Python-OpenCV综合实战：摄像头目标追踪全链路 + 系列复盘与嵌入式落地预告

W_32600

188人浏览 · 2026-10-27 20:00:22

W_32600 · 2026-10-27 20:00:22 发布

上一章我们学习了轮廓进阶、形状特征、圆形度、多条件轮廓筛选，能够对画面里的物体做形状识别与过滤。本章是整个 OpenCV Python 系列的收官之作，不再学习新 API，而是把前面所有章节的知识点全部串联，搭建一套工业、机器人里最常用的实时颜色目标追踪流水线：摄像头采集画面 → 预处理降噪 → HSV 颜色分割生成掩码 → 形态学清理噪点孔洞 → 轮廓检测 + 多条件筛选 → 旋转最小外接矩形绘制，输出目标坐标、中心位置、旋转角度。

同时我们会复盘整套 OpenCV 系列的学习路线，分析 Python OpenCV 的优势与局限，最后自然引出后续 STM32 嵌入式系列，实现视觉算法从 PC 验证到单片机落地的衔接。

前置回顾整套流水线顺序：图像读取 → 高斯模糊降噪 → BGR 转 HSV → inRange 颜色阈值分割 → 形态学开运算 + 闭运算 → findContours 轮廓查找 → 轮廓面积筛选 → minAreaRect 旋转框提取 → 绘制结果、打印目标信息。

一、项目需求说明

我们实现一个实时追踪程序：

调用电脑摄像头，实时读取帧画面；
识别指定颜色色块（示例红色，可自行修改 HSV 阈值）；
过滤掩码里零散噪点、孔洞；
过滤面积过小的无效轮廓；
使用最小旋转外接矩形 minAreaRect，获取目标中心点、宽高、倾斜角度；
在画面上绘制旋转矩形、中心点，实时打印目标坐标和角度；
支持退出按键 q。

重点区分：boundingRect 是正外接矩形，不带角度；minAreaRect 是旋转外接矩形，能拿到物体倾斜角度，机器人定位、抓取、无人机视觉追踪都依赖它。

二、minAreaRect 角度坑点

minAreaRect 返回的角度有一个非常反直觉的规则：

角度范围：[-90, 0)；
当矩形长边水平时，角度接近 0；物体逆时针旋转，角度往负方向走；
想要转为我们习惯的 0~90° 直观角度，需要自己做转换。

后面代码里已经封装好角度转换逻辑，直接使用即可。

三、完整可运行代码（摄像头实时追踪）

import cv2
import numpy as np

#===================== 配置区，自行修改 =====================
#红色HSV阈值，根据自己场景调整

lower_hsv = np.array([0, 120, 80])
upper_hsv = np.array([10, 255, 255])

#轮廓最小面积，过滤噪点
min_contour_area = 200

#形态学核大小
kernel_size = (5, 5)
#===========================================================

#打开摄像头，0代表默认摄像头
cap = cv2.VideoCapture(0)

#设置摄像头分辨率（可选）
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)

if not cap.isOpened():
    print("摄像头打开失败！")
    exit()

#创建形态学核
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, kernel_size)

while True:
    ret, frame = cap.read()

    if not ret:
        print("读取画面失败，退出循环")
        break

    # 1. 高斯模糊降噪，减少画面噪点（预处理）
    blur = cv2.GaussianBlur(frame, (3, 3), 0)

    # 2. BGR转HSV，颜色分割
    hsv = cv2.cvtColor(blur, cv2.COLOR_BGR2HSV)

    # 3. 生成颜色掩码
    mask = cv2.inRange(hsv, lower_hsv, upper_hsv)

    # 4. 形态学预处理：先开去外部小白噪点，再闭填充内部孔洞
    mask_open = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)
    mask_clean = cv2.morphologyEx(mask_open, cv2.MORPH_CLOSE, kernel)

    5. 查找最外层轮廓
    contours, _ = cv2.findContours(mask_clean, cv2.RETR_EXTERNAL,         cv2.CHAIN_APPROX_SIMPLE)
    draw_img = frame.copy()

    for cnt in contours:
        area = cv2.contourArea(cnt)
        if area &lt; min_contour_area:
            continue

        # 获取旋转最小外接矩形
        rect = cv2.minAreaRect(cnt)
        # rect 结构：( (cx, cy), (w, h), angle )
        (cx, cy), (w, h), angle = rect
        # 把-90~0的角度转为0~90便于观察
        angle_show = abs(angle)

        #获取旋转矩形四个顶点
        box_points = cv2.boxPoints(rect)
        box_points = np.intp(box_points)

        #绘制旋转矩形
        cv2.drawContours(draw_img, [box_points], -1, (0, 255, 0), 2)
        #绘制中心点
        cv2.circle(draw_img, (int(cx), int(cy)), 4, (0, 0, 255), -1)
        #文字标注：中心坐标、角度
        text = f"X:{int(cx)} Y:{int(cy)} Angle:{angle_show:.1f}"
        cv2.putText(draw_img, text, (int(cx)+10, int(cy)-10),
        cv2.FONT_HERSHEY_SIMPLEX, 0.45, (0, 255, 0), 1)

