1. 走马观碑组的赛道识别到底难在哪第一次接触走马观碑组的人十有八九会低估它的难度。这个组别的核心任务听起来很朴素车模在PVC赛道上跑沿途识别竖立的目标板完成对应动作。但真正上手之后你会发现识别环节的坑远比想象中密集——光照一变阈值全废板子稍微歪一点轮廓就抓不准车速提上去之后帧率又跟不上。我在准备这个组别的过程中前前后后换了三套识别方案烧掉了两块主控板才把整套流程跑通。这篇文章就把我踩过的坑和最终跑通的方案完整拆开讲一遍从硬件选型到图像处理再到实车调试尽量把每个环节的“为什么”说清楚。走马观碑组适合有一定嵌入式基础和图像处理入门经验的参赛者。如果你之前做过缩微光电或者摄像头组转过来会顺手很多如果是纯新手建议先把摄像头的基本成像原理和灰度图处理搞明白再上手。整篇文章会围绕PVC赛道、目标板识别、避坑指南这几个核心关键词展开把方案选型、参数计算、代码实现和调试经验都覆盖到。先说结论这个组别的识别难点集中在三个方面——光照鲁棒性、目标板特征提取的稳定性、识别速度与车速的匹配。后面每一个章节都会围绕这三个问题展开给出我实测有效的解决思路。2. 方案选型为什么我最终放弃了纯阈值方案2.1 三种主流识别方案的对比在走马观碑组里识别目标板的路子大致有三条纯阈值分割、边缘检测加形状匹配、以及基于特征点的模板匹配。我三条路都走过一遍下面把各自的优劣摆出来。方案核心思路优点致命缺点适用场景纯阈值分割根据灰度值直接二值化提取目标区域代码简单单帧耗时低对光照极度敏感阈值需要频繁调整光照恒定的室内赛道边缘检测形状匹配Canny/Sobel提取边缘再判断轮廓形状对颜色变化不敏感边缘断裂时轮廓闭合失败误判率高目标板对比度高的场景特征点模板匹配提取目标板的角点或特定纹理特征鲁棒性最好抗光照变化计算量大对主控算力有要求算力充足的平台我最初用的是纯阈值方案因为代码写起来最快二值化之后直接找最大连通域就行。但实际跑起来之后发现赛场的光照条件根本不可控——顶灯的位置、窗帘的遮挡、甚至旁边队伍的车模反光都会让阈值失效。有一次调试时上午跑得好好的下午太阳斜射进来识别率直接从95%掉到40%。后来换成边缘检测方案用Canny算子提取轮廓再用多边形逼近判断是不是矩形目标板。这个方案在光照均匀时表现不错但PVC赛道本身是白色的目标板贴在赛道上时边缘对比度不够Canny的双阈值很难同时兼顾边缘完整性和噪声抑制。我试过用自适应阈值来改进效果有提升但代码复杂度上去了而且自适应阈值的窗口大小对结果影响很大调参调到怀疑人生。最终我选择了基于颜色特征和形状约束的混合方案。具体来说先用颜色空间转换把图像转到HSV空间利用目标板的色相特征做粗筛再在候选区域内做轮廓分析确认。这个方案的好处是把颜色信息和形状信息结合起来单一特征失效时另一个还能兜底。2.2 为什么选HSV而不是RGB这里要专门说一下颜色空间的选择。很多人习惯直接在RGB空间做阈值分割因为摄像头输出的就是RGB数据省去了转换步骤。但RGB三个通道是高度相关的光照变化时三个通道的值会同时偏移你很难找到一个固定的阈值组合能适应不同光照。HSV空间把色相H、饱和度S、明度V分离开来。色相反映的是颜色种类跟光照强度基本无关明度反映的是亮度跟光照强度直接相关。这意味着你可以用色相来做颜色判断用明度来做亮度补偿两者互不干扰。转换公式这里不展开推导网上资料很多。实际用的时候直接调OpenCV的cvtColor函数就行注意RGB转HSV时色相的范围是0到180而不是0到360这是因为OpenCV为了用8位存储做了压缩。这个细节很容易踩坑我第一次写的时候按0到360算结果色相判断全错。提示如果你的主控算力有限可以考虑用YUV空间做替代。YUV和HSV类似也把亮度信息分离出来了而且很多摄像头原生支持YUV输出省去了转换开销。2.3 硬件选型的几个关键决策主控方面我最终用的是带硬件浮点运算的MCU主频在200MHz以上。走马观碑组的图像处理虽然不算特别重但如果你要做颜色空间转换加轮廓分析没有硬件浮点会非常吃力。我试过用纯整数运算来优化代码可读性直线下降而且效果还不一定好。摄像头选的是全局快门型号。卷帘快门在车模运动时会产生果冻效应目标板的边缘会扭曲对形状判断影响很大。全局快门贵一些但在这个组别里是值得的。分辨率方面我用的QVGA320x240再高的话处理时间吃不消再低的话目标板稍远就识别不到了。镜头选了中等焦距的视场角大概60度。太广的话目标板在图像里太小太窄的话车模稍微偏一点目标板就出画了。