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：
今日尝试使用倒叙的方式来学习Open'CV颜色追踪，尝试一种新的笔记写法吧......
代码是根据创乐博（MAKEROBO）的视频代码学习的 ，我只是查阅资料学习与解释
贴出的解释部分是由百度文心一言AI生成的...
文章提供测试代码讲解，整体代码贴出、测试效果图
目录
测试视频效果展示:
完整实例代码贴出:
代码小结:
创建掩膜/图像的膨胀腐蚀:
开运算 与 闭运算：
掩膜(mask)上寻找各个轮廓（cnts）函数:
众多轮廓中（cnts）找到最大轮廓（C）函数:
计算轮廓（C）最小包围圆：
计算轮廓（C）的质心(center)：
OpenCv画圆函数:
双端队列:
网上查阅资料贴出：
测试视频效果展示:
OpenCv颜色追踪
完整实例代码贴出:
这个代码例程实现了使用最小圆来圈出识别追踪到的颜色物体，并画出轨迹
颜色可以在代码中初始化的部分更改：(注意先将BGR转换为HSV色彩空间)
之后会详细解释其中的一些关键函数:
完整代码与解释如下：
# -*- coding: utf-8 -*-# 导入必要的库 from collections import deque # 导入双端队列，用于存储物体的中心点 import numpy as np # 导入numpy库，用于数学和数组操作 import argparse # 导入argparse库，用于处理命令行参数 import imutils import cv2 # 导入OpenCV库，用于视频和图像处理 ap = argparse.ArgumentParser() # 创建命令行参数解析器 # 添加命令行参数：--video，可选的视频文件路径 ap.add_argument("-v", "--video",help="path to the (optional) video file") # 添加命令行参数：--buffer，双端队列的最大长度，默认为64 ap.add_argument("-b", "--buffer", type=int, default=64,help="max buffer size") # 解析命令行参数，并将结果存储在args字典中 args = vars(ap.parse_args())# 定义HSV颜色空间中的颜色范围，用于追踪颜色物体 colorLower = (18, 100, 100) colorUpper = (38, 255, 255)# 初始化双端队列，用于存储物体的中心点，最大长度为args["buffer"] pts = deque(maxlen=args["buffer"])# 如果没有提供视频文件，则使用默认的摄像头 if not args.get("video", False):camera = cv2.VideoCapture(0) # 否则，使用提供的视频文件路径 else:camera = cv2.VideoCapture(args["video"])# 无限循环，读取和处理视频帧 while True:(grabbed, frame) = camera.read() # 读取一帧图像 # 如果是视频文件，并且没有成功读取帧（即视频结束），则退出循环if args.get("video") and not grabbed:breakframe = imutils.resize(frame, width=600) # 调整帧的大小为600像素宽，保持其原始宽高比 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)# 创建一个只包含指定颜色范围内的像素的掩码 # 对掩码进行腐蚀和膨胀操作，以减少噪声并平滑形状(开运算)mask = cv2.erode(mask, None, iterations=2)mask = cv2.dilate(mask, None, iterations=2)# 在掩码上查找轮廓cnts = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)[-2]center = None # 初始化中心点变量 # 如果找到了轮廓 if len(cnts) > 0:c = max(cnts, key=cv2.contourArea)#找到最大的轮廓 ((x, y), radius) = cv2.minEnclosingCircle(c)#计算该轮廓的最小包围圆 M = cv2.moments(c)#计算轮廓的质心center = (int(M["m10"] / M["m00"]), int(M["m01"] / M["m00"]))## 如果最小包围圆的半径大于10像素，绘制圆和质心 if radius > 10:cv2.circle(frame, (int(x), int(y)), int(radius),(0, 255, 255), 2)cv2.circle(frame, center, 5, (0, 0, 255), -1)# 将质心添加到双端队列的左端 pts.appendleft(center)# 遍历双端队列中的点（除了第一个），绘制它们之间的线 for i in range(1, len(pts)):if pts[i - 1] is None or pts[i] is None:continue# 根据点在队列中的位置动态调整线的粗细thickness = int(np.sqrt(args["buffer"] / float(i + 1)) * 2.5)cv2.line(frame, pts[i - 1], pts[i], (0, 0, 255), thickness)cv2.imshow("Frame", frame)key = cv2.waitKey(1) & 0xFFif key == ord("q"):breakcamera.release() cv2.destroyAllWindows()
代码小结:
