python实现手势识别的方法_F11 - 专业站长和开发者的学习网站

使用open-cv实现简单的手势识别。刚刚接触python不久，看到了很多有意思的项目，尤其时关于计算机视觉的。网上搜到了一些关于手势处理的实验，我在这儿简单的实现一下（PS：和那些大佬比起来真的是差远了，毕竟刚接触不久），主要运用的知识就是opencv，python基本语法，图像处理基础知识。

最终实现结果：

获取视频（摄像头）

这部分没啥说的，就是获取摄像头。

				?

									cap = cv2.VideoCapture("C:/Users/lenovo/Videos/1.mp4")#读取文件

									#cap = cv2.VideoCapture(0)#读取摄像头

									while(True):

									  ret, frame = cap.read()  key = cv2.waitKey(50) & 0xFF

									  if key == ord('q'):

									    break

									cap.release()

									cv2.destroyAllWindows()

肤色检测

这里使用的是椭圆肤色检测模型
在RGB空间里人脸的肤色受亮度影响相当大，所以肤色点很难从非肤色点中分离出来，也就是说在此空间经过处理后，肤色点是离散的点，中间嵌有很多非肤色，这为肤色区域标定(人脸标定、眼睛等)带来了难题。如果把RGB转为YCrCb空间的话，可以忽略Y(亮度)的影响，因为该空间受亮度影响很小，肤色会产生很好的类聚。这样就把三维的空间将为二维的CrCb，肤色点会形成一定得形状，如：人脸的话会看到一个人脸的区域，手臂的话会看到一条手臂的形态。

				?

									def A(img):

									  YCrCb = cv2.cvtColor(img, cv2.COLOR_BGR2YCR_CB) #转换至YCrCb空间

									  (y,cr,cb) = cv2.split(YCrCb) #拆分出Y,Cr,Cb值

									  cr1 = cv2.GaussianBlur(cr, (5,5), 0)

									  _, skin = cv2.threshold(cr1, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) #Ostu处理

									  res = cv2.bitwise_and(img,img, mask = skin)

									  return res

轮廓处理

轮廓处理的话主要用到两个函数，cv2.findContours和cv2.drawContours，这两个函数的使用使用方法很容易搜到就不说了，这部分主要的问题是提取到的轮廓有很多个，但是我们只需要手的轮廓，所以我们要用sorted函数找到最大的轮廓。

				?

									def B(img):

									  #binaryimg = cv2.Canny(Laplacian, 50, 200) #二值化，canny检测

									  h = cv2.findContours(img,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE) #寻找轮廓

									  contour = h[0]

									  contour = sorted(contour, key = cv2.contourArea, reverse=True)#已轮廓区域面积进行排序

									  #contourmax = contour[0][:, 0, :]#保留区域面积最大的轮廓点坐标

									  bg = np.ones(dst.shape, np.uint8) *255#创建白色幕布

									  ret = cv2.drawContours(bg,contour[0],-1,(0,0,0),3) #绘制黑色轮廓

									  return ret

全部代码

				?

									""" 从视频读取帧保存为图片"""

									import cv2

									import numpy as np

									cap = cv2.VideoCapture("C:/Users/lenovo/Videos/1.mp4")#读取文件

									#cap = cv2.VideoCapture(0)#读取摄像头

									#皮肤检测

									def A(img):

									  YCrCb = cv2.cvtColor(img, cv2.COLOR_BGR2YCR_CB) #转换至YCrCb空间

									  (y,cr,cb) = cv2.split(YCrCb) #拆分出Y,Cr,Cb值

									  cr1 = cv2.GaussianBlur(cr, (5,5), 0)

									  _, skin = cv2.threshold(cr1, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) #Ostu处理

									  res = cv2.bitwise_and(img,img, mask = skin)

									  return res

									def B(img):

									  #binaryimg = cv2.Canny(Laplacian, 50, 200) #二值化，canny检测

									  h = cv2.findContours(img,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE) #寻找轮廓

									  contour = h[0]

									  contour = sorted(contour, key = cv2.contourArea, reverse=True)#已轮廓区域面积进行排序

									  #contourmax = contour[0][:, 0, :]#保留区域面积最大的轮廓点坐标

									  bg = np.ones(dst.shape, np.uint8) *255#创建白色幕布

									  ret = cv2.drawContours(bg,contour[0],-1,(0,0,0),3) #绘制黑色轮廓

									  return ret

									while(True):

									  ret, frame = cap.read()

									  #下面三行可以根据自己的电脑进行调节

									  src = cv2.resize(frame,(400,350), interpolation=cv2.INTER_CUBIC)#窗口大小

									  cv2.rectangle(src, (90, 60), (300, 300 ), (0, 255, 0))#框出截取位置

									  roi = src[60:300 , 90:300] # 获取手势框图

									  res = A(roi) # 进行肤色检测

									  cv2.imshow("0",roi)

									  gray = cv2.cvtColor(res, cv2.COLOR_BGR2GRAY)

									  dst = cv2.Laplacian(gray, cv2.CV_16S, ksize = 3)

									  Laplacian = cv2.convertScaleAbs(dst)

									  contour = B(Laplacian)#轮廓处理

									  cv2.imshow("2",contour)

									  key = cv2.waitKey(50) & 0xFF

									  if key == ord('q'):

									      break

									cap.release()

									cv2.destroyAllWindows()

本人学了python几天，做出这个东西自己已经很满足了，当然和那些大佬也是没法比的，没有什么东西是速成的，只能一步一个脚印的走。