RoboMaster 视觉 摄像头教程

简介: 这篇文章是RoboMaster视觉教程的一部分,介绍了摄像头的参数选择、曝光和Gamma矫正技术,以及如何在Linux环境下使用OpenCV库来配置和操作摄像头,以满足高速视觉处理的需求。

RoboMaster视觉教程(1)

摄像头

摄像头参数

主流有CCD和CMOS摄像头,一般而言CCD摄像头体积大造价高精度高,而CMOS摄像头由于集成度高造价远低于CCD摄像头,同时CMOS摄像头的体积功耗等参数也相应地优于CCD摄像头。Robo一般用Cmos摄像头

卷帘曝光与全局曝光
通常我们在网上买到的摄像头都是卷帘曝光的摄像头,在日常使用时很难看出这两种摄像头的区别,但是在对速度要求高的领域这两种曝光方式的优劣就很明显了,
> 1、尤其是对于廉价的摄像头卷帘曝光的果冻效应更加明显。
> 2、除了果冻效应外,全局曝光的摄像头在低曝光时间的情况下的颜色饱和度更高

曝光
当我们拍摄能自主发光的物体时,降低曝光时间可以减少环境光的影响。这时通过阈值处理得到二值图就可以进一步处理。
在这里插入图片描述

可以明显对比到二者中第二个环境光的影响减少了

Gamma矫正
在上面提到曝光可以减少环境光的影响时候,忽略了一个问题就是我们能看到的中间的数字1的光线,也是环境光的一部分。低曝的时候也很容易让数字彻底看不见如下最左图。

在这里插入图片描述

对此一种解决方法是:提高摄像头的Gamma值
当Gamma提高时图像中亮度较低的区域的亮度会被提高。
实现方法如下:
在这里插入图片描述

可以简单理解该图:提高Gamma后。像素亮度越低,提高速度越快,像素亮度越高,提高速度越慢。所以提高Gamma后对比度下降。我们就可以看到4了。

与此同时观察到图中被提高亮度后,背景杂光提高后和数字四还是有很大的边缘阈值对比度很明显。只要我们提高对比度到适合程度,然后再选取杂光中最亮的像素值减去原图就可以消去杂光。再提高对比度即可

帧率与摄像头选型

对于RoboMaster比赛而言,识别的速度当然是越快越好,所以摄像头帧率也是越高越好。由于带宽的限制帧率和分辨率通常互相制约,想要高帧率分辨率就会低。
在实战中我们一般用分辨率640*480左右的图片,用彩色卷帘相机

镜头

镜头焦距一般用6mm或8mm左右的镜头比较合适,在这个焦距下3m左右的装甲板拍的很清楚。

Linux摄像头驱动

#pragma execution_character_set("utf-8")
#include <opencv2/opencv.hpp>
#include <opencv2/core/core.hpp>

int main()
{
    cv::VideoCapture capDevice(0);
    capDevice.open(0);
    //设置摄像头采集图像分辨率
    capDevice.set(cv::CAP_PROP_FRAME_WIDTH, 1024.0);
    capDevice.set(cv::CAP_PROP_FRAME_HEIGHT, 960.0);

    capDevice.set(cv::CAP_PROP_FRAME_WIDTH, 1080);//宽度 
    capDevice.set(cv::CAP_PROP_FRAME_HEIGHT, 960);//高度
    //capDevice.set(cv::CAP_PROP_FPS, 30);//帧率 帧/秒
    capDevice.set(cv::CAP_PROP_BRIGHTNESS, 1);//亮度 1
    capDevice.set(cv::CAP_PROP_CONTRAST, 60);//对比度 40
    capDevice.set(cv::CAP_PROP_SATURATION, 64);//饱和度 50
    capDevice.set(cv::CAP_PROP_HUE, 0);//色调
    capDevice.set(cv::CAP_PROP_EXPOSURE, -7);//曝光 50
    cv::Mat srcImage;

    //宽度 
    double width = capDevice.get(cv::CAP_PROP_FRAME_WIDTH);
    //高度
    double height = capDevice.get(cv::CAP_PROP_FRAME_HEIGHT);
    //帧率 帧/秒
    //int fps = capDevice.get(cv::CAP_PROP_FPS);
    //亮度
    double bright = capDevice.get(cv::CAP_PROP_BRIGHTNESS);
    //对比度
    double contrast = capDevice.get(cv::CAP_PROP_CONTRAST);
    //饱和度
    double saturation = capDevice.get(cv::CAP_PROP_SATURATION);
    //色调
    double hue = capDevice.get(cv::CAP_PROP_HUE);
    //曝光时长
    double exposure = capDevice.get(cv::CAP_PROP_EXPOSURE);

