使用open-cv實現(xiàn)簡單的手勢識別。剛剛接觸python不久，看到了很多有意思的項目，尤其時關(guān)于計算機視覺的。網(wǎng)上搜到了一些關(guān)于手勢處理的實驗，我在這兒簡單的實現(xiàn)一下（PS：和那些大佬比起來真的是差遠了，畢竟剛接觸不久），主要運用的知識就是opencv，python基本語法，圖像處理基礎(chǔ)知識。

最終實現(xiàn)結(jié)果：

獲取視頻（攝像頭）

這部分沒啥說的，就是獲取攝像頭。

cap = cv2.VideoCapture('C:/Users/lenovo/Videos/1.mp4')#讀取文件#cap = cv2.VideoCapture(0)#讀取攝像頭while(True): ret, frame = cap.read() key = cv2.waitKey(50) & 0xFF if key == ord(’q’): breakcap.release()cv2.destroyAllWindows()

膚色檢測

這里使用的是橢圓膚色檢測模型在RGB空間里人臉的膚色受亮度影響相當(dāng)大，所以膚色點很難從非膚色點中分離出來，也就是說在此空間經(jīng)過處理后，膚色點是離散的點，中間嵌有很多非膚色，這為膚色區(qū)域標(biāo)定(人臉標(biāo)定、眼睛等)帶來了難題。如果把RGB轉(zhuǎn)為YCrCb空間的話，可以忽略Y(亮度)的影響，因為該空間受亮度影響很小，膚色會產(chǎn)生很好的類聚。這樣就把三維的空間將為二維的CrCb，膚色點會形成一定得形狀，如：人臉的話會看到一個人臉的區(qū)域，手臂的話會看到一條手臂的形態(tài)。

def A(img): YCrCb = cv2.cvtColor(img, cv2.COLOR_BGR2YCR_CB) #轉(zhuǎn)換至YCrCb空間 (y,cr,cb) = cv2.split(YCrCb) #拆分出Y,Cr,Cb值 cr1 = cv2.GaussianBlur(cr, (5,5), 0) _, skin = cv2.threshold(cr1, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) #Ostu處理 res = cv2.bitwise_and(img,img, mask = skin) return res

輪廓處理

輪廓處理的話主要用到兩個函數(shù)，cv2.findContours和cv2.drawContours，這兩個函數(shù)的使用使用方法很容易搜到就不說了，這部分主要的問題是提取到的輪廓有很多個，但是我們只需要手的輪廓，所以我們要用sorted函數(shù)找到最大的輪廓。

def B(img): #binaryimg = cv2.Canny(Laplacian, 50, 200) #二值化，canny檢測 h = cv2.findContours(img,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE) #尋找輪廓 contour = h[0] contour = sorted(contour, key = cv2.contourArea, reverse=True)#已輪廓區(qū)域面積進行排序 #contourmax = contour[0][:, 0, :]#保留區(qū)域面積最大的輪廓點坐標(biāo) bg = np.ones(dst.shape, np.uint8) *255#創(chuàng)建白色幕布 ret = cv2.drawContours(bg,contour[0],-1,(0,0,0),3) #繪制黑色輪廓 return ret

全部代碼

''' 從視頻讀取幀保存為圖片'''import cv2import numpy as npcap = cv2.VideoCapture('C:/Users/lenovo/Videos/1.mp4')#讀取文件#cap = cv2.VideoCapture(0)#讀取攝像頭#皮膚檢測def A(img): YCrCb = cv2.cvtColor(img, cv2.COLOR_BGR2YCR_CB) #轉(zhuǎn)換至YCrCb空間 (y,cr,cb) = cv2.split(YCrCb) #拆分出Y,Cr,Cb值 cr1 = cv2.GaussianBlur(cr, (5,5), 0) _, skin = cv2.threshold(cr1, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) #Ostu處理 res = cv2.bitwise_and(img,img, mask = skin) return resdef B(img): #binaryimg = cv2.Canny(Laplacian, 50, 200) #二值化，canny檢測 h = cv2.findContours(img,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE) #尋找輪廓 contour = h[0] contour = sorted(contour, key = cv2.contourArea, reverse=True)#已輪廓區(qū)域面積進行排序 #contourmax = contour[0][:, 0, :]#保留區(qū)域面積最大的輪廓點坐標(biāo) bg = np.ones(dst.shape, np.uint8) *255#創(chuàng)建白色幕布 ret = cv2.drawContours(bg,contour[0],-1,(0,0,0),3) #繪制黑色輪廓 return retwhile(True): ret, frame = cap.read() #下面三行可以根據(jù)自己的電腦進行調(diào)節(jié) src = cv2.resize(frame,(400,350), interpolation=cv2.INTER_CUBIC)#窗口大小 cv2.rectangle(src, (90, 60), (300, 300 ), (0, 255, 0))#框出截取位置 roi = src[60:300 , 90:300] # 獲取手勢框圖 res = A(roi) # 進行膚色檢測 cv2.imshow('0',roi) gray = cv2.cvtColor(res, cv2.COLOR_BGR2GRAY) dst = cv2.Laplacian(gray, cv2.CV_16S, ksize = 3) Laplacian = cv2.convertScaleAbs(dst) contour = B(Laplacian)#輪廓處理 cv2.imshow('2',contour) key = cv2.waitKey(50) & 0xFF if key == ord(’q’): breakcap.release()cv2.destroyAllWindows()

本人學(xué)了python幾天，做出這個東西自己已經(jīng)很滿足了，當(dāng)然和那些大佬也是沒法比的，沒有什么東西是速成的，只能一步一個腳印的走。

到此這篇關(guān)于python實現(xiàn)手勢識別的示例（入門）的文章就介紹到這了,更多相關(guān)python 手勢識別內(nèi)容請搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！