图像识别(13)——手势识别(1)——用matchShapes识别手形数字

博主QQ:1356438802

QQ群:473383394——UVC&OpenCV473383394


平台:Win7 64bits + Qt 5.3.0 MinGW 32bit + OpenCV 2.4.10



前面的几篇文章中,已经做到了基本的LED灯光点捕捉和轨迹绘制,接下来我要开始手势识别的研究过程。


其实手势识别包含很多个方面,首先是手的检测(从图片中提取出手),然后根据交互功能的要求,有动态的识别,比如左右挥手,还有静态的手形识别,比如识别手指个数。手势识别能实现的识别精细度和复杂度,决定了手势交互的多样性和适用性。


一般做手形识别,会先做肤色分割,因为人的皮肤颜色(黄种人哈),在HSV颜色空间下,和背景相比有明显的差别,所以利用肤色可以很好的提取手的区域。

图像识别(13)——手势识别(1)——用matchShapes识别手形数字_第1张图片


在此 我使用形状匹配(matchShapes)来做,手形的对比,识别出手形代表的数字意义。当然这种方法非常依赖于模板的丰富性,有很大的局限性。

但是只要我保持小步快跑,快速迭代,当我越来越深入的时候,程序就越来越成熟。先搞个案例,来激励下自己嘛!


废话少说直接上代码:

/*
 * 摄像头读取-->
 * HSV颜色空间转换-->
 * H通道分离-->
 * 中值滤波-->
 * 肤色分割-->
 * 形态学运算-->
 * 轮廓检测及过滤-->
 * 轮廓形状匹配
 *
 */


#include 
#include 

#include 
using namespace cv;
using namespace std;

#define MAXVALUE (80)
#define KERNEL_SIZE (7)

int minVal = 7, maxVal = 20;

int is_using_canny = 0;
int canny_threshold = 3;

Mat frame;                  //原始图像帧
vector  channels;      //HSV通道分离
Mat frameH;                 //H通道
Mat result;                 //最终结果
Mat resultRGB;              //将结果显示在原图

int match_number = -1;

//模板总数
#define TEMPLATE_NUMS   (10)
vector< vector > mContoursTemp;  //轮廓模板集
vector< vector > mContoursProc;  //待处理轮廓集


//分割H通道时的最小值
void trackBarMin(int pos, void* userdata)
{}
//分割H通道时的最大值
void trackBarMax(int pos, void* userdata)
{}

//是否使用Canny边缘检测
void isUsingCanny(int pos, void* userdata)
{}

//分割H通道时的最大值
void cannyThreshold(int pos, void* userdata)
{}


//载入模板的轮廓
void init_hand_template(void);

// 对肤色分割、滤波去噪、开运算后图像进行轮廓提取并过滤
void hand_contours(Mat &srcImage);

// 将目标轮廓与模板轮廓进行匹配
void hand_template_match(void);

// 在图片的左上角标注数字
void number_draw(Mat &img, int num);

// 将Mat中的每个元素设置为某个数值
void setMatInt(Mat & input_image, uchar val);

int main()
{
    // 载入模板的轮廓
    init_hand_template();

#if 1
    namedWindow("original");
    namedWindow("TrackBar");
    namedWindow("result");

    createTrackbar("minVal", "TrackBar", &minVal, MAXVALUE, trackBarMin);
    createTrackbar("maxVal", "TrackBar", &maxVal, MAXVALUE, trackBarMax);

    createTrackbar("is_using_canny", "TrackBar", &is_using_canny, 1, isUsingCanny);
    createTrackbar("canny_threshold", "TrackBar", &canny_threshold, 120, cannyThreshold);

    // 打开摄像头
    VideoCapture capture(0);
    if(false == capture.isOpened())
    {
        cout << "camera open failed!" << endl;
        return -1;
    }

    Mat kernel = getStructuringElement(MORPH_RECT, Size(KERNEL_SIZE, KERNEL_SIZE));

    while(true)
    {
        // 获取图片帧
        capture >> frame;
        if(true == frame.empty())
        {
            cout << "get no frame" << endl;
            break;
        }

        // 显示原始图片
        imshow("original", frame);
        resultRGB = frame.clone();

        // 转换HSV颜色通道
        cvtColor(frame, frame, CV_BGR2HSV);

        // HSV通道分离
        split(frame, channels);
        frameH = channels[0];

        // 显示H通道图片
//        imshow("H-channels", frameH);

        //------------------------------滤波平滑-----------------------------
        // 中值滤波: 可以很好的去除椒盐噪声,而且ksize越大效果越好。
        medianBlur(frameH, frameH, 11);

        // 肤色分离, 二值化——使用OpenCV自带函数
        inRange(frameH, Scalar(minVal), Scalar(maxVal), result);


        //----------------------------形态学运算-----------------------------
        /*
         * 腐蚀 MORPH_ERODE
         * 膨胀 MORPH_DILATE
         * 开运算 MORPH_OPEN
         * 闭运算 MORPH_CLOSE
         * 形态学梯度 MORPH_GRADIENT
         * 顶帽 MORPH_TOPHAT
         * 黑帽 MORPH_BLACKHAT
         */
        morphologyEx(result, result, MORPH_OPEN, kernel);

        // 显示结果图片
        imshow("Before Contour Detect", result);

        // 对肤色分割、滤波去噪、开运算后图像进行轮廓提取并过滤
        hand_contours(result);

        // 将目标轮廓与模板轮廓进行匹配
        hand_template_match();