        #控制台打印目标信息
        print(f"目标中心：X={cx:.1f}, Y={cy:.1f}, 宽={w:.1f}, 高={h:.1f}, 原始角度={angle:.1f},显示角度={angle_show:.1f}")

    #窗口展示
    cv2.imshow("原始掩码 mask", mask)
    cv2.imshow("清理后掩码 mask_clean", mask_clean)
    cv2.imshow("目标追踪结果", draw_img)

    #按键退出：q 退出
    key = cv2.waitKey(1) &amp; 0xFF
    if key == ord('q'):
        break

#释放资源
cap.release()
cv2.destroyAllWindows()

使用说明

运行后会弹出 3 个窗口：原始掩码、清理后的掩码、带框标注的追踪画面；
如果识别不到目标，优先调整 HSV 上下限；
噪点多就加大核尺寸或者提高 min_contour_area；
想要追踪别的颜色，替换 HSV 阈值即可。

四、整套流水线拆解回顾

步骤	对应章节知识点	作用
GaussianBlur	图像滤波基础	抑制画面高频噪点，让 HSV 分割更稳定
BGR2HSV + inRange	HSV 颜色空间	按颜色分离前景和背景，生成二值掩码
开运算、闭运算	形态学进阶	去除掩码杂点、填补色块内部黑洞，轮廓更干净
findContours	轮廓基础	从掩码中提取物体轮廓
contourArea 面积筛选	轮廓进阶	过滤噪声产生的微小无效轮廓
minAreaRect	轮廓进阶	获取带旋转角度的外接框，拿到中心坐标、倾斜角度
drawContours、putText	绘图基础	在画面可视化标记目标

这就是机器视觉最经典的“2D 颜色目标定位”方案，比赛小车、视觉追踪、分拣项目里大量使用。

五、Python-OpenCV 的优势与局限性

优点：

开发速度极快，几十行代码就能验证视觉方案；
调试方便，可以实时看掩码、中间结果，快速调参；
电脑算力充足，适合前期算法验证、方案选型。

短板（也是我们转 STM32 的原因）：

依赖 PC，不能独立跑在小车、无人机上；
Python 解释层开销大，帧率上限有限，实时性一般；
无法直接驱动电机、电调、舵机，只能输出坐标；
没有硬件控制能力，视觉算法算出坐标之后，还需要单片机去执行控制。

一句话总结：Python OpenCV 是算法验证平台，真正的执行控制交给嵌入式单片机。

六、本章 API 汇总表

函数	功能说明
`cv2.VideoCapture(0)`	打开摄像头
`cv2.minAreaRect(cnt)`	获取最小旋转外接矩形，返回中心点、宽高、角度
`cv2.boxPoints(rect)`	把旋转矩形转为四个顶点坐标，用于绘制
`cap.release()`	释放摄像头资源
`waitKey(1)`	画面刷新，监听按键

七、高频踩坑清单

minAreaRect 角度范围是 [-90,0)，不要直接当成 0~90° 使用，做角度闭环控制时一定要做转换；
摄像头画面镜像：如果需要镜像，frame = cv2.flip(frame,1)；
HSV 阈值受光照影响极大，强光、暗光下同一颜色阈值会失效，工程上要做曝光补偿；
目标重叠：多个色块贴在一起时轮廓会合并，需要额外做分割；
资源释放：程序异常退出时摄像头可能被占用，需要手动释放或者重启终端；
轮廓筛选阈值不能固定死：目标远近变化，像素面积会跟着变化；
掩码不干净，优先调形态学核，而不是单纯加大面积阈值，否则小目标会被误过滤。

八、系列复盘：从像素到目标定位的完整学习路线

所有章节走下来，整套 OpenCV Python 系列其实是一条非常清晰的递进路线，可以分成四个阶段：

基础操作阶段：图像读取、显示、保存，像素访问，ROI 裁剪，颜色空间转换，绘图基础。这一阶段解决的是“怎么把图像读进来、怎么在图上画东西”。
图像增强阶段：均值滤波、高斯滤波、中值滤波、双边滤波，直方图均衡化，阈值分割。这一阶段解决的是“怎么让图像更干净、目标更突出”。
形态学与轮廓阶段：腐蚀膨胀、开闭运算、梯度与顶帽黑帽，findContours、contourArea、boundingRect、minAreaRect、形状特征与圆形度。这一阶段解决的是“怎么从二值图里把目标抠出来并量化描述”。
综合实战阶段：颜色目标追踪、形状识别、多条件筛选、实时视频流处理。这一阶段解决的是“怎么把零散 API 串成一条能跑起来的流水线”。

回头看，本章这条流水线里的每一个环节，都能在前面某一章找到出处。这也是学习 OpenCV 最有效的方式：不要孤立地记 API，而是记住它在流水线里的位置和作用。当你遇到新需求时，先想清楚它属于流水线的哪一步，再去查对应章节的 API，效率会高很多。