基于OpenCV的中国象棋识别与棋谱定位完整项目实战-北京尧图网络

简介本资源是一套基于OpenCV的象棋图像识别与棋谱定位完整实现方案面向人工智能课程设计、本科毕设及CV方向初学者解决传统棋类图像中棋子类别识别与坐标精确定位两大核心问题。压缩包共394个文件含385张标注清晰的棋子PNG样本如b_ma_9.png、b_xiang_2.png等、4张实景棋盘JPG测试图、3个核心Python源码文件含详细中文注释、1个PyInstaller打包配置spec及1份README说明文档整体仅2.96MB轻量易部署。已有1163人学习下载适合作为图像预处理、模板匹配、轮廓分析与坐标映射等典型CV任务的教学案例。读者可直接运行代码完成从棋盘图像输入、棋子检测、类别判别到棋谱坐标输出的全流程代码结构模块化、关键步骤均有注释便于理解算法逻辑并在此基础上拓展深度学习识别模块。经常有做人工智能课程设计的同学找我问有没有那种“既有完整源码、又有数据集、还能跑出效果”的项目。说实话网上类似的资源不少但多数不是缺注释就是少数据要么就是代码结构乱成一团想二次开发都不知道从哪下手。今天分享的这个项目——基于OpenCV实现象棋识别及棋谱定位算是我整理过的课程设计里比较完整的一套Python源码加数据集关键模块都写了中文注释正好适合做计算机视觉方向课设、或者对OpenCV感兴趣想练手的读者。先说一下这个项目能做什么你给它一张棋盘照片或者一帧视频画面它能自动定位棋盘位置识别每个棋子是什么车、马、炮、兵、将、相、仕这些并且判断是红方还是黑方最后输出当前棋盘的状态。更进一步如果你按顺序输入多帧图片它就能记录每一步的行棋形成一份棋谱。当然棋谱得符合中国象棋的记谱规范这属于后处理逻辑项目里给出了基础实现。这套东西放在课程设计里是个很稳妥的选题因为它把OpenCV的轮廓检测、霍夫变换、形态学处理、模板匹配这些经典知识点全串起来了而且有实时反馈演示效果好。老师看得到你的算法思路同学看得到你的动手能力。1. 项目整体设计与思路拆解1.1 为什么选OpenCV而不是深度学习方案很多同学一听到图像识别第一反应就是上卷积神经网络用YOLO或者ResNet直接框出棋子。这条路当然可行但作为课程设计它有几个现实问题一是需要大量标注数据你得自己截图、打标签工作量不小二是训练需要GPU没有显卡的话跑一次训练够你等半天的三是如果不小心把训练集和测试集分布搞偏了识别效果反而很拉胯。OpenCV方案属于传统的数字图像处理路线核心思路是“图像预处理特征提取模板匹配”。它的好处在于不需要训练过程代码跑起来快依赖少纯CPU就能实时处理算法逻辑透明每一步都能可视化检查比如轮廓画出来看看、二值化效果行不行对课程设计而言你可以在答辩时清清楚楚讲出“为什么用Canny边缘检测”“为什么做透视变换”“为什么选相关系数做匹配”这是加分项。这套方案的局限也很明显对光照和拍摄角度比较敏感换一个完全陌生的环境可能需要调参数。但只要在可控条件下使用比如固定俯拍、光照均匀识别准确率能做到95%以上完全够用。1.2 整体流程从图像到棋谱的四步走整个项目的pipeline可以拆成四个阶段我画个简单的逻辑线图像获取与预处理读取图片或摄像头帧灰度化、高斯模糊、直方图均衡化目的是消除噪声、增强对比度。棋盘定位通过边缘检测找到棋盘外框的四边形轮廓利用透视变换把倾斜的棋盘矫正为正视图。棋子上采样识别在每个交叉点附近用霍夫圆检测找出棋子中心然后截图与模板做匹配判断具体兵种和颜色。棋谱生成根据坐标棋子序列的前后帧状态对比识别出走子行为映射为“炮二平五”这样的记谱。下面我按这个顺序逐块拆解每段都会讲代码实现的要点和踩过的坑。2. 环境准备与数据集构建2.1 环境搭建需要注意的版本坑这个项目用的是Python 3.8搭配OpenCV 4.5版本我在Windows和Ubuntu上都跑过。安装命令是老生常谈pip install opencv-python4.5.5.64 pip install numpy1.21.0这里有两个坑要提醒。第一个坑是OpenCV的版本直接决定了很多API行为比如findContours在不同版本返回值的个数不一样在OpenCV 4.x里返回两个值contours, hierarchy而在旧版3.x里返回三个image, contours, hierarchy。如果你照着网上的老代码抄很可能在这里直接报错。建议统一用4.x代码里好保持一致。第二个坑是如果你装了多个OpenCV版本比如同时有opencv-python和opencv-contrib-python很容易出现模块冲突。最干净的办法是先卸载再装pip uninstall opencv-python opencv-contrib-python pip install opencv-python4.5.5.64另外如果你要用摄像头实时识别还需要安装pygame或keyboard这类库来做键盘触发控制但基本功能用不到它们。我实际测试下来纯静态图片识别不需要额外安装其他包避免环境臃肿。2.2 数据集采集自己动手还是用作者提供的项目自带了一套数据集目录结构大概是这样的dataset/ ├── chess_pieces/ │ ├── red_red_che.png │ ├── red_red_ma.png │ ├── black_black_che.png │ ├── ... ├── boards/ │ ├── board_01.jpg │ ├── board_02.jpg │ └── ... └── templates/ ├── red_che.png ├── red_ma.png └── ...chess_pieces里是不同棋子的照片boards里是整张棋盘图templates里是用于模板匹配的标准棋子小图。