步驟1：安裝Anaconda和需要的軟件包

Anaconda本質上是一個包裝精美的Python IDE，隨附了大量有用的軟件包，如NumPy，Pandas，IPython筆記本等似乎在科學界的各個地方都值得推薦。查看Anaconda以安裝它。

所需的軟件包：

PyAutoGUI

OpenCv

安裝上述軟件包：

OpenCV：

點擊此鏈接逐步安裝for opencv

PyAutoGUI：

PyAutoGUI是一個Python模塊，用于以編程方式控制鼠標和鍵盤。

PyAutoGUI可以從 pip 工具中安裝

打開你的anaconda命令提示并粘貼它：

pip install PyAutoGUI

現在我們準備好了代碼。..。..

第2步：技術概述

它本質上是一個程序，它應用圖像處理，檢索必要的數據，并根據預定義的概念將其實現到計算機的鼠標接口。

代碼是用Python編寫的。它使用跨平臺圖像處理模塊OpenCV，并使用Python特定庫PyAutoGUI實現鼠標操作。

處理網絡攝像頭的視頻捕獲，僅提取三個彩色指尖。他們的中心是用矩量法計算的，根據它們的相對位置決定要執行什么動作。

第3步：視頻入門

目標一：

cv2.VideoCapture（）

從中捕獲視頻相機

通常，我們必須使用相機捕捉直播。 OpenCV為此提供了一個非常簡單的接口。讓我們從相機中捕捉視頻（我正在使用筆記本電腦的內置網絡攝像頭），將其轉換為灰度視頻并顯示它。入門只是一項簡單的任務。要捕獲視頻，您需要創建一個VideoCapture對象。它的參數可以是設備索引或視頻文件的名稱。設備索引只是指定哪個攝像頭的數量。通常會連接一臺攝像機（如我的情況）。所以我只傳遞0（或-1）。您可以通過傳遞1來選擇第二個攝像頭，依此類推。之后，您可以逐幀捕獲。但最后，不要忘記發布捕獲。

我們要做的第一件事就是將捕獲的視頻轉換為HSV格式。

代碼：

# All packages needed for the program are imported ahead

import cv2

cap = cv2.VideoCapture（0）

while（1）：

# Capture frame-by-frame

_， frameinv = cap.read（）

# flip horizontaly to get mirror image in camera

frame = cv2.flip（ frameinv， 1）

# Our operations on the frame come here

hsv = cv2.cvtColor（ frame， cv2.COLOR_BGR2HSV）

# Display the resulting frame

cv2.imshow（‘Frame’， hsv）

k = cv2.waitKey（10） & 0xFF

if k == 27：

break

cap.release（）

cv2.destroyAllWindows（）

第4步：顏色范圍

目標二：

calibrateColor（）

校準顏色范圍

現在，用戶可以分別校準他的三個手指的顏色范圍。這可以通過在程序開頭三次調用 calibrateColor（）函數來完成。

用戶也可以選擇使用默認設置。

代碼：

import cv2

import numpy as np

def nothing（x）：

pass

# Create a black image， a window

kernel = np.zeros（（300，512，3）， np.uint8）

name = ‘Calibrate’

cv2.namedWindow（name）

# create trackbars for color change

cv2.createTrackbar（‘Hue’， name， 0， 255， nothing）

cv2.createTrackbar（‘Sat’， name， 0， 255， nothing）

cv2.createTrackbar（‘Val’， name， 0， 255， nothing）

# create switch for ON/OFF functionality

switch = ‘0 ： OFF 1 ： ON’

cv2.createTrackbar（switch， name，0，1，nothing）

while（1）：

cv2.imshow（name，kernel）

k = cv2.waitKey（1） & 0xFF

if k == 27：

break

# get current positions of four trackbars

hue = cv2.getTrackbarPos（‘Hue’， name）

sat = cv2.getTrackbarPos（‘Sat’， name）

val = cv2.getTrackbarPos（‘Val’， name）

s = cv2.getTrackbarPos（switch，name）

if s == 0：

kernel［：］ = 0

else：

kernel［：］ = ［hue，sat，val］

cv2.destroyAllWindows（）

第5步：刪除噪音＆amp;在視頻源中定義函數

取決于校準，只使用 cv2.inRange（）功能逐一從視頻中提取三個指尖。為了消除視頻輸入中的噪聲，我們應用兩步態射，即侵蝕和擴張。 然后發送程序中稱為掩碼的噪聲濾波圖像以定位中心。

