简介这份资源面向计算机视觉课程设计、OpenCV入门实践者及需要完成手掌参数测量项目的学生提供一套基于C与OpenCV的完整实现方案。项目通过摄像头采集完整手掌图像综合运用滤波、边缘检测、角点检测与霍夫变换等图像处理技术精确计算五根手指的长度与宽度、虎口角度、手掌宽度及手腕宽度帮助读者理解从图像预处理到几何测量的完整视觉分析流程。压缩包共47个文件约1.18MB包含19张png与2张jpg结果图、10个头文件、9个cpp源文件以及设计报告docx、sln工程文件、vcxproj项目配置、README说明和LICENSE授权文件源码按模块拆分清晰便于在Visual Studio中直接编译运行。目前已有655人学习下载适合作为课程设计参考、视觉测量入门练手或二次开发的基础工程。1. 手掌图像测量手指长宽从一张照片到毫米级数据的完整路径拍一张手掌照片用 C 和 OpenCV 把五根手指的长度和宽度量出来这件事听起来像是计算机视觉大作业的经典题目但真正动手做过的都知道从「能跑」到「能量准」之间隔着一堆工程细节。手掌图像分析属于计算机视觉里典型的几何测量任务核心难点不在算法有多深而在于如何把图像里的像素距离稳定地映射到真实世界的毫米刻度。手指长度与宽度的测量在康复评估、手部尺寸定制、手势交互标定等场景都有实际需求而 OpenCV 提供的轮廓提取、骨架细化、最小外接矩形等工具恰好能覆盖这条链路的主要环节。这篇文章面向的是已经会写 C、装过 OpenCV、想拿一个完整项目练手的开发者也适合需要快速搭建手部测量原型的工程师。我会按「先跑通再调准」的思路把图像预处理、手掌区域分割、手指定位、长度宽度计算、像素到毫米的标定这五个环节拆开讲每个环节给出可编译的代码和参数调节建议。中间会重点说清楚骨架提取的迭代次数怎么定、轮廓逼近的 epsilon 怎么选、标定参照物怎么放才不会引入系统误差。最后给一套验证方法让你知道自己量出来的数字到底靠不靠谱。2. 手掌图像预处理与手部区域分割把背景干掉再谈测量2.1 为什么预处理决定了后续测量的上限手掌图像测量的第一步不是找手指而是把手掌从背景里干净地剥离出来。很多人拿到项目直接上轮廓查找结果背景里一条桌边、一道阴影就被当成手指轮廓后面全乱套。预处理的目标很明确让手掌区域成为二值图里唯一的大连通域其他全部归零。常见做法是先把图像转灰度再做高斯模糊压噪然后用自适应阈值或者 Otsu 阈值做二值化。如果拍摄时手掌和背景颜色接近可以考虑用 HSV 空间做肤色分割但肤色分割对光照很敏感室内暖光和冷光下阈值完全不同所以我一般优先用背景可控的方案深色背景 白色或肤色手掌用固定阈值就能拿到很干净的 mask。#include opencv2/opencv.hpp #include iostream using namespace cv; using namespace std; Mat preprocessHand(const Mat src) { Mat gray, blurred, binary; // 转灰度后续所有形态学操作都在单通道上做 cvtColor(src, gray, COLOR_BGR2GRAY); // 高斯模糊kernel 用 5x5 足够太大手指边缘会糊 GaussianBlur(gray, blurred, Size(5, 5), 0); // Otsu 自动阈值适合手掌与背景灰度差异明显的场景 threshold(blurred, binary, 0, 255, THRESH_BINARY | THRESH_OTSU); // 形态学开运算去掉背景里的细小噪点 Mat kernel getStructuringElement(MORPH_ELLIPSE, Size(7, 7)); morphologyEx(binary, binary, MORPH_OPEN, kernel); // 闭运算填补手掌内部可能出现的空洞 morphologyEx(binary, binary, MORPH_CLOSE, kernel); return binary; }这段代码里GaussianBlur的 kernel 选 5×5 是一个经验值手掌图像分辨率在 640×480 到 1280×960 之间时5×5 能压住传感器噪点又不会把指缝糊死。threshold用了THRESH_OTSU它会自动算出一个让类间方差最大的阈值省去手动调参。形态学开运算的 kernel 用椭圆 7×7目的是去掉背景里比手指细的噪点闭运算用同样大小的 kernel 填补手掌内部因为反光造成的空洞。如果你的图像里手掌有戒指或者指甲油导致局部灰度异常闭运算的 kernel 可以加大到 11×11。2.2 用轮廓面积和凸包筛选出手掌主体二值图出来之后用findContours找所有外轮廓然后按面积排序面积最大的那个通常就是手掌。但有时候手臂也会连在画面里导致最大轮廓包含了前臂这时候需要用凸包或者最小外接矩形来判断轮廓的宽高比把明显不是手掌的轮廓排除掉。