1.项目介绍

​ 项目为点钞机或者硬币计数器，实验使用卢比（印度）硬币作为测试对象，系统可实时检测到硬币面值。如果放置5卢比，它显示由0变成了5卢比，如果投入1卢比，它变成了6，如果再投入2卢比，它变成了8。所以系统主要区分三种不同面值硬币（5,2,1）。系统使用不同的技术去区分它，如果我们继续添加，它会继续的添加到总数中，不会得到错误的结果，可见该系统运行非常稳定。如果去掉5卢比，它会由34变成了29卢比，如果去掉2卢比，它变成27。这是一个非常有趣的项目，而且非常容易实施，而且很容易迁移到自己国家的货币并创建类似项目。

2.安装

2.1 安装opencv

要安装Python版的OpenCV，您可以按照以下步骤进行操作：

1. 首先，确保您已经安装了Python解释器。您可以从Python官方网站（https://www.python.org/）下载并安装最新版本的Python。

2. 打开命令行终端（Windows上是命令提示符或PowerShell，Mac和Linux上是终端）。

3. 在命令行终端中输入以下命令来安装OpenCV的Python包（使用pip包管理器）：

   pip install opencv-python
   

   如果您需要安装额外的功能模块，可以使用以下命令：

   pip install opencv-contrib-python
   

   这将安装OpenCV及其相关依赖项。

4. 等待安装过程完成。安装完成后，您就可以在Python中使用OpenCV库了。

为了确认OpenCV是否已成功安装，您可以在Python交互式环境中尝试导入OpenCV模块：

import cv2
print(cv2.__version__)

如果成功导入并显示OpenCV的版本号，则表示安装成功。

2.2 安装 cvzone

pip install cvzone

import cvzone
print(cvzone.__version__)

如果成功导入并显示cvzone的版本号，则表示安装成功。

整体代码如下：

import cv2
import cvzone
import numpy as np
from cvzone.ColorModule import ColorFinder
cap = cv2.VideoCapture(0)
cap.set(3, 640)
cap.set(4, 480)
totalMoney = 0
myColorFinder = ColorFinder(False)
# Custom Orange Color
hsvVals = {'hmin': 0, 'smin': 0, 'vmin': 145, 'hmax': 63, 'smax': 91, 'vmax': 255}
def empty(a):
    pass 
cv2.namedWindow("Settings")
cv2.resizeWindow("Settings", 640, 240)
cv2.createTrackbar("Threshold1", "Settings", 219, 255, empty)
cv2.createTrackbar("Threshold2", "Settings", 233, 255, empty)
def preProcessing(img):
    imgPre = cv2.GaussianBlur(img, (5, 5), 3)
    thresh1 = cv2.getTrackbarPos("Threshold1", "Settings")
    thresh2 = cv2.getTrackbarPos("Threshold2", "Settings")
    imgPre = cv2.Canny(imgPre, thresh1, thresh2)
    kernel = np.ones((3, 3), np.uint8)
    imgPre = cv2.dilate(imgPre, kernel, iterations=1)
    imgPre = cv2.morphologyEx(imgPre, cv2.MORPH_CLOSE, kernel)
    return imgPre
while True:
    success, img = cap.read()
    imgPre = preProcessing(img)
    imgContours, conFound = cvzone.findContours(img, imgPre, minArea=20)

    totalMoney = 0
    imgCount = np.zeros((480, 640, 3), np.uint8)

    if conFound:
        for count, contour in enumerate(conFound):
            peri = cv2.arcLength(contour['cnt'], True)
            approx = cv2.approxPolyDP(contour['cnt'], 0.02 * peri, True)

           if len(approx) > 5:
                area = contour['area']
                x, y, w, h = contour['bbox']
                imgCrop = img[y:y + h, x:x + w]
                # cv2.imshow(str(count),imgCrop)
                imgColor, mask = myColorFinder.update(imgCrop, hsvVals)
                whitePixelCount = cv2.countNonZero(mask)
                # print(whitePixelCount)

                if area < 2050:
                    totalMoney += 5
                elif 2050 < area < 2500:
                    totalMoney += 1
                else:
                    totalMoney += 2

