一、先问一个笨问题：为什么不能直接对 BGR 做阈值

最直觉的做法是这样：绿色物体嘛，绿通道（G）应该比另外两个高，那就写

mask = (frame[:, :, 1] > 150) & (frame[:, :, 0] < 100) & (frame[:, :, 2] < 100)

在你当前这盏灯下它确实能跑通。但把它拿到窗边就废了，原因在于 BGR 的每个通道都在同时承担两件事：

也就是说，亮度和颜色被搅在三个数里分不开。同一个小球，在台灯下和窗边，BGR 三个数字完全不同——阈值必须重调。

HSV 做的事就是把这两件事拆开装：

关键就在 H 与 V 分家：一个绿球从亮处走到暗处，V 掉下去了，但 H 几乎不动。所以只要卡住 H，颜色判定就跨越了明暗变化——这是色彩检测从【玩具】变成【能用】的那一步。

二、常用颜色的 H 区间（背下来省半小时）

S 和 V 的下限也有讲究：S 太低说明颜色已经很灰（白墙、灰地）；V 太低说明太暗（阴影、晚上）。所以通用起手式是 S 和 V 都从 70 起，把【灰】和【黑】直接排除在外——这也是为什么上面的绿色写成 [40, 70, 70] 而不是 [40, 0, 0]。

三、三步流水线

原图(BGR) --cvtColor--> HSV --inRange--> 掩膜(黑白) --形态学--> 干净掩膜 --findContours--> 轮廓 --取面积最大--> 目标

第一步 inRange：给它 HSV 图和下界、上界两个数组，它逐像素比对，落在区间里的输出 255（白），其余输出 0（黑）——得到的是一张只有黑白两色的掩膜图（mask）。掩膜是 OpenCV 里极其常见的一个概念，它不直接给人看，而是当【模板】用。

第二步形态学去噪：现场光线总有噪点，掩膜上会撒着零星白点。两步搞定：

• erode（腐蚀）：把白区缩小一圈——零星白点直接消失，大块白区只是瘦一圈；
• dilate（膨胀）：把白区扩大一圈——大块白区回到原大小，但已经被抹掉的噪点回不来。

先用 1 次腐蚀、再用 2 次膨胀，是色彩检测的默认起手参数（先削再补，补得比削得多一点，边缘更饱满）。

第三步 findContours 找轮廓：把掩膜上每一片连通的白色区域，描出它的边界点集。之后所有几何计算（面积、外框、中心）都基于轮廓做。

四、从一个轮廓，算出【它在哪】

轮廓本身只是一堆点，要拿到【位置】得再走一步。三种取法，各有场景：

外接矩形取中心是最顺手的：

cx, cy = x + w // 2, y + h // 2

cx 就是左右位置——它是接下来所有【追踪】逻辑的输入：目标在画面左边 → 往左转；在右边 → 往右转。16-2 和 16-4 的转向全靠这个数。

五、动手 Demo：追着一个绿色小球

先做一个不接电机的纯视觉版：画面上把绿球框出来、点上中心、把坐标打在框上方。先确认追踪准了，再接电机——这是硬件项目通用的分层验证法（7 章、15 章都这么干）。

import cv2
import numpy as np

cap = cv2.VideoCapture(0)
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 320)    # 先降分辨率：320x240 比 640x480 少 75% 像素
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 240)

# 绿色的 HSV 区间（16-1 第二节的表）
lower = np.array([40, 70, 70])
upper = np.array([80, 255, 255])

kernel = np.ones((5, 5), np.uint8)

while True:
    ok, frame = cap.read()
    if not ok:
        break

    hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)   # BGR -> HSV，只做这一件事
    mask = cv2.inRange(hsv, lower, upper)          # 双阈值取掩膜，得黑白图

    # 先腐蚀去掉零星白噪点，再膨胀把大块白区补回来
    mask = cv2.erode(mask, kernel, iterations=1)
    mask = cv2.dilate(mask, kernel, iterations=2)

    # OpenCV 4 只返回两个值
    contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL,
                                   cv2.CHAIN_APPROX_SIMPLE)

    if contours:
        biggest = max(contours, key=cv2.contourArea)   # 按面积挑最大的那片
        if cv2.contourArea(biggest) > 500:             # 太小的当噪声丢掉
            x, y, w, h = cv2.boundingRect(biggest)
            cx, cy = x + w // 2, y + h // 2
            cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)
            cv2.circle(frame, (cx, cy), 5, (0, 0, 255), -1)
            cv2.putText(frame, "x={} y={}".format(cx, cy), (x, y - 8),
                        cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1)

    cv2.imshow("frame", frame)
    cv2.imshow("mask", mask)
    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

看到什么算成功：

窗口 frame：画面里那个绿色物体被一个绿框套住，框中心有个红点，
           框上方写着 x=142 y=118 这样的坐标，数字随物体移动实时跳变
窗口 mask ：该位置是一片干净的白色，其余全黑（没有零散白点）
按 q 退出