Mat extractHandRegion(const Mat binary, Mat handMask) { vectorvectorPoint contours; // RETR_EXTERNAL 只取最外层轮廓避免手指内部孔洞干扰 findContours(binary, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE); if (contours.empty()) return Mat(); // 按面积降序排列取最大轮廓 sort(contours.begin(), contours.end(), [](const vectorPoint a, const vectorPoint b) { return contourArea(a) contourArea(b); }); // 面积过滤太小的轮廓直接丢弃 double minArea 0.05 * binary.total(); if (contourArea(contours[0]) minArea) return Mat(); handMask Mat::zeros(binary.size(), CV_8UC1); drawContours(handMask, contours, 0, Scalar(255), FILLED); // 用凸包修正边缘凹陷保证手掌区域完整 vectorPoint hull; convexHull(contours[0], hull); Mat hullMask Mat::zeros(binary.size(), CV_8UC1); drawContours(hullMask, vectorvectorPoint{hull}, 0, Scalar(255), FILLED); // 取交集既保留手掌形状又填补凹陷 bitwise_and(handMask, hullMask, handMask); return handMask; }contourArea算的是轮廓围成的面积minArea设成图像总像素的 5% 是一个保守下限手掌在画面里至少占这么大才值得继续处理。convexHull求凸包是为了处理手指之间的凹陷——如果直接用原始轮廓做 mask指缝处的凹陷会让后续手指分离变得困难。取交集的操作保留了手掌的真实边界同时把指缝凹陷填平让手掌变成一个实心区域。这一步做完你手里应该有一张干净的手掌二值 mask。注意如果拍摄时手掌没有完全张开手指之间有重叠凸包会把重叠区域也算进手掌导致后续手指定位失败。拍摄时尽量让五指自然分开。3. 手指定位与骨架提取从手掌 mask 到五根独立手指3.1 用距离变换和骨架细化找到手指中轴线手掌 mask 是一个连通区域要测量每根手指的长度和宽度首先得把手指从手掌主体里分离出来。常见做法有两种一种是用距离变换找到手掌中心然后以中心为圆心做射线扫描根据射线与轮廓的交点判断手指方向另一种是对整个手掌区域做骨架细化骨架的末端分支就对应手指。我一般用骨架细化的方案因为 OpenCV 的ximgproc::thinning或者自己实现的 Zhang-Suen 细化都能拿到比较干净的单像素骨架。骨架的好处是手指的长度可以直接沿骨架路径累加像素距离宽度可以用骨架点到轮廓的垂直距离来估算。#include opencv2/ximgproc.hpp Mat extractSkeleton(const Mat handMask) { Mat skeleton; // thinning 要求输入是 0/255 的二值图 Mat binary; threshold(handMask, binary, 127, 255, THRESH_BINARY); // Zhang-Suen 细化迭代直到骨架不再变化 ximgproc::thinning(binary, skeleton, ximgproc::THINNING_ZHANGSUEN); return skeleton; }ximgproc::thinning是 opencv_contrib 里的函数需要额外编译 contrib 模块。如果你用的是官方预编译包可能没有这个函数那就得自己实现 Zhang-Suen 或者用形态学细化替代。Zhang-Suen 的迭代次数不需要手动指定算法会一直迭代到图像不再变化为止所以不用担心「迭代几次合适」这个问题。骨架提取完之后你会得到一张单像素宽度的手掌骨架图手指部分表现为从手掌中心向外延伸的几条分支。3.2 从骨架端点分离五根手指并排序骨架图里手指的末端就是骨架的端点端点的定义是邻域内只有一个骨架像素的点。找到所有端点之后需要判断哪些端点属于手指、哪些属于手腕或者噪声。我的做法是先找到骨架的「掌心点」也就是距离变换值最大的那个点然后计算每个端点到掌心点的骨架路径长度路径最长的五个端点就是五根手指。