简介这份资源面向计算机视觉入门与进阶学习者聚焦视频场景下的小球目标检测与颜色分类任务可帮助理解传统图像处理在动态视频中的落地方式。代码基于opencv-python自行编写主要运用形状轮廓检测与色彩模型完成识别并在视频中输出类似YOLO风格的标注框适合作为目标检测原理的对照练习。压缩包共3个文件包含1个py主程序、1个png效果图与1个mp4测试视频整体约320KB配置好Python与OpenCV环境后即可直接运行调试。目前已有1871人学习下载说明该案例在入门群体中具有一定参考价值。读者可获得一份亲测通过的完整可运行脚本、配套测试视频与效果截图便于快速复现检测流程、观察颜色分类结果并在此基础上修改参数或替换素材用于课程作业、实验演示或自学练手。1. 拆开这个 OpenCV 小球检测包为什么它比跑通 YOLO 更值得先看很多人第一次接触计算机视觉是从跑通一个 YOLO 预训练模型开始的框一画、类别一标感觉就到位了。但真到产线或者课程设计里遇到一个纯色小球、固定背景、只需要检测位置和颜色的场景上深度学习反而是杀鸡用牛刀。这个opencv-python视频小球及颜色检测.rar就是冲着这类需求来的它用传统视觉方法把视频里的小球找出来判断它是红是绿是蓝然后在画面上画出类似检测框的标注。包里给了ball.mp4测试视频、run.py主脚本和一张J03-3.png参考图环境配好就能直接跑。适合刚学 OpenCV 想找个完整小项目练手的人也适合需要快速验证颜色分拣、目标定位逻辑的工程师。它不依赖 GPU不依赖模型权重核心就是轮廓检测加色彩空间转换代码量可控改起来心里有底。2. 从 BGR 到 HSV颜色检测的底层逻辑与阈值调参2.1 为什么必须把 BGR 转成 HSVOpenCV 读进来的视频帧默认是 BGR 顺序三个通道分别代表蓝、绿、红。直接在这个空间里做颜色分割会遇到一个很现实的问题光照一变同一个红球的 RGB 值可能从 (200,30,30) 变成 (150,50,50)你根本没法用一个固定的范围把它框住。HSV 空间把颜色信息Hue和亮度信息Value拆开了H 通道描述的是“什么颜色”S 是饱和度V 是明暗。这样即使画面整体变暗红色的 H 值依然稳定在 0 或 180 附近阈值范围不用频繁改。常见做法是先把 BGR 转成 HSV再对 H 通道做inRange得到二值掩膜。这一步是整个检测流程的地基地基没打好后面轮廓找出来的全是噪点。import cv2 import numpy as np # 读取一帧测试 cap cv2.VideoCapture(ball.mp4) ret, frame cap.read() cap.release() if ret: # BGR 转 HSV注意 OpenCV 中 H 范围是 0-179S 和 V 是 0-255 hsv cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) # 以红色为例红色在 H 通道跨 0 和 180 两端需要两个区间 lower_red1 np.array([0, 100, 100]) upper_red1 np.array([10, 255, 255]) lower_red2 np.array([160, 100, 100]) upper_red2 np.array([179, 255, 255]) mask1 cv2.inRange(hsv, lower_red1, upper_red1) mask2 cv2.inRange(hsv, lower_red2, upper_red2) mask cv2.bitwise_or(mask1, mask2) # 形态学去噪先开后闭 kernel np.ones((5, 5), np.uint8) mask cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)上面这段代码里lower_red1和upper_red1覆盖的是 H 从 0 到 10 的红色区间lower_red2和upper_red2覆盖的是 H 从 160 到 179 的另一端。为什么红色要分两段因为 HSV 色相环是首尾相接的红色正好骑在 0 和 180 的边界上只取一边会漏掉一半。