树莓派4B_OpenCv学习笔记15：OpenCv定位物体实时坐标

今日继续学习树莓派4B 4G：（Raspberry Pi，简称RPi或RasPi）

 本人所用树莓派4B 装载的系统与版本如下:

 版本可用命令 (lsb_release -a) 查询:

 Opencv 版本是4.5.1：

今日学习 OpenCv定位物体实时位置，代码来源是创乐博,这里作学习解释

文章提供测试代码讲解，整体代码贴出、测试效果图

目录

完整实例代码贴出:

实验过程：

获取小球的准确HSV色域：

将上一步得到的HSV色域替换在程序中：

实验结果截图与视频：

网上查阅资料贴出:

---

完整实例代码贴出:

这个代码实现了圈出指定HSV色彩范围的圆形物体，并打印出其质心在视频帧上的坐标

并且有LED相关的亮灭操作用于指示是否检测到目标

# -*- coding: utf-8 -*-from __future__ import print_function     # 导入print函数，确保在Python 2和Python 3中都能以兼容的方式使用print。  
from imutils.video import VideoStream # 从imutils库中导入VideoStream，用于从摄像头捕获视频帧。 
import imutils                                             # 导入imutils库，该库提供了图像和视频处理的实用功能。 
import time
import cv2
import os
import RPi.GPIO as GPIO                          # 导入Raspberry Pi的GPIO库，用于控制GPIO引脚。Led = 21                                                      # 定义一个变量Led，表示连LED的GPIO引脚编号。
GPIO.setwarnings(False)                           # 关闭GPIO库的警告信息。
GPIO.setmode(GPIO.BCM)                       # 设置GPIO引脚编号模式为BCM（Broadcom SOC channel mode）。
GPIO.setup(Led, GPIO.OUT)                     # 设置GPIO引脚Led为输出模式。# 定义一个函数，用于打印对象中心的坐标。
def mapObjectPosition (x, y):print ("[INFO] Object Center coordenates at X0 = {0} and Y0 =  {1}".format(x, y))# 打印一条信息，表示正在等待摄像头预热。 
print("[INFO] waiting for camera to warmup...")
vs = VideoStream(0).start()                     # 创建一个VideoStream对象，并启动它。0表示使用默认的摄像头。  
time.sleep(2.0)                                          # 等待2秒，确保摄像头已经预热完成。colorLower = (9,135,231)                         # 定义HSV颜色空间的下限，用于颜色过滤。
colorUpper = (31,255,255)                       # 定义HSV颜色空间的上限，用于颜色过滤。GPIO.output(Led, GPIO.LOW)                # 将Led引脚设置为低电平，关闭LED。 
ledOn = False                                           # 定义一个变量ledOn，表示LED是否已打开。while True:frame = vs.read()                                                        # 从VideoStream中读取一帧图像。  frame = imutils.resize(frame, width=500)               # 调整帧的大小，使其宽度为500像素。frame = imutils.rotate(frame, angle=0)                   # 旋转帧（虽然在这里旋转角度为0，所以实际上没有旋转）。hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)  # 将帧从BGR颜色空间转换为HSV颜色空间。mask = cv2.inRange(hsv, colorLower, colorUpper)# 使用定义的颜色范围创建一个颜色掩码。mask = cv2.erode(mask, None, iterations=2)         # 对掩码进行腐蚀操作，减少噪声。mask = cv2.dilate(mask, None, iterations=2)         # 对掩码进行膨胀操作，确保对象区域被完全覆盖# 在掩码上查找轮廓。 cnts = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)cnts = cnts[0] if imutils.is_cv2() else cnts[1]            # 根据OpenCV的版本（2或3/4），选择正确的轮廓列表。 center = None                                                            # 初始化一个变量center，用于存储对象的中心坐标。 if len(cnts) > 0:       # 如果找到了轮廓...  c = max(cnts, key=cv2.contourArea)               # 找到面积最大的轮廓。((x, y), radius) = cv2.minEnclosingCircle(c)     # 找到该轮廓的最小外接圆，并获取其圆心和半径。M = cv2.moments(c)                                         # 计算轮廓c的矩，矩是一组值，可以从中推导出对象的形状特征，如面积、质心等。 center = (int(M["m10"] / M["m00"]), int(M["m01"] / M["m00"])) # 使用矩来计算轮廓的质心（或称为中心），并将其存储在变量center中。 if radius > 10:  # 如果找到的最小外接圆的半径大于10（一个阈值，可以根据实际情况调整）：cv2.circle(frame, (int(x), int(y)), int(radius),(0, 255, 255), 2)  # 在原帧上绘制找到的最小外接圆，颜色为青色（BGR中的(0, 255, 255)），线宽为2。cv2.circle(frame, center, 5, (0, 0, 255), -1)  # 在原帧上绘制轮廓的质心（或中心），颜色为红色（BGR中的(0, 0, 255)），并填充。mapObjectPosition(int(x), int(y))             # 调用之前定义的函数，打印对象中心的坐标。  if not ledOn:                                              # 如果LED灯之前没打开（ledOn为False），则将其打开，并将ledOn设置为True。GPIO.output(Led, GPIO.HIGH)ledOn = Trueelif ledOn:         # 如果没有找到轮廓，但LED灯是打开的（ledOn为True）：关闭LED灯，并将ledOn设置为False。GPIO.output(Led, GPIO.LOW)ledOn = Falsecv2.imshow("Frame", frame) # 使用OpenCV的imshow函数显示处理后的帧。key = cv2.waitKey(1) & 0xFF   # 如果按下的键是Esc键（ASCII码为27），则退出循环。  if key == 27:breakprint("\n [INFO] Exiting Program and cleanup stuff \n")  # 打印一条信息，表示程序正在退出并进行清理。  
GPIO.cleanup()                                                                       # 清理GPIO设置，释放资源。
cv2.destroyAllWindows()                                                      # 关闭所有OpenCV打开的窗口。
vs.stop()                                                                                  # 停止VideoStream的捕获。

实验过程：

代码中所用的大部分函数已经在之前的几篇文章提到过了，就不重复解释了：

文章网址如下：

树莓派4B_OpenCv学习笔记9:图片的腐蚀与膨胀-CSDN博客

树莓派4B_OpenCv学习笔记12：OpenCv颜色追踪_画出轨迹_树莓派opencv颜色识别-CSDN博客树莓派4B_OpenCv学习笔记13：OpenCv颜色追踪_程序手动调试HSV色彩空间_检测圆-CSDN博客

获取小球的准确HSV色域：

因为程序中已经存在了寻找最大轮廓圆的处理，因此即使不使用上一节文章的手动调节HSV的处理也没什么大问题，但我这里为了检测更为准确专用，还是加上了上一节代码的HSV微调操作：

文章网址如下：

树莓派4B_OpenCv学习笔记13：OpenCv颜色追踪_程序手动调试HSV色彩空间_检测圆-CSDN博客

拍摄照片获取BGR颜色空间：160    75    13

转换为大致的HSV色彩空间：

再使用之前的颜色小球追踪程序对HSV进行进一步细节调整：

调整前：

[97,100,100]

[117,255,255]

调整后：

[92,189,130]

[117,244,200]

将上一步得到的HSV色域替换在程序中：

实验结果截图与视频：

树莓派4B_OpenCv学习笔记15：OpenCv定位物体

网上查阅资料贴出:

[树莓派基础]11.树莓派OpenCV定位物体的实时位置_哔哩哔哩_bilibili