手势识别系列文章目录
手势识别是一种人机交互技术，通过识别人的手势动作，从而实现对计算机、智能手机、智能电视等设备的操作和控制。

1.  opencv实现手部追踪（定位手部关键点）

2.opencv实战项目 实现手势跟踪并返回位置信息（封装调用）

3.手势识别-手势音量控制（opencv）

4.opencv实战项目 手势识别-手势控制鼠标

5.opencv实战项目 手势识别-手部距离测量

6.opencv实战项目 手势识别-实现尺寸缩放效果

未完待续
 

目录

1.简介

2.代码思路

 3.代码详解

---

 

 

代码需要用到opencv  cvzone模块   pickle模块

1.简介

OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉库，它提供了丰富的图像处理和计算机视觉功能，旨在帮助开发者在各种应用领域中实现图像处理、分析和计算机视觉任务

1. 功能丰富：OpenCV提供了广泛的图像处理、计算机视觉、机器学习和深度学习功能。这些功能包括图像增强、特征提取、对象检测、人脸识别、图像分割、运动跟踪等。

2. 跨平台：OpenCV是跨平台的，可以在多种操作系统上运行，包括Windows、Linux、macOS等。

3. 多语言支持：OpenCV支持多种编程语言，如C++、Python、Java等。这使得开发者可以使用自己熟悉的编程语言来使用OpenCV库。

4. 高效优化：OpenCV库被优化用于高性能计算。它使用了硬件加速、并行处理和优化算法，以在各种硬件平台上提供高效的计算速度。

5. 图像和视频处理：OpenCV支持从图像文件和摄像头中读取图像和视频数据。它可以进行图像预处理、过滤、几何变换、颜色空间转换等。

6. 计算机视觉任务：OpenCV包括各种计算机视觉任务的算法和功能，如物体检测、人脸识别、手势识别、运动跟踪、目标追踪等。

7. 深度学习集成：OpenCV也集成了一些深度学习框架，如TensorFlow和PyTorch，使得开发者可以结合深度学习模型来执行更复杂的视觉任务。

8. 开源社区：OpenCV是一个活跃的开源项目，有着庞大的开发者社区。这意味着你可以找到大量的教程、示例代码和解决方案，帮助你解决各种视觉问题。

    

2.代码思路

1. 视频输入与读取：

   • 通过cv2.VideoCapture打开一个视频文件作为输入。
   • 使用cap.read()读取视频的每一帧图像。

2. 图像预处理：

   • 将每一帧图像转换为灰度图像，以简化后续处理。
   • 对灰度图像应用高斯模糊，减少图像中的噪声。
   • 使用自适应阈值方法将图像分割为前景（车辆）和背景（停车位）。

3. 停车位检测（checkParkingSpace函数）：

   • 针对预定义的停车位位置（从文件加载得到），在阈值图像中提取每个停车位的区域。
   • 使用cv2.countNonZero计算每个停车位区域内非零（白色）像素的数量。这相当于计算了停车位区域内的白色像素数量，用于判断是否有车辆停放在该位置。
   • 根据计算出的非零像素数量，判断停车位是否空闲。如果非零像素数量低于某个阈值（例如900），则认为停车位为空闲；否则认为停车位被占用。
   • 在原始图像上，使用矩形框和文本标记出停车位的状态，以及区域内非零像素的数量。

4. 结果显示：

   • 在图像上绘制检测结果，使用不同的颜色标记空闲和占用的停车位，以及停车位区域内的像素数量信息。
   • 在图像上绘制空闲停车位的总数量，以及总停车位数量。

5. 循环处理：

   • 循环处理视频的每一帧，重复上述步骤。
   • 如果视频处理完毕，重置视频的位置，以便重新播放视频。

 

 3.代码详解

import cv2
import pickle
import cvzone
import numpy as np# Video feed
cap = cv2.VideoCapture('carPark.mp4')with open('CarParkPos', 'rb') as f:posList = pickle.load(f)width, height = 107, 48def checkParkingSpace(imgPro):spaceCounter = 0for pos in posList:x, y = posimgCrop = imgPro[y:y + height, x:x + width]# cv2.imshow(str(x * y), imgCrop)count = cv2.countNonZero(imgCrop)if count < 900:color = (0, 255, 0)thickness = 5spaceCounter += 1else:color = (0, 0, 255)thickness = 2cv2.rectangle(img, pos, (pos[0] + width, pos[1] + height), color, thickness)cvzone.putTextRect(img, str(count), (x, y + height - 3), scale=1,thickness=2, offset=0, colorR=color)cvzone.putTextRect(img, f'Free: {spaceCounter}/{len(posList)}', (100, 50), scale=3,thickness=5, offset=20, colorR=(0,200,0))
while True:if cap.get(cv2.CAP_PROP_POS_FRAMES) == cap.get(cv2.CAP_PROP_FRAME_COUNT):cap.set(cv2.CAP_PROP_POS_FRAMES, 0)success, img = cap.read()imgGray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)imgBlur = cv2.GaussianBlur(imgGray, (3, 3), 1)imgThreshold = cv2.adaptiveThreshold(imgBlur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY_INV, 25, 16)imgMedian = cv2.medianBlur(imgThreshold, 5)kernel = np.ones((3, 3), np.uint8)imgDilate = cv2.dilate(imgMedian, kernel, iterations=1)checkParkingSpace(imgDilate)cv2.imshow("Image", img)# cv2.imshow("ImageBlur", imgBlur)# cv2.imshow("ImageThres", imgMedian)cv2.waitKey(10)

代码讲解

1. 导入所需的库：

   • cv2：OpenCV库，用于图像处理和计算机视觉任务。
   • pickle：用于序列化和反序列化Python对象。
   • cvzone：这是一个基于OpenCV的库，用于在图像上绘制文本和形状。
   • numpy：用于数组操作和数学计算。

2. 打开视频文件并读取停车位位置信息：

   • cap = cv2.VideoCapture('carPark.mp4')：打开名为'carPark.mp4'的视频文件作为输入。
   • with open('CarParkPos', 'rb') as f:：使用二进制模式打开名为'CarParkPos'的文件，其中包含停车位的位置信息。
   • posList = pickle.load(f)：从文件中加载停车位位置信息，并将其存储在posList变量中。

3. 定义一个用于检查停车位空闲情况的函数checkParkingSpace(imgPro)：

   • spaceCounter用于计算空闲停车位的数量。
   • 循环遍历每个停车位的位置信息。
   • 从输入图像中提取与当前停车位位置对应的区域，即imgCrop。
   • 使用cv2.countNonZero(imgCrop)计算该区域中非零像素的数量（即白色像素数量）。
   • 如果非零像素数量小于900，表示该停车位空闲，将矩形框和文本标记为绿色，计数器增加。
   • 否则，表示停车位已被占用，将矩形框和文本标记为红色。

4. 进入主循环：

   • 循环用于处理视频帧。
   • 首先检查是否已经到达视频的末尾，如果是，则将视频的位置重置到开头。
   • 使用cap.read()读取视频的下一帧图像。
   • 将图像转换为灰度图像，然后应用高斯模糊、自适应阈值等图像处理步骤，以提取停车位的信息。
   • 调用之前定义的checkParkingSpace()函数，传入经过处理的图像。
   • 在图像上绘制检测结果的矩形框和文本信息。
   • 使用cv2.imshow()显示处理后的图像，并等待用户按键（cv2.waitKey(10))。

视频文件

链接：https://pan.baidu.com/s/1TiNlSBF6I1lHvEr2YIxlBA 
提取码：8vw3

有遇到的问题欢迎评论区留言