这套数据我自己重新整理过剔除了模糊和重复的样本每个棋子类型至少保留了10张不同角度、不同光照的样例这样模板匹配时才有足够的鲁棒性。如果你要自己采集数据集我给几个实操建议最好用俯拍视角手机或者相机固定在三脚架上镜头尽量正对棋盘中心减少畸变拍摄时在自然光下避免强阴影也避免闪光灯直射每个棋子拍一张单独的特写作为模板图大小控制在40x40像素左右太大影响匹配速度太小丢了特征。这里说个很多同学会忽略的点模板图的采集要和实战场景的图像分辨率、光照条件尽量接近。比如你最后要识别的是500万像素的手机照片那模板图也别用太小的缩略图否则匹配时的尺度差异会让你调试到怀疑人生。3. 核心步骤一棋盘定位与透视矫正3.1 边缘检测与轮廓提取的实操细节棋盘定位是这个项目最重要的一步因为后面所有棋子的坐标都依赖它。如果棋盘定位歪了后面全白搭。第一步是预处理。把原始图像转成灰度图然后用高斯滤波去噪再用Canny算子做边缘检测。这一步的参数很关键我调试后的最佳组合是import cv2 import numpy as np img cv2.imread(test_board.jpg) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blurred cv2.GaussianBlur(gray, (5, 5), 0) edges cv2.Canny(blurred, 50, 150)这里Canny的阈值50和150是根据大量测试调出来的。阈值设太小会把棋盘纹理、棋子边缘全检测出来轮廓杂乱无章设太大棋盘外框可能检测不到。50到150这个范围在绝大多数室内光照下表现稳定。然后是找轮廓。这一步我推荐用RETR_EXTERNAL外部轮廓提取模式只检测最外层边界可以过滤掉棋盘内部的网格线干扰contours, hierarchy cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) contours sorted(contours, keycv2.contourArea, reverseTrue)[:5]排序取面积最大的前5个轮廓然后逐一用approxPolyDP做多边形逼近找到一个有4个顶点且面积最大的轮廓那就是棋盘外框。3.2 透视变换的数学原理与代码实现找到棋盘外框的四个顶点后接下来要做透视变换Perspective Transform把倾斜的棋盘矫正成规整的矩形。这一步原理上是解一个单应性矩阵把原图中的四个点映射到目标矩形的四个角。对应代码def order_points(pts): rect np.zeros((4, 2), dtypefloat32) s pts.sum(axis1) rect[0] pts[np.argmin(s)] rect[2] pts[np.argmax(s)] diff np.diff(pts, axis1) rect[1] pts[np.argmin(diff)] rect[3] pts[np.argmax(diff)] return rect def four_point_transform(image, pts): rect order_points(pts) (tl, tr, br, bl) rect widthA np.sqrt(((br[0] - bl[0]) ** 2) ((br[1] - bl[1]) ** 2)) widthB np.sqrt(((tr[0] - tl[0]) ** 2) ((tr[1] - tl[1]) ** 2)) maxWidth max(int(widthA), int(widthB)) heightA np.sqrt(((tr[0] - br[0]) ** 2) ((tr[1] - br[1]) ** 2)) heightB np.sqrt(((tl[0] - bl[0]) ** 2) ((tl[1] - bl[1]) ** 2)) maxHeight max(int(heightA), int(heightB)) dst np.array([ [0, 0], [maxWidth - 1, 0], [maxWidth - 1, maxHeight - 1], [0, maxHeight - 1]], dtypefloat32) M cv2.getPerspectiveTransform(rect, dst) warped cv2.warpPerspective(image, M, (maxWidth, maxHeight)) return warped这段代码里order_points函数是根据坐标的和与差来区分四个角左上角的xy最小右下角的xy最大。这个逻辑在棋盘近似轴对齐时很可靠但如果棋盘旋转角度很大比如45度以上这个简单的排序可能会失效。理论上更鲁棒的方法是用凸包最小外接矩形来判断方向但实际项目里棋盘一般不会转那么多够用就行。透视变换完成后你会得到一张正对视角的棋盘图方便后续处理。