raise Exception(("Contours tuple must have length 2 or 3, "
"otherwise OpenCV changed their cv2.findContours return "
"signature yet again. Refer to OpenCV’s documentation "
“in that case”))
return cnts
def resize(image, width=None, height=None, inter=cv2.INTER_AREA):
dim = None
(h, w) = image.shape[:2]如果高和宽为None则直接返回
if width is None and height is None:
return image检查宽是否是None
if width is None:
计算高度的比例并并按照比例计算宽度
r = height / float(h)
dim = (int(w * r), height)高为None
else:
计算宽度比例，并计算高度
r = width / float(w)
dim = (width, int(h * r))
resized = cv2.resize(image, dim, interpolation=inter)return the resized image
return resized
grab_contours 对于opencv不同版本做了兼容处理。
resize等比例改变图片的大小。
命令行参数
ap = argparse.ArgumentParser()
ap.add_argument(“-v”, “–video”, help=“path to video”)
ap.add_argument(“-b”, “–buffer”, type=int, default=64, help=“max buffer size”)
args = vars(ap.parse_args())绿色树叶的HSV色域空间范围
greenLower = (29, 86, 6)
greenUpper = (64, 255, 255)
pts = deque(maxlen=args[“buffer”])
vs = cv2.VideoCapture(0)
fps = 30 #保存视频的FPS，可以适当调整
size=(600,450)
fourcc=cv2.VideoWriter_fourcc(*‘XVID’)
videowrite=cv2.VideoWriter(‘output.avi’,fourcc,fps,size)定义参数
–video ：视频文件的路径或者摄像头的id
–buffer 是 deque 的最大大小，它维护我们正在跟踪的球的先前 (x, y) 坐标列表。 这个双端队列允许我们绘制球的“轨迹”，详细说明它过去的位置。 较小的队列将导致较短的尾部，而较大的队列将产生较长的尾部
定义hsv空间的上限和下限
启动摄像头0
最后是保存定义VideoWriter对象，实现对视频的写入功能
while True:
ret_val, frame = vs.read()
if ret_val is False:
break
frame = resize(frame, width=600)通过高斯滤波去除掉一些高频噪声，使得重要的数据更加突出
blurred = cv2.GaussianBlur(frame, (11, 11), 0)
将图片转为HSV
hsv = cv2.cvtColor(blurred, cv2.COLOR_BGR2HSV)
inRange的作用是根据阈值进行二值化:阈值内的像素设置为白色(255)，阈值外的设置为黑色(0)
mask = cv2.inRange(hsv, greenLower, greenUpper)
腐蚀(erode)和膨胀(dilate)的作用:
1. 消除噪声;
2. 分割(isolate)独立的图像元素，以及连接(join)相邻的元素;
3. 寻找图像中的明显的极大值区域或极小值区域
mask = cv2.erode(mask, None, iterations=2)
mask = cv2.dilate(mask, None, iterations=2)开启一个循环，该循环将一直持续到 (1) 我们按下 q 键，表明我们要终止脚本或 (2) 我们的视频文件到达终点并用完帧。
读取一帧，返回两个参数，第一个参数是否成功，第二个参数是一帧图像。
如果失败则break。
对图像进行了一些预处理。首先，我们将框架的大小调整为 600 像素的宽度。缩小帧使我们能够更快地处理帧，从而提高 FPS（因为我们要处理的图像数据更少）。然后我们将模糊框架以减少高频噪声，并使我们能够专注于框架内的结构物体，例如球。最后，我们将帧转换为 HSV 颜色空间。
通过调用 cv2.inRange 处理帧中绿球的实际定位。首先为绿色提供下 HSV 颜色边界，然后是上 HSV 边界。 cv2.inRange 的输出是一个二进制掩码，
寻找轮廓，不同opencv的版本cv2.findContours返回格式有区别，所以调用了一下imutils.grab_contours做了一些兼容性处理
cnts = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = grab_contours(cnts)
center = None
only proceed if at least one contour was found
if len(cnts) > 0:做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。
别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。
我先来介绍一下这些东西怎么用，文末抱走。
