189 8069 5689
1图像矩
成都创新互联公司提供网站设计、成都网站建设、网页设计，成都品牌网站建设，广告投放等致力于企业网站建设与公司网站制作，10年的网站开发和建站经验,助力企业信息化建设，成功案例突破上千余家,是您实现网站建设的好选择.
帮你计算一些属性，比如重心，面积等。
函数cv2.moments()会给你一个字典，包含所有矩值
你可以从这个里面得到有用的数据比如面积，重心等。重心可以用下面的式子得到：
2.轮廓面积
轮廓面积由函数cv2.contourArea()得到或者从矩里得到M['m00']
3.轮廓周长
可以用cv2.arcLength()函数得到。第二个参数指定形状是否是闭合的轮廓（如果传True）。或者只是一个曲线。
4.轮廓近似
这会把轮廓形状近似成别的边数少的形状，边数由我们指定的精确度决定。这是Douglas-Peucker算法的实现。
要理解这个，假设你试图找一个图像里的方块，但是由于图像里的一些问题，你得不到一个完美的方块，只能得到一个“坏方块”。现在你可以使用这个函数来近似，第二个参数叫epsilon，是从轮廓到近似轮廓的最大距离。是一个准确率参数，好的epsilon的选择可以得到正确的输出。
在下面第二个图像里，绿线显示了epsilon = 10% of arc length 的近似曲线。第三个图像显示了epsilon = 1% of the arc length。第三个参数指定曲线是否闭合。
5.凸形外壳
凸形外壳和轮廓近似类似，但是还不一样（某些情况下两个甚至提供了同样的结果）。这儿，cv2.convexHull()函数检查凸面曲线缺陷并修复它。一般来说，凸面曲线总是外凸的，至少是平的，如果它内凹了，这就叫凸面缺陷。比如下面这张图，红线显示了手的凸形外壳。双向箭头显示了凸面缺陷，是轮廓外壳的最大偏差。
参数详情：
·points 是我们传入的轮廓
·hull 是输出，一般我们不用传
·clockwise： 方向标示，如果是True，输出凸形外壳是顺时针方向的。否则，是逆时针的。
·returnPoints：默认是True。然后会返回外壳的点的坐标。如果为False，它会返回轮廓对应外壳点的索引。
所以要获得凸形外壳，下面
但是如果你想找到凸面缺陷，你需要传入returnPoints = False。我们拿上面的矩形图形来说，首先我找到他的轮廓cnt，现在用returnPoints = True来找他的凸形外壳，我得到下面的值：[[[234 202]], [[51 202]], [51 79]], [[234 79]]] 是四个角的点。如果你用returnPoints = False，我会得到下面的结果：[[129], [67], [0], [142]]. 这是轮廓里对应点的索引，比如cnt[129] = [234, 202]]，这和前面结果一样。
6.检查凸面
有一个函数用来检查是否曲线是凸面, cv2.isContourConvex().它返回True或False。
7.边界矩形
有两种边界矩形
7.a.正边界矩形
这个矩形不考虑对象的旋转，所以边界矩形的面积不是最小的，函数是cv2.boundingRect()。
假设矩形左上角的坐标是(x,y)， （w, h）是它的宽和高
7.b.渲染矩形
这个边界矩形是用最小面积画出来的，所以要考虑旋转。函数是cv2.minAreaRect()。它返回一个Box2D结构，包含了(左上角(x,y)，（width, height）,旋转角度）。但是要画这个矩形我们需要4个角。这四个角用函数cv2.boxPoints()得到
8.最小闭包圆
我们找一个目标的外接圆可以用函数cv2.minEnclosingCircle().这个圆用最小面积完全包围目标。
9.椭圆
用一个椭圆来匹配目标。它返回一个旋转了的矩形的内接椭圆
10. 直线
类似的我们可以匹配一根直线，下面的图像包含一系列的白色点，我们可以给它一条近似的直线。
END
在本教程中，我们将学习如何基于 Opencv 和 Python 实现对象跟踪。
首先必须明确目标检测和目标跟踪有什么区别：
我们将首先讨论对象检测，然后讨论如何将对象跟踪应用于检测。
可能有不同的应用，例如，计算某个区域有多少人，检查传送带上有多少物体通过，或者计算高速公路上的车辆。
当然，看过本教程后，您会很容易地想到数以千计的想法应用于现实生活或可能应用于工业。
在本教程中，我们将使用 3 个文件：
首先我们需要调用highway.mp4文件并创建一个mask:
正如您在示例代码中看到的，我们还使用了 createBackgroundSubtractorMOG2 函数，该函数返回背景比率（background ratio），然后创建mask。
mask可视化结果：
但是，如您所见，图像中有很多噪点。因此，让我们通过删除所有较小的元素来改进提取，并将我们的注意力集中在大于某个面积的对象上。
使用 OpenCV 的cv2.drawContours函数绘制轮廓，我们得到了这个结果。
就本教程而言，分析整个窗口并不重要。我们只对计算在某个点通过的所有车辆感兴趣，因此，我们必须定义一个感兴趣的区域 ROI 并仅在该区域应用mask。
结果可视化如下：
函数 cv2.createBackgroundSubtractorMOG2 是在开始时添加的，没有定义参数，现在让我们看看如何进一步改进我们的结果。history是第一个参数，在这种情况下，它设置为 100，因为相机是固定的。varThreshold改为 40，因为该值越低，误报的可能性就越大。在这种情况下，我们只对较大的对象感兴趣。
在继续处理矩形之前，我们对图像进行了进一步的清理。为此，阈值函数就派上用场了。从我们的mask开始，我们告诉它我们只想显示白色或黑色值，因此通过编写254, 255，只会考虑 254 和 255 之间的值。
然后我们将找到的对象的坐标插入到 if 条件中并绘制矩形
这是最终结果：
我们现在只需导入和集成跟踪功能。
一旦创建了对象，我们必须获取边界框的每个位置并将它们插入到单个数组中。
通过在屏幕上显示结果，您可以看到所有通过 ROI 的通道是如何被识别的，以及它们的位置是如何插入到特定的数组中的。显然，识别的摩托车越多，我们的数组就越大。
现在让我们将带有位置的数组传递给tracker.update()。我们将再次获得一个包含位置的数组，但此外，将为每个对象分配一个唯一的 ID。
从代码中可以看出，我们可以使用 for 循环分析所有内容。此时我们只需要绘制矩形并显示车辆 ID。
在图像中，您可以看到结果
main.py
从视频中也可以看到，我们已经获得了我们在本教程开始时设置的结果。
但是，您必须将其视为练习或起点，因为关于这个主题有很多话要说，而本教程的目的只是让您了解对象跟踪的原理。
如果你想将 Object Tracking 集成到你的项目中，你应该使用更可靠和先进的对象检测方法，以及跟踪方法。
完整代码地址：私信“333”直接获取或者「链接」
图像的灰度处理：
CV_LOAD_IMAGE_GRAYSCALE，这是最简单之间的办法，在加载图像时直接处理
IplImage*
Igray=
cvLoadImage
("test.jpg",CV_LOAD_IMAGE_GRAYSCALE);
得到的图像就是单通道的，也能够用这个函数：CVAPI(void)
cvCvtColor
(
const
CvArr*
src,
CvArr*
dst,
int
code
);
code=CV_BGR2GRAY;
opencv还提供了非常多方式，我这边就不一一举例了。