在仔细研究代码后，个人将其分为以下步骤:
1、定义命令行解释器（这是用于选择视频源是文件还是摄像头）
2、定义HSV色彩空间范围(确定识别的目标颜色)
接下来是while True:循环中：
1、调整帧大小
2、掩膜 通过
cv2.inRange()函数，指定一个HSV颜色空间中的颜色范围，从而确定并提取图像中特定颜色范围内的所有像素区域
之后对掩膜进行“开运算” —— 腐蚀后立即膨胀
3、寻找掩膜的轮廓(可能不止一个，因为符合颜色的像素矩阵区域不止一个)，
并根据所有的轮廓，找到最大的那个Numpy矩阵 C
再通过C计算出包裹它所需的最小包围圆
计算C轮廓的质心，记录质心坐标到 center 变量
4、如果最小包围圆半径大于10，就绘制圆与质心
5、将质心添加到双端队列左端
遍历双端队列中记录的点，绘制它们之间的线
根据点在队列中的位置，动态调整线的粗细
创建掩膜/图像的膨胀腐蚀:
相关图像处理之前文章中提到过，这里不多解释，但讲一下 开运算 与 闭运算：
文章地址贴出:
树莓派4B_OpenCv学习笔记6:OpenCv识别已知颜色_运用掩膜-CSDN博客
树莓派4B_OpenCv学习笔记9:图片的腐蚀与膨胀-CSDN博客
开运算 与 闭运算：
在调用
cv2.erode()之后立即调用cv2.dilate()（或相反的顺序）是一种常见的技术，称为开运算（opening）或闭运算（closing）。开运算通常用于消除小的对象（在噪声中）
而闭运算则用于连接小的断裂或填充小的孔洞
代码中，先腐蚀后膨胀的组合会稍微平滑对象的形状并减少噪声。
掩膜(mask)上寻找各个轮廓（cnts）函数:
cv2.findContours 函数用于检测图像中的轮廓
实例代码中是这样使用的：
cnts = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]
cnts接受到的数据类型是一个列表（list），其中每个元素都是一个NumPy数组（numpy.ndarray）。这些NumPy数组代表检测到的轮廓，每个轮廓由一系列的点（边界上的像素坐标）组成，这些点以(x, y)的形式表示。
# 假设 cnts 是一个包含两个轮廓的列表:
(实际可能不止一俩个轮廓、图片中掩膜包含颜色范围不止一个，根据像素点来的)
cnts = [
array([[x1_1, y1_1], [x1_2, y1_2], ..., [x1_n, y1_n]]), # 第一个轮廓的点集
array([[x2_1, y2_1], [x2_2, y2_2], ..., [x2_m, y2_m]]) # 第二个轮廓的点集
]
传入参数解释：
image：输入图像，通常是二值图像（即，黑白图像）。这是因为轮廓检测通常在二值图像上执行，其中白色区域表示目标对象，黑色区域表示背景。
- 类型：
numpy.ndarray- 示例：经过阈值处理或Canny边缘检测等步骤后得到的二值图像。
mode：轮廓检索模式。它定义了轮廓检索的方式，例如是否只检索最外部的轮廓，是否建立轮廓的层次结构等。
- 类型：整数
- 取值：
cv2.RETR_EXTERNAL：只检索最外层的轮廓。cv2.RETR_LIST：检索所有的轮廓，但不建立它们之间的层次关系。cv2.RETR_CCOMP：检索所有的轮廓，并建立两个层次。外层的轮廓包含它们的内层轮廓（例如，如果一个白色对象在另一个白色对象内部，那么外部对象的轮廓和内部对象的轮廓都会被检索到）。cv2.RETR_TREE：建立一个轮廓的层次结构。method：轮廓近似方法。它定义了轮廓点的近似方式。
- 类型：整数
- 取值：
cv2.CHAIN_APPROX_NONE：保存轮廓的所有点。cv2.CHAIN_APPROX_SIMPLE：只保存轮廓的端点（即，曲线的开始和结束点）和拐点。cv2.CHAIN_APPROX_TC89_L1、cv2.CHAIN_APPROX_TC89_KCOS：这些是其他轮廓近似方法，但通常cv2.CHAIN_APPROX_SIMPLE就足够了。
众多轮廓中（cnts）找到最大轮廓（C）函数:
c = max(cnts, key=cv2.contourArea)
cv2.contourArea是一个用于计算轮廓面积的函数，它接受一个轮廓（通常是一个点的数组）作为输入，并返回该轮廓的面积。
key参数接受一个函数，该函数被用于从cnts列表中的每个元素（即每个轮廓）提取一个用于比较的值。在这个例子中，cv2.contourArea被用作这个提取函数。
c接收到的数据类型是一个 NumPy 数组（numpy.ndarray），这个数组表示了检测到的最大轮廓的点集。具体来说，这个数组通常是一个二维数组（或称为矩阵），其中每一行代表轮廓上的一个点，每个点由两个或三个整数坐标组成（对于二维图像通常是(x, y)，对于三维图像可能是(x, y, z)，但通常轮廓处理是在二维图像上进行的）。
轮廓通常是由一系列的点组成的，并且 OpenCV 的
findContours函数返回的是点集的列表（每个列表代表一个轮廓），因此c的确切形状可能会稍有不同，但它总是包含多个表示轮廓上点的二维数组。此外，每个点的坐标通常是以单个数组[x, y]的形式出现的，但在轮廓数组中，这些点可能又被封装在一个额外的数组中（如上所示），或者可能是“扁平化”的（即没有额外的数组封装）。
