简介一套面向计算机视觉初学者的OpenCV-Python小球检测与颜色分类代码包使用形状轮廓检测与色彩模型完成视频中小球的实时定位和颜色区分并在画面上绘制类似YOLO风格的标注框。适用于学习OpenCV图像处理、轮廓提取及HSV颜色空间的实践场景也适合作为入门级项目参考。资源包共3个文件包含一个可直接运行的Python脚本、一张效果示意图和一个mp4测试视频压缩包约320KB体量轻巧简单配置环境即可调试运行。脚本为作者亲测通过的原创实现核心流程涵盖使用HSV色彩空间对目标颜色进行筛选、通过轮廓查找与形状分析定位小球位置以及绘制标注框与颜色信息等环节配合测试视频可直观看到每一步的实际效果。目前已有1871人学习下载可作为理解传统视觉检测思路的实用样例。1. 从一颗小球的追踪说起OpenCV 颜色检测到底在解决什么问题一条输送带上有红、蓝、绿三种颜色的塑料小球匀速滚过相机对着传送带拍视频程序需要实时告诉机械臂「下一颗是蓝色球28 帧后到抓取位」——这是我在一个分拣 demo 里被问过很多次的场景也是 opencv-python 做视频小球及颜色检测最典型的需求。它把三件看似简单的事串在一起从视频流里稳定取帧、用颜色把目标从背景里分离出来、再定位小球并持续给出坐标。难点不在 OpenCV 本身而在光照一变阈值就失效、球一动轮廓就糊、多球同时出现时怎么区分。这篇文章按我实际做过的路径来讲环境怎么搭、为什么颜色检测一定要转 HSV、球检测用轮廓还是霍夫圆、踩过哪些坑最后把单路视频换成推拉流摄像头也能跑。适合正在做视觉分拣、机器人抓取、运动轨迹分析或毕业设计的同学直接照着复现。2. 先把环境和视频流搞定OpenCV 版本选型与 VideoCapture 取帧2.1 opencv-python 版本选型3.4.1.15 为什么是经典4.x 为什么是常态网上搜 opencv-python 的安装包时经常会看到 opencv-python3.4.1.15 这种精确到补丁版本的指定写法。这个版本被很多人记住是因为它自带 SIFT、SURF 等专利算法的最后一版往后这些算法被移到了 opencv-contrib-python 里。但对咱们这种只做颜色检测和轮廓分析的需求来说3.4.1.15 和 4.x 在 API 上没有本质区别findContours、inRange、HoughCircles 这些函数签名完全兼容。我一般建议新项目直接上 4.x 的最新稳定版理由有三个一是 4.x 对 Python 3.8 以上的支持更好老版本在新解释器上可能编译失败二是视频解码层面 4.x 对 H.264/H.265 的处理更完整很多摄像头推的是压缩流老版本会出现花屏或打不开三是后续如果要做模型推理4.x 的 DNN 模块更成熟。安装方式就一条命令建议用虚拟环境别往系统 Python 里硬塞python -m venv venv source venv/bin/activate # Windows 下执行 venv\Scripts\activate pip install opencv-python numpy装完验证一下python -c import cv2; print(cv2.__version__)这里有个小坑安装 opencv-python 时它不会自动帮你装 numpy而 numpy 是所有图像数组操作的基础。虽然 pip 通常会把 numpy 作为依赖一起装上但如果你之前手动装过旧版 numpy可能会导致 OpenCV 报module cv2 has no attribute Mat之类的玄学错误。遇到这种情况先pip install -U numpy再试。另外Ubuntu 无桌面服务器上如果 import cv2 报libGL.so.1: cannot open shared object file那是缺图形库执行apt-get install -y libgl1 libglib2.0-0就好。提示给模型训练做数据采集时项目里最好用pip freeze requirements.txt把版本锁住。颜色检测对 OpenCV 主版本不敏感但对 numpy 版本敏感锁定能防止队友在一个月后环境莫名其妙跑不起来。2.2 从摄像头和视频文件统一取帧的最小代码VideoCapture 是 OpenCV 里统一接管「视频源」的黑匣子传整数表示摄像头索引传字符串表示本地文件路径或推拉流地址。不管是哪种来源取帧方式完全一样这个抽象做得很干净。下面这段是读取本地视频并逐帧显示的完整骨架也是后续做颜色检测的主循环import cv2 cap cv2.VideoCapture(demo.mp4) if not cap.isOpened(): print(无法打开视频检查路径或编码格式) exit(1) while True: ret, frame cap.read() if not ret: break # 视频读完了 cv2.imshow(frame, frame) # 按 ESC 退出waitKey 的参数是等待毫秒数 key cv2.waitKey(30) if key 27: break cap.release() cv2.destroyAllWindows()逻辑说明isOpened()必须判断因为文件路径写错或摄像头被占用时read()会一直返回False脚本就卡死在那里。