这里有个小技巧变换后的棋盘图分辨率最好归一化到固定大小比如800x800这样可以简化后面的网格划分计算。4. 核心步骤二棋子检测与文字识别4.1 霍夫圆检测定位棋子中心点棋盘矫正后棋子本身是圆形的所以在正视图上可以用霍夫圆变换来找棋子。这一步就是HoughCircles函数但参数很难一次调对我费了不少功夫才总结出稳定的组合circles cv2.HoughCircles( gray_board, cv2.HOUGH_GRADIENT, dp1.2, minDist30, param1100, param230, minRadius15, maxRadius35 )解释一下这几个关键参数dp是累加器分辨率与图像分辨率的比值1.2意味着累加器比原图小一点计算快且不容易漏检minDist是两个圆心之间的最小距离设为30像素可以防止同一个棋子被检测出多个圆param1是Canny边缘检测的高阈值param2是圆心检测的累加阈值数值越大检测越严格越小越容易误检。这个步骤最烦的是minRadius和maxRadius的取值。如果棋盘归一化后是800x800像素棋子的半径大概在20到30像素之间。如果你发现某些棋子漏检多半是这两个阈值范围设窄了如果你发现背景里乱七八糟的圆也被检出来多半是param2设小了。霍夫圆检测的另一个问题是象棋棋子边缘有文字文字部分的灰度变化会产生干扰。我用了一个小技巧在做霍夫变换之前先对棋盘图做一次闭运算先膨胀后腐蚀把棋子内部的文字区域填平一些让棋子看起来更接近一个均匀的圆斑。这样HoughCircles的准确率能提升不少。kernel np.ones((5, 5), np.uint8) closed cv2.morphologyEx(gray_board, cv2.MORPH_CLOSE, kernel)4.2 模板匹配判断棋子类型定位到圆心后从原图上截取每个棋子的局部图像然后和templates目录里的标准模板做匹配。OpenCV提供了几种匹配方法我推荐用TM_CCOEFF_NORMED它把模板和图像都减去各自均值能有效抵抗光照差异。核心代码def match_template(piece_img, templates): best_score -1 best_name None for name, templ in templates.items(): templ cv2.resize(templ, (piece_img.shape[1], piece_img.shape[0])) result cv2.matchTemplate(piece_img, templ, cv2.TM_CCOEFF_NORMED) _, max_val, _, _ cv2.minMaxLoc(result) if max_val best_score: best_score max_val best_name name return best_name, best_score这里的逻辑很简单对每个模板都做一次匹配取分数最高的那个作为识别结果。但要注意这里有一个潜在的bug隐患——如果你传入的模板集合里混入了当前待识别棋子本身的模板那么匹配分数当然会最高这看起来是合理的但实际会造成识别结果“偏向”模板库中出现次数多的类别。解决办法是在模板匹配前对置信度做个阈值判断比如低于0.6就认为是“无法识别”宁可漏检也不要误检。4.3 红黑棋子颜色判定的两种思路判断棋子是红方还是黑方有两种常见做法。第一种是纯颜色阈值法在HSV颜色空间里分别提取红色和黑色的掩膜看哪个掩膜里的像素占比大。红色在HSV里的H值大概在0到10和156到180两个区间因为红色在色环上是跨越0度的黑色则看V值低于60就算黑。代码直观但问题是对暗红色和亮黑色容易混淆尤其是光线偏暗时黑色棋子反光后会偏灰白。第二种做法更鲁棒用已知模板的颜色先验。因为模板库里本来就区分了red_che.png和black_che.png模板匹配的结果里直接带着颜色信息所以不需要单独做颜色判断。只要模板图颜色准确匹配结果可靠颜色自然就正确了。我实践中更喜欢把两种方法结合起来先用模板匹配判断兵种再用颜色阈值校验一下红黑两者冲突时以模板匹配为准。这样避免了单一方法的误差。5. 核心步骤三棋谱定位与输出5.1 将像素坐标映射到9x10网格坐标中国象棋棋盘是9条竖线乘10条横线棋子落在交叉点上。识别出棋子的像素坐标后需要换算成棋盘上的坐标比如“炮二平五”中的“二”和“五”都是指竖线的位置。我已经知道透视矫正后的棋盘图长宽固定为800x800而棋盘的四条边界大概对应外框边缘留出一定padding。可以这么换算def pixel_to_board(px, py, board_size800, grid_rows10, grid_cols9, padding30): cell_w (board_size - 2 * padding) / (grid_cols - 1) cell_h (board_size - 2 * padding) / (grid_rows - 1) col round((px - padding) / cell_w) row round((py - padding) / cell_h) col min(max(col, 0), grid_cols - 1) row min(max(row, 0), grid_rows - 1) return col, row这个padding的取值跟实际棋盘的外边框位置有关建议调试时把转换结果可视化出来直接画在图上看到偏差再微调。