hhl134 / opencv-project

opencv练习项目

OpenCV-Project

Python_Practice

practice：

1.灰度化、模糊、Canny算子、膨胀、腐蚀 

2.裁剪 

3.创建数字矩阵并添加颜色、画线、长方形、圆、写字 

4.透视变换（warp） 

5.图像堆栈 

6.使用滑动条块 

7.获取图形轮廓，计算面积、周长、对角点，画出轮廓，并画出外轮廓，标注出是什么图形 

8.运用级联分类器，识别脸部 

project：

1.运用级联分类器识别车辆车牌

2.先进行颜色提取，得到具体的HSV值，再对该具体颜色进行识别提取轮廓

3.对文件进行获取轮廓并进行透视变换

Some_Project

1.虚拟键盘
  创建图形化键盘，且识别手部关键点，通过手指位置实现按键控制
  主要库：cvzone（提供手部追踪检测器）、pynput（控制、监控键盘鼠标）
  
2.角度测量
  点击获取三个点，运用公式计算得到角度并标注
  
3.人脸68个关键点检测，并提取嘴部部分
  dlib库采用68点位置标志人脸重要部位，比如18-22点标志右眉毛，51-68标志嘴巴。

4.人脸打卡系统
  使用face_recognition库进行人脸的定位，解码和计算距离

5.目标检测
  有ssd和yolov3两种方法，使用已有配置文件和权重文件，进行
  eg：目标检测主流的算法主要分为两个类型（参考RefineDet）：
      （1）two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective search）或者CNN网络（RPN)产生一系列稀疏的候选框，
           然后对这些候选框进行分类与回归，two-stage方法的优势是准确度高；
      （2）one-stage方法，如Yolo和SSD，其主要思路是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，
           然后利用CNN提取特征后直接进行分类与回归，整个过程只需要一步，所以其优势是速度快，但是均匀的密集采样的一个重要缺点是训练比较困难，
           这主要是因为正样本与负样本（背景）极其不均衡（参见Focal Loss），导致模型准确度稍低。

6.物体尺寸检测
  获取轮廓，透视变换和尺寸计算

7.全景拼接
  运用cv2的Stitcher进行拼接
  
8.QR码的检测
  运用pyzbar库进行QR解码
  
9.文本检测
  运用pytesseract库和Tesseract-OCR文件
  
10.物体追踪
  运用cv的TrackerKCF_create函数创建追踪器