轮廓检测与质心计算：从图像中提取目标的关键
各位同学，今天我们来聊聊目标跟踪里最基础、也最核心的一步——轮廓检测与质心计算。说白了，就是怎么把图像里的目标“抠”出来，然后找到它的中心点。我做了这么多年视觉算法，可以负责任地告诉你：这一步做不好，后面的跟踪全是白搭。
核心逻辑：二值化图像 → 轮廓检测 → 轮廓筛选 → 质心与边界框计算
一、findContours 函数详解
OpenCV 里的 findContours 是我用得最多的函数之一。它的作用很简单：从二值图像中提取出所有物体的轮廓。嗯，这里要注意，输入图像必须是二值图——也就是只有黑白两色，没有中间灰度。
函数签名长这样：
contours, hierarchy = cv2.findContours(image, mode, method)三个参数，我一个个说：
- image：输入的二值图像。我个人习惯用
cv2.THRESH_BINARY或者cv2.adaptiveThreshold处理后的结果。 - mode：轮廓检索模式。常用的有：
RETR_EXTERNAL：只检测最外层轮廓。适合目标不重叠的场景。RETR_LIST：检测所有轮廓，不建立层级关系。RETR_TREE：检测所有轮廓，建立完整的层级树。我在做复杂场景时常用这个。
- method：轮廓近似方法。推荐用
CHAIN_APPROX_SIMPLE，它只保存轮廓的端点，节省内存。
我的经验：刚开始学的时候，我总喜欢用 RETR_TREE，觉得信息越多越好。后来发现，大部分场景下 RETR_EXTERNAL 就够了，而且速度更快。你想想看，如果目标本身就不嵌套，干嘛要算那些没用的层级呢？
二、轮廓筛选——去掉噪声，留下真目标
检测完轮廓后，你会发现一堆乱七八糟的东西。有大的、有小的、有长的、有扁的。怎么把真正的目标挑出来？这就是轮廓筛选要做的事。
我一般用三个指标来筛选：
| 指标 | 函数 | 作用 |
|---|---|---|
| 面积 | cv2.contourArea(contour) |
过滤掉太小或太大的噪声 |
| 周长 | cv2.arcLength(contour, True) |
判断轮廓的复杂程度 |
| 宽高比 | 通过边界框计算 | 筛选特定形状的目标 |
举个例子，假设我们要跟踪一个圆形的目标：
# 假设 contours 是 findContours 的结果
valid_contours = []
for cnt in contours:
area = cv2.contourArea(cnt)
if area < 100: # 面积太小，跳过
continue
perimeter = cv2.arcLength(cnt, True)
if perimeter < 50: # 周长太小，跳过
continue
# 计算宽高比
x, y, w, h = cv2.boundingRect(cnt)
aspect_ratio = w / h
if 0.8 < aspect_ratio < 1.2: # 接近正方形
valid_contours.append(cnt)避坑指南：我曾经在一个项目中，目标明明是圆形，但用宽高比筛选死活找不到。后来发现，因为光照不均匀，目标的轮廓被分割成了好几块。解决办法是先用形态学操作（膨胀/腐蚀）把断裂的轮廓连起来。嗯，这个坑我踩过，你们别踩了。
三、计算质心与边界框
筛选出目标轮廓后，下一步就是找到它的位置。这里有两个常用方法：
3.1 边界框
边界框有两种：
- 矩形边界框：用
cv2.boundingRect()，返回 (x, y, w, h)。简单粗暴，但不带旋转。 - 旋转矩形：用
cv2.minAreaRect()，返回带角度的矩形。适合跟踪有旋转的目标。
3.2 质心计算
质心，说白了就是轮廓的“重心”。计算方式有两种：
方法一：图像矩
M = cv2.moments(contour)
if M["m00"] != 0:
cx = int(M["m10"] / M["m00"])
cy = int(M["m01"] / M["m00"])方法二：边界框中心
x, y, w, h = cv2.boundingRect(contour)
cx = x + w // 2
cy = y + h // 2哪个更好？我个人更推荐用图像矩。为什么呢？因为边界框中心只考虑了矩形范围，而图像矩考虑了轮廓的实际形状。举个例子，一个L形的目标，边界框中心可能落在空白区域，但图像矩算出来的质心一定在目标内部。你想想看，哪个更靠谱？
四、完整代码示例
来，看一个完整的流程：
import cv2
import numpy as np
# 读取图像并预处理
img = cv2.imread('target.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 轮廓检测
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 筛选与计算
for cnt in contours:
area = cv2.contourArea(cnt)
if area < 500: # 过滤小噪声
continue
# 计算质心
M = cv2.moments(cnt)
if M["m00"] != 0:
cx = int(M["m10"] / M["m00"])
cy = int(M["m01"] / M["m00"])
# 绘制边界框和质心
x, y, w, h = cv2.boundingRect(cnt)
cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)
cv2.circle(img, (cx, cy), 5, (0, 0, 255), -1)
cv2.imshow('Result', img)
cv2.waitKey(0)小技巧：如果你发现质心总是偏来偏去，可以试试对连续几帧的质心做平滑处理。我一般用指数移动平均：cx_smooth = alpha * cx + (1 - alpha) * cx_prev，alpha 取 0.3 左右效果不错。
五、实际项目中的注意事项
最后，分享几个我在项目中踩过的坑：
- 轮廓层级问题：如果目标内部有空洞，
RETR_EXTERNAL会丢失内部轮廓。这时候要用RETR_TREE并分析层级关系。 - 性能优化：高分辨率图像上跑轮廓检测很慢。我一般先缩小图像到 640x480 再处理，质心坐标再映射回去。
- 多目标跟踪：如果有多个目标，记得给每个目标分配一个 ID。我习惯用字典来存：
{id: (cx, cy, bbox)}。
好了，轮廓检测和质心计算就讲到这里。这些内容看起来基础，但真的是目标跟踪的基石。你把这些吃透了，后面学卡尔曼滤波、光流法都会轻松很多。