read()返回两个值——ret是布尔型表示这一帧是否读取成功frame是三维 numpy 数组形状为(高, 宽, 3)颜色顺序是 BGR 而不是 RGB这是初学者第一个容易踩的点。waitKey(30)既控制显示帧率又负责把键盘事件喂给窗口——如果把参数设为 1000 毫秒视频就会变成幻灯片设为 1视频播放会明显加速。把视频文件换成摄像头只需要改动一行cap cv2.VideoCapture(0) # 0 是默认摄像头索引参数说明摄像头是多路设备时索引从 0 开始依次递增笔记本内置摄像头一般是 0外接 USB 摄像头可能是 1具体看ls /dev/video*Linux或设备管理器Windows。如果摄像头被 OBS 或微信占用isOpened()会返回 False进程必须退出才能释放占用。2.3 处理帧率和分辨率为什么 VideoCapture 的 set 有时像玄学摄像头采集的视频是固定帧率的但 OpenCV 的cap.read()是阻塞式的——这一帧没从摄像头拿回来代码就不会往下走所以实际处理速度可能跟不上采集帧率。这会带来一个直接后果CPU 占用很高但视频看着还是卡。更隐蔽的问题是cap.set()设置摄像头参数时经常不生效比如cap cv2.VideoCapture(0) cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) cap.set(cv2.CAP_PROP_FPS, 30) print(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) # 可能还是 1280原因在于摄像头固件对分辨率有枚举列表640x480 不在列表里时 set 会静默失败。解决思路是先用cap.get()读出来看支持什么或者干脆在读取之后做一次 numpy 缩放frame cv2.resize(frame, (640, 480), interpolationcv2.INTER_NEAREST)INTER_NEAREST 是最近邻插值速度最快对检测任务来说逐像素的颜色分析用 NEAREST 反而不会引入新颜色cv2.INTER_LINEAR会在边缘产生渐变色可能让阈值判断出现意外的误检。调低分辨率能显著提升处理速度因为每个像素都要过一遍颜色判断像素数量直接决定耗时。3. 颜色的正确打开方式BGR 转 HSV 与 inRange 阈值分割3.1 为什么 RGB 空间做不了颜色检测三个通道耦合是硬伤做视频小球颜色检测时新手最容易犯的错是直接在 BGR 三通道上做范围判断。比如认为「红色就是 B 值小于某个数且 R 值大于某个数」然后在真实视频里发现光线一晃同一个红球在不同帧里的 BGR 值差了上百。原因很简单BGR 的三通道都包含亮度信息光照变化时三个数一起变阈值很难卡在一个稳定区间。HSV 颜色空间把「颜色」和「亮度」解耦了这就是它成为图像颜色检测标准做法的原因。HHue是色相OpenCV 里范围是 0 到 179代表颜色的本质SSaturation饱和度范围 0 到 255代表颜色鲜艳程度VValue明度范围 0 到 255代表亮暗。检测目标颜色时我们主要卡 H 和 S 的区间V 不设下限或设一个很宽松的下限等于告诉算法「颜色对就行暗一点亮一点无所谓」。转换就一行hsv cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)注意 OpenCV 的 H 范围是 0-179和很多图像处理书里写的 0-360 不一样。如果你在其他地方查到「红色的 H 是 0-60」照搬到 OpenCV 里就会整段失效。网上搜颜色阈值表时也经常看到有人把 360 制的数值直接填进来这就是为什么新手的阈值「看起来对但检测就是空」。3.2 常用颜色对应的 HSV 参考区间表下面是我在实际场景里反复调整后总结出来的参考区间不是标准答案但作为起点足够。做项目时先按这个表跑一遍再微调 S 和 V 的上下限比从零瞎试快得多颜色H 下限H 上限S 下限S 上限V 下限V 上限备注红色0 或 15610 或 1808025540255红色在 0-10 和 170-180 两段需分别检测再合并橙色11258025540255接近黄红S 高时更稳定黄色26348025540255光线强时 V 偏高可适当放宽 V 上限绿色35858025540255荧光绿在 H60 左右深绿在 H80 左右蓝色861288025540255深蓝需提高 V 下限否则和黑色区分不开紫色1291558025540255包含品红实际项目里少见红色是最特殊的一个它的色相在色环上是一个环形两端都叫红中间是紫。如果你只取 0-10暗红或偏紫的红球就丢了只取 156-180亮红又丢了。正确做法是生成两个掩膜再求并集。3.3 用 inRange 生成掩膜并进行形态学去噪HSV 阈值分割的核心是cv2.inRange输入任意数组和上下界输出一张二值图像素落在区间内就是白色255区间外就是黑色0。