opencv-python进行识别（下）

继续上一节中对仪表盘的识别，这篇文章将继续讲解用opencv-python库对仪表盘的识别；

对于表盘区域的识别以及确定表盘中心，我采用了霍夫圈变换方法，该方法通过获取图片的角度边缘信息得到Hough梯度，进而确定图片中所显示的圈以及圈的中心。HoughCircles()接受多个参数输入，我将依次为你讲述😝😝，使你运用代码时能更好地调整参数，进而找到目标区域；

python 复制代码

HoughCircles(imgplus, cv2.HOUGH_GRADIENT, dp, minDist, param1=100, param2=50, minRadius=400, maxRadius=700)

imgplus:待处理图像（已使用cv2.imread()读入的变量）；

cv2.HOUGH_GRADIENT：检测方法，目前支持的算子有HOUGH_GRADIENT以及HOUGH_GRADIENT_ALT两种；

dp:累加器图像分辨率的反比，是图像像素分辨率与参数空间分辨率的比值。当dp为1时，累加器中图像分辨率与原图像一致，dp为2时，累加器中图像分辨率为原图像一半（是不是觉得累加器听着就像一个计数器，但是累加器听起来level层次就高很多，官方解释是经过处理图像像素的累加）；

minDist:检测到的圆集合中两圆心之间的最小距离；

param1:为canny算子中参数的高阈值，canny算子为边缘检测的流行算法，它接受两个阈值调节：minVal和maxVal，分别代表强度梯度大于maxVal的任何边缘必定是边缘，而小于minVal的那些边缘必定是非边缘，param1只需设置一个参数即可，低阈值默认为高阈值的一半；

param2：圆心阈值参数。圆心是通过投票得出的，那么多少票才算是圆心呢？这个值就是确定这个问题的；

minRadius：检测到的圆的最小半径；

maxRadius：检测到的圆的最大半径；

对于表盘指针识别，我采用的是霍夫线变换，该方法常被应用于自动驾驶领域，车机通过识别行车道上的直线来控制车的直线行驶。指针同样具有直线特征，但指针具有两个直线特征，这个需要进行均值计算一下；

python 复制代码

HoughLinesP(edges, 0.9, np.pi / 180, threshold, minLineLength=45, maxLineGap=50)

edges：表示经过canny处理后的图像

rho:参数的分辨率 r ，以像素为单位。我们使用 0.9个像素。

theta：参数的分辨率 θ ，以弧度为单位。我们使用 1 度（np.pi / 180）

threshold：检测一条线的最小交叉点数

minLineLength,maxLineGap:线段的最大以及最小像素值

下面源码附上，仅需添加img路径即可获得仪表盘区域以及指针😝😝

python 复制代码

    import cv2
    img = cv2.imread('   ')
    # 图像进一步处理
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    imgplus=cv2.medianBlur(gray, 5)

    # 检测圆
    circle = cv2.HoughCircles(imgplus, cv2.HOUGH_GRADIENT, 1, 500, param1=100, param2=50, minRadius=400, maxRadius=700)
    if circle is not None:
        circle = np.around(circle).astype(np.uint16)

    if circle is not None:
        for i in circle[0, :]:
            cv2.circle(img, (i[0], i[1]), i[2], (0, 0, 255), 1)
            imgplus = cv2.GaussianBlur(gray, (3, 3), 0)
            cropped = imgplus[i[1] - i[2] :i[1] + i[2], i[0] - i[2]:i[0] + i[2] ]
            edges = cv2.Canny(cropped, 120, 130, apertureSize=3)
            cv2.circle(img, (i[0]-20, i[1]+30), 5, (0, 0, 255), -1)
    # 检测线段
    lines = cv2.HoughLinesP(edges, 0.9, np.pi / 180, 100, minLineLength=45, maxLineGap=50)

    if lines is not None:
        x1_sum, y1_sum, x2_sum, y2_sum = 0, 0, 0, 0
        count = 0
        for line in lines:
            x1,y1,x2,y2 = line[0]
            cv2.line(img,(x1+i[0] - i[2],y1+i[1] - i[2]),(x2+i[0] - i[2],y2+i[1] - i[2]),(0,255,0),2)
        for line in lines:
            x1, y1, x2, y2 = line[0]
            x1_sum += x1 + i[0] - i[2] 
            y1_sum += y1 + i[1] - i[2] 
            x2_sum += x2 + i[0] - i[2] 
            y2_sum += y2 + i[1] - i[2] 
            count += 1
            if(count>=2):
                break
        if count > 0:
            center = (int(x1_sum / count), int(y1_sum / count))
            center2 = (int(x2_sum / count), int(y2_sum / count))
            cv2.circle(img, center, 5, (0, 0, 255), -1)
            cv2.circle(img, center2, 5, (0, 0, 255), -1)
     cv2.imshow('result',img)
     cv2.waitKey(0)