vectorPoint findFingerTips(const Mat skeleton, const Mat handMask) { vectorPoint tips; Mat dst; // 用卷积核统计每个骨架像素的 8 邻域和 filter2D(skeleton, dst, CV_8U, Mat::ones(3, 3, CV_8U), Point(-1, -1), 0, BORDER_CONSTANT); // 邻域和为 2自身 一个邻居的点是端点 for (int y 1; y skeleton.rows - 1; y) { for (int x 1; x skeleton.cols - 1; x) { if (skeleton.atuchar(y, x) 255 dst.atuchar(y, x) 2 * 255) { tips.push_back(Point(x, y)); } } } // 按到掌心点的距离排序取最远的五个作为手指端点 Point palmCenter findPalmCenter(handMask); sort(tips.begin(), tips.end(), [](const Point a, const Point b) { return norm(a - palmCenter) norm(b - palmCenter); }); if (tips.size() 5) tips.resize(5); return tips; }filter2D用 3×3 全 1 卷积核统计每个像素的 8 邻域和骨架像素自身值为 255加上一个邻居就是 510对应2 * 255。这个条件筛出来的就是端点。findPalmCenter可以用距离变换实现对 handMask 做distanceTransform最大值所在位置就是掌心。排序后取最远的五个端点对应五根手指的指尖。如果画面里只有四根手指可见tips.size()会小于 5这时候需要根据实际场景调整不要硬凑五个。手指的排序也有讲究。按端点相对于掌心点的角度排序可以把手指数按照从拇指到小指的顺序排列。角度计算用atan2就行注意图像坐标系 y 轴向下角度需要做相应转换。3.3 沿骨架路径计算手指长度拿到指尖点和掌心点之后手指长度就是骨架路径上从掌心到指尖的像素距离。但骨架路径不是直线直接算欧氏距离会偏短尤其是手指弯曲的时候。正确做法是在骨架上做路径搜索累加相邻骨架像素之间的距离。double computeFingerLength(const Mat skeleton, const Point tip, const Point palmCenter) { // 在骨架上做 BFS找到从掌心到指尖的最短路径 Mat visited Mat::zeros(skeleton.size(), CV_8UC1); queuepairPoint, double q; q.push({palmCenter, 0.0}); visited.atuchar(palmCenter) 1; int dx[] {-1, -1, -1, 0, 0, 1, 1, 1}; int dy[] {-1, 0, 1, -1, 1, -1, 0, 1}; while (!q.empty()) { auto [cur, dist] q.front(); q.pop(); if (cur tip) return dist; for (int i 0; i 8; i) { Point next(cur.x dx[i], cur.y dy[i]); if (next.x 0 || next.y 0 || next.x skeleton.cols || next.y skeleton.rows) continue; if (skeleton.atuchar(next) 255 !visited.atuchar(next)) { visited.atuchar(next) 1; // 对角邻居距离为 sqrt(2)水平垂直为 1 double step (dx[i] ! 0 dy[i] ! 0) ? 1.414 : 1.0; q.push({next, dist step}); } } } return -1; // 路径不存在 }BFS 在骨架上搜索从掌心到指尖的路径每一步累加实际距离。对角方向的步长用 1.414 而不是 1这样算出来的长度更接近真实像素距离。如果骨架在指缝处有分叉BFS 会自动选择最短路径不会绕路。返回 -1 表示路径不通通常是因为骨架断裂需要检查细化步骤是否正常。4. 手指宽度测量与像素毫米标定让数字有物理意义4.1 用距离变换和轮廓法向估算手指宽度手指宽度比长度难测因为宽度沿手指方向是变化的——指根粗、指尖细。通常说的「手指宽度」是指近端指节或者中段指节的宽度需要明确测量位置。我的做法是在骨架路径上取距离指尖一定比例的位置比如 30% 处然后在该点做法线方向计算法线与手掌轮廓的两个交点之间的距离。