有了这个掩膜后续找轮廓、计算面积就全在二值图上操作了。import cv2 import numpy as np cap cv2.VideoCapture(demo.mp4) # 蓝色小球的 HSV 区间先从表里取值后续用调参工具微调 lower_blue np.array([86, 80, 40]) upper_blue np.array([128, 255, 255]) while True: ret, frame cap.read() if not ret: break hsv cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) mask cv2.inRange(hsv, lower_blue, upper_blue) # 开运算先腐蚀再膨胀去掉小噪点和孤立像素 kernel cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) mask cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel) # 闭运算先膨胀再腐蚀把球内部的空洞填上 mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel) cv2.imshow(mask, mask) cv2.imshow(frame, frame) key cv2.waitKey(30) if key 27: break cap.release() cv2.destroyAllWindows()逻辑说明inRange的输入范围是[lower, upper]三个通道分别对应 H、S、V。这里最容易出错的是 numpy 数组的 dtype——low 和 up 必须是如np.uint8类型写成 Python 列表其实也能工作但明确写成np.array([...])能避免后续在cv2.bitwise_and或统计计算时出现类型隐式转换问题。形态学操作为什么必要因为相机传感器噪声和压缩伪影会让二值图上出现大量零星白点直接找轮廓时这些小白点会被当成目标。MORPH_OPEN是腐蚀再膨胀能消除小于结构元素尺寸的噪声点MORPH_CLOSE是膨胀再腐蚀能把球表面的高光反光——也就是掩膜内部的小黑洞——重新填上。结构元素选MORPH_ELLIPSE而不是矩形是因为椭圆更接近小球边缘处理完的边缘更圆后续圆拟合误差更小。提示morphologyEx的 kernel 大小要和小球的图像大小匹配。5x5 对应 640x480 分辨率下直径约 50 像素的目标如果你的球只有 10 个像素5x5 的 kernel 会把整个球腐蚀掉。先量一下目标在画面里占多少像素再决定 kernel 尺寸。4. 把小球从掩膜里找出来轮廓分析为主霍夫圆为辅4.1 为什么我不优先用 HoughCircles运动模糊和遮挡会让它翻车很多教程一上来就推 HoughCircles因为接口简单一行就能返回圆心和半径。但我做过几个真实视频项目之后对它的态度是「能用但只适合背景干净、画面静止、球又圆又清晰的场景」。原因有三个一是小球在视频里是运动的运动模糊会让球的轮廓变成竖直方向的椭圆霍夫圆检测对这种形变非常敏感经常漏检二是 HoughCircles 的 param2 参数直接决定误检率调高了漏检、调低了背景里任何圆形纹理都被当成球调试体验极度靠玄学三是小球之间有遮挡时霍夫圆大概率把两个球识别成一个而轮廓分析法能保留多个独立连通域。轮廓法的思路更直接掩膜里白色区域就是一个一个的连通块findContours把它们找出来再用面积、圆度、宽高比过滤掉不是球的干扰。没有先验形状假设运动模糊和轻微变形都能扛住。4.2 findContours 面积过滤 最小外接圆完整检测代码import cv2 import numpy as np cap cv2.VideoCapture(demo.mp4) lower_red1 np.array([0, 80, 40]) upper_red1 np.array([10, 255, 255]) lower_red2 np.array([156, 80, 40]) upper_red2 np.array([180, 255, 255]) # 面积过滤小于这个值的白色区域不认为是球 MIN_AREA 300 while True: ret, frame cap.read() if not ret: break hsv cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) mask1 cv2.inRange(hsv, lower_red1, upper_red1) mask2 cv2.inRange(hsv, lower_red2, upper_red2) mask cv2.bitwise_or(mask1, mask2) # 在掩膜上找轮廓 contours, hierarchy cv2.findContours( mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE ) for cnt in contours: area cv2.contourArea(cnt) if area MIN_AREA: continue # 对每个符合条件的轮廓拟合最小外接圆 (x, y), radius cv2.minEnclosingCircle(cnt) center (int(x), int(y)) radius int(radius) # 画圆在原图上画方便确认检测结果 cv2.circle(frame, center, radius, (0, 255, 0), 2) cv2.putText(frame, red, center, cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) cv2.imshow(result, frame) key cv2.waitKey(30) if key 27: break cap.release() cv2.destroyAllWindows()逻辑说明findContours在 OpenCV 4.x 里返回两个值——contours是轮廓点列表hierarchy是层级关系。第二个参数RETR_EXTERNAL表示只取最外层轮廓这对小球检测很重要如果掩膜内部有小黑洞形成内轮廓EXTERNAL 模式会直接忽略它们避免重复计数。第三个参数CHAIN_APPROX_SIMPLE表示压缩轮廓存储——只保存拐点不保存轮廓上所有点显著节省内存。minEnclosingCircle是轮廓拟合利器它不管轮廓多不规则都能算出能包住它的最小圆。这个圆的圆心比cv2.moments(cnt)算出的质心更贴合「球」的视觉中心半径也大致等于球的图像半径。面积过滤的阈值 MIN_AREA 需要根据球的尺寸调——在 640x480 画面里一个直径 50 像素的球轮廓面积大约 1900 像素阈值设 300 能把树叶、纸屑等小干扰滤掉如果球更小这个值要相应下调。4.3 多种颜色小球同时检测每个颜色独立通道是正确开胃菜做红、蓝、绿三色混合分拣时不能把所有颜色塞进一个 HSV 区间里因为蓝色和红色在 H 轴上离得远取并集的话中间会夹带紫色和品红。正确做法是每种颜色一个 (lower, upper)生成各自的掩膜分别找轮廓画线时用不同颜色标注。color_configs [ {name: red, lower: [0, 80, 40], upper: [10, 255, 255], draw: (0, 0, 255)}, {name: red2, lower: [156, 80, 40], upper: [180, 255, 255], draw: (0, 0, 255)}, {name: blue, lower: [86, 80, 40], upper: [128, 255, 255], draw: (255, 0, 0)}, {name: green,lower: [35, 80, 40], upper: [85, 255, 255], draw: (0, 255, 0)}, ] all_contours [] for cfg in color_configs: lower np.array(cfg[lower]) upper np.array(cfg[upper]) mask cv2.inRange(hsv, lower, upper) contours, _ cv2.findContours( mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE ) for cnt in contours: area cv2.contourArea(cnt) if area MIN_AREA: continue (x, y), r cv2.minEnclosingCircle(cnt) all_contours.append((cfg[name], (int(x), int(y)), int(r)))参数说明红色拆成两个区间是因为 OpenCV 的 H 空间里红色分布在两端合并结果显示时画线颜色用的是 BGR 三原色cv2.circle的第三个参数必须是 (B, G, R) 的顺序——我常看到有人用(255, 0, 0)画红色结果画出来是蓝色因为默认代码习惯写 (R, G, B)。标记和检测结果存在all_contours里后续就可以直接喂给逻辑判断串行分拣该让机械臂抓红色还是蓝色或者统计每个颜色球的数量。4.4 HoughCircles 的适用场景和参数调法当你的视频满足三个条件时霍夫圆还是值得用的背景纯色无纹理、球保持正圆不被遮挡、光照稳定。它的价值在于能直接输出圆的中心和半径不用先做轮廓分析。