这个焦距需要根据你的赛道宽度和目标板尺寸来算后面会给出计算方法。3. 目标板特征提取的核心细节3.1 目标板的颜色特征分析走马观碑组的目标板通常是特定颜色的矩形板上面可能有图案或文字。不同赛区的具体规格可能有差异但核心特征是颜色和形状。我拿到的目标板是红色底白色图案所以颜色特征非常明显。在HSV空间里红色的色相分布在两个区域0到10和170到180。这是因为红色在色相环上跨越了0度边界。处理的时候需要把这两个区间都纳入判断否则会漏掉一部分红色像素。这个坑我踩过当时只判断了0到10结果目标板在特定角度下色相偏移到175左右直接识别不到。饱和度方面目标板的红色饱和度很高基本在100以上。明度方面因为目标板表面有反光明度值波动比较大从80到255都有。所以我的策略是色相和饱和度做严格判断明度只做宽松约束。具体阈值范围我实测下来是这样的色相0-10 或 170-180饱和度80-255明度50-255这套阈值在室内赛场基本够用但如果你的赛场有特殊光照需要重新标定。标定方法很简单把目标板放在赛道不同位置用摄像头采集图像统计目标板区域的HSV值分布取覆盖95%以上像素的范围作为阈值。3.2 形态学处理的关键参数颜色分割之后会得到一张二值图但上面会有很多噪点——赛道的反光、地面的灰尘、甚至摄像头本身的噪声都会产生误判。这时候需要用形态学操作来清理。我用的顺序是先开运算先腐蚀后膨胀去掉小噪点再闭运算先膨胀后腐蚀填补目标区域内部的空洞。开运算的核大小选了3x3闭运算的核大小选了5x5。为什么闭运算的核更大因为目标板内部可能有白色图案颜色分割后这些图案会变成空洞需要更大的核来填补。这里有个经验形态学操作的核大小不要超过目标板在图像中最小尺寸的十分之一。否则目标板本身会被腐蚀掉或者膨胀得连成一片。目标板在图像中的最小尺寸取决于你的识别距离要求后面会讲怎么算。注意形态学操作会改变目标板的边缘位置如果你的形状判断对边缘精度要求很高建议在形态学处理后再做一次边缘细化或者直接用原始二值图做形状分析形态学结果只用来做区域筛选。3.3 轮廓筛选的几何约束形态学处理之后用findContours提取轮廓然后对每个轮廓做几何筛选。筛选条件包括面积、宽高比、矩形度、以及轮廓的凸性。面积筛选是为了排除太小或太大的区域。太小的是噪点太大的是赛道上的其他白色区域。面积范围根据目标板的实际尺寸和识别距离来定。我实测下来目标板在图像中的面积大概在200到2000像素之间。宽高比筛选是因为目标板是矩形宽高比应该在一个合理范围内。我用的目标板宽高比是3:2所以筛选范围设为1.2到1.8留了一定的余量来适应透视变形。矩形度是轮廓面积与最小外接矩形面积的比值。理想矩形的矩形度是1实际因为边缘锯齿和透视变形一般在0.7到0.95之间。低于0.7的基本可以排除。凸性判断是检查轮廓是不是凸多边形。目标板是矩形肯定是凸的。如果轮廓有凹陷说明可能是两个目标板粘在一起了或者是其他形状的干扰物。这几个条件组合起来误判率能降到很低。我实测在室内赛场跑误判基本为零漏判主要出现在目标板距离太远或者角度太偏的时候。4. 从识别到决策完整实操流程4.1 图像采集与预处理的时间预算整个识别流程的时间分配需要提前算清楚否则车速提上去之后帧率跟不上识别结果就滞后了。我用的主控跑一遍完整流程大概需要15毫秒其中图像采集占3毫秒颜色空间转换占2毫秒颜色分割占3毫秒形态学处理占2毫秒轮廓提取和筛选占5毫秒。15毫秒意味着一秒钟能处理约66帧对于走马观碑组来说足够了。但如果你的主控算力只有我的一半那就需要优化。优化的方向有两个一是降低分辨率二是减少处理区域。降低分辨率是最直接的从QVGA降到QQVGA160x120处理时间能减少到四分之一左右。但分辨率降低后识别距离会缩短需要重新计算镜头焦距和识别距离的关系。减少处理区域是更聪明的做法。因为目标板只可能出现在赛道前方的特定区域内你可以只处理图像的下半部分或者中间区域把处理量降下来。我实际用的是动态ROI根据上一帧的识别结果预测目标板可能出现的位置只处理那个区域。这个方案在目标板连续出现时效果很好但目标板突然出现时会有延迟。4.2 识别距离与镜头焦距的计算识别距离是指车模能稳定识别到目标板的最远距离。这个距离需要根据赛道宽度和车速来定。赛道宽度假设是60厘米车速假设是2米每秒那么从目标板进入视野到车模到达目标板的时间是0.3秒。识别流程需要15毫秒加上决策和执行的时间总共算50毫秒那么识别距离至少需要2米每秒乘以0.05秒等于10厘米。