坐标转换是棋谱定位的根本如果这里偏移一个单元格后面的棋谱全错。5.2 通过帧间对比检测走子行为识别出每一帧的完整棋盘状态后要检测走子就对比前后两帧某个位置上有棋子下一帧没了说明这颗棋子被移走了某个位置上没有棋子下一帧出现了说明这颗棋子被移到这里了两端综合判断就能知道这一步是谁从哪走到哪。代码层面就是一个状态字典的diffdef diff_boards(prev_board, curr_board): moves [] for pos, piece in prev_board.items(): if pos not in curr_board: moves.append((remove, piece, pos)) elif curr_board[pos] ! piece: moves.append((replace, piece, curr_board[pos], pos)) for pos, piece in curr_board.items(): if pos not in prev_board: moves.append((add, piece, pos)) return moves理论上每次走子会有一个remove和一个add两者配对就是一次移动。如果出现两个remove两个add那可能是吃子——被吃掉的棋子在目标位置原本在目标位置的棋子被移除。5.3 生成规范的棋谱文本最后一步是把“从坐标A到坐标B”翻译成人话也就是棋谱。中国象棋记谱的基本规则是红方用一到九数字黑方用1到9进退平的判断竖线不变是平向前是进向后是退同一纵线上有两颗相同棋子时还要区分“前车”“后车”等。这部分原理不难但细节多项目里给了一个基础实现能正确处理大部分情况但不保证覆盖“同一纵线同名棋子”这种极端case。做课设答辩时能把这个边界情况讲清楚就已经是很大的加分项了。6. 常见问题与排查技巧实录6.1 棋盘定位不准总是框到别的地方这是最常见的问题。如果你发现找到的最大轮廓不是棋盘而是桌面的其他矩形物体通常是Canny边缘检测把背景里的细小纹理也当成了边缘。我的建议是先把Canny的低阈值调高比如从50调到80或者在检测前加一次形态学膨胀操作把弱边缘合并掉。另外检查一下你使用的轮廓排序方式。cv2.contourArea返回的是轮廓面积但有些闭合轮廓虽然面积大可能是一个L形或者长条形的奇怪形状。所以在approxPolyDP之后一定要过滤只保留len(approx) 4的轮廓。6.2 霍夫圆检测漏检或误检严重漏检多发生在棋子颜色和背景颜色相近的场景比如红棋在红木棋盘上。误检多发生在背景有圆形物体时。调试时先别急着改参数把检测到的圆都画出来看一眼for (x, y, r) in circles: cv2.circle(output, (x, y), r, (0, 255, 0), 2)如果圆的位置正确但数量不够优先把minRadius调小一点、param2调低一点如果误检多优先把param2调高、minDist调大。核心思路是“宁可漏检也别误检”因为漏检还有可能通过插值补回来误检的棋子坐标会直接污染棋谱数据。6.3 模板匹配分数低或者识别错乱模板匹配对光照极其敏感。如果你在实验室里正常跑换到窗边发现识别率骤降多半是光照变化导致模板和待识别图差异变大。解决办法是做一个归一化预处理在匹配前把待识别图和模板都做直方图均衡化或者统一缩放到同样大小并且做高斯模糊。这能在一定程度上抹平光照差异。另一个容易忽略的点是模板图是带背景还是不带背景。我建议模板只保留棋子本身不要包含手和背景桌面因为背景像素在TM_CCOEFF_NORMED里会引入噪声拉低匹配分数。6.4 程序跑起来了但是处理速度很慢如果你的视频流实时处理每一帧都要做完整识别速度可能只有两三帧每秒。如果不要求实时那无所谓如果必须实时建议做两个优化一是把棋盘定位只在第一帧做后面的帧直接复用透视变换矩阵不用重复边缘检测二是模板匹配前把所有模板缩放到统一的小尺寸比如32x32这样计算量能减少一大截。7. 扩展方向与项目优化建议做就做一个能打的课程设计别停留在“能跑”这个层面。给你几个比较容易出彩的扩展方向增加日志与可视化界面用PyQt或Tkinter做一个简单的GUI左侧显示实时画面右侧显示识别出的棋谱文本所有操作一键完成演示效果会好很多。结合摄像头实现真人实战记录把静态图片输入换成usb摄像头实时画面摆好棋盘后自动识别初始布局然后每一步都自动追加到棋谱做一局完整的对弈记录。扩展到残局识别不是每次都要从全盘识别开始你可以预设一个残局局面人工摆好棋子后自动识别当前局面并输出局面FEN串方便导入象棋引擎继续分析。升级到深度学习方案做对比实验如果时间充裕可以用YOLOv5或者YOLOv8训练一个棋子检测模型再用传统方法和深度方法各自识别同一批图片对比准确率和速度写进论文里再出一份对比实验数据答辩时能多一个亮点。我自己试过把传统OpenCV方案的结果作为伪标签辅助标注YOLO的训练数据确实能省不少人工标注的力气。这说明两种方案不是对立的而是可以串联起来的。这个项目的核心价值不只是在“识别棋子”这一点上而是让你完整经历一遍“图像采集→预处理→特征提取→模式匹配→后处理输出”的标准计算机视觉流程。把这套流程吃透了以后你再去看其他CV项目不管换什么场景思路都是通的。本文还有配套的精品资源点击获取