    # print(totalMoney)
    cvzone.putTextRect(imgCount, f'Rs.{totalMoney}', (100, 200),scale=10,offset=30,thickness=7)
    imgStacked = cvzone.stackImages([img, imgPre, imgContours,imgCount], 2, 1)
    cvzone.putTextRect(imgStacked, f'Rs.{totalMoney}', (50, 50))
    cv2.imshow("Image", imgStacked)
    # cv2.imshow("imgColor", imgColor)
    cv2.waitKey(1)

运行错误：

cap = cv2.VideoCapture(0)      #由1改成0

3.摄像头

3.1 VideoCapture

import cv2
cap=cv2.VideoCapture(0)

我们从网络摄像机里获取图片，利用VideoCapture()获取图像。它接收一个参数来指定要读取的视频源，可以是视频文件或者摄像头索引号。

0：代表默认摄像头(通常是内置摄像头)，有时候用（-1），等效。
1：第二个链接的摄像头设备。
2：第三个链接的摄像头设备。
3.以此类推，当不确定摄像头索引，可尝试使用不同索引值来确定正确的摄像头设备。

下面是cv2.VideoCapture类的一些主要功能：
1.打开视频源：您可以使用cv2.VideoCapture来打开视频文件、摄像头设备或者网络视频流。通过提供相应的参数（如文件路径或摄像头索引），您可以指定要打开的视频源。
2.读取帧：使用read()方法可以逐帧读取视频。该方法返回两个值：一个布尔值，表示是否成功读取帧，以及读取的图像帧本身。
3.控制视频播放：您可以使用set()方法设置视频的属性，如帧宽度、帧高度、帧速率等。这使您能够控制视频的播放和捕获参数。
4.检测视频结束：通过检查read()方法返回的布尔值，您可以确定是否已经到达视频的末尾。
5.释放资源：在完成视频处理后，您可以使用release()方法释放相关的资源，如关闭视频文件或停止摄像头捕捉。
通过结合cv2.VideoCapture的功能，您可以编写代码来处理视频流、图像处理、实时分析等各种应用场景，包括视频录制、实时视频处理、人脸识别、物体检测等。

#捕获摄像头
import cv2
cap = cv2.VideoCapture(0)
while True:
    ret, frame = cap.read()
    cv2.imshow('Video', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
cap.release()
cv2.destroyAllWindows()

#播放视频
import cv2
cap = cv2.VideoCapture(r'C:\Users\Victor\Downloads\Money_Coin Counter using Computer Vision(720p).mp4')
while cap.isOpened():
    ret, frame = cap.read()
    # 在这里进行帧处理操作
    cv2.imshow('Frame', frame)
    if cv2.waitKey(25) & 0xFF == ord('q'):
        break
cap.release()
cv2.destroyAllWindows()

该代码从名为”video.mp4”的视频文件中读取每一帧，并在名为”Frame”的窗口中显示。您可以在注释标记的位置添加帧处理代码，例如图像滤波、对象检测等。

import cv2
cap = cv2.VideoCapture('video.mp4')
# 设置播放速度为每秒25帧
cap.set(cv2.CAP_PROP_FPS, 25)
while cap.isOpened():
    ret, frame = cap.read()
    # 处理帧...
    cv2.imshow('Frame', frame)
    if cv2.waitKey(25) & 0xFF == ord('q'):
        break
cap.release()
cv2.destroyAllWindows()

if cv2.waitKey(1) & 0xFF == ord('q'):语句检查用户是否按下了键盘上的’q’键，如果按下了，则会中断循环并退出程序。

3.2 cv2.waitKey

3.2.1 如何实现5s自动关闭窗口

import cv2
import time
cap = cv2.VideoCapture(0)
while True:
    ret, frame = cap.read()
    cv2.imshow('Video', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
    # 设置关闭窗口的时间为5秒
    if time.time() - start_time >= 5:
        break
cap.release()
cv2.destroyAllWindows()

