具有 OpenCV 对象跟踪功能的自主火星探测器
DOIT SUPER
转载
原文链接: https://www.instructables.com/Raspberry-Pi-Autonomous-Mars-Rover-With-OpenCV-Obj/ 发布时间: 2025-06-14 16:28:20 | 
0
0
0
0
0 0 0 0树莓派
RaspberryPi3
OpenCV物体识别
齿轮直流电机
探测车
由 Raspberry Pi 3、Open CV 物体识别、超声波传感器和齿轮直流电机驱动。这款探测车可以追踪任何经过训练的物体，并在任何地形上移动。
准备工作:
材料:
12345
所需材料
- Raspberry Pi（除 0 外的任何型号）
- Raspberry PI 相机或网络摄像头
- L293D电机驱动IC
- 机器人轮子 (7x4cm) X 4
- 减速直流电机 (150RPM) X 4
- 底盘用 PVC 管
工具:
所需软件
- 使用 Putty 连接 Pi
- Open CV 进行物体识别
1
介绍
12
1.视频介绍https://www.youtube.com/embed/Km9eo4kZGuY?feature=oembed&autoplay=1
2.在本教程中，我们将构建一个自主火星探测器，它可以使用在 Raspberry Pi 3 上运行的 Open CV 软件识别物体并跟踪它们，并可以选择使用网络摄像头设备或原始 Raspberry Pi 摄像头。它还配备了一个安装在伺服器上的超声波传感器，以便在摄像头无法工作的黑暗环境中跟踪其路线。从 Pi 接收到的信号被发送到电机驱动器 IC (L293D)，该 IC 驱动安装在用 PVC 管制成的车身上的 4 个 150RPM 直流电机。
2
建造流动站底盘
123
要构建这个 PVC 底盘，你需要
- 2 x 8 英寸
- 2 x 4 英寸
- 4 个 T 型接头
将 PVC 管排列成梯子状结构，然后插入 T 型接头。您可以使用 PVC 密封剂使接头更加牢固。
齿轮直流电机使用夹具与 PVC 管底盘连接，然后使用螺钉将轮子与电机连接。
3
构建超声波测距仪组件
超声波测距仪组件采用 HC-SR04 超声波传感器与微型伺服电机连接而成。电缆预先与超声波传感器连接，然后放入塑料外壳中，并通过螺钉与伺服电机连接。
4
原理图和电气连接
12
请按照所附的电路图进行电气连接。
5
SSH 和 Open CV 安装
现在，我们需要通过 SSH 连接到我们的树莓派，以便安装所需的软件。我们将从通过 SSH 连接到我们的树莓派开始。确保您的树莓派连接到与您的 PC 相同的路由器，并且您知道路由器为其分配的 IP 地址。现在，打开命令提示符或 PUTTY（如果您使用的是 Windows）并运行以下命令。
ssh pi@192.168.1.6
你的 Pi 的 IP 可能不同，我的是 192.168.1.6。
现在，输入您的默认密码 - “raspberry”
现在，您已通过 SSH 连接到您的 Pi，让我们开始使用此命令进行更新。
sudo apt-get 更新 && sudo apt-get 升级
现在让我们安装所需的开发人员工具，
sudo apt-get 安装 build-essential cmake pkg-config
接下来，我们需要安装一些图像 I/O 包，以帮助我们的 Pi 从磁盘获取各种图像格式。
sudo apt-get 安装 libjpeg-dev libtiff5-dev libjasper-dev libpng12-dev
现在，一些用于获取视频、直播和优化 OpenCV 性能的软件包
sudo apt-get 安装 libavcodec-dev libavformat-dev libswscale-dev libv4l-dev
sudo apt-get 安装 libxvidcore-dev libx264-dev
sudo apt-get 安装 libgtk2.0-dev libgtk-3-dev
sudo apt-get 安装 libatlas-base-dev gfortran
我们还需要安装 Python 2.7 和 Python 3 头文件，以便我们可以使用 Python 绑定编译 OpenCV
sudo apt-get 安装 python2.7-dev python3-dev
下载 OpenCV 源代码
光盘〜
wget -O opencv.zip https://github.com/Itseez/opencv/archive/3.3.0.zip
解压opencv.zip
下载 opencv_contrib 存储库
wget -O opencv_contrib.zip https://github.com/Itseez/opencv_contrib/archive/3.3.0.zip
解压缩 opencv_contrib.zip
还建议使用虚拟环境来安装 OpenCV。
