东南大学RM装甲板识别算法详解-优快云博客

本文主要介绍了东南大学（SEU-SuperNova-CVRA）开源的视觉算法在RM装甲板识别中的应用。首先将图像转换为灰度图，然后通过阈值处理转为二值图。接着使用膨胀操作增强灯条，并检测轮廓。虽然找到轮廓的过程较为耗时，但预处理的质量直接影响这一阶段的效率。最后，通过大循环检测轮廓中的灯条，为识别装甲板做准备。文章未详述具体的装甲板识别算法，留待后续探讨。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

rm中，装甲板的识别在比赛中可谓是最基础的算法。而在各个开源框架中，该算法也可以说最为成熟。出于学习目的，之后将对比多个高校或网络代码（），尝试学习各个rm装甲板识别算法的优点和流程。

这次先是东南大学（SEU-SuperNova-CVRA）开源的视觉算法：

cv::Mat binBrightImg;
cvtColor(_roiImg, _grayImg, COLOR_BGR2GRAY, 1);
cv::threshold(_grayImg, binBrightImg, _param.brightness_threshold, 255, cv::THRESH_BINARY);

先将_roiImg转成灰度图，方便后续转成二值图。
之后再将上图转为二值图，放到binBrightImg中，这里的_param.brightness_threshold是阈值，应用的为cv::THRESH_BINARY的方法。个人认为这里的方法还可以用CV_THRESH_OTSU也就是大津算法，效率有待后续测试。

下面这段代码先不要看，等到下述中出现“请回到顶部”字样的时候观看

// 把一个3通道图像转换成3个单通道图像
split(_roiImg,channels);//分离色彩通道
//预处理删除己方装甲板颜色
if(_enemy_color==RED)
    _grayImg=channels.at(2)-channels.at(0);//Get red-blue image;
 else _grayImg=channels.at(0)-channels.at(2);//Get blue-red image;
————————————————
版权声明：本文为优快云博主「Raring_Ringtail」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.youkuaiyun.com/u010750137/article/details/96428059

cv::Mat element = cv::getStructuringElement(cv::MORPH_ELLIPSE, cv::Size(3, 3));
dilate(binBrightImg, binBrightImg, element);

进行膨胀处理，将二值图中的灯条变粗。

vector<vector<Point>> lightContours;
cv::findContours(binBrightImg.clone(), lightContours, CV_RETR_EXTERNAL, CV_CHAIN_APPROX_SIMPLE);

寻找轮廓，将找到的轮廓放置在lightcountours中，而这一步据网上说是相对费时的一段时间，其很大程度决定于前文的预处理情况。

之后是一个大循环来检测轮廓中的灯条。具体操作作为注释

for(const auto& contour : lightContours)//对每个轮廓都进行处理
        {
            //得到轮廓的面积//
            float lightContourArea = contourArea(contour);
    
            //筛选掉噪声//
            if(contour.size() <=