前言

这段时间在和学弟打软件杯的比赛，有项任务就是机器人的视觉巡线，这虽然不是什么稀奇的事情，但是对于一开始不了解视觉的我来说可以说是很懵了，所以现在就想着和大家分享一下，来看看是如何基于opencv来实现巡线的。我这里以ubuntu20.04为例了

正文

1.查看相机设备

首先要完成视觉巡线那必不可少的就是相机了，使用

ll /dev/video*

来查看相机。

这里可以看到我有两个相机设备，一个是我电脑自带的相机video0，另一个是我的usb相机video1。

2.显示实时图像

新建一个工作空间，然后新建一个cpp文件，然后进行相机的初始化，以及调用窗口实时显示图像

#include <opencv2/opencv.hpp>
#include <iostream>
#include <chrono>

using namespace std;

int camera_width = 640;
int camera_height = 480;

int main(int argc, char const *argv[])
{
    // 初始化变量和对象
    cv::VideoCapture cap(1);
    cap.set(CAP_PROP_FRAME_WIDTH, camera_width);
    cap.set(CAP_PROP_FRAME_HEIGHT, camera_height);
    // 循环处理每一帧图像
    while (true) {
        cv::Mat color_image;
        cap.read(color_image);
        if (color_image.empty()) {
            cerr << "Failed to capture image" << endl;
            break;
        }
     imshow("Color Image", color_image);
     char key = waitKey(1);
        if (key == 'q') {
            break;
        }
    }

    // 释放资源
    cap.release();
    destroyAllWindows();
    return 0;
}

这里初始化cv::VideoCapture cap(1)传入的参数就是上面查看到的设备，如果想要调用系统自带相机，那就改为cap(0)。

3.巡线函数

我这里函数声明如下:
tuple<cv::Mat, float, bool, bool, bool> followBlindPath(cv::Mat color_image)

由于我想要多个返回值所以就采用了tuple模版，后面采用tie函数进行解包，其中输入参数为要识别的图片，输出参数分别为经识别后标记的图片，以及水平方向上偏差（后面会具体解释是什么偏差），后面三个布尔值表示三个状态，分别为巡线，转弯和停止。

在识别开始之前，由于图片在opencv保存的格式默认为BGR格式图片，我们要转为HSV格式，因为后面的操作都是基于HSV图片进行的。

cv::cvtColor(color_image, hsvFrame, COLOR_BGR2HSV);

效果如下：

然后指定HSV的色域，scalar函数三个参数分别为色调（Hue）、饱和度（Saturation）和亮度（Value），我这里设置的值为黄色的色域。

cv::Scalar color_lower =  cv::Scalar(10, 40, 120);
cv::Scalar color_upper =  cv::Scalar(40, 255, 255);
cv::inRange(hsvFrame, color_lower, color_upper,color_mask);

inRange函数用于判断一个像素或像素矩阵是否在指定的范围内，hsvFrame是输入图像，返回图像color_mask是一个二值图像，即在色域内的为白色，色域外为黑色。

处理效果如下：

然后进行滤波，过滤掉一些噪声然后进行膨胀和腐蚀的操作使得图片识别效果更好

//矩形结构
cv::Mat dilate_kernel = cv::getStructuringElement(MORPH_RECT, Size(10, 10));
cv::Mat erode_kernel = cv::getStructuringElement(MORPH_RECT, Size(5, 5));
cv::medianBlur(color_mask, color_mask, 9);  // 中值滤波
cv::dilate(color_mask, color_mask, dilate_kernel);  // 膨胀 
cv::erode(color_mask, color_mask, erode_kernel);  // 腐蚀

