轮廓检测入门

2018-06-26

人脸检测完成后，我们需要将检测到的人脸进行框选，那么就需要轮廓检测了。
不讨论过多的算法方面的东西(因为实在不太懂)，我这次直接使用了opencv中的
findContours()函数。

def getcontours(img):
    best_rate=2
    best_w=0
    best_h=0
    best_x=0
    best_y=0
    rate=1
    height=img.shape[0]
    width=img.shape[1]
    min_area=height*width/1000
    want_op=img.copy()
    want_op=cv2.cvtColor(want_op,cv2.COLOR_BGR2GRAY)
    ret,bina=cv2.threshold(want_op,0,255,cv2.THRESH_BINARY)
    _,contours,her=cv2.findContours(bina,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
    #连通区域，比例最接近，坐标限制；
    for contour in contours:
        area=cv2.contourArea(contour)
        x, y, w, h = cv2.boundingRect(contour)
        if x>width/5 and x<width*0.8 and y<height/4:
            if area > min_area:
                my_rate=w/h
                if abs(my_rate-rate)<abs(best_rate-rate):
                    best_rate=my_rate
                    best_h=h
                    best_w=w
                    best_x=x
                    best_y=y
    return best_x,best_y,best_w,best_h

直接说这段代码吧,我们会在其中看到这么一句:

1	_,contours,her=cv2.findContours(bina,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

这个就是opencv内置的轮廓检测的函数，
这里一定要注意，在网上看到的大多数教程这个函数的返回值都是两个，
但是由于版本问题，我使用的其实返回了三个值,即使第一个值很少用，
但是如果不接就会报错: ValueError: too many values to unpack
返回值:
(1)基本用不到，处理的图像；
(2)轮廓的点集，在opencv中，轮廓就是一系列点的集合；
(3)各层轮廓的索引；
主要参数:
(1)二值图，一定是二值图，所以我们需要对图像进行预处理。
我这里其实之前传进去需要处理的就是一副黑白图，但是不知道为什么还会报错，所以
就把黑白图依然进行下述处理。

1 2	want_op=cv2.cvtColor(want_op,cv2.COLOR_BGR2GRAY) ret,bina=cv2.threshold(want_op,0,255,cv2.THRESH_BINARY)

这个处理过程是原地处理，所以如果后续需要原图，那么最好copy()一下。

(2)第二个参数是轮廓的检索方式
CV_RETR_EXTERNAL:
表示只检测外轮廓；
CV_RETR_LIST:
检测的轮廓不建立等级关系；
CV_RETR_CCOMP:
建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。
如果内孔内还有一个连通物体，这个物体的边界也在顶层；
CV_RETR_TREE:
建立一个等级树结构的轮廓；

(3)第三个参数是轮廓的近似方法
CV_CHAIN_APPROX_NONE:
存储所有的轮廓点，相邻的两个点的像素位置差不超过1;
CV_CHAIN_APPROX_SIMPLE:
压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，
例如一个矩形轮廓只需4个点来保存轮廓信息;
CV_CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法。

获取轮廓后，我们只要对返回的点集，也就是第二个参数进行遍历，每次遍历得到一个contour，
如果想要对其进行处理，比如标记等等，或者是在其中选出需要的轮廓(比如最大的轮廓)。
在循环中处理逻辑即可。

下面的代码是对获取到的轮廓区域内的像素点进行统计投票，
如果满足条件的像素点数大于总像素点数的八分之三，返回0，否则返回1。
通过分析，还发现rectangle函数的框选区域把标记框也标记进去了，
而且轮廓线上左宽为2像素，下右宽为1像素,需要精确内部区域的一定要把框所占数量去掉。

def has_cap(bin_img,img):
    red_cap=[[110,220],[0,100],[0,100]]
    yellow_cap=[[205,255],[110,220],[0,100]]
    white_cap=[[205,255],[205,255],[205,255]]
    x,y,w,h=getcontours(bin_img)
    cv2.rectangle(img, (x, y), (x + w, y + h), (255, 0, 0), 2)
    area=(w-3)*(h-3)
    if w-3<=0 or h-3<=0:
        return 2
    #检测不到人头
    #轮廓线上左宽为2，下右宽为1;
    is_cap=np.zeros([h-3,w-3],np.int)
    print(str(h)+','+str(w))
    for i in range(y+2,y+h-1):
        print(' ')
        for j in range(x+2,x+w-1):
            bgr=img[i,j]
            print(bgr)
            if bgr[0]>=0 and bgr[0]<=100:
                if bgr[1]>=0 and bgr[1]<=100 and bgr[2]>=110 and bgr[2]<=220:
                    is_cap[i-y-2,j-x-2]=1
                elif bgr[1]>=110 and bgr[1]<=220 and bgr[2]>=205 and bgr[2]<=255:
                    is_cap[i-y-2,j-x-2]=1
            elif bgr[0]>=205 and bgr[0]<=255:
                if bgr[1]>=205 and bgr[1]<=255 and bgr[2]>=205 and bgr[2]<=255:
                    is_cap[i-y-2,j-x-2]=1
    area2=0
    for i in range(is_cap.shape[0]):
        for j in range(is_cap.shape[1]):
            area2+=is_cap[i,j]
    print(str(area)+','+str(area2))
    if area2/area>3/8:
        return 0
    else:
        return 1