使用time.time()函数获取当前时间戳，并将其与开始时间进行比较。如果经过了5秒（或其他指定的时间），则跳出循环，从而关闭OpenCV窗口。

4.预处理

​ 接下来的一步是找到硬币的位置，所以我们需要找到这些硬币的形状，然后我们可以检查这些区域，我们也可以检查颜色，所以找到实际的硬币位置是只要的任务，我们可以使用contours方法，cvzone封装了contours函数，而且更加易用。

• findContours（）的第二个参数是二值图像（黑白两色），我们现在还没有二值图像，所以我们需要处理我们当前的图像，然后发送给查找轮廓函数。

import cvzone
cvzone.findContours(img,)

所以这里我们需要定义一个函数，在预处理图像中，我们将返回imgpre,第一步是增加一些blur,因为它太锐利时，有些轮廓会太锐利，而且噪声很容易被检测到，所以要增加一些模糊，加一些模糊会使其边缘变的平滑。我们添加高斯模糊，然后给我们给出模糊核的大小5*5，然后我们再给出sigma,这些是我们可以尝试的值。

def preProcessing(img):
     imgPre=cv2.GaussianBlur(img,(5,5),3)
     return imgPre

imgPre=preProcessing(img)
cv2.imshow('imgPre',img)

我们可以查看图像预处理结果。左侧是原图，右侧是模糊后的图，我们可以将它们放到一起。

我们可以使用cvzone里面的stackImages()函数进行图像堆叠。我们需要给出多少列，这里给的是2列，第三个图将排列到第二行，图像比例，我们保持原样，尺度参数我们设置为1，如果你想缩小比例，我们可以写0.5,0.7。

imgStacked=cvzone.stackImages([img,imgPre],2,1)

我们现在就有了一整副图像，这些图像堆叠到一起。这是图像预处理的第一步。第二步是Canny，我们需要找到边缘，我们需要用Canny（）函数找到边缘,需要给出阈值。

imgPre=cv2.Canny(imgPre,150,200)

这里我们得到了获取边缘的图像。我们获得了不错的图像效果，但是我假想如果我们没有呢？我们该如何找到合适的值，我们可以设置一个trackingbar,分别跟踪第一个参数和第二个参数，可以通过滑动调节其值的大小，并看到实时的值，我们可以通过代码调整之前的值150改成50或200，然后再次运行他们，但是这是非常低效的。

我们可以新建一个窗口。

cv2.namedWindow("Settings")
cv2.resizeWindow("Settings",640,240)            #设置窗口大小，一定要保证和签名的名称一致
cv2.createTrackar("Threshold1","Settings",50,250,empty)      #保持一致，起始Value,最大值255,
cv2.createTrackar("Threshold2","Settings",100,250,empty)      #保持一致，起始Value,最大值255,

empty如果滑动块活动，将执行empty函数。

def empty(a):
  pass

thresh1=cv2.getTrackbarPos("Threshold1","Settings")
thresh2=cv2.getTrackbarPos("Threshold2","Settings")

新窗口我们将有两个轨道bar的新窗口，我们将实时的获取结果。滑动两个轨道bar,检测效果会发生变化。我可以调整它的位置，直到没有噪声，能看到很好的效果。这里你可以看到好的结果。我们可以放置不同的硬币，看一下效果。

我们可以设置其值为219,233，是比较好的值。

后面将进行膨胀，因为图像中可能有间隙，通过膨胀可以进行填充，我们还使用闭合操作，闭合任何打开的轮廓。因此这两种方法都将提供。

import numpy as np
kernel=np.ones((3,3),np.uint8)
imgPre=cv2.dilate(imgPre,kernel,iterations=1)

增强膨胀操作的强度，可以通过增加kernel的大小，也可以通过增加迭代的次数，你可以看出有非常好的效果。

如果有任何开放的小的区域，可以使用闭运算。

imgPre=cv2.morphologyEx(imgPre,cv2.MORPH_CLOSE)