sudo pip 安装 virtualenv virtualenvwrapper
sudo rm -rf ~/.cache/pip
现在，virtualenv 和 virtualenvwrapper 已经安装完毕，我们需要更新 ~/.profile 以在底部包含以下几行
导出 WORKON_HOME=$HOME/.virtualenvs<br>
导出 VIRTUALENVWRAPPER_PYTHON=/usr/bin/python3
源 /usr/local/bin/virtualenvwrapper.sh
创建你的 Python 虚拟环境
mkvirtualenv cv-p python2
切换到创建的虚拟环境
源 ~/.profile
工作简历
安装 NumPy
pip 安装 numpy
编译并安装 OpenCV
cd ~/opencv-3.3.0/
mkdir 构建
光盘制作
cmake -D CMAKE_BUILD_TYPE=RELEASE \<br>
-D CMAKE_INSTALL_PREFIX=/usr/本地\
-D INSTALL_PYTHON_EXAMPLES=开启
-D OPENCV_EXTRA_MODULES_PATH=~/opencv_contrib-3.3.0/模块\
-D BUILD_EXAMPLES=ON..
最后编译OpenCV
制作-j4
此命令运行完成后，您需要做的就是安装它。
sudo 进行配置
sudo ldconfig
6
运行 Rover 的 Python 代码
1.观看视频链接：https://www.youtube.com/embed/eMqlzxwc7zI?feature=oembed&autoplay=1
2.创建一个名为tracker.py的Python文件，并向其中添加以下代码。
sudo nano 跟踪器.py
代码：
#ASAR 计划
#该程序跟踪一个红球并指示树莓派跟随它。
导入系统
sys.path.append（'/usr/local/lib/python2.7/site-packages'）
导入cv2
将 numpy 导入为 np
导入操作系统
导入 RPi.GPIO 作为 IO
IO.设置模式（IO.板）
IO.设置（7，IO.OUT）
IO.设置（15，IO.OUT）
IO.设置（13，IO.OUT）
IO.设置（21，IO.OUT）
IO.设置（22，IO.OUT）
def fwd（）：
IO.output(21,1)#左电机前进
IO.输出（22,0）
IO.output(13,1)#右电机前进
IO.输出（15,0）
定义bac（）：
IO.output(21,0)#左电机后退
IO.输出（22,1）
IO.output(13,0)#右电机后退
IO.输出（15,1）
定义 ryt()：
IO.output(21,0)#左电机后退
IO.输出（22,1）
IO.output(13,1)#右电机前进
IO.输出（15,0）
定义lft（）：
IO.output(21,1)#左电机前进
IO.输出（22,0）
IO.output(13,0)#右电机后退
IO.输出（15,1）
定义stp（）：
IO.output(21,0)#左电机停止
IO.输出（22,0）
IO.output(13,0)#右电机停止
IO.输出（15,0）
######################################################################################################
定义主要（）：
capWebcam = cv2.VideoCapture(0) # 声明一个 VideoCapture 对象并关联到网络摄像头，0 => 使用第一个网络摄像头
# 显示原始分辨率
打印“默认分辨率 = ”+ str（capWebcam.get（cv2.CAP_PROP_FRAME_WIDTH））+“x”+ str（capWebcam.get（cv2.CAP_PROP_FRAME_HEIGHT））
capWebcam.set(cv2.CAP_PROP_FRAME_WIDTH, 320.0) # 将分辨率更改为 320x240，以加快处理速度
capWebcam.设置（cv2.CAP_PROP_FRAME_HEIGHT，240.0）
# 显示更新后的分辨率
打印“更新后的分辨率 = ”+ str（capWebcam.get（cv2.CAP_PROP_FRAME_WIDTH））+“x”+ str（capWebcam.get（cv2.CAP_PROP_FRAME_HEIGHT））
if capWebcam.isOpened() == False: # 检查 VideoCapture 对象是否已成功与网络摄像头关联
print "error: capWebcam not accessed successful\n\n" # 如果没有，则将错误消息打印到标准输出
os.system("pause") # 暂停直到用户按下某个键，以便用户可以看到错误消息
