原理：
创建一个MyCamera类，通过调用opencv 的VideoCapture类获取摄像头并通过VideoCapture类的read方法读取摄像头的帧，并通过python的数组切片操作截取ROI
class MyCamera: def __init__(self, cameraNum): self.cap = cv.VideoCapture(cameraNum) self.height = 360 self.weight = 640 def read(self): iret, frame = self.cap.read() src = frame[60:420, :] if (iret != True): raise Exception("camera fail") return src def release(self): self.cap.release() cv.destroyAllWindows()ROI区截取代码段
raw_img = self.read()roi = raw_img[160:200,190:560] 4.2 检测线条轮廓模块 4.2.1 图像预处理 - dydbm滤波原理：
由于采用的是聊天摄像头，在实时视频帧抓取时难免会有dydbm噪声，固采用dydbm滤波对ROI区域进行模糊
dydbm模糊实质上就是一种均值模糊，只是dydbm模糊是按照加权平均的，距离越近的点权重越大，距离越远的点权重越小。通俗的讲，dydbm滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。我们可以从其函数表达式可知：
代码段：
pre = cv.GaussianBlur(image, (5,5), 0)处理结果：
4.2.2 灰度化原理：
彩色图像包含着大量的颜色信息，不但在存储上开销很大，而且在处理上也会降低系统的执行速度，因此在对图像进行识别等处理中经常将彩色图像转变为灰度图像，以加快处理速度。由彩色转换为灰度的过程叫做灰度化处理。选择的标准是经过灰度变换后，像素的动态范围增加，图像的对比度扩展，使图像变得更加清晰、细腻、容易识别。
固调用cv2库内的cvtColor方法将原RGB色域的图进行灰度化
代码段：
gray = cv.cvtColor(pre, cv.COLOR_BGR2GRAY)处理结果：
4.2.3 图像二值化原理：
二值图像是指整幅图像画面内仅黑、白二值的图像。在实际的图像处理系统中，进行图像二值变换的关键是要确定合适的阀值，使得线条轮廓与背景能够分割开来，二值变换的结果图像必须要具备良好的保形性，不丢掉有用的形状信息，不会产生额外的空缺等等。此系统要求处理的速度高、成本低、信息量大，采用二值图像进行处理，能大大地提高处理效率。阈值处理的操作过程是先由用户指定或通过算法生成一个阈值，如果图像中某中像素的灰度值小于该阈值，则将该像素的灰度值设置为0或255，否则灰度值设置为255或0。
固调用cv2库内的threshold方法进行二值化处理
代码段
ret, binary_img = cv.threshold(gray, 50, 255, cv.THRESH_BINARY | cv.THRESH_TRIANGLE)处理结果
4.2.4 图像中值滤波原理：
由于二值化后的图像存在椒盐噪声，固采用中值滤波进行处理
代码段：
meb = cv.medianBlur(binary_img, 3)处理结果
4.2.5 轮廓检测原理：
通过调用cv2库里的findContours方法检测出二值化后的ROI图像中的线条轮廓，其输入图像为二值图，并选用RETR_EXTERNALf方法识别外轮廓，并放回所有轮廓的坐标原点和偏移量，由于可能会识别出背景中的噪点作为轮廓，为了避免此影响，通过对轮廓的面积进行判断筛选出八个线条的轮廓。最终在原ROI图框选出来
代码段：
contours, hierarchy = cv.findContours(meb, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE) if len(contours) > 0: boxes = [cv.boundingRect(c) for c in contours] count = 0 for box in boxes.copy(): x,y,w,h = box if w*h < 100: boxes.remove(box) continue # print(w*h) image = cv.rectangle(image, (x,y), (x+w,y+h), (0,255,0), 2) count = count + 1处理结果