但这是理论最小值实际要考虑识别稳定性和容错我建议识别距离至少留到30厘米以上。镜头焦距的计算公式是焦距等于图像传感器宽度乘以识别距离除以目标板宽度。假设图像传感器宽度是4.8毫米1/4英寸识别距离是30厘米目标板宽度是10厘米那么焦距等于4.8乘以300除以100等于14.4毫米。这个焦距对应的视场角大概是18度比较窄。如果赛道比较宽需要更大的视场角那就需要缩短焦距或者增大传感器尺寸。我实际用的镜头焦距是8毫米识别距离大概在20到50厘米之间视场角约30度。这个配置在60厘米宽的赛道上跑车模横向偏移10厘米以内都能识别到目标板。4.3 代码实现的关键片段颜色分割的核心代码大概长这样import cv2 import numpy as np def detect_target_board(frame): # 转HSV hsv cv2.cvtColor(frame, cv2.COLOR_BGR2HSV) # 红色阈值两个区间 lower_red1 np.array([0, 80, 50]) upper_red1 np.array([10, 255, 255]) lower_red2 np.array([170, 80, 50]) upper_red2 np.array([180, 255, 255]) mask1 cv2.inRange(hsv, lower_red1, upper_red1) mask2 cv2.inRange(hsv, lower_red2, upper_red2) mask cv2.bitwise_or(mask1, mask2) # 形态学处理 kernel_open np.ones((3, 3), np.uint8) kernel_close np.ones((5, 5), np.uint8) mask cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel_open) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel_close) # 找轮廓 contours, _ cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) candidates [] for cnt in contours: area cv2.contourArea(cnt) if area 200 or area 2000: continue rect cv2.minAreaRect(cnt) w, h rect[1] if w 0 or h 0: continue aspect_ratio max(w, h) / min(w, h) if aspect_ratio 1.2 or aspect_ratio 1.8: continue rect_area w * h rectangularity area / rect_area if rectangularity 0.7: continue if not cv2.isContourConvex(cnt): continue candidates.append(rect) return candidates这段代码是Python版本方便在电脑上调试。实际部署到主控上时需要转成C或者C并且把OpenCV的函数替换成自己实现的版本因为主控上跑不动完整的OpenCV。转C的时候有几个注意点cvtColor的HSV转换可以自己写查表法把RGB到HSV的转换结果预先算好存成表运行时直接查表速度能快很多。inRange可以用简单的比较代替。形态学操作可以用位运算实现。findContours是最耗时的部分如果主控算力不够可以考虑用简化的连通域标记算法代替。4.4 实车调试的步骤代码在电脑上跑通之后移植到主控上然后就是实车调试。我的调试步骤是这样的第一步静态调试。把车模放在赛道上目标板放在不同位置用串口把识别结果打印出来检查识别率和误判率。这一步主要调颜色阈值和形态学参数。第二步低速动态调试。车模以低速跑目标板固定位置检查识别结果是否稳定。这一步主要调ROI区域和识别距离。第三步高速动态调试。车模逐渐提速目标板位置随机变化检查识别延迟和漏判情况。这一步主要调处理速度和决策逻辑。第四步光照变化测试。用可调光源模拟不同光照条件检查识别鲁棒性。