利用 OpenCV 和摄像头识别赛道边线是一种常见的计算机视觉应用，通常用于机器人小车或其他自动化设备沿指定路径行驶的任务中。以下是基本步骤和技术原理： --- ### **技术原理** 1. **图像采集** 使用摄像头实时获取视频流，并将每一帧作为输入图像。 2. **预处理图像** - 将彩色图像转换为灰度图（`cv2.cvtColor()`），减少计算复杂度。 - 应用高斯模糊（`cv2.GaussianBlur()`）去除噪声并平滑边缘。 3. **提取车道线特征** - 使用 Canny 边缘检测算法（`cv2.Canny()`）找到图像中的显著边界。 - 如果需要进一步增强对比度，可以对特定颜色范围进行阈值分割（如白色、黄色线条的颜色过滤，通过 `cv2.inRange()` 实现）。 4. **霍夫变换检测直线** 利用 Hough 变换（`cv2.HoughLinesP()` 或 `cv2.HoughLines()`）从边缘点集中提取出直线段。 5. **绘制和跟踪边线** 根据检测到的直线信息，在原图上绘制出来以便可视化。同时可以根据两条边线的位置判断车辆是否偏离中心或需要调整方向。 6. **反馈控制** 基于边线位置生成控制信号，例如调整电机速度以保持在赛道中央。 --- ### **代码示例框架** ```python import cv2 import numpy as np # 打开摄像头 cap = cv2.VideoCapture(0) while True: # 获取当前帧 ret, frame = cap.read() if not ret: break # 预处理：转灰度 + 模糊 gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) blurred = cv2.GaussianBlur(gray, (5, 5), 0) # 边缘检测 edges = cv2.Canny(blurred, 50, 150) # 定义感兴趣区域（ROI） height, width = edges.shape[:2] mask = np.zeros_like(edges) region_of_interest = [(0, height), (width / 2, height * 0.6), (width, height)] cv2.fillPoly(mask, [np.array(region_of_interest, dtype=np.int32)], 255) masked_edges = cv2.bitwise_and(edges, mask) # 霍夫变换找直线 lines = cv2.HoughLinesP(masked_edges, rho=1, theta=np.pi/180, threshold=50, minLineLength=40, maxLineGap=20) if lines is not None: for line in lines: x1, y1, x2, y2 = line[0] cv2.line(frame, (x1, y1), (x2, y2), (0, 255, 0), 2) # 绘制绿色线条 # 显示结果 cv2.imshow("Lane Detection", frame) # 按 'q' 键退出循环 if cv2.waitKey(1) & 0xFF == ord('q'): break # 关闭资源 cap.release() cv2.destroyAllWindows() ``` --- ### **注意事项** 1. 确保摄像头安装稳固，并尽量避免强光直射影响成像质量。 2. 对于复杂的场景（如弯曲轨道或多条交错线路），需引入更高级的技术，比如深度学习模型辅助预测轨迹。 3. 调整参数时注意平衡精度与性能，尤其是在嵌入式系统运行的情况下。 ---