调用方式也有固定套路gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) gray cv2.medianBlur(gray, 5) # 标准霍夫圆检测 circles cv2.HoughCircles( gray, # 输入必须是单通道图 cv2.HOUGH_GRADIENT, # 只支持梯度法不能选别的 dp1.2, # 分辨率倒数越大越省计算 minDist50, # 两圆圆心最小间距小于此值会被合并 param1100, # Canny 边缘检测高阈值 param230, # 圆心投票阈值越大越严格 minRadius15, # 最小半径像素 maxRadius60 # 最大半径像素 )参数说明minDist必须大于球的半径两倍否则一个球会被检测出多个重叠圆这是误检的第一大来源。param2是控误检最有效的旋钮默认 100 太低背景复杂时满屏是圆我一般从 30 起调误检多就加漏检就减。param1影响 Canny 边缘检测的敏感度太高边缘断裂、圆检测不出来。喂给 HoughCircles 之前做medianBlur非常重要——这函数对椒盐噪声的抑制比高斯模糊好圆边缘不会被噪声打断。霍夫圆对光照变化仍然敏感需要和第 3 章的 HSV 方法结合先用颜色掩膜把背景抹黑再对掩膜做霍夫圆误检率能下降一半以上。5. 实战避坑视频小球颜色检测里的五个典型翻车现场5.1 颜色阈值「看着对」但检测出来是空的现象按颜色表设好 HSV 上下限inRange出来的掩膜几乎全黑球的位置没有白点。 原因最常见的两种情况。第一种是 BGR 顺序问题——cv2.imread和VideoCapture读进来的通道顺序是 BGR但有人按 RGB 直觉填阈值比如把红色的 lower 写成[0, 0, 200]这在 BGR 里对应的是接近黄色的区域。第二种是 H 范围的单位搞错HSV 的 H 在 OpenCV 里是 0-179很多人按色环 0-360 填了 0-180 甚至 0-255导致所有颜色都落在区间外。 解决先写一行调试代码看球的真实 HSV 值——用鼠标点球的区域打印该像素的 BGR 和 HSV。我习惯把这段调试代码留在项目里换光源之后跑一遍就能立刻看出颜色漂到哪个区间。# 调试辅助点击画面打印该点的 BGR 和 HSV def on_mouse(event, x, y, flags, param): if event cv2.EVENT_LBUTTONDOWN: bgr frame[y, x] hsv_v cv2.cvtColor(np.uint8([[bgr]]), cv2.COLOR_BGR2HSV)[0][0] print(fBGR({bgr[0]},{bgr[1]},{bgr[2]}) HSV({hsv_v[0]},{hsv_v[1]},{hsv_v[2]}))5.2 球在画面里跑来跑去检测结果也跟着闪现象球静止时检测稳定一旦运动起来掩膜里球的轮廓面积骤减甚至消失圆心位置在相邻帧间跳来跳去。 原因运动导致球在画面里产生拖影边缘变成半透明的过渡带。拖影区域的颜色是球色和背景色的混合H 值偏离目标区间于是掩膜里球的边缘被「咬掉」一圈轮廓面积缩小minEnclosingCircle拟合出的圆也跟着变小变偏。 解决把morphologyEx的开运算核调小保留更多边缘过渡带同时把 HSV 的 S 下限放宽——运动模糊会拉低饱和度S 下限从 80 降到 40 能找回一部分拖影区域。如果还不行在轮廓面积过滤那里加一个「上一帧面积补偿」如果帧率足够高球在连续帧里的面积不会突变允许面积在上一帧的 ±30% 内波动突变则用上一帧的圆心和半径兜底。5.3 视频播放和处理「卡顿得像幻灯片」CPU 却跑不满现象程序跑起来了窗口里的视频一顿一顿CPU 占用率只有百分之十几。 原因卡顿不一定是处理慢更可能是waitKey参数和帧率不匹配。waitKey(30)意味着每帧之间至少等 30 毫秒对 30fps 的视频差不多正好但你的处理代码如果已经消耗 50 毫秒waitKey再等 30 毫秒总耗时 80 毫秒实际帧率只有 12fps。摄像头视频加载时解码本身就是异步的read()返回的可能是缓冲里的旧帧感知上就会卡。 解决先量化处理耗时用time.time()包住readcvtColorinRangefindContours这一段打印每帧耗时。然后设定一个目标帧率比如 25fps循环里time.sleep(max(0, target_interval - elapsed))补齐时间。如果处理耗时超过 40 毫秒优化顺序是先降分辨率到 320x240再考虑把检测频率降到每 3 帧做一次——很多分拣场景根本不需要每帧都检测30fps 的视频隔帧检测完全够用CPU 开销直接降到三分之一。5.4 HoughCircles 把背景里的圆形物体当成了球现象画面里没有球但程序在背景的灯、水管、甚至反光点上画了圆。 原因霍夫圆本质上是在边缘图上做投票统计任何接近圆形的边缘组合都能得票。背景里一个圆形反光、一个风扇的圆形外壳、甚至阴影的边缘弧度都可能凑够投票阈值。 解决最有效的手段是先用颜色掩膜做前置过滤只对掩膜图做霍夫圆检测背景的圆形纹理已经被 inRange 抹掉了。其次把minRadius和maxRadius收紧到球的真实尺寸范围用cv2.minEnclosingCircle在掩膜上粗略测一次球的半径范围然后填进去。最后是param2——这是我最常调的参数背景杂就加大到 50 以上宁可漏检不可误检。