2021电子设计竞赛F题视觉代码(送药小车).zip

## 2021 TI CUP Electronic Design Competition (F) ### 一、项目概况： 本项目为2021全国大学生电子设计大赛F题【送药小车】视觉代码。  **1、视觉硬件设备：** 因为小车负载能力原因，手头上又没有树莓派，所以选用OpenMV完成视觉任务。 > OpenMV 4 H7 + 1080p 2.8mm OV摄像头 **2、项目文件目录树** ── ├── model (存储地面数字模板图像BMP文件) ├── model_template (存储地面数字模板PGM文件) ├── target (存储手持数字模板图像BMP文件) └── main.py (主程序代码) **3、已完成的功能点：** > 1、视觉循迹(偏离检测) 【误差 < 5°】 > > 2、数字识别 【基于NCC模板匹配，使用场景受限，需要手动打标】 > > 3、路口事件决策 > > 3、上下位机事件交互 **4、OpenMV参考资料：** [序言 · OpenMV中文入门教程](https://book.openmv.cc/) ### 二、程序流程说明 1、上电自动执行main.py函数。 2、获取目标病房号【检测手持数字牌】 3、视觉循迹，检测路口并尝试识别路口地面数字提示 4、处理上下位机数据 **详情请参考项目代码注释 ：)** ### 三、优化与改进方向 电赛的程序本身是有很多值得做Trick的地方，主要难点是自带的相机镜头畸变引发的问题。由于视角和赛场原因对模板匹配地面数字不友好。自带的相机畸变矫正效果并不平滑，建议使用无畸变镜头减少模板匹配难度。对于赛场固定点的模板，模板的采集上采取了临近折中的特征采集法，即额外放置卡片至两个固定点中间靠下并结合两点特征采集，(实际上由于像素点较少，可以人工观察采集特征信息)，这提升了不同点位因画面畸变不同的匹配能力。在指定场景下准确率尚可。但由于运算能力限制下的低图像分辨率(160x120)，模板泛化能力仍然较差。 建议更换设备到OpenMV4 Plus及以上，能支持神经网络。大幅提高数字识别的泛化能力。在保证视野的情况下使用无畸变镜头减少视觉图像处理难度。 **最彻底的优化方法就是别用OpenMV，狗都不用。**