计算轮廓（C）最小包围圆：
((x, y), radius) = cv2.minEnclosingCircle(c)
函数会计算轮廓
c的最小包围圆，并返回圆心和半径。圆心的坐标是一个元组
(x, y)，其中x和y是浮点型数值，表示圆心的坐标位置。
radius也是浮点型数值，表示圆的半径。
计算轮廓（C）的质心(center)：
M = cv2.moments(c)
cv2.moments(c)函数会计算轮廓c的图像矩。图像矩可以帮助计算有关轮廓的一些属性，比如面积、质心等。
M接受到的是一个字典（dict）类型的数据，这个字典包含了轮廓c的多个图像矩。这些图像矩是通过对轮廓上的点进行积分运算得到的，可以用来描述轮廓的形状和特性。
M字典中的键（key）是字符串类型，代表不同类型的图像矩，而对应的值（value）是浮点数类型（如float），表示该图像矩的具体数值。OpenCV中计算得到的图像矩主要包括以下几种：
'm00': 零阶矩，表示轮廓内的像素总数（即轮廓的面积）。'm10','m01': 一阶矩，与轮廓的质心位置有关。'm20','m02','m11': 二阶矩，与轮廓的旋转和缩放特性有关。- 更高阶的矩：OpenCV也支持计算更高阶的图像矩，但通常在实际应用中，低阶矩（尤其是零阶矩和一阶矩）已经足够描述轮廓的基本特性。
M字典的具体形式如下：
例如
M['m00']会返回轮廓的面积，M['m10']和M['m01']可以用来计算轮廓的质心位置。注意：在计算质心位置时，需要确保
M['m00']（即轮廓面积）不为0，以避免除以零的错误。如果M['m00']为0，表示轮廓为空或者没有正确地检测到轮廓。
轮廓的质心（也称为重心）可以通过以下公式计算：
因此代码中的center如下计算:
center = (int(M["m10"] / M["m00"]), int(M["m01"] / M["m00"]))
OpenCv画圆函数:
cv2.circle(img, center_coordinates, radius, color, thickness)
img：这是你要在其上绘制圆的图像。在这个例子中，它是frame，即你可能正在处理的视频帧或图像。center_coordinates：这是圆的中心坐标，由两个值（x, y）组成，分别代表横坐标和纵坐标。在这个例子中，(int(x), int(y))是第一个圆的中心坐标，而center（它应该是一个元组，例如(cx, cy)）是第二个圆的中心坐标（即质心）。radius：这是圆的半径，以像素为单位。在这个例子中，int(radius)是第一个圆的半径，而第二个圆（质心）的半径是由thickness参数控制的（因为我们传递了-1作为thickness，所以它会绘制一个填充的圆）。color：这是圆的颜色。它是一个BGR元组，即蓝色、绿色和红色的组合。在这个例子中，(0, 255, 255)代表青色（因为没有红色，蓝色和绿色都是最大值），而(0, 0, 255)代表蓝色。thickness：这是圆的线条厚度。如果它是正数，那么它就代表线条的粗细（以像素为单位）。如果它是负数（如-1），那么圆就会被填充。在这个例子中，第一个圆有一个线条厚度为2的轮廓，而第二个圆（质心）是填充的。
双端队列:
双端队列（Deque，全称为“double-ended queue”）是一种具有队列和栈的性质的数据结构。它支持从两端弹出和插入元素的操作，因此得名“双端”。具体来说，双端队列允许我们在其前端（front）和后端（rear）进行添加（append/push）和删除（pop）操作。
在Python中，
collections.deque是一个双端队列的实现。与列表（list）相比，deque在从两端添加和删除元素时具有更高的效率，因为列表在列表中间进行插入或删除操作需要移动其他元素，而deque不需要。在你给出的代码片段中，
pts可能是一个collections.deque类型的对象，用于存储一系列质心点。这些质心点可能是从图像中检测到的对象（如移动物体）的中心点。代码解释：
pts.appendleft(center)：将新检测到的质心center添加到双端队列pts的左端（即前端）。循环遍历
pts中的点（除了第一个），绘制它们之间的线：
for i in range(1, len(pts)):遍历从索引1开始到最后一个元素的点。if pts[i - 1] is not None and pts[i] is not None:确保两个相邻的点都不是None。这可能是因为某种原因（如检测失败）某些点可能未被设置。thickness = int(np.sqrt(args["buffer"] / float(i + 1)) * 2.5)：这里动态计算线的粗细。其中args["buffer"]可能是一个预设的缓冲值，用于控制线的粗细变化。随着i的增加（即距离队列开始的位置越远），线的粗细会逐渐减小。cv2.line(frame, pts[i - 1], pts[i], (0, 0, 255), thickness)：在图像frame上绘制从pts[i - 1]到pts[i]的红色线，线的粗细为前面计算得到的thickness。通过这种方式，你可以看到随着时间的推移（或随着更多质心被添加到队列中），这些质心点之间的线会逐渐变细，从而可能提供一种视觉上的“轨迹衰减”效果，使得最近的点之间的线更粗，而较早的点之间的线更细。
网上查阅资料贴出：
[树莓派基础]8.树莓派OpenCV颜色追踪讲解_哔哩哔哩_bilibili
文心一言