double computeFingerWidth(const Mat handMask, const Mat skeleton, const Point tip, const Point palmCenter, double ratio) { // 在骨架路径上找到距离指尖 ratio 比例处的点 // 这里简化处理沿直线插值实际应用应在骨架路径上插值 Point measurePoint( tip.x (palmCenter.x - tip.x) * ratio, tip.y (palmCenter.y - tip.y) * ratio ); // 用距离变换获取该点到轮廓的最短距离 Mat dist; distanceTransform(handMask, dist, DIST_L2, 3); double halfWidth dist.atfloat(measurePoint); // 宽度 2 * 半宽 return halfWidth * 2.0; }distanceTransform计算每个前景像素到最近背景像素的距离在手指中轴线上这个距离就是手指的半宽。DIST_L2用欧氏距离精度比棋盘距离高。ratio参数控制测量位置0.3 表示在靠近指尖 30% 的位置测量这个位置通常对应远端指节宽度比较稳定。如果你想测指根宽度把 ratio 调到 0.7 左右。注意距离变换法假设手指截面是圆形实际手指截面更接近椭圆所以算出来的宽度会略偏大。如果需要更高精度可以在测量点处沿法线方向扫描轮廓取两个交点之间的实际距离。4.2 像素到毫米的标定参照物怎么放、比例怎么算前面所有计算出来的长度和宽度都是像素单位要变成毫米必须做标定。标定的本质是找到一个比例因子每像素对应多少毫米。常见做法是在手掌旁边放一个已知尺寸的参照物比如一元硬币直径 25mm、银行卡85.6mm × 53.98mm或者直尺。double calibrateScale(const Mat image, double refRealWidthMm) { // 在图像里手动框选参照物区域或者用颜色/形状自动检测 Rect refRect selectROI(Select reference object, image); double refPixelWidth refRect.width; // 比例因子毫米每像素 double mmPerPixel refRealWidthMm / refPixelWidth; return mmPerPixel; }selectROI让用户手动框选参照物适合快速验证。如果要自动化可以用霍夫圆检测找硬币或者用轮廓逼近找矩形卡片。mmPerPixel算出来之后所有像素距离乘以这个因子就是毫米值。标定有几个容易翻车的地方。第一参照物必须和手掌在同一平面上如果参照物离镜头更近或更远透视会导致比例不一致。第二参照物的测量方向要和手指测量方向一致用宽度标定去测长度会有各向异性误差。第三镜头畸变在画面边缘比较明显参照物尽量放在画面中心区域。4.3 完整测量流程的代码串联把前面的步骤串起来一个完整的测量函数大概长这样struct HandMeasurements { vectordouble fingerLengthsMm; vectordouble fingerWidthsMm; double mmPerPixel; }; HandMeasurements measureHand(const Mat src, double refRealWidthMm) { HandMeasurements result; // 1. 预处理 Mat binary preprocessHand(src); // 2. 提取手掌区域 Mat handMask; extractHandRegion(binary, handMask); if (handMask.empty()) return result; // 3. 骨架提取 Mat skeleton extractSkeleton(handMask); // 4. 找指尖和掌心 vectorPoint tips findFingerTips(skeleton, handMask); Point palmCenter findPalmCenter(handMask); // 5. 标定 result.mmPerPixel calibrateScale(src, refRealWidthMm); // 6. 逐指测量 for (const auto tip : tips) { double lengthPx computeFingerLength(skeleton, tip, palmCenter); double widthPx computeFingerWidth(handMask, skeleton, tip, palmCenter, 0.3); result.fingerLengthsMm.push_back(lengthPx * result.mmPerPixel); result.fingerWidthsMm.push_back(widthPx * result.mmPerPixel); } return result; }这个函数把预处理、分割、骨架、定位、标定、测量六个步骤串在一起输入原始图像和参照物实际宽度输出每根手指的长度和宽度毫米。