基于OpenCV的中国象棋识别与棋谱定位完整项目实战

相关推荐

基于STM32的智能建筑消防预警系统|毕设答辩|单片机项目|毕业设计

最佳 Python 编译器

Upscayl 免费 AI 图片放大教程：一张 500 像素的模糊原图，四步变成 2000 像素高清图

更多资讯

WIT 接口能组合组件，但 list＜f32＞真能零拷贝吗？

Haiku 5.5 的宣传页读完，我给 Rust 学习任务列了三道验收题

JSP九宫格日志网站实战：布局、数据与分页设计

电子遗嘱活体核验合规重构：Python中间件实现动态阈值与司法存证

SpringBoot+微信小程序民宿预约系统开发实践

AI工具聚合平台：多模型接口聚合与生图调度技术解析

今日更新

防幻觉智能体架构：电源硬件设计中的大模型编排与工具化实践

OpenGL面试核心考点：渲染管线、矩阵变换与性能排查全解析

全国计算机二级C语言真题PDF高效刷题指南

本周精选

防幻觉智能体架构：电源硬件设计中的大模型编排与工具化实践

OpenGL面试核心考点：渲染管线、矩阵变换与性能排查全解析

全国计算机二级C语言真题PDF高效刷题指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？

相关推荐

基于STM32的智能建筑消防预警系统|毕设答辩|单片机项目|毕业设计

最佳 Python 编译器

Upscayl 免费 AI 图片放大教程：一张 500 像素的模糊原图，四步变成 2000 像素高清图

更多资讯

WIT 接口能组合组件，但 list＜f32＞ 真能零拷贝吗？

Haiku 5.5 的宣传页读完，我给 Rust 学习任务列了三道验收题

JSP九宫格日志网站实战：布局、数据与分页设计

电子遗嘱活体核验合规重构：Python中间件实现动态阈值与司法存证

SpringBoot+微信小程序民宿预约系统开发实践

AI工具聚合平台：多模型接口聚合与生图调度技术解析

今日更新

防幻觉智能体架构：电源硬件设计中的大模型编排与工具化实践

OpenGL面试核心考点：渲染管线、矩阵变换与性能排查全解析

全国计算机二级C语言真题PDF高效刷题指南

本周精选

防幻觉智能体架构：电源硬件设计中的大模型编排与工具化实践

OpenGL面试核心考点：渲染管线、矩阵变换与性能排查全解析

全国计算机二级C语言真题PDF高效刷题指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？

WIT 接口能组合组件，但 list＜f32＞真能零拷贝吗？