3、目标检测基础：颜色空间转换（RGB/HSV）、阈值分割、轮廓提取与筛选

做视觉追踪，第一步就是让机器「看见」目标。但摄像头拍下来的原始图像，说白了就是一串数字——RGB的数值。你想想看，如果让你在RGB空间里找一块红色积木，是不是很头疼？因为光照一变，R、G、B三个值全在跳。我刚开始做项目时就被这个坑过，后来才明白，得换个颜色空间。

3.1 颜色空间转换：从RGB到HSV

RGB是给显示器看的，不是给算法用的。HSV（色调Hue、饱和度Saturation、明度Value）才是更适合做颜色分割的空间。为什么呢？因为HSV把「颜色是什么」和「颜色有多亮」分开了。

举个例子：一个红色苹果，在强光下RGB可能是(200,30,20)，在弱光下变成(100,15,10)。但在HSV空间里，H值基本不变，都是0度附近。这就是我偏爱HSV的原因——对光照变化更鲁棒。

转换公式其实不复杂，但每次手写容易出错。我个人习惯直接用OpenCV的函数：

import cv2
import numpy as np

# 读取图像
img = cv2.imread('target.jpg')
# BGR转HSV（注意OpenCV默认是BGR顺序）
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

嗯，这里要注意：OpenCV里默认通道顺序是BGR，不是RGB。我第一次用的时候就搞反了，结果分割出来的颜色完全不对。后来我养成了一个习惯——每次转换前先用cv2.split()看一眼通道顺序。

3.2 阈值分割：把目标从背景里抠出来

有了HSV图像，下一步就是设定阈值，把目标区域变成白色，背景变成黑色。说白了就是二值化。

比如我要追踪一个蓝色小球，我会先标定它的H值范围。我建议的做法是：

1. 拍一张包含目标的图像
2. 用鼠标取几个点的HSV值
3. 观察H值的波动范围，适当放宽10-20个单位

代码实现很简单：

# 设定蓝色的HSV范围
lower_blue = np.array([100, 50, 50])
upper_blue = np.array([130, 255, 255])

# 生成二值掩码
mask = cv2.inRange(hsv, lower_blue, upper_blue)

这里有个坑：H值在OpenCV里是0-180，不是0-360。我曾经在项目里直接用0-360的范围，结果分割出来的区域全是黑的。排查了半天才发现是范围问题。

阈值分割后，图像上会有很多噪点。我一般会用形态学操作处理一下：

# 先腐蚀再膨胀，去除小噪点
kernel = np.ones((5,5), np.uint8)
mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)

3.3 轮廓提取：找到目标的边界

二值图像有了，接下来要提取轮廓。OpenCV的findContours函数是主力工具。我记得第一次用的时候，被它的返回值搞晕了——不同版本的OpenCV返回值还不一样。

现在统一用这种方式：

# 提取轮廓
contours, hierarchy = cv2.findContours(
    mask, 
    cv2.RETR_EXTERNAL,  # 只提取最外层轮廓
    cv2.CHAIN_APPROX_SIMPLE  # 压缩轮廓点
)

参数选择有讲究：

• RETR_EXTERNAL：只取最外层轮廓。如果你只关心目标的外边界，这个最合适。
• RETR_TREE：提取所有层级轮廓。当目标内部有空洞时用这个。
• CHAIN_APPROX_SIMPLE：压缩水平、垂直、对角线方向的点，只保留端点。节省内存。

3.4 轮廓筛选：去伪存真

提取出来的轮廓可能很多——有目标、有噪点、有背景干扰。怎么找到真正的目标？我一般用三个指标筛选：

筛选指标	计算方法	典型阈值
面积	cv2.contourArea(contour)	大于100像素
周长	cv2.arcLength(contour, True)	大于50像素
宽高比	外接矩形的宽/高	0.5 ~ 2.0

实际代码中我会这样写：

valid_contours = []
for cnt in contours:
    area = cv2.contourArea(cnt)
    if area < 100:
        continue  # 面积太小，跳过
    
    # 计算外接矩形
    x, y, w, h = cv2.boundingRect(cnt)
    aspect_ratio = w / h
    if aspect_ratio < 0.5 or aspect_ratio > 2.0:
        continue  # 形状太奇怪，跳过
    
    valid_contours.append(cnt)

我曾经在一个项目中追踪圆形零件，结果总是把螺丝刀头也识别进来。后来加了「圆形度」指标——4 * pi * area / (perimeter^2)，接近1的才是圆。这才把问题解决。

3.5 本章知识体系

下面这张图总结了颜色分割的完整流程。你可以把它当作一个检查清单——每次做目标检测时，按这个步骤走一遍，基本不会漏掉关键环节。

这套流程我用了很多年，从简单的颜色追踪到复杂的多目标检测，核心逻辑都没变过。你想想看，不管目标多复杂，第一步永远是「把目标从背景里分离出来」。颜色分割就是最直接、最快速的方法。

当然，它也有局限——如果目标和背景颜色相近，或者光照剧烈变化，HSV阈值就不够用了。那时候我会考虑用机器学习的方法。不过那是后面章节的内容了，先把基础打牢再说。

好，这一章就到这里。记住这个流程，下一章我们会在这个基础上加入运动预测，让追踪更平滑、更稳定。

---

公众号:蓝海资料掘金营，微信deep3321