        // 显示结果图片
//        imshow("result", result);

        // 将匹配结果显示到图片的左上角
        number_draw(resultRGB, match_number);
        imshow("resultRGB", resultRGB);


        char key = (char)waitKey(10);
        if(27 == key)
        {
            break;
        }
    }
#endif

    return 0;
}

char *tmp_names[TEMPLATE_NUMS] = {"1.bmp","2.bmp","3.bmp","4.bmp","5.bmp","6.bmp","7.bmp","8.bmp","9.bmp","10.bmp"};

//载入模板的轮廓
void init_hand_template(void)
{
    Mat srcImage;
    Mat dstImage;
    vector< vector > mContours;
    vector< Vec4i > mHierarchy;

    for(int i = 0; i < TEMPLATE_NUMS; i++)
    {
        // 读取文件
        srcImage = imread(tmp_names[i], IMREAD_GRAYSCALE);
        if(true == srcImage.empty())
        {
            cout << "Failed to load image: " << tmp_names < sz.width
                    || (bound.y + bound.height + 2) > sz.height)
            {
                continue;
            }

            //剩下的轮廓就是基本符合条件的轮廓,保存起来
            mContoursProc.push_back(mContours[i]);
        }
//        cout << "mContoursProc.size = " << mContoursProc.size() << endl;
        // 绘制过滤后的轮廓
//        setMatInt(draw, 0);           //将矩阵所有元素赋值为某个值
        draw = Scalar::all(0);          //将矩阵所有元素赋值为某个值
        drawContours(draw, mContoursProc, -1, Scalar(0, 0, 255), 1, 8);
        imshow("Filter Contours", draw);
    }
}

// 将目标轮廓与模板轮廓进行匹配
void hand_template_match(void)
{
    if((mContoursProc.size() == 0) || (mContoursTemp.size() == 0))
    {
//        cout << "There are no contours to match" << endl;
        return;
    }

    double hu = 1.0, huTmp = 0.0;
    const int SIZE = mContoursProc.size();
    int m = -1, n = -1;
    match_number = -1;

    for(int i = 0; i < TEMPLATE_NUMS; i++)
    {
        for(int j = 0; j < SIZE; j++)
        {
            huTmp = matchShapes(mContoursTemp[i], mContoursProc[j], CV_CONTOURS_MATCH_I1, 0);

            // hu矩越小,匹配度越高
            if(huTmp < hu)
            {
                hu = huTmp;

                //保存好,是哪个轮廓和哪个模板匹配上了
                m = i;
                n = j;
            }
        }
    }

    cout << "************m = " << (m+1) << "; n = " << n << "; hu = " << hu << endl;

    // 匹配到的数字
    match_number = m + 1;

}

const char *num_char[] = {"1", "2", "3", "4", "5", "6", "7", "8", "9", "10"};
// 在图片的左上角标注数字
void number_draw(Mat &img, int num)
{
    //未识别到任何数字
    if(num < 1)
    {
        return;
    }

    string text = num_char[num-1];
    putText(img, text, Point(5, 100), FONT_HERSHEY_SIMPLEX, 4, Scalar(0, 0, 255), 5);

//    int baseline = 0;
//    Size textSize = getTextSize(text, FONT_HERSHEY_SIMPLEX, 2, 2, &baseline);
//    cout << "textsize.w = " << textSize.width << " textsize.h = " << textSize.height << endl;
}


//将Mat中的每个元素设置为某个数值
void setMatInt(Mat & input_image, uchar val)
{
    //行数
    int rows = input_image.rows;

    //列数x通道数=每一行的元素个数
    int cols = input_image.cols * input_image.channels();

    for(int i = 0; i< rows; i++)
    {
        uchar *pdata = input_image.ptr(i);
        for(int j = 0; j < cols; j++)
        {
            pdata[j] = val;
        }
    }

}



值得说明的是,在做肤色分割时,我只做了H通道的过滤,而没有管S通道和V通道,因为我嫌麻烦,之前看了很多别人的案例,H、S、V每个通道要inRange,然后还有什么高光补偿,搞得非常复杂,结果运行起来效果还不如我的代码。我不否认,应该要增加S和V通道,三个通道结合起来,可以将肤色限制在一个更狭窄的区域,可以消除其他类肤色区域的干扰。但是呢,本身肤色分割,并不是一个非常普遍适应的解决方案,鲁棒性不好,所以我感觉在怎么深入研究它,意义不大。


程序运行效果:

图像识别(13)——手势识别(1)——用matchShapes识别手形数字_第2张图片


图像识别(13)——手势识别(1)——用matchShapes识别手形数字_第3张图片


图像识别(13)——手势识别(1)——用matchShapes识别手形数字_第4张图片


图像识别(13)——手势识别(1)——用matchShapes识别手形数字_第5张图片


图像识别(13)——手势识别(1)——用matchShapes识别手形数字_第6张图片


图像识别(13)——手势识别(1)——用matchShapes识别手形数字_第7张图片


图像识别(13)——手势识别(1)——用matchShapes识别手形数字_第8张图片


图像识别(13)——手势识别(1)——用matchShapes识别手形数字_第9张图片


图像识别(13)——手势识别(1)——用matchShapes识别手形数字_第10张图片


图像识别(13)——手势识别(1)——用matchShapes识别手形数字_第11张图片



源码下载:

http://download.csdn.net/detail/luoyouren/9792803



你可能感兴趣的:(openCV,图像识别)