忘关烤箱了？我用 Python 和 OpenCV 来帮忙！
这篇文章应用计算机视觉和图像处理技术，展示了检测烤箱开关状态的过程。在生活中，有时你会粗心大意忘关烤箱之类的厨房电器，这潜在很大的危险。因此作者采用 Python 和 OpenCV，通过家庭摄像头获取的图像来自动识别烤箱是否开着，进而可以触发警报。
“我忘关烤箱了吗？”
这个问题常常会在最不方便的时候出现在你的脑子里。
有时是当你刚刚走出家门的时候。 有时是当你在上班路上的时候。 有时是当你坐在飞机上准备度个长假的时候……
解决这个问题的方法是多种多样的：
- 橡皮筋的方法
- 大声说或唱出来（就像 Samuel L. Jackson 一样）
- 当你离开家去度假的时候，给烤箱在内的电器列个清单或做个标记。 或者，我们也许有更好的做法……
在本教程中，我们会尝试利用技术手段解决这个问题。
Github 里有完整代码。
问题定义
对我们而言，我们需要确定一个信号，用于判断烤箱的开关状态。在我的厨房里，这个信号就是顶部标记着“烤箱开”字样的红色灯。
当红色灯亮的时候，烤箱是开着的：
当红色灯灭的时候，烤箱是关着的：
预备条件
确保你的电脑上安装了以下应用：
- OpenCV 3.0
- Python 2.7
- Numpy 1.9
安装 OpenCV3.0 和 Python 2.7
如果你尚未安装 OpenCV，请按照 Adrian Rosebrock 的完美教程，在 OSX 系统上安装 OpenCV 3.0 和 Python 2.7+。我在安装步骤里增加了一些自己的注释，以防你在 OSX 上编译 OpenCV 3.0时遇到问题。
步骤
如果你已经成功在你的环境中安装了 OpenCV，我们就可以开始判断烤箱开关的数据分析了。
加载需要的包
- argparse —— 参数处理库。
- numpy —— 高度优化的数值运算库。OpenCV 在数组结构中使用 numpy。
- cv2 —— OpenCV 中图像处理库。
Python
import argparse import numpy as np import cv2
import argparse import numpyas np import cv2</div>
载入图片
Python
image = cv2.imread(image_path)
image = cv2.imread(image_path)</div>
图片降噪
我们为了给图片降噪，需要对输入图片进行平滑处理。这样会更容易在图片中定位目标。使用 medianBlur 函数，把光圈大小定为 3 。数字越大意味着图像会越模糊。
Python
blur_image = cv2.medianBlur(image, 3)
blur_image = cv2.medianBlur(image, 3)</div>
把图片颜 色转为 HSV 格式
HSV —— 色度、饱和度和纯度（亮度）。HSV 可以让我们提取出一个彩色对象，因为它比 BGR 格式（译者注：与我们常说的RBG色彩模型类似，三个字母分别代表红蓝绿三色）更容易表征颜色。
把图片转为 HSV 格式可以让我们通过色度（一个值而不是三个值），来确定图片中的一个颜色。
以下是实现方式：
Python
hsv_image = cv2.cvtColor(blur_image, cv2.COLOR_BGR2HSV)
hsv_image = cv2.cvtColor(blur_image, cv2.COLOR_BGR2HSV)</div>
执行结果如下图：
检测图 片中的颜色
为了检测我们想要的颜色，我们可以查看烤箱灯图片中颜色的直方图。
我们可以看出，红色在图片中占统治地位。红色有两个高峰 —— 一个幅度高，一个幅度低。这些颜色值转变为色度范围从 0 到10，以及从 160 到 180 （针对红色）。
在 HSV 图片中针对每一个色度范围，我们可以创建一个遮罩，来去掉所有不在选定范围的无关颜色。
Python
def create_hue_mask(image, lower_color, upper_color): lower = np.array(lower_color, np.uint8) upper = np.array(upper_color, np.uint8) # Create a mask from the colors mask = cv2.inRange(image, lower, upper) output_image = cv2.bitwise_and(image, image, mask = mask) return output_image # Get lower red hue lower_red_hue = create_hue_mask(hsv_image, [0, 100, 100], [10, 255, 255]) # Get higher red hue higher_red_hue = create_hue_mask(hsv_image, [160, 100, 100], [179, 255, 255])
def create_hue_mask(image, lower_color, upper_color): lower = np.array(lower_color, np.uint8) upper = np.array(upper_color, np.uint8) # Create a mask from the colors mask = cv2.inRange(image, lower, upper) output_image = cv2.bitwise_and(image, image, mask = mask) return output_image # Get lower red hue lower_red_hue = create_hue_mask(hsv_image, [0, 100, 100], [10, 255, 255]) # Get higher red hue higher_red_hue = create_hue_mask(hsv_image, [160, 100, 100], [179, 255, 255])</div>
结果如下：
接下来把这些图片合并在一起，以抓取所有红色色度。
Python
full_image = cv2.addWeighted(lower_red_hue, 1.0, higher_red_hue, 1.0, 0.0)
full_image = cv2.addWeighted(lower_red_hue, 1.0, higher_red_hue, 1.0, 0.0)</div>
结果如下：
发现图片中的圆圈
现在我们的图片上仅有红色色度，接着我们需要判定红灯是否开启（即是否存在红色色度的那个圆圈）。我们需要在新图中发现圆圈，不过首先需要把图片转换成灰度图（因为 HoughCircles 函数的输入要求是灰度图）。
检测图片中的圆圈需要以下参数（使用 OpenCV中 的 HoughCircles 函数）：
- 灰度图输入。
- HOUGH_GRADIENT 是用来检测圆圈的方法（目前仅有的一个方法）。
- 累加器和图片分辨率的反比。在本例中，为1.2。
- 待检测圆圈圆心的最小距离，本例中为100。
Python
#Convert image to grayscale image_gray = cv2.cvtColor(full_image, cv2.COLOR_BGR2GRAY) #Find circles in the image circles = cv2.HoughCircles(image_gray, cv2.HOUGH_GRADIENT, 1.2, 100)
#Convert image to grayscale image_gray = cv2.cvtColor(full_image, cv2.COLOR_BGR2GRAY) #Find circles in the image circles = cv2.HoughCircles(image_gray, cv2.HOUGH_GRADIENT, 1.2, 100)
结果
此时就可以检查是否有圆圈了。如果有就意味着至少有一个烤箱灯亮着。如果找不到圆圈就意味着没有灯亮，烤箱关着。
为了证明此结论，我们可以用下述代码在原图中画圆圈：
Python
# Draw the circles on the original image circles = np.round(circles[0, :]).astype("int") for (center_x, center_y, radius) in circles: cv2.circle(image, (center_x, center_y), radius, (0, 255, 0), 4)# Draw the circles on the original image circles = np.round(circles[0, :]).astype("int") for (center_x, center_y, radius) in circles: cv2.circle(image, (center_x, center_y), radius, (0, 255, 0), 4)</div> 结果如下：
下一步
接下来还有很多可以做的，比如：
- 检测特定灯的开启，用以了解烤箱的真实状态。
- 建立一个服务以便远程检查烤箱状态。
- 把该功能加入树莓派（译者注：基于Linux的迷你开发板），我们就拥有可以警告烤箱关闭与否的小型设备。
全部样例代码可以在 Github 中找到。 写于2015年，8月2日
</div>