读结果：

• 掩膜干净＝参数对了。若掩膜上白斑一块块、还带零星小点 → 不是代码问题，是 H 区间没对准（去第六节做 30 秒实验）。
• 中心坐标会跳动 1~2 像素是正常的（摄像机噪声＋二值化的边界抖动），不用慌；16-4 会用滤波把它抹平。
• 面积阈值 500 是怎么来的：320×240 = 76800 像素，500 只占 0.65%。换算成方块边长 √500 ≈ 22 像素——即【大约 22×22 以上的色块才算数】，够滤掉噪点又不会误杀远处的小球。
• 画面是左右镜像的别惊讶（自拍视角），做转向时按镜像后的坐标算即可，上下别搞反。

六、30 秒实验：看一眼【H 卡得太死】长什么样

把 lower 的第一个数（H 下界）从 40 改成 70，其余不动，重跑。预期：掩膜上的白色明显变小甚至消失——因为你把 H 的接受范围从 40~80 缩成了 70~80，大部分绿色被拒之门外。

再改回 40，把 upper 的 H 上界从 80 改成 45，重跑。预期：白色也变小，只剩最纯的那点绿。

结论一句话：H 区间是【一扇窗】，窗开小了漏检、开大了误检——现场调参就是给这扇窗找宽度。这就是为什么下一节要教 Trackbar（滑杆）——边拖边看，比盲改代码快十倍。

七、把调参做成滑杆（现场必备）

上面的做法有个致命的不便：每改一个数就得重启一次程序。正确姿势是拖出六个滑杆，实时看掩膜：

import cv2
import numpy as np

def nothing(x):
    pass

cv2.namedWindow("trackbar")
cv2.createTrackbar("H low",  "trackbar", 40, 179, nothing)
cv2.createTrackbar("H high", "trackbar", 80, 179, nothing)
cv2.createTrackbar("S low",  "trackbar", 70, 255, nothing)
cv2.createTrackbar("V low",  "trackbar", 70, 255, nothing)

cap = cv2.VideoCapture(0)

while True:
    ok, frame = cap.read()
    if not ok:
        break
    hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)

    h_lo = cv2.getTrackbarPos("H low",  "trackbar")
    h_hi = cv2.getTrackbarPos("H high", "trackbar")
    s_lo = cv2.getTrackbarPos("S low",  "trackbar")
    v_lo = cv2.getTrackbarPos("V low",  "trackbar")

    mask = cv2.inRange(hsv, np.array([h_lo, s_lo, v_lo]),
                            np.array([h_hi, 255, 255]))
    cv2.imshow("frame", frame)
    cv2.imshow("mask", mask)

    if cv2.waitKey(1) & 0xFF == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()

用法：把目标物体放镜头前，只动 H 的两个滑杆，直到掩膜里只剩目标、其余全黑；如果还有白色残留在白色/灰色物体上，再上调 S low（把灰踢出去）；如果阴影处还在闪白，上调 V low（把暗踢出去）。调好后把这四个数抄回上面那份代码的 lower/upper 里——这才是可以固化的参数。

m1 = cv2.inRange(hsv, np.array([0, 70, 70]),   np.array([10, 255, 255]))
m2 = cv2.inRange(hsv, np.array([170, 70, 70]), np.array([179, 255, 255]))
mask = cv2.bitwise_or(m1, m2)      # 两张掩膜按位或，合成一张

八、常见误区

1. 【颜色检测用 BGR 阈值就行，我跑通了啊】——跑通的是你此刻这盏灯。换个房间、拉个窗帘，三个数字全变、阈值立刻失效。H 与 V 分家正是为了解决这件事，别退回 BGR。
2. 【红色写一段阈值够了】——红在色相环的接缝上，必须 0~10 与 170~179 两段再 bitwise_or 合并，单段必漏一半。
3. 【contours[0] 就是我要的那个】——findContours 的返回顺序是按扫描线（从上到下、从左到右），不按大小。要用必须 max(contours, key=cv2.contourArea) 自己挑。
4. 【直接用 moments 求重心，不用管 m00】——m00 在分母上，轮廓极小时它为 0 → 除零崩溃。现场一定遇到，先判 if M["m00"] != 0。
5. 【形态学只是润色，可以不做】——不做的话掩膜上会撒满噪点，findContours 会返回几十个碎轮廓，max 出来的可能是噪点而不是目标。先腐蚀 1 次再膨胀 2 次是标配。
6. 【cv2.findContours 返回三个值】——那是 OpenCV 3 的写法，OpenCV 4 只返回两个。本课 11-2 装的是 4，照抄老教程必报【too many values to unpack】。
7. 【掩膜窗口是给人看的，可以关掉】——恰恰相反，mask 才是真正的调试窗口。追踪不准时第一件事就是看 mask，而不是改代码。

• ☐ 下一节（16-2 打造自动避障和物体追踪车）

相关笔记

• OpenCV 的基本使用 —— 【一张图就是三维数组】的世界观在这里第一次被按通道用起来
• AI 实验范例：OpenCV 人脸识别 —— 对照：那是【模型找脸】，本节是【像素找颜色】，两条路的取舍
• 打造自动避障和物体追踪车 —— 本节算出的 cx 直接变成下一节的转向输入
• 打造树莓派 WiFi 遥控视频车 —— 上一章摄像头只是【推给操作者看】，本节第一次让程序自己读画面
• 🍓 树莓派 · 索引 —— 全课路线图