树莓派循迹+图片识别（模板匹配）小车 C++

文末有有道翻译的版本，翻译的不准确的地方再来对照英文就清楚了
另外需要注意的是，在拟合到目标图像的四个角的位置后，对原图像进行投影变换再二值化进行模板匹配（而不是对二值化图像直接进行投影变换）效果要好不少
————

更新， 竟然有这么多人感兴趣，看来拿树莓派小车当课题的学校不少啊~
那我就在图片之间添加一些我认为比较重要的中文个人心得吧。

我用的是树莓派3b，两个串口里只有AMA0能用，另一个好像时钟源不太行，需要对系统进行更改，百度上一大把教程，我们学校提供的树莓派系统已经改好了，还带有opencv和codeblocks……

这里提到了python造成主板损坏，其实不是的（用脚指头想也不可能），问题是我们老师设计的H桥母版有问题，在和arduino进行通讯时产生了一些未知错误。总体来说，使用python对树莓派编程肯定是最方便简单的。

在刚开始我把图片转化成了灰度图，用灰度值来区分颜色，蠢到不行。除非你能保证整个地板的光是均匀反射的，否则灰度值完全不可靠。最可靠的还是HSV，我建议先写一个实时探测hsv的面板，用opencv自带的控件，来看地面上无论是黑线也好红线也好还是别的什么颜色的线，它们的hsv值到底是多少。磨刀不误砍柴工嘛。

网上大部分的循迹方法都是取一行像素来计算，可以是可以，但是小车速度比较快，路线比较曲折的情况下就很容易出错了，因为很容易冲过头。所以最好的办法是选择一个矩形区域内的所有像素点，计算左右两边的目标颜色的像素点个数差，再用这个差值进行PID计算是最好的。当然这个矩形大小要控制好，个人经验一般循环超过5K次的话，计算速度就赶不上小车速度了。所以可以先用resize函数把图片缩小一点。

这里介绍了均值滤波算法，没什么好说的，去除一些小噪点用的，如果你用的是一行像素点的方法，噪点的影响比较大，可以用这个算法滤波。但是如果用我建议的矩形区域方法，那小噪点的影响基本上就是微乎其微了，用不着滤波，找好HSV值就够了。

边缘检测canny函数非常非常好用，因为单个的噪点是构不成边缘的，所以如果要滤波，与其选择那些杂七杂八的滤波算法，还不如选择边缘检测把整个图像二值化了。当然，像后期老师要求根据地面线颜色的变化来选择不同的路线，这个时候肯定就不能用边缘检测了。

在图像匹配中，最重要的依然是选择合适的HSV值进行二值化。要保证目标图像充分和周围的环境区分开来，所以我前面强烈建议先写探测HSV的控件面板，因为HSV值太重要了，直接影响到识别的精度。

二值化后就是拟合目标图形了，三角形有三个点，四边形有四个点，五边形就有五个点……找到这些点的位置过后就可以用投影变换把要匹配的图像“摆正”了。