# cv2.inRange function is used to filter out a particular color from the frame

# The result then undergoes morphosis i.e. erosion and dilation

# Resultant frame is returned as mask

def makeMask（hsv_frame， color_Range）：

mask = cv2.inRange（ hsv_frame， color_Range［0］， color_Range［1］）

# Morphosis next 。..

eroded = cv2.erode（ mask， kernel， iterations=1）

dilated = cv2.dilate（ eroded， kernel， iterations=1）

return dilated

三個中心的位置包括：

在與該顏色范圍相關的遮罩中查找輪廓。

使用區域過濾器丟棄不相關區域的輪廓。

在剩余的輪廓中找到最大的輪廓，并應用力矩的方法找到它的中心。

然后是定義光標在屏幕上的位置的步驟。黃色的拇指負責光標的位置。為此目的使用了以下技術：

?通常我們使用的網絡攝像頭以640x480像素的分辨率捕獲視頻。假設此幀線性映射到1920x1080像素顯示屏幕。如果我們有一個慣用右手的用戶，他會發現與右邊緣相比，訪問屏幕的左邊緣會感覺不舒服。訪問屏幕的底部也會在手腕處產生壓力。

我們意識到，不是將整個視頻幀映射到屏幕，我們寧愿考慮更偏向右側的矩形子部分（考慮右手用戶）和幀的上部以便改進安慰。測量480x270像素的子部分然后以比例因子4線性映射到屏幕。

# Contours on the mask are detected.。 Only those lying in the previously set area

# range are filtered out and the centroid of the largest of these is drawn and returned

def drawCentroid（vid， color_area， mask， showCentroid）：

contour， _ = cv2.findContours（ mask， cv2.RETR_TREE， cv2.CHAIN_APPROX_SIMPLE）

l=len（contour）

area = np.zeros（l）

# filtering contours on the basis of area rane specified globally

for i in range（l）：

if cv2.contourArea（contour［i］）》color_area［0］ and cv2.contourArea（contour［i］）

# bringing contours with largest valid area to the top

for i in range（l）：

for j in range（1）：

if area［i］ == a［j］：

swap（ contour， i， j）

if l 》 0 ：

# finding centroid using method of ‘moments’

M = cv2.moments（contour［0］）

if M［‘m00’］ ！= 0：

cx = int（M［‘m10’］/M［‘m00’］）

cy = int（M［‘m01’］/M［‘m00’］）

center = （cx，cy）

if showCentroid：

cv2.circle（ vid， center， 5， （0，0，255）， -1）

return center

else：

# return error handling values

return （-1，-1）

?由于網絡攝像頭捕獲的噪聲和手中的振動，中心保持不變圍繞一個平均位置振動。在按比例放大時，這些振動會對光標位置的準確性產生很多問題。為了減少光標中的抖動，我們使用光標的差分位置分配。我們將新中心與光標的先前位置進行比較。如果差異小于5個像素，則通常是由于噪聲。因此，新光標位置更傾向于前一個。但是，先前位置和新中心的較大差異被視為自愿移動，新光標位置設置為接近新中心。有關詳細信息，請通過代碼中的setCursorPosition（）函數。

‘’‘

This function takes as input the center of yellow region （yc） and

the previous cursor position （pyp）。 The new cursor position is calculated

in such a way that the mean deviation for desired steady state is reduced.