上面定义了用于膨胀和腐蚀的矩形结构，然后进行了滤波、膨胀和腐蚀。

效果如下：

接着就要划定ROI区域了，也就是要识别的区域：

cv::Mat mask_roi = cv::color_mask(Rect(0, 0, camera_width, 20));  // 划定ROI区域

我这里ROI区域为上面高20的区域，因为我实际的相机在下方，具体的ROI区域，还是要和相机的位置进行相应的设置

区域如下：

然后进行识别操作：

vector<vector<cv::Point>> contours_roi;
    //cv::Vec4i是二维向量，
    vector<Vec4i> hierarchy;
    cv::findContours(mask_roi, contours_roi, hierarchy, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
    if (!contours_roi.empty()) {
        //内联函数，找到面积最大值
        vector<Point> c = *max_element(contours_roi.begin(), contours_roi.end(), [](vector<Point> a, vector<Point> b) {
            return contourArea(a) < contourArea(b);
        });
        //cv::boundingRect用于计算轮廓的最小边界矩形。
        //它返回值是一个轮廓所包围的最小矩形，该矩形的边界与轮廓的边界平行，并且完全包含轮廓。
        //cv::Rect 表示矩形
        cv::Rect bound_rect = boundingRect(c);
        //用于在图像上绘制矩形。color_image输入输出图像,bound_rect是标记的矩形
        cv::rectangle(color_image, bound_rect, Scalar(255, 255, 255), 2);

        int center_x = bound_rect.x + bound_rect.width / 2;
        int center_y = bound_rect.y + bound_rect.height / 2;
        cv::circle(color_image, Point(center_x, center_y), 5, Scalar(0, 0, 255), -1);
        cv::imshow("Path3", color_image);
        last_center_x = center_x;
        
        return make_tuple(color_image, ((center_x / (float)camera_width) * 2 - 1), true, false, false);
    }

findContours用于在二值图像中查找轮廓，其中：

  • contours：输出的轮廓向量，每个轮廓表示为一个 std::vector<cv::Point> 对象
  • hierarchy：可选的输出向量，包含了轮廓的层次结构信息。默认情况下，不输出层次结构信息，可以传入一个空的 cv::OutputArray 对象。
  • 轮廓数据存储在 contours 和 hierarchy 两个输出参数中。

执行findContours过后，判断contours_roi.empty()是否为空，如果为空说明所划的区域未识别到黄线，转为了下一个状态，如果识别到了就找到面积最大的区域划矩形框。

其中采用rectangle()函数绘制矩形框，然后找到中心点(center_x,center_y)，使用circle绘制点，同时返回值第一个bool值置为true，其他为false。

最终结果如下：

如果上面contours_roi.empty()为空，则说明所划的区域未识别到黄线，那么就需要重新划定剩下ROI区域

else {
        // TurnState
        mask_roi = cv::color_mask(Rect(0, 20, camera_width, 80));  // 划定ROI区域
        vector<vector<Point>> contours_roi;
        vector<Vec4i> hierarchy;
        cv::findContours(mask_roi, contours_roi, hierarchy, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);
        if (!contours_roi.empty()) {
            vector<Point> c = *max_element(contours_roi.begin(), contours_roi.end(), [](vector<Point> a, vector<Point> b) {
                return contourArea(a) < contourArea(b);
            });
            cv::Rect bound_rect = boundingRect(c);
            cv::rectangle(color_image, bound_rect, Scalar(255, 255, 255), 2);

            return make_tuple(color_image, ((last_center_x / (float)camera_width) * 2 - 1), false, true, false);
        }
        else{
            // StopState
            return make_tuple(color_image, 0.0, false, false, true);
        }
    }

如果这部分contours_roi.empty()不为空说明识别到了黄线，该执行转弯动作，返回值第二个bool置为true，其他为false，如果这部分contours_roi.empty()仍为空，说明完成了全部线的跟随，进入了停止状态，返回值最后一个置为true，其他为false。

4.偏差计算

那返回的偏差是如何计算的呢，这里是用2倍的中心点x坐标减去图片宽度最后比上图片宽度实现的即：

last_center_x / (float)camera_width) * 2 - 1

这样的意义可以使得中心点在左边时，值为负，在右边时值为正，更为方便判断转向，然后将偏差以相应的比例赋给相应的机器人便可以啦。这个偏差也是可以进行PID的，这样控制效果会更好，后续我看看要不要也分享一下，这次就到此结束啦！