【方法】树莓派小车自动循迹（摄像头）

原创已于 2022-11-03 14:48:05 修改 · 8.7w 阅读

173

1.3k ·

CC 4.0 BY-SA版权

文章标签：

#树莓派 #循迹 #摄像头

于 2018-12-28 10:35:07 首次发布

树莓派使用教程专栏收录该内容

8 篇文章

订阅专栏

本教程介绍如何使用树莓派与L298N电机控制器制作一个能够自动循迹的小车。通过摄像头捕获图像，利用OpenCV进行二值化处理，识别白色赛道并调整小车方向。代码详细展示了GPIO控制及摄像头图像处理流程。

Github上有更多代码，按需自取

文章目录

说明
注意
代码

今天我们来介绍一下树莓派小车的循迹教程
首先看一个效果视频
在这里插入图片描述

说明

该小车的硬件是：树莓派+L298N，其实用Arduino也是一样的，下位机只提供一个车轮的控制，视觉识别都是通过树莓派完成的

视觉利用Opencv来实现，关于如何安装Opencv以及使用摄像头请参看我另一篇博客。

算法逻辑：看到这样一个赛道，赛道是白色的，其余部分是我们都看成非白色，这样很自然而然地就想到了二值化，将赛道的白色单独显示出来，通过一个二值化就能够很好的区分开赛道与背景。（二值化参考博客）
我们不需要分析整个摄像头范围，其实只需要选取图像中的一行像素，类似于一个线阵摄像头，中间部分是白色的，左右是黑色，所以只需要找到白色部分的中点，然后让小车一直朝着这个中点矫正就好了，如果偏左了，就让左轮加快速度，另一边同理。重点是过弯的时候，需要仔细调整这个速度，否则容易转不过去。

主要是GPIO口的一些操控，可以看我的另一篇博客

注意

尽量自己学会调试，查找问题，我的代码不是万能的，但你是万能的

一、腐蚀膨胀问题，原理我不在这里多解释了，自己选择是否腐蚀膨胀/先后顺序/迭代次数，会满足你不同的使用场景

二、转弯速度问题
30 + direction …
这些速度参数设置自己调节，甚至都可以采用缩放倍率

三、检查摄像头拍的图片
有发现拍出来的图最右边多了一列全白，解决办法有俩：1、先腐蚀，把白色去掉。2、别膨胀，把最后一列去掉，怎么去掉呢？white_index[0][white_count - 1] 把这个1改为2，相当于不去考虑最后一列

代码

# coding:utf-8

# 加入摄像头模块，让小车实现自动循迹行驶
# 思路为：摄像头读取图像，进行二值化，将白色的赛道凸显出来
# 选择下方的一行像素，黑色为0，白色为255
# 找到白色值的中点
# 目标中点与标准中点（320）进行比较得出偏移量
# 根据偏移量来控制小车左右轮的转速
# 考虑了偏移过多失控->停止;偏移量在一定范围内->高速直行(这样会速度不稳定，已删)

import RPi.GPIO as gpio
import time
import cv2
import numpy as np

# 定义引脚
pin1 = 12
pin2 = 16
pin3 = 18
pin4 = 22

# 设置GPIO口为BOARD编号规范
gpio.setmode(gpio.BOARD)

# 设置GPIO口为输出
gpio.setup(pin1, gpio.OUT)
gpio.setup(pin2, gpio.OUT)
gpio.setup(pin3, gpio.OUT)
gpio.setup(pin4, gpio.OUT)

# 设置PWM波,频率为500Hz
pwm1 = gpio.PWM(pin1, 500)
pwm2 = gpio.PWM(pin2, 500)
pwm3 = gpio.PWM(pin3, 500)
pwm4 = gpio.PWM(pin4, 500)

# pwm波控制初始化
pwm1.start(0)
pwm2.start(0)
pwm3.start(0)
pwm4.start(0)

# center定义
center = 320
# 打开摄像头，图像尺寸640*480（长*高），opencv存储值为480*640（行*列）
cap = cv2.VideoCapture(0)
while (1):
    ret, frame = cap.read()
    # 转化为灰度图
    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    # 大津法二值化
    retval, dst = cv2.threshold(gray, 0, 255, cv2.THRESH_OTSU)
    # 膨胀，白区域变大
    dst = cv2.dilate(dst, None, iterations=2)
    # # 腐蚀，白区域变小
    # dst = cv2.erode(dst, None, iterations=6)

    # 单看第400行的像素值
    color = dst[400]
    # 找到白色的像素点个数
    white_count = np.sum(color == 255)
    # 找到白色的像素点索引
    white_index = np.where(color == 255)

    # 防止white_count=0的报错
    if white_count == 0:
        white_count = 1

    # 找到白色像素的中心点位置
    center = (white_index[0][white_count - 1] + white_index[0][0]) / 2

    # 计算出center与标准中心点的偏移量
    direction = center - 320

    print(direction)

    # 停止
    if abs(direction) > 250:
        pwm1.ChangeDutyCycle(0)
        pwm2.ChangeDutyCycle(0)
        pwm3.ChangeDutyCycle(0)
        pwm4.ChangeDutyCycle(0)

    # 右转
    elif direction >= 0:
        # 限制在70以内
        if direction > 70:
            direction = 70
        pwm1.ChangeDutyCycle(30 + direction)
        pwm2.ChangeDutyCycle(0)
        pwm3.ChangeDutyCycle(30)
        pwm4.ChangeDutyCycle(0)

    # 左转
    elif direction < 0:
        if direction < -70:
            direction = -70
        pwm1.ChangeDutyCycle(30)
        pwm2.ChangeDutyCycle(0)
        pwm3.ChangeDutyCycle(30 - direction)
        pwm4.ChangeDutyCycle(0)

    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放清理
cap.release()
cv2.destroyAllWindows()
pwm1.stop()
pwm2.stop()
pwm3.stop()
pwm4.stop()
gpio.cleanup()