这一步主要调明度阈值和自适应策略。每一步都要记录数据包括识别率、误判率、平均处理时间、最大处理时间。这些数据是后续优化的依据。5. 常见问题与避坑指南5.1 光照变化导致识别失效这是最常见的问题也是我踩得最深的坑。解决方案有三个层次第一层是硬件层面。给摄像头加遮光罩减少杂散光干扰。遮光罩的长度大概是镜头直径的1.5倍太长会影响视场角太短起不到遮光效果。我用的遮光罩是3D打印的内壁贴了黑色绒布效果很好。第二层是算法层面。用自适应阈值代替固定阈值或者用明度补偿。明度补偿的思路是统计图像的整体明度如果偏暗就提高明度阈值偏亮就降低。补偿系数需要根据实际光照条件标定。第三层是策略层面。如果光照变化太剧烈可以考虑用主动光源。在摄像头旁边加一个LED补光灯让目标板区域的照度保持稳定。这个方案会增加功耗但对识别鲁棒性提升很大。5.2 目标板倾斜导致形状判断失败目标板在赛道上可能不是正对车模的会有倾斜角度。倾斜角度太大时矩形的宽高比会变化矩形度会下降导致筛选失败。解决方案是放宽筛选条件同时增加角度补偿。具体来说把宽高比范围放宽到1.0到2.5矩形度下限降到0.6。同时用最小外接矩形的角度信息来判断倾斜方向如果倾斜角度在合理范围内比如正负30度就认为是有效目标板。但放宽条件会增加误判率所以需要配合其他特征来确认。我加了一个特征目标板内部的白色图案。红色区域内部如果有白色区域且白色区域的面积占比在合理范围内就确认是目标板。这个特征把误判率又压回去了。5.3 处理速度跟不上车速车速提上去之后如果处理速度跟不上识别结果就会滞后车模会错过目标板。解决方案有两个方向提高处理速度或者降低对处理速度的要求。提高处理速度的方法前面说过降低分辨率、减少ROI、优化代码。降低对处理速度的要求的方法是提前识别也就是在更远的距离上识别目标板给决策和执行留更多时间。这需要增大识别距离可以通过换更长焦距的镜头或者提高分辨率来实现。我最终用的是提前识别方案识别距离从30厘米增加到50厘米车速从1.5米每秒提到2.5米每秒识别依然稳定。5.4 常见问题速查表问题现象可能原因排查方法解决方案识别率突然下降光照变化打印HSV值分布调整明度阈值或加补光目标板识别不到距离太远测量目标板在图像中的像素数增大焦距或提高分辨率误判率高阈值太宽统计误判区域的HSV值收紧色相和饱和度阈值处理时间波动大ROI区域变化记录每帧处理时间固定ROI或优化轮廓提取目标板倾斜时失败形状筛选太严检查宽高比和矩形度放宽筛选条件加内部特征确认车模抖动时识别不稳摄像头固定不牢检查摄像头支架加固支架或加减震远处目标板太小分辨率不够计算目标板像素数提高分辨率或换长焦镜头近处目标板出画视场角太窄测量视场角换广角镜头或调整安装角度5.5 几个容易被忽略的细节第一个细节是摄像头的白平衡。很多摄像头默认开启自动白平衡这会导致颜色判断不稳定。建议关闭自动白平衡手动标定一次之后固定不变。标定方法是在标准光源下对着白纸调让白色区域的RGB值接近相等。第二个细节是曝光时间。自动曝光同样会导致图像明度波动建议关闭自动曝光手动设置一个适中的曝光值。如果赛场光照变化大可以考虑用自动曝光但限制曝光范围避免极端值。第三个细节是镜头的畸变。广角镜头边缘会有桶形畸变导致目标板的形状判断在图像边缘失效。解决方案是选畸变小的镜头或者做畸变校正。畸变校正需要标定内参比较麻烦我建议直接选畸变小的镜头省事。第四个细节是赛道的反光。PVC赛道表面光滑顶灯照射下会有反光区域这些区域的HSV值可能跟目标板接近导致误判。解决方案是调整摄像头角度避开反光区域或者在算法里加一个反光检测把高亮区域排除掉。6. 我实际跑通后的几点体会整套方案跑通之后我在室内赛场做了完整测试识别率稳定在98%以上误判率低于1%处理时间稳定在15毫秒以内。车速跑到2.5米每秒时识别依然没有明显滞后。回过头看最大的坑其实不是算法本身而是调试方法。我一开始没有系统地记录数据调参全靠感觉结果改了一个参数之后不知道是变好了还是变坏了。后来养成了记录的习惯每次调参都记录识别率和误判率的变化效率才提上来。另一个体会是不要追求完美的算法要追求稳定的算法。有些方案在理想条件下表现很好但稍微有点干扰就崩了。我最终选的方案在理想条件下不是最好的但在各种干扰下都能保持稳定这才是比赛需要的。最后分享一个小技巧如果你的主控有DMA一定要用起来。图像采集用DMA传输不占用CPU时间能把处理时间再压缩2到3毫秒。这几毫秒在高速运行时很关键。