这里我们获取到了比较好的边缘信息，分别经过高斯模糊，Canny(增加轨道bar),膨胀操作，闭运算。我们虽然直到了边缘，但是我们还是不知道其Location，但是我们不知道中心点在那里。

5.定位

我们不知道中心点在那里，不知道颜色和面积等信息。我们要找到这些定位，并根据这些定位找到他们的面积，我们用之前讨论的findcoutours，我们之前讨论的。这里最小面积我们限定了20。

imgContours,coFound=cvzone.findContours(img,imgPre,minArea=20)

这里我们也可以设置一个Trackbar,用来调节面积的值。

因为我们是控制的环境，我们可以设置一些硬编码的值，因为我们知道环境是受控的，相机到硬币的距离，是不变的。像素数在值方面是非常相似的。上面的函数会返回两个值，一个是imgContours(图像)，conFound(轮廓)。

上面的这张图就是imgContours的结果，可以看到cvzone的imgContours的功能整合更加齐全。

这里的矩形我们称为边界框**,我们也可以得到中心点的位置，**现在它有点闪烁，但是总的来说，它是稳定的。我相信你稍微调整一些光照它会变得更加稳定。

6.检测圆形

接下来，我们要确定它是一个Circles,如果角的数量大于某一个值，意味着它是一个圆。如果是三个边，它就是三角形，如果是四个边，它是一个矩形或正方形。如果它大于任何一个值6,7,8,9,10，任何一个，那么它是一个圆，我们只想得到圆，所以图像中有矩形，我们不会检测到。

if conFound:   #如果由轮廓
   for contour in conFound:
    peri=cv2.arcLength(contour['cnt'],True)
    approx=cv2.approxPolyDP(contour['cnt'],0.02*peri,True)  #这两行是进行拟合。
    print(len(approx))    #角的数量

    if len(approx)>5:
       print(contour[])

进入findContours（）函数，你可以看到它conFound里面包含，面积area,边框bbox，和中心点center。

因为conFound是个字典，contour[‘area’]可以提取面积的值。所以第一件事是检查角的数量，我们把它粘贴都这里。

7.区分不同的硬币

我们可以通过area大小进行区分，也可以按照颜色进行区分， 如果area大于某个值，我们认为是最大的硬币。对于其他的两个我们可以使用颜色进行区分。把所有的硬币都拿走，放入一样的硬币，最大硬币，观察其面积的值。

8.颜色

但是我们仍然不能找到黄色和白色硬币的区别，许多国家有相同大小的硬币，不像这三个硬币这么好区分，在这种情况下，在这种情况下，你可以使用颜色对他们进行区分。

from cvzone.ColorModule import colorFinder

点击colorFinder可以进入函数内部。

myColorFinder = ColorFinder(False)

添加一个常用颜色。

# Custom Orange Color
hsvVals = {'hmin': 0, 'smin': 0, 'vmin': 145, 'hmax': 63, 'smax': 91, 'vmax': 255}

然后在主循环中，进行颜色查找。

 imgColor, mask = myColorFinder.update(imgCrop, hsvVals)

imgColor对应找到的颜色图像，其他的位置均为黑色，找到的颜色对应的位置为白色。

mask:无论发现什么颜色，它都将该颜色变为白色，我们可以计算白色像素点的数量。，如果有很多白色的点，说明我们检测到了该颜色。

然后将主循环中的False设置为True，这样可以允许我们修改颜色值，并找到实际的颜色。这种设置主要是为了测验。

myColorFinder = ColorFinder(True)

我们将单独显示此图像的颜色，

cv2.imshow("Image",imgColor)

我们将自动获取颜色的轨道bar,因为它包含在类中，一旦将ColorFinder设置为True。调节轨道bar,使得留下的颜色只有黄色，其他的颜色消失。

程序会自动打印出当前所选颜色的hsv的范围，将其从原来的程序中替换掉。关闭调试模式。

9.显示最后结果

imgCount = np.zeros((480, 640, 3), np.uint8)
cvzone.putTextRect(imgCount, f'Rs.{totalMoney}', (100, 200),scale=10,offset=30,thickness=7)