当前位置：首页 > news >正文

基于OpenMV的智能小车图像识别与跟踪系统设计

news 来源：原创 2024/9/23 19:03:59

一、项目概述

目标和用途

本项目旨在设计一款智能三轮车，通过图像识别技术实现对特定颜色小球的自动跟踪。该系统具有实时性和高精度的特点，适用于教育机器人、智能监控及自动导航等多个领域。通过采用OpenMV模块，结合STM32单片机的强大处理能力，能够实现简单而有效的目标跟踪功能。

技术栈关键词

硬件：STM32F765VI单片机、OV7725图像传感器、L298N电机驱动模块
软件：OpenMV IDE、STM32CubeIDE、图像处理算法库
算法：灰度处理、滤波、二值化、形态学处理（膨胀与腐蚀）、PID控制算法

二、系统架构

系统架构设计

本系统架构由多个模块组成，包括图像采集、图像处理、运动控制和电机驱动。具体设计如下：

图像采集模块：使用OV7725传感器定期获取环境图像。
图像处理模块：基于OpenMV平台，利用图像处理算法对采集到的图像进行分析，以识别目标小球。
运动控制模块：利用STM32F765VI单片机的运算能力，对电机进行控制，执行跟踪行为。

选择的单片机和通信协议

单片机：选择STM32F765VI作为主控芯片，它具有高性能的Cortex-M7内核，适合复杂的控制任务。
通信协议：采用UART进行OpenMV与STM32之间的数据交换，确保数据传输的实时性和可靠性。

系统架构图

三、环境搭建和注意事项

环境搭建

硬件准备：
- STM32F765VI开发板：作为系统的核心控制单元。
- OV7725图像传感器：用于实时图像采集。
- L298N电机驱动模块：用于控制直流电机的运动。
- 直流电机及电源模块：为运动系统提供驱动力。
- 跳线和面包板：用于连接各个模块。
软件准备：
- OpenMV IDE：用于图像处理和算法实现。
- STM32CubeIDE：用于STM32的开发和调试。

注意事项

电源管理：确保各模块供电电压和电流符合规格，避免损坏。
光照条件：在不同光照条件下测试系统，确保小球识别的鲁棒性。
调试过程：在调试时仔细检查连接线，避免短路和接触不良，确保系统稳定运行。

四、代码实现过程

在本节中，我们将详细介绍基于OpenMV的图像识别与跟踪系统的代码实现过程。我们将分模块进行说明，包括图像采集、图像处理、运动控制等功能模块。每个模块的代码示例将附带详细的说明，以确保逻辑的清晰性和可维护性。

1. 图像采集模块

图像采集模块的关键任务是通过OV7725传感器实时捕获环境图像。以下是该模块的代码实现：

import sensor
import image
import time# 初始化传感器
sensor.reset()  # 重置图像传感器
sensor.set_pixformat(sensor.RGB565)  # 设置图像格式为RGB565
sensor.set_framesize(sensor.QVGA)  # 设置图像分辨率为320x240
sensor.skip_frames(time=2000)  # 跳过前几帧，以使图像稳定while True:img = sensor.snapshot()  # 捕获单帧图像img = img.to_grayscale()  # 转换为灰度图像，以简化后续处理# 继续处理图像

代码说明：

sensor.reset()：初始化图像传感器，清空之前的设置。
sensor.set_pixformat(sensor.RGB565)：设置图像的颜色格式为RGB565，这是常用的色彩模式，适合于图像处理。
sensor.set_framesize(sensor.QVGA)：设置图像分辨率为320x240像素（QVGA），这是一个较低的分辨率，便于实时处理。
sensor.skip_frames(time=2000)：在启动后跳过前2秒的帧，以确保图像传感器在稳定状态下工作。
sensor.snapshot()：捕获当前帧的图像。
img.to_grayscale()：将捕获的图像转换为灰度图像，以减少计算负担并提高后续图像处理的速度。

2. 图像处理模块

在图像处理模块中，我们使用图像处理算法识别特定颜色的小球。以下是该模块的代码实现：

def find_ball(img):# 使用颜色阈值查找特定的颜色（例如黄色）# 颜色范围可根据实际需要调整blobs = img.find_blobs([(30, 100, -64, 127, -128, 127)], pixels_threshold=200)  # 查找小球if blobs:  # 如果检测到blob# 找到面积最大的blobblob = max(blobs, key=lambda b: b.pixels())img.draw_rectangle(blob.rect())  # 在图像上绘制矩形框img.draw_cross(blob.cx(), blob.cy())  # 在小球中心绘制十字标记return blob  # 返回检测到的blobreturn None  # 如果没有检测到blob，返回None

代码说明：

find_ball(img)：定义一个函数，接收图像作为参数并返回检测到的小球信息。
img.find_blobs(…)：使用颜色阈值查找图像中的blob。颜色范围是以HSV颜色空间中的值定义的，具体参数根据所需颜色进行调整。
阈值说明：(30, 100, -64, 127, -128, 127)表示寻找特定颜色的范围。
if blobs：检查是否检测到blob。
max(blobs, key=lambda b: b.pixels())：找到面积最大的blob，确保选择最大的小球，以提高识别的准确性。
img.draw_rectangle(blob.rect())：在图像上绘制检测到的小球的外接矩形，以便于可视化。
img.draw_cross(blob.cx(), blob.cy())：在blob的中心位置绘制十字形标记，便于确认小球的位置。
return blob：返回检测到的小球的信息（如位置和大小）。
return None：如果没有检测到小球，返回None。