5.5 读取摄像头或 RTSP 流时频繁断流和花屏现象本地视频跑得好好的换成摄像头或网络摄像头地址程序跑几分钟后read()返回 False或者画面出现撕裂的花屏。 原因网络摄像头推流是 UDP 协议丢包时解码器来不及恢复摄像头设备本身缓冲区溢出时也会丢帧。更隐蔽的是cap.read()在断流时会阻塞住整个循环卡死。 解决读取加超时重连机制不要让它干等while True: ret, frame cap.read() if not ret: cap.release() cap cv2.VideoCapture(rtsp_url) time.sleep(2) # 等一下设备恢复 continue # 正常处理花屏问题可以用cv2.CAP_PROP_BUFFERSIZE调小缓冲队列来缓解具体做法在下一章讲推拉流时展开。总之视频流的稳定性问题比算法问题更磨人重连逻辑一定要前置设计好。6. 进阶玩法把本地视频换成 RTSP 推拉流并做多球追踪本地视频文件只是最干净的情况真正生产环境里摄像头通常走 RTSP 推流用 VLC 或 FFmpeg 把视频推到服务器OpenCV 这边用VideoCapture拉流解码。换行代码就能接上rtsp_url rtsp://192.168.1.100:554/stream1 cap cv2.VideoCapture(rtsp_url) # 拉流时建议把缓冲区大小设为 1减小画面延迟 cap.set(cv2.CAP_PROP_BUFFERSIZE, 1)参数说明缓冲区设成 1 意味着每次read()拿到的都是最新一帧而不是积压的旧帧对延迟敏感的分拣场景很有用。代价是网络抖动时更容易拿到坏帧所以配合上一章的断线重连逻辑一起用才稳。RTSP 拉流用 TCP 还是 UDP 通常由设备端配置决定OpenCV 侧无法直接设传输协议——但可以用 VLC 先拉一次流确认地址格式正确能排除「地址写错但被误认为是 OpenCV 问题」的情况。帧率控制方面拉流的实际帧率由推流端决定本地cap.set(CAP_PROP_FPS)基本无效。处理侧想降低负载除了隔帧检测还可以用时间水印判断是否执行检测target_interval 1.0 / 15 # 最多每秒检测 15 次 last_detect_time 0 while True: ret, frame cap.read() if not ret: continue now time.time() if now - last_detect_time target_interval: # 执行颜色检测和轮廓分析 last_detect_time now对于多球同时出现的场景只做「每一帧找出所有球」还不够——分拣系统需要知道这一帧的 3 号球和上一帧的 3 号球是不是同一个。最简单的追踪方案是用距离匹配遍历当前帧所有球心和上一帧所有球心计算欧氏距离最近且小于阈值则认为是同一个球。numpy 广播写起来很简洁prev_centers [] # 上一帧所有圆心元素为 (x, y) cur_centers np.array([(c[1], c[2]) for c in all_contours], dtypenp.float32) if cur_centers.size 0: continue if prev_centers: prev np.array(prev_centers, dtypenp.float32) # 计算每个当前圆心到上一帧每个圆心的距离矩阵 dist np.sqrt(((cur_centers[:, None] - prev[None, :]) ** 2).sum(axis2)) # 一个球最多匹配一个上一帧位置 matched_idx np.argmin(dist, axis1) min_dist np.min(dist, axis1) for i, d in enumerate(min_dist): if d 30: # 30 像素以内认为是同一个球 # id matched_idx[i] pass这段代码的原理是矩阵化距离计算cur_centers[:, None]把当前帧的点变成列向量prev[None, :]变成行向量广播相减后按轴求平方和再开根号得到的是[当前帧点数, 上一帧点数]的距离矩阵。argmin找到每个当前点对应的最近上一帧点min取距离值。阈值 30 像素需要按球的移动速度调整——相邻两帧之间球移动超过 30 像素就会丢失匹配。更专业的做法是接卡尔曼滤波预测位置但做预测前先跑通距离匹配已经能解决 80% 的多球视觉计数和轨迹记录需求。我做这个方向时最深刻的教训是把大量时间花在调 HoughCircles 的玄学参数上后来换回「HSV 掩膜 轮廓面积 最小外接圆」三板斧之后稳定多了。颜色检测这个领域90% 的场景用不到深度学习先把工程基础打好比什么都强。如果你刚起步我的建议特别简单装好环境跑通第 2、3 章的代码拿自己拍的视频试 30 分钟 HSV 调参理解掩膜长什么样再往第 4 章的轮廓分析走。等这一套走顺了你自然会知道下一步是加追踪还是加机械臂控制。希望帮到你。本文还有配套的精品资源点击获取