NVIDIA Jetson Nano 2GB 系列文章（8）：执行常见机器视觉应用

在本系列上一篇文章中，我们为大家展示了如何通过 OpenCV 调用 CSI/USB 摄像头，在本篇文章中，我们将向大家介绍如何执行常见机器视觉应用。

在上一篇文章中，已经简单说明了图像处理与计算机视觉的差异，并且在 Jetson Nano 2GB 上，结合 CSI 摄像头与 JetPack 所提供的 OpenCV 4.1.1 版本，实现了三种最基础的应用。每个 Python 代码都只需要 10+ 行就可以，让大家轻松感受到 Jetson Nano 2GB 的开发便利性。

本篇内容主要是在 Jetson Nano 2GB 上运用 OpenCV，执行三个有特色的计算机视觉应用，这部分会很频繁的运用到色彩空间（color space）转换技巧，在 OpenCV 上只需要一道“cv2.cvtColor()”指令就可以实现，非常简单。

接下来就开始本文的实验内容。

追踪特定颜色物件

本范例追踪“绿色”物体，执行步骤如下：

1. 先找出“绿色”的 HSV 颜色范围，本处定在[50,100,100]至[70,255,255]
2. 将读入的图像（frame）透过 cv2.cvtColor() 转成 HSV 格式，存到 hsv 变量
3. 用 cv2.inRange() 函数找出 hsv 的掩码，存到 mask 变量
4. 用 cv2.bitwize_and() 函数将 frame 与 mask 进行 AND 计算，过滤掉“非绿”部分，将结果存到 detect 变量
5. 将原图（frame）、掩码（mask）与结果（detect) 显示在画面上

执行结果如下：

边缘检测（Edge Detection）

执行步骤如下：

1. 这个计算必须将图像转成灰度图像，才能计算出每个物件的边缘线条
2. 将读入的图像（frame）透过 cv2.cvtColor 转成 HSV 灰度图像，存到 hsv 变量
3. 为了降低图形的噪点，因此需要将 HSV 灰度图进行高斯模糊（降噪）处理，直接调用 cv2.GaussianBlur() 函数进行转换，将图像存到 blur 变量中
4. 最后调用 cv2.Canny() 函数为 blur 图像找出边际线条，存入 edges 变量中
5. 为了显示过着中所有图像，因此先将每张图像都调整尺寸为(640,480),然后执行三次 np.concatenate() 函数，将四张图像集成为一张，便于显示。
   

执行结果如下：

人脸追踪+眼睛追踪

这个代码调用 OpenCV 自带的 HaarCascade 算法分类器，调用方式也很简单，需要指定脸部分类器（classifier）的位置，在 /usr/local/share/opencv4/haarcascades 下面，里面提供将近 20 种分类器，可以按照需求变更。

这个范例也将“眼睛”识别分类器放进去，并且嵌套在脸部识别的循环里面，因为眼睛一定在脸里面，这样可以做的更丰富些。

详细代码如下：

执行结果如下：蓝色框代表找到的“脸”，绿色框表示“眼睛”。