3. 控制模块

控制模块的任务是根据识别到的小球位置，调整小车的运动方向。以下是控制模块的代码实现示例：

# PID控制参数
Kp = 0.5  # 比例增益
Kd = 0.2  # 微分增益def pid_control(target_x, current_x, last_error):"""PID控制算法实现:param target_x: 目标小球的x坐标:param current_x: 当前小车的x坐标:param last_error: 上一控制周期的误差:return: 控制信号和当前误差"""error = target_x - current_x  # 计算误差control_signal = Kp * error + Kd * (error - last_error)  # 计算控制信号return control_signal, error  # 返回控制信号及当前误差

代码说明：

pid_control(target_x, current_x, last_error)：定义一个PID控制函数，接收目标小球的x坐标、当前小车的x坐标和上一控制周期的误差作为参数。
error = target_x - current_x：计算当前误差，目标位置与当前车辆位置的差。
control_signal = Kp * error + Kd * (error - last_error)：计算控制信号，采用比例和微分的组合方式。比例增益（Kp）控制误差的快速响应，而微分增益（Kd）用于预测未来的误差变化。
return control_signal, error：返回计算得到的控制信号和当前误差，供后续运动控制使用。

4. 运动控制模块

运动控制模块使用L298N电机驱动模块控制小车的运动。以下是该模块的代码实现示例：

from pyb import UART, Pin# 初始化电机控制引脚
motor_left_forward = Pin('P0', Pin.OUT)  # 左电机正转
motor_left_backward = Pin('P1', Pin.OUT)  # 左电机反转
motor_right_forward = Pin('P2', Pin.OUT)  # 右电机正转
motor_right_backward = Pin('P3', Pin.OUT)  # 右电机反转def move_car(control_signal):"""根据控制信号移动小车:param control_signal: 控制信号"""if control_signal > 0:  # 如果控制信号为正motor_left_forward.high()  # 左电机正转motor_left_backward.low()  # 左电机停止反转motor_right_forward.high()  # 右电机正转motor_right_backward.low()  # 右电机停止反转elif control_signal < 0:  # 如果控制信号为负motor_left_forward.low()  # 左电机停止正转motor_left_backward.high()  # 左电机反转motor_right_forward.low()  # 右电机停止正转motor_right_backward.high()  # 右电机反转else:  # 如果控制信号为0motor_left_forward.low()  # 停止左电机motor_left_backward.low()  # 停止左电机motor_right_forward.low()  # 停止右电机motor_right_backward.low()  # 停止右电机

代码说明：

motor_left_forward = Pin(‘P0’, Pin.OUT)：初始化左电机正转引脚P0为输出模式。
motor_left_backward = Pin(‘P1’, Pin.OUT)：初始化左电机反转引脚P1为输出模式。
motor_right_forward = Pin(‘P2’, Pin.OUT)：初始化右电机正转引脚P2为输出模式。
motor_right_backward = Pin(‘P3’, Pin.OUT)：初始化右电机反转引脚P3为输出模式。
move_car(control_signal)：根据控制信号控制小车的运动。
if control_signal > 0：如果控制信号为正，表示小车需要向前移动，控制左右电机正转。
elif control_signal < 0：如果控制信号为负，表示小车需要向后移动，控制左右电机反转。
else：如果控制信号为0，停止所有电机。

5. 主循环

最后，我们需要将所有模块整合到一个主循环中，以实现实时的图像采集、处理以及控制小车的功能。以下是主循环的代码实现：

import time# 初始化UART通信
uart = UART(3, 115200)  # 初始化UART3，波特率115200last_error = 0  # 上一控制周期的误差初始化while True:img = sensor.snapshot()  # 捕获当前图像ball = find_ball(img)  # 查找小球if ball:  # 如果检测到小球# 获取小球的中心坐标ball_x = ball.cx()  # 获取小球中心的x坐标# 计算当前小车的位置current_x = 160  # 小车位置假设为图像中心（320/2）# 计算控制信号control_signal, last_error = pid_control(ball_x, current_x, last_error)# 控制小车的运动move_car(control_signal)# 发送小球坐标信息到上位机（可选）uart.write("Ball Position: {}\n".format(ball_x))else:# 如果没有检测到小球，停止小车move_car(0)time.sleep(0.1)  # 适当延时，避免处理过快

代码说明：

import time：导入时间模块，用于控制循环的延时。
uart = UART(3, 115200)：初始化UART3，设置波特率为115200，用于通信（如需要）。
last_error = 0：初始化上一个控制周期的误差为0，以便在PID控制中使用。
while True：开始主循环，持续执行以下步骤。
ball_x = ball.cx()：获取小球的x坐标。
current_x = 160：假设小车的位置为图像的中心（320/2），以便进行PID控制。
control_signal, last_error = pid_control(ball_x, current_x, last_error)：调用PID控制算法，计算控制信号并更新误差。
move_car(control_signal)：根据控制信号调整小车的运动方向。
uart.write(“Ball Position: {}\n”.format(ball_x))：将小球位置数据发送到上位机（可选），用于监控或调试。
img = sensor.snapshot()：获取当前图像帧。
ball = find_ball(img)：调用图像处理函数，查找图像中的小球。
if ball：检查是否识别到小球：
else：如果没有检测到小球，调用 move_car(0) 停止小车运动。
time.sleep(0.1)：设置适当的延时，防止处理速度过快导致系统负担过重。