如何利用OpenCV轮廓检测八角形停车标志

既然你已经搞定了三角形检测，那扩展到八角形其实思路是一致的，只是调整轮廓近似后的顶点数量，再结合停车标志的特性（比如红底、接近正八角形的形状）来优化检测精度。

核心思路 #

• 停车标志是正八角形，所以轮廓近似后顶点数应该为8
• 可以先通过颜色过滤（锁定红底区域）提前筛选候选范围，大幅减少误检
• 保留你现有轮廓检测、近似的核心流程，只修改顶点判断的条件，再增加形状校验

修改后的Java OpenCV代码 #

我基于你现有的代码做了针对性调整，重点优化了检测条件，还加了实用的颜色预处理步骤：

// 第一步：先过滤红色区域（停车标志的核心特征）
Mat hsv = new Mat();
Imgproc.cvtColor(bgr, hsv, Imgproc.COLOR_BGR2HSV);
// 红色在HSV空间分两段（因为HSV是环形色彩空间）
Scalar lowerRed1 = new Scalar(0, 120, 70);
Scalar upperRed1 = new Scalar(10, 255, 255);
Scalar lowerRed2 = new Scalar(170, 120, 70);
Scalar upperRed2 = new Scalar(180, 255, 255);
Mat mask1 = new Mat(), mask2 = new Mat();
Core.inRange(hsv, lowerRed1, upperRed1, mask1);
Core.inRange(hsv, lowerRed2, upperRed2, mask2);
Mat redMask = new Mat();
Core.bitwise_or(mask1, mask2, redMask);
// 只保留原图中的红色区域
Mat redRegion = new Mat();
Core.bitwise_and(bgr, bgr, redRegion, redMask);

// 第二步：基于红色区域做轮廓检测（复用你原有的流程逻辑）
Mat gray = new Mat();
Imgproc.cvtColor(redRegion, gray, Imgproc.COLOR_BGR2GRAY);
Imgproc.threshold(gray, gray, 127, 255, Imgproc.THRESH_BINARY);

List<MatOfPoint> contourList = new ArrayList<>();
Mat hierarchy = new Mat();
Imgproc.findContours(gray, contourList, hierarchy, Imgproc.RETR_EXTERNAL, Imgproc.CHAIN_APPROX_SIMPLE);

Mat ROI = new Mat();
Mat bgrClone = bgr.clone();
MatOfPoint approxContour = new MatOfPoint();
MatOfPoint2f approxContour2f = new MatOfPoint2f();
List<MatOfPoint> contourDraw = new ArrayList<MatOfPoint>();

for(int i = 0; i < contourList.size(); i++) {
    MatOfPoint2f contour2f = new MatOfPoint2f(contourList.get(i).toArray());
    double approxDistance = Imgproc.arcLength(contour2f, true) * 0.02; // 系数可根据图像分辨率微调
    Imgproc.approxPolyDP(contour2f, approxContour2f, approxDistance, true);
    approxContour2f.convertTo(approxContour, CvType.CV_32S);

    // 核心判断：8个顶点 + 面积达标 + 接近正八角形（外接矩形宽高比接近1）
    if (approxContour.size().height == 8 && Imgproc.contourArea(contour2f) > 3000) {
        Rect cord = Imgproc.boundingRect(approxContour);
        double aspectRatio = (double)cord.width / cord.height;
        if (Math.abs(aspectRatio - 1) < 0.1) { // 宽高比在0.9-1.1之间，排除狭长的伪八角形
            contourDraw.add(approxContour);
            Imgproc.drawContours(bgr, contourDraw, -1, new Scalar(0,255,0), 2);
            Core.rectangle(bgr, new Point(cord.x, cord.y), new Point(cord.x+cord.width, cord.y+cord.height),new Scalar(0,255,0), 2);
            ROI = bgrClone.submat(cord.y, cord.y+cord.height, cord.x, cord.x+cord.width);
            showResult(ROI);
        }
    }
}

关键优化点说明 #

• 颜色过滤：停车标志的红色是强特征，提前过滤后能直接排除大部分无关轮廓，减少无效计算
• 宽高比校验：正八角形的外接矩形接近正方形，加这个条件可以避免把8边的狭长轮廓误判为停车标志
• 近似系数微调：approxDistance的系数（0.02）可以根据你的拍摄场景调整——系数越大，轮廓近似越粗糙，反之越精细

补充Python版本示例（供参考） #

如果需要跨语言参考，Python版的核心逻辑完全一致：

import cv2
import numpy as np

img = cv2.imread('parking_sign.jpg')
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 定义红色HSV范围
lower_red1 = np.array([0, 120, 70])
upper_red1 = np.array([10, 255, 255])
lower_red2 = np.array([170, 120, 70])
upper_red2 = np.array([180, 255, 255])

mask1 = cv2.inRange(hsv, lower_red1, upper_red1)
mask2 = cv2.inRange(hsv, lower_red2, upper_red2)
red_mask = cv2.bitwise_or(mask1, mask2)
red_region = cv2.bitwise_and(img, img, mask=red_mask)

gray = cv2.cvtColor(red_region, cv2.COLOR_BGR2GRAY)
_, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

for cnt in contours:
    perimeter = cv2.arcLength(cnt, True)
    approx = cv2.approxPolyDP(cnt, 0.02 * perimeter, True)
    area = cv2.contourArea(cnt)
    
    if len(approx) == 8 and area > 3000:
        x, y, w, h = cv2.boundingRect(approx)
        aspect_ratio = w / h
        if abs(aspect_ratio - 1) < 0.1:
            cv2.drawContours(img, [approx], -1, (0, 255, 0), 2)
            cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)
            roi = img[y:y+h, x:x+w]
            cv2.imshow('ROI', roi)

cv2.imshow('Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

内容的提问来源于stack exchange，提问作者Dodz