run” 2.运行run函数方法,首先设定roi,其中,roi为蓝图片大小 def run(self): roi = self.roi self.start() while True: ret, self.frame = self.cam.read() #获得每一帧图片 ... hsv = cv2.cvtColor(self.frame, cv2.COLOR_BGR2HSV) #由于在HSV颜色空间中要比在BGR空间中更容易表示一个特定的颜色,将图像转换到HSV空间 3.转换为2D直方图,包括输入图像和掩膜图像的直方图,利用反向投影计算,它会输出与输入图像(待搜索)同样大小的图像,其中每一个像素代表了输入图像上对应点属于目标对象的概率。用更简单的话来解释,输出图像中像素值越高(越白)的点就越可能代表我们要搜索的目标(在输入图像所在的位置)。 #一维直方图 直方图统计区域,ranges像素值范围是:[0,256],histSize即BIN的数目:[16] hist = cv2.calcHist( [hsv_roi], [0], mask_roi, [16], [0, 180] ) # 归一化:原始图像,结果图像,映射到结果图像中的最小值,最大值,归一化类型 #归一化之后的直方图便于显示,归一化之后就成了 0 到 255 之间的数了。 cv2.normalize(hist, hist, 0, 255, cv2.NORM_MINMAX) ... #直方图反向投影。它的参数与函数 cv2.calcHist 的参数基本相同。其中的一个参数是我们要查找目标的直方图。同样再使用目标的直方图做反向投影之前我们应该先对其做归一化处理。返回的结果是一个概率图像,我们再使用一个圆盘形卷积核对其做卷操作,最后使用阈值进行二值化 prob = cv2.calcBackProject([hsv], [0], self.hist