’‘’

def setCursorPos（ yc， pyp）：

yp = np.zeros（2）

if abs（yc［0］-pyp［0］）《5 and abs（yc［1］-pyp［1］）《5：

yp［0］ = yc［0］ + .7*（pyp［0］-yc［0］）

yp［1］ = yc［1］ + .7*（pyp［1］-yc［1］）

else：

yp［0］ = yc［0］ + .1*（pyp［0］-yc［0］）

yp［1］ = yc［1］ + .1*（pyp［1］-yc［1］）

return yp

現在發送三個中心，根據

的相對位置決定需要執行哪些操作。這是在代碼中的chooseAction（）函數中完成的。根據其輸出，performAction（）函數使用PyAutoGUI庫執行以下任一操作：

自由光標移動

左鍵單擊

右鍵單擊

拖動/選擇

向上滾動

向下滾動

# Depending upon the relative positions of the three centroids， this function chooses whether

# the user desires free movement of cursor， left click， right click or dragging

def chooseAction（yp， rc， bc）：

out = np.array（［‘move’， ‘false’］）

if rc［0］！=-1 and bc［0］！=-1：

if distance（yp，rc）《50 and distance（yp，bc）《50 and distance（rc，bc）《50 ：

out［0］ = ‘drag’

out［1］ = ‘true’

return out

elif distance（rc，bc）《40：

out［0］ = ‘right’

return out

elif distance（yp，rc）《40：

out［0］ = ‘left’

return out

elif distance（yp，rc）》40 and rc［1］-bc［1］》120：

out［0］ = ‘down’

return out

elif bc［1］-rc［1］》110：

out［0］ = ‘up’

return out

else：

return out

else：

out［0］ = -1

return out def performAction（ yp， rc， bc， action， drag， perform）：

if perform：

cursor［0］ = 4*（yp［0］-110）

cursor［1］ = 4*（yp［1］-120）

if action == ‘move’：

if yp［0］》110 and yp［0］《590 and yp［1］》120 and yp［1］《390：

pyautogui.moveTo（cursor［0］，cursor［1］）

elif yp［0］《110 and yp［1］》120 and yp［1］《390：

pyautogui.moveTo（ 8 ， cursor［1］）

elif yp［0］》590 and yp［1］》120 and yp［1］《390：

pyautogui.moveTo（1912， cursor［1］）

elif yp［0］》110 and yp［0］《590 and yp［1］《120：

pyautogui.moveTo（cursor［0］ ， 8）

elif yp［0］》110 and yp［0］《590 and yp［1］》390：

pyautogui.moveTo（cursor［0］ ， 1072）

elif yp［0］《110 and yp［1］《120：

pyautogui.moveTo（8， 8）

elif yp［0］《110 and yp［1］》390：

pyautogui.moveTo（8， 1072）

elif yp［0］》590 and yp［1］》390：

pyautogui.moveTo（1912， 1072）

else：

pyautogui.moveTo（1912， 8）

elif action == ‘left’：

pyautogui.click（button = ‘left’）

elif action == ‘right’：

pyautogui.click（button = ‘right’）

time.sleep（0.3）

elif action == ‘up’：

pyautogui.scroll（5）

# time.sleep（0.3）

elif action == ‘down’：

pyautogui.scroll（-5）

# time.sleep（0.3）

elif action == ‘drag’ and drag == ‘true’：

global y_pos

drag = ‘false’

pyautogui.mouseDown（）

while（1）：

k = cv2.waitKey（10） & 0xFF

changeStatus（k）

_， frameinv = cap.read（）

# flip horizontaly to get mirror image in camera

frame = cv2.flip（ frameinv， 1）

hsv = cv2.cvtColor（ frame， cv2.COLOR_BGR2HSV）

b_mask = makeMask（ hsv， blue_range）

r_mask = makeMask（ hsv， red_range）

y_mask = makeMask（ hsv， yellow_range）

py_pos = y_pos

b_cen = drawCentroid（ frame， b_area， b_mask， showCentroid）

r_cen = drawCentroid（ frame， r_area， r_mask， showCentroid）

y_cen = drawCentroid（ frame， y_area， y_mask， showCentroid）

if py_pos［0］！=-1 and y_cen［0］！=-1：

y_pos = setCursorPos（y_cen， py_pos）

performAction（y_pos， r_cen， b_cen， ‘move’， drag， perform）

cv2.imshow（‘Frame’， frame）

if distance（y_pos，r_cen）》60 or distance（y_pos，b_cen）》60 or distance（r_cen，b_cen）》60：

break

pyautogui.mouseUp（）