返回#并退出函数（退出程序）
# 结束
while cv2.waitKey(1) != 27 and capWebcam.isOpened(): # 直到按下 Esc 键或网络摄像头连接丢失
blnFrameReadSuccessfully, imgOriginal = capWebcam.read() # 读取下一帧
如果不是 blnFrameReadSuccessfully 或 imgOriginal 为 None: # 如果帧未成功读取
print "error: frame not read from webcam\n" # 将错误消息打印到标准输出
os.system("pause") # 暂停直到用户按下某个键，以便用户可以看到错误消息
break #退出while循环（退出程序）
# 结束
imgHSV = cv2.cvtColor(imgOriginal，cv2.COLOR_BGR2HSV) 复制代码
imgThreshLow = cv2.inRange(imgHSV，np.array([0, 135, 135]), np.array([18, 255, 255]))
imgThreshHigh = cv2.inRange(imgHSV，np.array([165, 135, 135]), np.array([179, 255, 255]))
imgThresh = cv2.添加（imgThreshLow，imgThreshHigh）
imgThresh = cv2.高斯模糊(imgThresh, (3, 3), 2)
imgThresh = cv2.dilate(imgThresh, np.ones((5,5),np.uint8))
imgThresh = cv2.erode(imgThresh, np.ones((5,5),np.uint8))
intRows，intColumns = imgThresh.shape
circles = cv2.HoughCircles(imgThresh, cv2.HOUGH_GRADIENT, 5, intRows / 4) # 用处理后的图像中的所有圆填充变量 circles
如果圆圈不为 None：# 此行是必需的，以防止程序在下一行崩溃（如果没有找到圆圈）
IO.输出（7,1）
for circle in circles[0]: # 对于每个圆圈
x, y, radius = circle # 拆分 x, y 和半径
print "球的位置 x = " + str(x) + ", y = " + str(y) + ", 半径 = " + str(radius) # 打印球的位置和半径
obRadius = int(半径)
x轴= int（x）
如果 obRadius>0&obRadius<50:
print("检测到物体")
如果 xAxis>100&xAxis<180：
打印（“对象居中”）
转发（）
elif x轴> 180：
打印（“向右移动”）
ryt()
elif xAxis<100:
打印（“向左移动”）
左移()
别的：
stp()
别的：
stp()
cv2.circle(imgOriginal, (x, y), 3, (0, 255, 0), -1) # 在检测到的物体的中心绘制一个绿色的小圆圈
cv2.circle(imgOriginal, (x, y), radius, (0, 0, 255), 3) # 在检测到的物体周围绘制红色圆圈
# 结束
# 结束
别的：
IO.输出（7,0）
cv2.namedWindow("imgOriginal", cv2.WINDOW_AUTOSIZE) # 创建窗口，使用 WINDOW_AUTOSIZE 确定固定窗口大小
cv2.namedWindow("imgThresh", cv2.WINDOW_AUTOSIZE) # 或使用 WINDOW_NORMAL 允许窗口调整大小
cv2.imshow("imgOriginal", imgOriginal) # 显示窗口
cv2.imshow("imgThresh", imgThresh)
# 结束
cv2.destroyAllWindows()#从内存中删除窗口
返回
######################################################################################################
如果 __name__ == "__main__"：
主要的（）
现在剩下要做的就是运行该程序
python 跟踪器.py
恭喜！您的自动驾驶探测车已准备就绪！基于超声波传感器的导航部分将很快完成，我将更新此说明。
感谢阅读！
asar.py
5.73KB
0
0
0
微信 
qq空间 
微博 
贴吧 
复制链接 
分享 
本文未经作者允许授权，禁止转载 更多相关项目
猜你喜欢
评论/提问(已发布 0 条)
评论 收藏 
分享 
下载 
回顶部