阿坝州网站建设公司

Python怎么实现手势识别

这篇文章主要讲解了“Python怎么实现手势识别”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“Python怎么实现手势识别”吧！

目前创新互联已为成百上千家的企业提供了网站建设、域名、网页空间、绵阳服务器托管、企业网站设计、东安网站维护等服务，公司将坚持客户导向、应用为本的策略，正道将秉承"和谐、参与、激情"的文化，与客户和合作伙伴齐心协力一起成长，共同发展。

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'):      breakcap.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 cv2import numpy as npcap = 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'):            breakcap.release()cv2.destroyAllWindows()

感谢各位的阅读，以上就是“Python怎么实现手势识别”的内容了，经过本文的学习后，相信大家对Python怎么实现手势识别这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是创新互联，小编将为大家推送更多相关知识点的文章，欢迎关注！


标题名称：Python怎么实现手势识别
网址分享：http://azwzsj.com/article/gjpjoh.html

其他资讯