S 和 V 的下限设成 100 是为了过滤掉灰白和暗色区域避免背景里的浅色噪点被误判。形态学操作里的MORPH_OPEN先腐蚀后膨胀用来去掉孤立的小白点MORPH_CLOSE先膨胀后腐蚀用来填补目标内部的小孔洞。kernel 大小选 5×5 是经验值视频分辨率高就适当加大分辨率低就减小没有绝对标准。2.2 轮廓筛选面积、圆度和宽高比的组合拳拿到二值掩膜之后用cv2.findContours找轮廓但画面里符合颜色阈值的区域可能不止一个可能有反光点、可能有背景里同色的杂物。这时候就要靠轮廓的几何特征来筛。最直接的是面积cv2.contourArea算出来的像素面积小于某个值的直接扔掉。但光看面积不够一个长条形的色块面积也可能很大所以还要看圆度。圆度的计算方式是4 * pi * area / (perimeter ** 2)理想圆的圆度接近 1越接近 0 说明形状越不规则。小球在画面里即使有透视变形圆度一般也在 0.7 以上。再加一个宽高比约束外接矩形的宽高比在 0.8 到 1.2 之间进一步排除长条形干扰。contours, _ cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for cnt in contours: area cv2.contourArea(cnt) if area 500: # 面积阈值根据视频分辨率调整 continue perimeter cv2.arcLength(cnt, True) if perimeter 0: continue circularity 4 * np.pi * area / (perimeter ** 2) if circularity 0.7: # 圆度阈值 continue x, y, w, h cv2.boundingRect(cnt) aspect_ratio w / float(h) if aspect_ratio 0.8 or aspect_ratio 1.2: # 宽高比约束 continue # 通过筛选画框和中心点 cv2.rectangle(frame, (x, y), (x w, y h), (0, 255, 0), 2) center_x, center_y x w // 2, y h // 2 cv2.circle(frame, (center_x, center_y), 3, (0, 0, 255), -1)cv2.RETR_EXTERNAL只提取最外层轮廓避免嵌套轮廓重复计算。CHAIN_APPROX_SIMPLE压缩水平、垂直和对角线方向的冗余点只保留拐点减少计算量。面积阈值 500 是针对 640×480 左右分辨率的经验值如果视频是 1080p这个值要往上调否则远处的小球会被漏掉。圆度阈值 0.7 也不是死的如果小球运动模糊严重轮廓会变得不规则可以降到 0.6 试试。宽高比约束主要防的是画面边缘被截断的球或者两个球粘在一起的情况。这三个条件组合起来误检率会明显下降。3. 视频流处理与标注绘制让检测结果动起来3.1 逐帧读取与 FPS 控制run.py的主循环结构很典型cap.read()读一帧处理一帧imshow显示一帧waitKey控制退出。这里有个容易被忽略的点——waitKey的参数。如果写cv2.waitKey(1)表示每帧等 1 毫秒实际播放速度取决于处理速度处理慢就卡顿。如果写cv2.waitKey(30)大概对应 30 帧左右的播放节奏但也不是精确的 FPS 控制。更稳的做法是用cap.get(cv2.CAP_PROP_FPS)拿到视频原始帧率然后算出每帧应该等待的毫秒数。不过对于这个项目waitKey(1)就够用因为处理本身不慢画面看起来是流畅的。cap cv2.VideoCapture(ball.mp4) fps cap.get(cv2.CAP_PROP_FPS) print(f视频帧率: {fps}) while True: ret, frame cap.read() if not ret: break # 视频结束 # 这里插入上一节的 HSV 处理和轮廓筛选逻辑 # ... cv2.imshow(Ball Detection, frame) key cv2.waitKey(1) 0xFF if key 27: # ESC 键退出 break cap.release() cv2.destroyAllWindows()cap.get(cv2.CAP_PROP_FPS)返回的是视频文件声明的帧率不一定等于实际播放帧率但用来做参考足够。