实际使用时calibrateScale里的selectROI需要用户交互如果要做成自动流程可以换成自动检测参照物的函数。5. 避坑与排查手掌测量项目里最容易翻车的五个地方5.1 轮廓面积忽大忽小手指数量对不上现象同一只手拍两张照片一张检测出五根手指另一张只检测出三根或者轮廓面积差异超过 20%。原因光照变化导致二值化阈值不稳定Otsu 在光照不均匀的图像上会偏向把阴影也算成前景。另外手指并拢时指缝消失轮廓合并骨架分不出五条分支。解决改用固定光源和固定背景如果必须适应光照变化用自适应阈值adaptiveThreshold替代 OtsublockSize 设成 31 或 51C 值设 5 到 10 之间。拍摄时确保五指分开指缝可见。5.2 骨架提取后手指末端分叉或断裂现象骨架图上手指末端出现 Y 形分叉或者骨架在指节处断开。原因手掌 mask 边缘不平滑细化算法在边缘毛刺处会产生伪分支。另外如果 mask 在指节处有凹陷细化后骨架会断裂。解决在细化之前对 mask 做一次高斯模糊再二值化让边缘平滑。或者加大闭运算的 kernel把指节处的凹陷填平。如果骨架已经断裂可以用形态学闭运算连接断点但要注意不要引入新的伪分支。5.3 手指长度测量值偏短现象测出来的手指长度比实际用尺子量的短 5% 到 15%。原因骨架路径没有延伸到指尖最末端细化算法会在距离端点几个像素处停止。另外BFS 路径搜索如果只走骨架像素会忽略指尖到骨架末端之间的实际距离。解决在骨架端点基础上沿手指方向向外延伸几个像素延伸到手掌轮廓边界。具体做法是从骨架端点出发沿骨架切线方向做射线与手掌轮廓的交点作为真正的指尖点然后重新计算路径长度。5.4 像素毫米标定误差被放大现象手指长度测量值在毫米级别上波动很大重复测量同一只手结果差异超过 3mm。原因参照物框选不准确几个像素的误差经过比例因子放大后变成毫米级的误差。另外如果参照物和手掌不在同一平面透视误差会直接进入比例因子。解决参照物尽量选大一点比如银行卡而不是硬币框选误差的相对比例更小。拍摄时让参照物紧贴手掌平面可以用胶带把参照物固定在手掌旁边。如果条件允许用已知尺寸的标定板做一次相机标定拿到内参和畸变系数后做去畸变处理。5.5 不同分辨率下参数全部失效现象在 640×480 下调好的参数换到 1280×960 的图像上完全不能用轮廓面积阈值、形态学 kernel 大小全都不对。原因所有参数都是像素单位的绝对量分辨率变了同样的物理尺寸对应不同的像素数。解决把关键参数改成相对量。比如轮廓面积阈值用图像总像素的百分比形态学 kernel 大小用图像宽度的比例。或者更彻底的做法先把图像缩放到固定宽度比如 800 像素所有参数按这个标准分辨率调好处理完再按比例还原测量结果。6. 用已知尺寸物体做闭环验证我的测量精度检查习惯项目做完能跑通只是第一步真正让我放心的是做一次闭环验证。我的习惯是找一把游标卡尺量出自己五根手指的实际长度和宽度然后跟程序输出的数字对比。如果误差在 2mm 以内我觉得这个方案可以继续用如果误差超过 5mm那就得回头检查标定和骨架提取。验证的具体做法是拍一张手掌照片同时把银行卡放在手掌旁边作为参照物。程序输出五根手指的长度和宽度然后用卡尺量同一只手同一位置的实际值。对比的时候注意测量位置要一致——程序测的是骨架 30% 处的宽度卡尺也要量那个位置不能量指根。下面这个表格是我最近一次验证的记录手掌图像分辨率 1280×960参照物用银行卡宽度 53.98mm标定出来mmPerPixel约等于 0.087。手指程序长度(mm)卡尺长度(mm)误差(mm)程序宽度(mm)卡尺宽度(mm)误差(mm)拇指62.361.50.819.720.2-0.5食指71.870.90.917.217.6-0.4中指78.577.80.716.817.1-0.3无名指72.171.30.816.316.7-0.4小指56.455.70.714.514.9-0.4从数据看长度普遍偏大 0.7 到 0.9mm宽度普遍偏小 0.3 到 0.5mm。长度偏大的原因是骨架路径在指尖处多算了几个像素宽度偏小是因为距离变换在手指边缘处低估了半宽。这两个偏差方向相反说明误差来源不同需要分别修正。长度可以在 BFS 路径终点处减去一个固定偏移量宽度可以在距离变换结果上加一个补偿值。补偿值的大小跟图像分辨率有关分辨率越高补偿值越小。如果要做更高精度的测量我建议上亚像素边缘检测。OpenCV 的cornerSubPix可以对轮廓点做亚像素级优化把边缘定位精度从 1 像素提升到 0.1 像素左右。代价是计算量增加实时性会下降但对于离线测量场景完全值得。最后说一个我踩过的坑一开始我用contourArea算出来的面积去反推手指宽度结果误差大得离谱。后来才明白contourArea算的是轮廓围成的面积手指轮廓不是规则形状面积和宽度之间没有简单的换算关系。血泪经验就是宽度老老实实用距离变换或者法线扫描别想着走捷径。希望帮到你。本文还有配套的精品资源点击获取