### Linux 系统中使用 Python 实现绿色跑道识别、规避白色边界及红色固定色标追踪功能 在 Linux 环境下，可以利用 OpenCV 和 NumPy 库来实现图像处理任务中的绿色跑道识别、白色边界的规避以及红色固定色标的追踪。以下是详细的解决方案。 --- #### 1. 图像预处理 为了检测绿色跑道区域并规避白色边界，需要加载图像并对颜色通道进行分离与过滤。 ```python import cv2 import numpy as np def preprocess_image(image_path): image = cv2.imread(image_path) hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) # 将 BGR 转换为 HSV 色彩空间 # 定义绿色范围 lower_green = np.array([35, 43, 46]) upper_green = np.array([77, 255, 255]) green_mask = cv2.inRange(hsv, lower_green, upper_green) # 提取绿色部分[^1] # 定义白色范围 lower_white = np.array([0, 0, 221]) upper_white = np.array([180, 30, 255]) white_mask = cv2.inRange(hsv, lower_white, upper_white) # 排除白色边缘[^1] combined_mask = cv2.bitwise_and(green_mask, ~white_mask) # 合并掩码以保留绿色并排除白色 result = cv2.bitwise_and(image, image, mask=combined_mask) return result, combined_mask ``` --- #### 2. 红色固定色标追踪 通过设定固定的 HSV 颜色范围筛选特定颜色的目标对象，并实时跟踪其位置变化。 ```python def track_red_fixed_color_object(frame, red_color_range): hsv_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) mask = cv2.inRange(hsv_frame, *red_color_range) # 根据给定的红色颜色范围生成掩膜 contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2:] # 寻找轮廓 if len(contours) > 0: c = max(contours, key=cv2.contourArea) # 获取最大面积的轮廓 ((x, y), radius) = cv2.minEnclosingCircle(c) # 计算最小外接圆 if radius > 10: # 如果半径大于一定数值，则认为找到目标 center = (int(x), int(y)) cv2.circle(frame, center, int(radius), (0, 255, 0), 2) # 绘制圆形标记 return frame ``` 调用此函数时传入对应的红色 HSV 色彩区间参数即可完成该颜色物体的位置定位任务。 --- #### 3. 整合流程 将以上两个模块组合起来形成完整的流水线逻辑链路；同时考虑到实际应用环境可能存在光照条件波动等因素的影响，在必要情况下还可以加入额外校正机制如自适应直方均衡化等手段提升整体鲁棒性和准确性表现水平。 ```python if __name__ == "__main__": cap = cv2.VideoCapture('runway.mp4') # 替换为您自己的视频文件路径或者摄像头索引号0表示默认设备 while True: ret, frame = cap.read() if not ret: break processed_img, mask = preprocess_image(frame.copy()) tracked_result = track_red_fixed_color_object(processed_img, ([lower_red], [upper_red])) # 设置红色目标颜色范围 cv2.imshow("Processed Image", tracked_result) if cv2.waitKey(1) & 0xFF == ord('q'): break cap.release() cv2.destroyAllWindows() ``` --- #### 注意事项 - 对于复杂背景下的精确分割可能还需要结合机器学习模型进一步增强特征提取能力。 - 在部署阶段考虑硬件加速选项如 GPU 支持能够显著提高运算效率满足实时性需求。 --- ###