waitKey(1) 0xFF里的 0xFF是为了兼容 64 位系统只取低 8 位避免某些平台上按键值异常。ESC 键的 ASCII 码是 27这是 OpenCV 官方示例里的惯例写法。如果视频读完了ret会变成False循环自动退出不需要额外判断帧数。3.2 标注样式矩形框、中心点与文字标签项目摘要里提到“类似 yolov 算法检测后的标注框”实际实现就是用cv2.rectangle画框cv2.putText写类别。颜色分类的逻辑是在轮廓筛选通过之后取轮廓区域的 HSV 均值判断 H 值落在哪个区间然后给个标签。比如 H 在 0-10 或 160-179 判为红色H 在 40-80 判为绿色H 在 100-130 判为蓝色。标签文字用cv2.putText画在框的上方字体选FONT_HERSHEY_SIMPLEX大小 0.6 到 0.8 之间颜色跟框一致线宽 2。# 在轮廓筛选循环内部拿到 x, y, w, h 之后 roi_hsv hsv[y:yh, x:xw] mean_h np.mean(roi_hsv[:, :, 0]) if mean_h 10 or mean_h 160: label Red color (0, 0, 255) elif 40 mean_h 80: label Green color (0, 255, 0) elif 100 mean_h 130: label Blue color (255, 0, 0) else: label Unknown color (128, 128, 128) cv2.rectangle(frame, (x, y), (x w, y h), color, 2) cv2.putText(frame, label, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.7, color, 2)roi_hsv是轮廓外接矩形区域内的 HSV 子图mean_h是 H 通道的平均值。用均值而不是中位数是因为小球区域大部分像素颜色一致均值足够代表。如果画面里小球有高光反射H 值可能被拉偏这时候可以先把 V 通道过低的像素排除掉再算均值。标签位置(x, y - 10)是框的上方 10 个像素避免文字压在框线上。颜色 BGR 值跟标签对应红球用(0, 0, 255)绿球用(0, 255, 0)蓝球用(255, 0, 0)这是 OpenCV 的通道顺序别写反了。4. 避坑与排查颜色检测里那些让人抓狂的瞬间4.1 现象掩膜里全是噪点轮廓数量爆炸原因HSV 阈值范围给得太宽尤其是 S 和 V 的下限设得太低导致背景里灰白色的墙面、桌面都被算进了掩膜。另一个常见原因是视频压缩噪点暗部区域会出现随机彩色像素。解决先把 S 和 V 的下限提到 80 以上观察掩膜变化。如果还有零星噪点在inRange之后加一次中值滤波cv2.medianBlur(mask, 5)中值滤波对椒盐噪声特别有效而且不会像高斯滤波那样把边缘糊掉。如果噪点集中在画面边缘考虑加一个 ROI 掩膜只处理画面中央区域。4.2 现象小球颜色判断忽红忽绿标签乱跳原因小球表面有高光或者阴影导致同一帧里 H 值波动大均值落在两个颜色区间的边界上。另一种可能是视频白平衡自动调整整体色调偏移。解决不要只取 H 均值改成取 H 直方图的峰值。np.histogram(roi_hsv[:, :, 0], bins180, range(0, 180))拿到直方图后取最大 bin 对应的 H 值作为主色调。这样即使有少量高光像素也不会影响整体判断。如果白平衡偏移严重可以在读取第一帧时做一次白平衡校正或者手动固定色温。4.3 现象小球快速运动时框跟不上或者框突然消失原因运动模糊导致轮廓变形圆度低于阈值被筛掉。或者小球暂时被遮挡掩膜里没有对应区域。解决把圆度阈值从 0.7 降到 0.5 到 0.6 之间容忍一定程度的变形。如果遮挡是短暂的可以引入简单的跟踪逻辑当某一帧没有检测到目标时沿用上一帧的位置和颜色并标记为“预测”。连续多帧丢失再清除。这不是必须的但能让显示效果更稳定。