别再只玩颜色追踪了！用OpenMV的find_blobs()函数，5分钟搞定智能小车巡线（附完整代码）

智能小车巡线实战：OpenMV视觉算法与PID控制的完美结合

在机器人竞赛和智能硬件开发领域，视觉巡线一直是基础却关键的技术。传统方案往往依赖红外传感器阵列，虽然稳定但缺乏灵活性。而基于OpenMV的视觉方案，不仅能识别复杂路径，还能通过图像处理实现更智能的决策。本文将彻底改变你对巡线技术的认知——不再只是简单跟随，而是实现真正意义上的智能路径追踪。

1. 环境搭建与硬件配置

工欲善其事，必先利其器。一套合理的硬件配置是项目成功的基础。我们需要准备以下组件：

• OpenMV Cam H7 Plus（推荐）或OpenART mini
• 带有电机驱动的小车底盘（如TT马达+L298N驱动）
• 3D打印的摄像头支架（确保30-45度俯仰角）
• 黑白分明的赛道（建议使用电工胶带制作）

关键参数配置表：

import sensor, image, time def init_camera(): sensor.reset() sensor.set_pixformat(sensor.RGB565) sensor.set_framesize(sensor.QVGA) sensor.set_auto_exposure(False, 3000) sensor.set_auto_whitebal(False) sensor.set_auto_gain(False) sensor.set_windowing((0,120,320,80))

提示：支架角度直接影响视野范围，建议通过实验确定最佳角度。太陡会丢失近处路径，太平则降低前瞻性。

2. 颜色阈值与赛道识别

find_blobs()的强大之处在于其灵活的阈值配置。对于巡线应用，我们需要重点关注：

LAB颜色空间优势：

• L通道：亮度（0-100）
• A通道：绿→红（-128~127）
• B通道：蓝→黄（-128~127）

不同于RGB空间，LAB能更好地区分颜色与亮度。典型的黑色赛道阈值可设置为：

black_threshold = (0, 40, -20, 20, -20, 20) # (Lmin,Lmax,Amin,Amax,Bmin,Bmax)

进阶技巧是动态阈值调整。当检测到环境光变化时，可实时更新阈值：

def adaptive_threshold(img): stats = img.get_statistics() l_mean = stats.l_mean() return (max(0,l_mean-20), min(100,l_mean+20), -20,20,-20,20)

多色赛道处理方案：

1. 分别设置不同颜色阈值
2. 通过blob.code()判断颜色类型
3. 优先处理主赛道颜色，辅助颜色用于特殊标记识别

multi_thresholds = [ (0,40,-20,20,-20,20), # 黑 (60,100,30,127,-128,127), # 红 (50,100,-64,-8,-32,32) # 绿 ] blobs = img.find_blobs(multi_thresholds, merge=False) for blob in blobs: if blob.code() == 1: # 第一个阈值 handle_black_line(blob) elif blob.code() == 2: # 第二个阈值 handle_red_marker(blob)

3. 偏差计算与控制算法

精准的偏差计算是巡线流畅的关键。我们采用加权中心点算法：

1. 提取所有符合要求的色块
2. 计算每个色块的cx值（中心x坐标）
3. 根据面积赋予不同权重
4. 求取加权平均值得出路径中心

def calculate_deviation(blobs): total_weight = 0 weighted_sum = 0 for blob in blobs: weight = blob.area() total_weight += weight weighted_sum += blob.cx() * weight if total_weight > 0: return weighted_sum / total_weight - img.width()/2 return None # 未检测到路径

PID控制实现：

class PIDController: def __init__(self, Kp, Ki, Kd): self.Kp = Kp self.Ki = Ki self.Kd = Kd self.last_error = 0 self.integral = 0 def update(self, error): self.integral += error derivative = error - self.last_error output = self.Kp*error + self.Ki*self.integral + self.Kd*derivative self.last_error = error return output pid = PIDController(Kp=0.8, Ki=0.001, Kd=0.2) deviation = calculate_deviation(blobs) if deviation is not None: turn = pid.update(deviation) set_motor_speed(left_speed=base_speed-turn, right_speed=base_speed+turn)

注意：PID参数需要实地调试。建议先用纯P控制，稳定后再加入I和D项。

4. 系统优化与高级功能

性能优化技巧：

• 使用img.binary()二值化图像减少处理负担
• 设置x_stride=4, y_stride=3加速blob检测
• 采用merge=True合并相邻色块
• 实现帧间差分法，只处理变化区域

十字路口识别方案：

def detect_crossing(blobs): if len(blobs) < 3: return False main_line = max(blobs, key=lambda b: b.w()) others = [b for b in blobs if b != main_line] perpendicular = any(abs(b.rotation()-90) < 15 for b in others) return perpendicular and main_line.w() > img.width()*0.6

速度自适应控制：

def adaptive_speed(blobs): if not blobs: return 0 # 丢失路径时停止 main_blob = max(blobs, key=lambda b: b.area()) width_ratio = main_blob.w() / img.width() if width_ratio > 0.7: # 直道 return max_speed else: # 弯道 return max_speed * 0.6

状态监测面板实现：

def draw_debug_info(img, blobs, deviation): img.draw_string(0,0, f"FPS:{clock.fps():.1f}", color=(255,0,0)) img.draw_string(0,15, f"Blobs:{len(blobs)}", color=(0,255,0)) if deviation is not None: img.draw_line((img.width()//2, img.height()//2, img.width()//2+int(deviation), img.height()//2), color=(0,0,255))

5. 完整代码实现与调试

将各模块整合后的核心代码架构：

import sensor, image, time, pyb from pid import PIDController # 初始化部分 sensor.reset() sensor.set_pixformat(sensor.RGB565) sensor.set_framesize(sensor.QVGA) sensor.set_auto_exposure(False, 3000) sensor.skip_frames(30) # 硬件接口 uart = UART(3, 115200) motor_controller = MotorController(uart) # 控制参数 pid = PIDController(0.8, 0.001, 0.2) base_speed = 50 thresholds = [(0,40,-20,20,-20,20)] clock = time.clock() while True: clock.tick() img = sensor.snapshot() # 赛道识别 blobs = img.find_blobs(thresholds, x_stride=4, y_stride=3, merge=True) # 偏差计算 deviation = calculate_deviation(blobs) # 控制输出 if deviation is not None: turn = pid.update(deviation) speed = adaptive_speed(blobs) motor_controller.drive(speed-turn, speed+turn) # 调试信息 draw_debug_info(img, blobs, deviation)

常见问题排查指南：

在实际比赛中，我们还需要考虑赛道记忆功能——通过记录历史路径点来预测弯道走向，以及动态障碍物避让等进阶功能。这些都可以基于现有的视觉框架进行扩展。