智能机器人实验(一)：基于OpenCV的颜色特征识别

智能机器人实验

通过对图像捕捉和颜色特征提取，了解机器视觉的一般工作流程，掌握OpenCV的使用及基本图像处理算法。

Ubuntu 16.04 虚拟机 Python 2.7 OpenCV 3

common.py video.py test.py lan.jpg

其中 video.py 和 common.py 是 opencv 自带的 sample，在 test.py 中会调用 这两个文件，lan.jpg是参考图像文件，用于学习目标的颜色特征

在虚拟机上启动摄像头需要以下步骤

确定主操作系统中装有摄像头驱动之后，进行以下操作

如果虚拟机右上角出现如图所示的摄像头图标，表示连接成功

在虚拟机中进行测试

~$sudo apt-get install cheese

~$cheese

摄像头可以正常使用

使用video.py测试

~$python video.py

成功

进行操作之前，需要了解什么是图像的直方图 图像的直方图又叫灰度直方图，是一个二维的柱状图，横坐标代表灰度级，纵坐标代表该灰度级的频率

那么，灰度又是什么呢？

灰度是指在黑白图像中（也可以叫灰度图像），图像的亮度，在256级灰度图中，灰度为255时图像为白色，灰度为0时图像为黑色

那么彩色图的灰度呢？

彩色图象的灰度其实是在转化为黑白图像后的像素值（是一种广义的提法），转化的方法看应用的领域而定，一般按加权的方法转换，R ， G ，B 的比一般为3：6：1

任何颜色都有红、绿、蓝三原色组成，假如原来某点的颜色为RGB(R，G，B)，那么，我们可以通过下面几种方法，将其转换为灰度：

浮点算法：Gray=R*0.3+G*0.59+B*0.11

整数方法：Gray=(R*30+G*59+B*11)/100

移位方法：Gray =(R*28+G*151+B*77)>>8;

平均值法：Gray=（R+G+B）/3;

仅取绿色：Gray=G；

上述这样只考虑一种特征（即灰度级）的直方图叫一维直方图，因为最终计算得到的是一个一维数组，存放了每个灰度级下的像素个数（频率），然后绘成直方图

那么同时考虑多个特征就能生成多维直方图，如二维直方图 本次实验中二维直方图考虑的两个特征为

每个像素的色调(Hue)和饱和度(Saturation)值

即将RGB图转为HSV中的H和S，二维直方图画出来类似散点图，横纵坐标分别代表H和S，像素值则反应为点的亮度

颜色特征识别的基本流程如下

其中重点就是利用参考图像的直方图对目标图片进行反向投影

它会输出与输入图像（待搜索）同样大小的图像，其中的每一个像素值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）

然后再用camshift算法找到一个概率最大的区域，在此区域绘制椭圆框

如上所述

H(Hue):色调

用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°。它们的补色是：黄色为60°，青色为180°,品红为300°；

S(Saturation):饱和度

饱和度S表示颜色接近光谱色的程度。一种颜色，可以看成是某种光谱色与白色混合的结果。其中光谱色所占的比例愈大，颜色接近光谱色的程度就愈高，颜色的饱和度也就愈高。饱和度高，颜色则深而艳。光谱色的白光成分为0，饱和度达到最高。通常取值范围为0%～100%，值越大，颜色越饱和。

V(Value):明度

明度表示颜色明亮的程度，对于光源色，明度值与发光体的光亮度有关；对于物体色，此值和物体的透射比或反射比有关。通常取值范围为0%（黑）到100%（白）。