opencv-python 小白笔记（10）

（一）harris角点检测（cv2.cornerHarris）

角点检测这里使用的是cv2.cornerHarris()，主要参数有下面四个：
img： 数据类型为 float32 的入图像
blockSize： 角点检测中指定区域的大小
ksize： Sobel求导中使用的窗口大小
k： 取值参数为 [0,04,0.06]
其中最后一个K，我个人感觉不是只能取那三个值，我最高取到了0.1，还是检测到了角点，只是效果不太好，小伙伴们可以多试试改一下上面的几个参数

import cv2
import numpy as np

img=cv2.imread("1.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)


dst = cv2.cornerHarris(gray, 2, 3, 0.04)
dst = cv2.dilate(dst,None)#可有可无，可以增加角点的大小
img[dst>0.1*dst.max()]=[0,255,0]#角点为原谅色
cv2.imshow('dst ',img)
cv2.waitKey(0)

其中上面的img[dst>0.1*dst.max()]=[0,255,0]这里是设定一个阈值　当大于这个阈值分数的都可以判定为角点（然后角点为原谅色），其中前面的系数0.1小伙伴们可以多改改，一般是系数越小，角点越多（且系数一般设置为0.01）

（二）运动物体的检测

这里使用混合高斯模型，在进行前景检测前，先对背景进行训练，对图像中每个背景采用一个混合高斯模型进行模拟，每个背景的混合高斯的个数可以自适应。然后在测试阶段，对新来的像素进行GMM匹配，如果该像素值能够匹配其中一个高斯，则认为是背景，否则认为是前景。由于整个过程GMM模型在不断更新学习中，所以对动态背景有一定的鲁棒性。

下面我们识别视频中的人
原理就不讲了，上代码：

import numpy as np
import cv2

#经典的测试视频
cap = cv2.VideoCapture('test.avi')
#形态学操作需要使用
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(3,3))
#创建混合高斯模型用于背景建模
fgbg = cv2.createBackgroundSubtractorMOG2()

while(True):
    ret, frame = cap.read()
    mask = fgbg.apply(frame)
    #形态学开运算去噪点
    mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)
    #寻找视频中的轮廓
    contours, hierarchy = cv2.findContours(mask, cv2.RETR_EXTERNAL,
                                           cv2.CHAIN_APPROX_SIMPLE)

    for c in contours:
        #计算各轮廓的周长
        peri = cv2.arcLength(c,True)
        if peri > 175:#这里对轮廓进行过滤（因为视频中的警戒线也在飘动），正因为这个过滤，导致左上角的一个人没有框选出来
            #找到一个直矩形（不会旋转）
            x,y,w,h = cv2.boundingRect(c)
            #画出这个矩形
            cv2.rectangle(frame,(x,y),(x+w,y+h),(0,255,0),2)#原谅色
            cv2.putText(frame,"people",(x-10,y-10),
                        cv2.FONT_HERSHEY_COMPLEX, 0.7,
                        (0, 255, 0),3)#原谅色

    cv2.imshow('frame',frame)
    cv2.imshow('mask', mask)
    k = cv2.waitKey(100) & 0xff
    if k == 27:
        break

cap.release()
cv2.destroyAllWindows()

这里其实还有一种方法叫（帧差法）背景减法，但我个人感觉不怎么好用，所以就不介绍了

运行结果

（三）点与轮廓的关系（cv2.pointPolygonTest）

使用该函数可以确定一个点与轮廓的距离和位置关系
该函数有三个参数，第一个是目标轮廓，第二个是目标点的，第三个参数是measureDist。如果设置为True，就会计算最短距离。如果是False，只会判断这个点与轮廓之间的位置关系（返回值为+1,-1,0）

这里我们选择3个点分别计算它们与图中椭圆的位置关系和距离，三个点分别为（365,34）（365,68）(365,129)

import cv2
import numpy as np

img = cv2.imread('1.png')

imgGray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#转为灰度图
imgBlur = cv2.GaussianBlur(imgGray,(7,7),1)#高斯降噪
imgCanny = cv2.Canny(imgBlur,50,50)#canny边缘检测
contours,hierarchy = cv2.findContours(imgCanny,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE)#提取图像外轮廓，并返回至contours

img_output=cv2.drawContours(img.copy(), contours, 3, (0, 255, 0), 3)#这里使用原谅色
#这里有一个细节，那就是我们并没有直接在原图上画出轮廓，因为在原图上，会直接破会原图信息,这里3为椭圆的轮廓
test1=cv2.pointPolygonTest(contours[3],(365,34),True)
test2=cv2.pointPolygonTest(contours[3],(365,63),True)
test3=cv2.pointPolygonTest(contours[3],(365,129),True)
test4=cv2.pointPolygonTest(contours[3],(365,34),False)
test5=cv2.pointPolygonTest(contours[3],(365,63),False)
test6=cv2.pointPolygonTest(contours[3],(365,129),False)

print("test1=",test1)
print("test2=",test2)
print("test3=",test3)
print("test1的位置为",test4)
print("test2的位置为",test5)
print("test3的位置为",test6)

cv2.imshow("img_output", img_output)

cv2.waitKey(0)

终端的打印的信息为：
test1= -29.0
test2= -0.0
test3= 54.0
test1的位置为 -1.0（轮廓的外围）
test2的位置为 0.0（在轮廓的上面）
test3的位置为 1.0（轮廓的内部）

（四）结语

学习opencv有很多的方法，我的建议是你可以加一些群，可以充分利用B站，CSDN，和百度。

在我的博客中，我不会讲解opencv的算法实现（当然我也不太会），我只会讲解一些函数的调用，不理解就多改一些参数，多尝试尝试，慢慢你就理解来。相信你总有一天可以说opencv不过“Ctrl+C，Crtl+V”

如果有什么错误的地方，还请大家批评指正，最后，希望小伙伴们都能有所收获。