4.4 现象cv2.imshow窗口打不开或者一闪而过原因waitKey参数设成了 0 或者没有调用waitKey窗口没有事件循环。另一种可能是视频文件路径不对cap.read()一直返回False循环直接退出。解决确保waitKey参数至少为 1并且放在imshow之后。检查cap.isOpened()返回值如果为False说明视频没打开打印一下当前工作目录和文件路径确认ball.mp4和run.py在同一目录下。Windows 上路径分隔符用反斜杠或原始字符串Linux 和 macOS 用正斜杠。4.5 现象换了新视频检测完全失效原因新视频的分辨率、光照条件、背景颜色跟原视频差异大原来的面积阈值和 HSV 范围都不适用了。解决不要指望一套参数走天下。换视频后先抽一帧出来用cv2.imshow显示 HSV 各通道手动观察小球的 H 值范围。面积阈值按分辨率比例缩放比如原视频 640×480 用 500新视频 1280×720 就大概用 500 × (1280×720)/(640×480) ≈ 1500。这一步没有捷径调参就是体力活。5. 进阶技巧用轨迹绘制和形态学优化提升观感5.1 画一条运动轨迹线检测到小球中心点之后把历史中心点存进一个deque长度限制在 30 到 50 帧然后用cv2.polylines把点连成线。这样画面上会拖出一条尾巴能直观看到小球的运动路径。deque的好处是自动淘汰旧点不用手动管理列表长度。from collections import deque trail deque(maxlen40) # 最多存 40 个中心点 # 在检测到小球中心后 trail.appendleft((center_x, center_y)) # 在画框之前绘制轨迹 for i in range(1, len(trail)): if trail[i - 1] is None or trail[i] is None: continue cv2.line(frame, trail[i - 1], trail[i], (0, 255, 255), 2)maxlen40表示队列满了之后自动从右侧丢弃旧点左侧追加新点。appendleft让最新的点在最前面画线的时候从旧到新连起来。颜色用黄色(0, 255, 255)跟红绿蓝标签区分开。如果小球丢失又重现轨迹会出现断线可以在丢失时往队列里塞None画线时跳过None点。5.2 用形态学梯度增强边缘有时候小球和背景颜色接近掩膜边缘不清晰轮廓找出来偏大或偏小。可以在inRange之后加一次形态学梯度操作突出边缘。cv2.morphologyEx(mask, cv2.MORPH_GRADIENT, kernel)得到的是膨胀减腐蚀的结果相当于把轮廓加粗了一圈。然后再做一次MORPH_CLOSE把内部填实。这样轮廓的边界会更贴合小球实际边缘。kernel np.ones((3, 3), np.uint8) gradient cv2.morphologyEx(mask, cv2.MORPH_GRADIENT, kernel) closed cv2.morphologyEx(gradient, cv2.MORPH_CLOSE, kernel)kernel 用 3×3 而不是 5×5是因为梯度操作本身就会加粗边缘kernel 太大会让轮廓过度膨胀面积算出来偏大。先梯度再闭运算顺序不能反反了的话闭运算会把梯度效果吃掉。5.3 参数速查与调试习惯下面这张表是我调这个项目时常用的参数范围和调整方向可以直接抄。参数典型值调大效果调小效果面积阈值500640×480过滤更多小噪点可能漏掉远处小球保留更多候选误检增加圆度阈值0.7只保留接近正圆的轮廓容忍变形但可能引入长条干扰宽高比范围0.81.2只保留接近正方形的框容忍椭圆但可能引入长条S 下限100过滤灰白背景保留更多低饱和区域噪点增加V 下限100过滤暗部区域保留暗处目标但噪点增加形态学 kernel5×5去噪更强目标边缘更圆滑保留细节但噪点残留我自己的习惯是每换一个视频先把run.py里的DEBUG开关打开把掩膜和原图并排显示肉眼确认阈值范围对不对再跑完整视频。这个步骤花两分钟能省掉后面半小时的瞎猜。从那以后我每次调颜色检测都强制先看掩膜再调轮廓希望帮到你。本文还有配套的精品资源点击获取