溫馨提示×

溫馨提示×

您好，登錄后才能下訂單哦！

密碼登錄×
登錄注冊×
其他方式登錄
點擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》

Python怎么實現(xiàn)手勢識別

發(fā)布時間：2021-11-23 14:20:34 來源：億速云 閱讀：109 作者：iii 欄目：大數(shù)據(jù)

這篇文章主要講解了“Python怎么實現(xiàn)手勢識別”，文中的講解內(nèi)容簡單清晰，易于學(xué)習(xí)與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學(xué)習(xí)“Python怎么實現(xiàn)手勢識別”吧！

獲取視頻（攝像頭）

這部分沒啥說的，就是獲取攝像頭。

cap = cv2.VideoCapture("C:/Users/lenovo/Videos/1.mp4")#讀取文件#cap = cv2.VideoCapture(0)#讀取攝像頭while(True):    ret, frame = cap.read()    key = cv2.waitKey(50) & 0xFF    if key == ord('q'):      breakcap.release()cv2.destroyAllWindows()

膚色檢測

這里使用的是橢圓膚色檢測模型

在RGB空間里人臉的膚色受亮度影響相當(dāng)大，所以膚色點很難從非膚色點中分離出來，也就是說在此空間經(jīng)過處理后，膚色點是離散的點，中間嵌有很多非膚色，這為膚色區(qū)域標(biāo)定(人臉標(biāo)定、眼睛等)帶來了難題。如果把RGB轉(zhuǎn)為YCrCb空間的話，可以忽略Y(亮度)的影響，因為該空間受亮度影響很小，膚色會產(chǎn)生很好的類聚。這樣就把三維的空間將為二維的CrCb，膚色點會形成一定得形狀，如：人臉的話會看到一個人臉的區(qū)域，手臂的話會看到一條手臂的形態(tài)。

def A(img):
    YCrCb = cv2.cvtColor(img, cv2.COLOR_BGR2YCR_CB) #轉(zhuǎn)換至YCrCb空間    (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處理    res = cv2.bitwise_and(img,img, mask = skin)    return res

輪廓處理

輪廓處理的話主要用到兩個函數(shù)，cv2.findContours和cv2.drawContours，這兩個函數(shù)的使用使用方法很容易搜到就不說了，這部分主要的問題是提取到的輪廓有很多個，但是我們只需要手的輪廓，所以我們要用sorted函數(shù)找到最大的輪廓。

def B(img):
    #binaryimg = cv2.Canny(Laplacian, 50, 200) #二值化，canny檢測    h = cv2.findContours(img,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE) #尋找輪廓    contour = h[0]    contour = sorted(contour, key = cv2.contourArea, reverse=True)#已輪廓區(qū)域面積進(jìn)行排序    #contourmax = contour[0][:, 0, :]#保留區(qū)域面積最大的輪廓點坐標(biāo)    bg = np.ones(dst.shape, np.uint8) *255#創(chuàng)建白色幕布    ret = cv2.drawContours(bg,contour[0],-1,(0,0,0),3) #繪制黑色輪廓    return ret

全部代碼

""" 從視頻讀取幀保存為圖片"""import cv2import numpy as npcap = cv2.VideoCapture("C:/Users/lenovo/Videos/1.mp4")#讀取文件#cap = cv2.VideoCapture(0)#讀取攝像頭
#皮膚檢測def A(img):
    YCrCb = cv2.cvtColor(img, cv2.COLOR_BGR2YCR_CB) #轉(zhuǎn)換至YCrCb空間    (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處理    res = cv2.bitwise_and(img,img, mask = skin)    return res
def B(img):
    #binaryimg = cv2.Canny(Laplacian, 50, 200) #二值化，canny檢測    h = cv2.findContours(img,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE) #尋找輪廓    contour = h[0]    contour = sorted(contour, key = cv2.contourArea, reverse=True)#已輪廓區(qū)域面積進(jìn)行排序    #contourmax = contour[0][:, 0, :]#保留區(qū)域面積最大的輪廓點坐標(biāo)    bg = np.ones(dst.shape, np.uint8) *255#創(chuàng)建白色幕布    ret = cv2.drawContours(bg,contour[0],-1,(0,0,0),3) #繪制黑色輪廓    return ret

while(True):
    ret, frame = cap.read()    #下面三行可以根據(jù)自己的電腦進(jìn)行調(diào)節(jié)    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]  # 獲取手勢框圖
    res = A(roi)  # 進(jìn)行膚色檢測    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)#輪廓處理    cv2.imshow("2",contour)
    key = cv2.waitKey(50) & 0xFF    if key == ord('q'):            breakcap.release()cv2.destroyAllWindows()

感謝各位的閱讀，以上就是“Python怎么實現(xiàn)手勢識別”的內(nèi)容了，經(jīng)過本文的學(xué)習(xí)后，相信大家對Python怎么實現(xiàn)手勢識別這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關(guān)知識點的文章，歡迎關(guān)注！

向AI問一下細(xì)節(jié)

免責(zé)聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進(jìn)行舉報，并提供相關(guān)證據(jù)，一經(jīng)查實，將立刻刪除涉嫌侵權(quán)內(nèi)容。

AI
助
手