摘要：在目标识别技术发展越来越迅速的今天，单纯的目标识别已经满足不了环境和需求的变更，人们更希望在一组视频，或者视频监控中，针对一特定目標，用计算机持续的标定出选定物体在当前视野范围内的位置，进而不需要人时刻关注这一物体的动向。对此本文实现了针对物体的颜色属性，在颜色空间中对其进行识别与跟踪。针对自主设定的颜色阈值，自动识别当前环境中最明显的具有该颜色的物体，并在视频的每一帧中都能跟踪到该物体。经试验，该方法识别效率高，跟踪速度快，具有广阔的应用前景。

关键词：OpenCV;目标识别;物体追踪;图像处理

1引言

从计算机被研制出现在世界上到现在计算机技术已经面向广大人民的阶段，对物体的识别与物体的跟踪是计算机视觉研究方面的一个比较关键的子路线。然而由于对运动着的物体的辨识和跟踪工程它本身就很具有复杂性，所以识别与跟踪这个方向到现在还是有很多的挑战。最常见的智能监控系统，像一些人流量极大的场所，要确保人身财产安全，通常就会设置识别与跟踪的监控设备。通过算法由程序对可疑目标进行定位并分析其行为，倘若真正发生异常时，监控系统会智能发出警报，以达到提醒人去处理的目的，将人的生理反映会随时间减弱的问题最小化。这项技术，特别是在军事上的一些武器导航、无人机观测，军事侦察具有重大意义[1]。

2系统设计与实现

（1）颜色识别。本模块主要实现的是将所需识别的目标颜色在一帧画面中分离出来，OpenCV中的inRange（）函数它在这个部分的作用将视频中的每一帧进行二值化处理，并且通过给定阈值将颜色过滤出来。该函数方法可以对多通道图像进行处理。方法所需数据的意义是判断检测目标数组中的元素值是不是和另外设置的两个数组的元素值之间值相匹配的。这部分的数组存储的本质上也就是Mat矩阵或者向量，该inRange函数会在输出图像中得到被其二值化后的二值图像[3]。

简单的对这个过滤颜色解释，这个方法是在判断Mat类型的源图像src中每一个像素的每一个通道的值是否在[lowerb，upperb]之间。其中lowerb表示最小像素值，upperb最大像素值。在程序中Scalar（lowerb，lowerg，lowerr）和Scalar（upperb，upperg，upperr）。其中lowerb表示蓝色像素最小值，lowerg表示绿色像素最小值，lowerr红色像素最小值。upperb表示蓝色像素最大值，upperg绿色像素最大值，upperr红色像素最大值这里要注意集合的开闭。如果结果为是开区间，那么在Mat类型的结果图像dst相应像素位置填上255，如果结果不是闭而是开，则是0[2]。

针对单通道图像来讲：dst（I） = lowerb（I）0 ≤ src（I）0 < upperb（I）0，如果这是一幅灰度图像（图像为纯灰色，可以是有彩色图像转化过来的，每个像素只有一个通道）的某个像素的灰度值在我们设定好的的高和低阈值范围之见，则在Mat类型的dst图像中使得该像素值为255，否则使其设置成为0，这样就可以将一幅真实的画面转化成为了一幅二值化图像并输出在显示屏上。

针对三通道图像来讲：dst（I） = lowerb（I）0 ≤ src（I）0 < upperb（I）0 ∧ lowerb（I）1 ≤ src（I）1 < upperb（I）1 ∧lowerb（I）2 ≤ src（I）2 < upperb（I）2，也就是说，三通道图像要求相对较高，要求的每个通道的像素值都必须要在对性的合适阙值内，不可越界，否则影响结果。

若这里单纯使用inRange（）函数提取到的目标物体颜色二值图像有一定的误差，还有一定的噪声在其中，所以接下来我们还要有后续操作，使分离的结果更加精确。

（2）形态学开操作。即是两种图像处理的基本操作（膨胀和腐蚀）在一起通过操作顺序的先后，对图像操作的结果。开操作则先是对图片进行腐蚀操作，操作完毕后，再进行一次图片的膨胀操作的过程。开操作可以使提取到的目标颜色物体的二值图像轮廓变得平滑，使狭窄的间断断开和将画面中细小的突出物消除。这里的孔洞指的是黑色的部分，突出物和小物体指的是白色的部分[4]。

观察颜色过滤提取结果可以得知，单纯地应用inRange函数我们可以成功的找到我们想要的目标颜色。但是仔细观察二值图像后我们发现，二值图像中有一些误差，也就是我们所说的噪点。

（3）寻找轮廓。在完成上述几个模块对目标颜色物体的二值图像进行的一系列提取及增强准确度和清晰度的操作后，我们可以从视频画面中清晰的得到运动目标的二值图像，这些操作为本模块的轮廓发现提供了铺垫。

轮廓发现（find contour）操作的前提和基础就是基于图像边缘提取下的，来进行寻找对象物体轮廓的方法。所以边缘提取的阙值会影响最终的发现结果[5]。

（4）外接矩形获取。完成了上述的轮廓发现的步骤之后需要根据查找到的轮廓获取该物体轮廓的外界矩形。通俗的来讲就是，就是在查找轮廓完毕之后，获取它的最大外接矩形并绘制，也就是标记物体在图像中的位置。

最终的实现结果如下：

3结论

基于颜色空间的识别和跟踪的研究背景，对于理论基础和现有的技术支持，明确了需求和全面且详细的设计与实现过程。本系统实现了通过摄像头获取实时视频画面，通过计算机视觉和图像处理的方法，完成了在已知当前复杂环境背景下，准确提取出计划内的目标颜色。而且可以从程序编写和系统设计的过程中找出提取颜色造成误差问题所在，然后利用现有的图像处理手段进行多次的操作，使图像处理结果越来越准确。最后完成了对二值图像的轮廓查找，并完成最终的理想效果，实现了对目标物体颜色的实时跟踪。

参考文献

[1]望熙荣、望熙贵.OpenCV和Visual Studio图像识别应用开发.人民邮电出版社.2017.10

[2]毛星云.OpenCV 3编程入门.电子工业出版社.2015.2

[3]黄韶杰.基于聚类的煤岩分界图像识别技术研究.中国矿业大学博士论文.2015：24-25

[4]胡学龙.数字图像处理（第3版）.电子工业出版社.2014.8

[5]张亮.基于OPENCV的轮廓检测.西安工业大学课程论文.2015：30-35

作者简介：姓名 李彬（1996—），男，汉族，辽宁沈阳人，2019级在读研究生，单位：沈阳理工大学，研究方向：图形图像处理技术。