Opencv3排除横向灯条应用

HSV 色彩空间提取灯条

思路来源以及设想

无论是 HSV 还是 RGB 分割法都对二值化阈值的选取有很强的依赖性，但是 HSV 色彩空间排除环境光的能力远强于RGB。因此我们尝试了HSV 方法。（HSV 效果如图 1 下，可以很好的提取灯条部分)

对应我们想要选取的色彩区域，从下图三棱锥中，通过 H SV的阈值选择，提取出我们需要色彩区域。

实现过程

RGB 转换成HSV

​ 与 RGB 不同，HSV 分别指的是色调（H），饱和度（S），明度（V），特点是符合人的感觉，非常直观，容易理解。比如，某些由于光照不同造成的视觉感知不同的场景下，我们通常用 V 这个通道进行计算，通过计算梯度，可以较好的提取物体边缘。再比如某些场景下，前景饱和度较高，背景采用饱和度较低的颜色来衬托前景，这时 S 这个通道的信息就非常有用了。再比如，在某些室内场景下，风格较为单一，一般一个物体只有一种颜色，这时候 H 这个通道就显得尤为重要了。由于比赛中，场地中，机器人的灯条亮度（V）较高且灯条颜色（H / V）固定，为蓝色，红色，因此通过提取蓝色或红色区域， 以及后续的优化，就可以很好的避免环境光的影响，而减少噪声影响。

选择HSV 三个分量的阈值，进行灯条区域的筛选。最初，我们的色彩选择范围是从下图选择的：

但发现下列阈值，并不能很好的适应灯条中心蓝光过曝变白，红光过曝变黄变白的问题，最后我们通过，放宽阈值选择范围，能多但绝对不少的原则进行了阈值的选择。

优化阈值范围

在进行颜色特征提取时，通常采用的方法包括:颜色直方图、颜色矩、颜色集、颜色相关图、颜色聚合向量。我们采用最便捷的颜色直方图，获取灯条区域的颜色峰值，颜色分布。计算平均值，记录最大值，最小值，通过公式计算，结合处理效果输出，确定最优阈值范围。

在充分提取灯条之后，我们发现过滤上方血条能力较差，因此我们采取了掩膜策略。

过滤横向灯条的方法

用旋转矩形框选灯条

探究RotatedRect 类中的成员变量：

① p[0]~p[3]按顺时针方向依次排列。
② p[0]到p[3]之间的距离为宽width，其邻边为高height。

③ 角度angle，是以 p[0]顶点，平行于X 轴，且与X 轴方向相同的射线为始边，按逆时针方向旋转到宽边 p[0]p[3]所经过的角度， 取负值，取值范围为(-90, 0]。

Opencv4的RotatedRect 类angle定义为p[0]与p[1]形成的线与水平线的夹角，width为p[0] p[1]，与opencv3不太一样。

根据长宽和角度选择灯条：

若为横向灯条，最显著的特点就是靠近底边线的小角度趋近于零， 因此，问题转变为求底边所需要的最小angle 的问题。

若width>height ，则记 abs（angle）即为所需角度，若width<height，如图 7（3）所示，则记 angle+90°为所需角度。最后设置角度变化范围筛选最小角度，最终得到我们的最优效果。