【颜色识别】【Python+OpenCV】KNN（K近邻算法）实现魔方颜色识别【 3-1】

更多内容参考：原创文章作者：无敌三角猫。如若转载，请注明出处：古月居 https://www.guyuehome.com/37111

1.颜色识别

• 该程序利用KNN实现魔方颜色识别，特征采用RGB的颜色直方图，它可以区分白、黑、红、绿、蓝、橙色、黄色和紫色，如果你想分类更多颜色或者提高分类准确率，可以通过调整训练集数据或者考虑使用其他的特征如**颜色矩)**或者颜色相关图。

• 你可以使用color_recognition_api实现实时的颜色识别，作者提供了两种识别方式，一种是摄像头实时识别颜色（color_classification_webcam.py），

另一种实现对单张图片的颜色识别（color_classification_image.py ）

• 该程序实现的功能：

  1. 特征提取：对训练集图像提取RGB颜色直方图特征。
  2. 训练KNN分类器：通过RGB颜色直方图值训练KNN分类器
  3. 通过训练好的KNN分类器分类：逐帧读取摄像头，对每帧图像进行特征提取，最后通过训练好的KNN分类器判别物体的颜色。

• TODS:

  1. 添加新颜色。
  2. 提取新特征。
  3. 添加新分类器。

2.理论介绍

• 在这个研究中，我们使用KNN分类器算法，分类器通过图像的RGB颜色直方图值进行训练，整体的工作流程如下图所示：

• 对于基于机器视觉和机器学习的目标检测或识别系统，应该了解两个核心点：1.特征提取（即在图片中如何表示感兴趣的特征，并与其他特征进行区分）；2.分类（实现分类的算法，特别是在具体的实现中，我们称为分类器，这个分类器有时是指一个数学公式，由输入数据指向类别。）

• 对于该项目来讲：

  1. 特征提取=颜色直方图：颜色直方图是图像中一种颜色的分布表示，对于数字图像而言，颜色直方图表示一个固定的颜色范围列表中，每个颜色范围中有像素的数量，这些颜色范围跨越图像的颜色空间，即所有可能的颜色的集合。
  2. 分类器—KNN算法：KNN算法是一种简单的算法，他存储了所有可用的案例，并根据相似度距离来对新的案例进行分类（例如距离函数），KNN是一种1970年代的非参数技术，常被用于统计估计和模式识别。

3.代码实现

OpenCV库被用于颜色直方图计算和KNN分类器，Numpy用于矩阵或N维数组的计算，这个程序是在Linux环境下用Python开发的。

在“src”目录下，有两个Python类：

• color_classification_webcam.py：测试类从网络摄像头实现实时颜色识别。
• color_classification_image.py：测试类实现对单张图像的颜色识别。

在“color_recognition_api”目录下，有两个Python类：

• feature_extraction.py ：特征提取操作类。
• knn_classifier.py：KNN分类器。

feature_extraction.py特征提取类的解释：

我们可以通过该Python类实现获取图像的RGB颜色直方图，例如绘制红色图像的RGB颜色直方图

• 我决定使用直方图的RGB通道像素数量最大的对应的Bin Number来作为特征，因为我可以得到占主导地位的RGB值来创建特征向量用于训练，例如这个红色图像的占主导地位的RGB值是[254,0,2]。
• 对于每个训练图像，使用颜色直方图我获得了占主导地位的RGB的值，然后给他们打上标签，这是因为KNN是有监督学习，然后我将这些特征向量部署到csv文件当中，因此，我创建了我的训练特征向量数据集，它保存在src目录下training.data。

knn_classifier.py注释：

这个类提供了这些主要的计算;

• 获取训练数据。
• 获取测试图像特征。
• 计算欧式距离。
• 找到K个最近邻点。
• 预测颜色。
• 返回预测是否正确。

color_classification_webcam.py注释：它是我们这个程序的主要类，它提供了一下功能：

• 调用 feature_extraction.py 创造训练数据。
• 调用knn_classifier.py)用于分类。

4结论

• 我认为训练数据对于分类准确率有重要的影响，我非常仔细的创建了我的训练数据集，但是如果有更合适的数据集，可能效果更好。
• 另一个重要的影响是闪光和阴影，在我的测试图像中，在光线较差或者阴影下拍摄的图片被分类错误，也许一些滤波算法可以提前处理一下测试图像，然后送给KNN分类器，以提高分类的准确性。