    //设置绘制文本的相关参数
    char text[255] = "";
    int font_face = cv::FONT_HERSHEY_COMPLEX;
    double font_scale = 1;
    int thickness = 1;

    while (true) {
        if (capDevice.isOpened())
        {
            capDevice >> srcImage;
        }

        sprintf(text, "width:%0.1f height:%0.1f exposure:%0.1f", width, height, exposure);
        cv::putText(srcImage, text, cv::Point(20, 30), font_face, font_scale, cv::Scalar(0, 255, 255), thickness, 8, 0);

        sprintf(text, "bright:%0.1f contrast:%0.1f saturation:%0.1f hue:%0.1f", bright, contrast, saturation, hue);
        cv::putText(srcImage, text, cv::Point(20, 90), font_face, font_scale, cv::Scalar(0, 255, 255), thickness, 8, 0);

        imshow("image", srcImage);
        cv::waitKey(30);
    }
}``

代码来源:https://www.so.com/s?ie=utf-8&src=360se7\_addr&q=opencv4%E7%9A%84%E6%91%84%E5%83%8F%E5%A4%B4video.set
本文版权归作者和博客园共有,欢迎转载,但必须给出原文链接,并保留此段声明,否则保留追究法律责任的权利。
参考博客:https://blog.csdn.net/u010750137/article/details/96428059

相关文章
阿里巴巴微服务核心手册:Spring Boot+Spring cloud+Dubbo
微服务作为一项在云中部署应用和服务的新技术已成为当下最新的热门话题。但大部分围绕微服务的争论都集中在容器或其他技术是否能很好的实施微服务,而红帽说API应该是重点。
|
算法 计算机视觉
【YOLOv8训练结果评估】YOLOv8如何使用训练好的模型对验证集进行评估及评估参数详解
【YOLOv8训练结果评估】YOLOv8如何使用训练好的模型对验证集进行评估及评估参数详解
|
12月前
|
Ubuntu Shell Python
Ubuntu学习笔记(一):pycharm设置快捷启动图标详解
这篇博客详细讲解了如何在Ubuntu 20.04系统中为PyCharm设置快捷启动图标,包括创建.desktop文件、编辑文件内容以及添加到收藏夹的步骤。
837 0
Ubuntu学习笔记(一):pycharm设置快捷启动图标详解
|
9月前
|
供应链 数据可视化 搜索推荐
商业模式画布BMC入门指南:模块、实操与工具
2分钟了解什么是商业模式画布BMC,哪些工具可以绘制。
816 11
商业模式画布BMC入门指南:模块、实操与工具
|
7月前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于贝叶斯优化的自适应马尔科夫链蒙特卡洛(Adaptive-MCMC)算法matlab仿真
本项目基于贝叶斯优化的自适应马尔科夫链蒙特卡洛(Adaptive-MCMC)算法,实现MATLAB仿真,并对比Kawasaki sampler、IMExpert、IMUnif和IMBayesOpt四种方法。核心在于利用历史采样信息动态调整MCMC参数,以高效探索复杂概率分布。完整程序在MATLAB2022A上运行,展示T1-T7结果,无水印。该算法结合贝叶斯优化与MCMC技术,通过代理模型和采集函数优化采样效率。
|
传感器 算法 Ubuntu
大疆M2006电机测试文档
本文是关于大疆RoboMaster M2006电机的测试文档,介绍了在Ubuntu20.04环境下通过ROS读取电机反馈信息、控制电机移动,并利用PID控制算法实现速度闭环的测试流程,涵盖了测试材料、接线方法、电机校准、CAN通讯测试以及在ROS中的移植和PID调节的详细步骤和方法。
1037 0
大疆M2006电机测试文档
|
存储 缓存 JSON
详解HTTP四种请求:POST、GET、DELETE、PUT
【4月更文挑战第3天】
66582 4
详解HTTP四种请求:POST、GET、DELETE、PUT
|
IDE Java 开发工具
解决IntelliJ IDEA报错Error:Cannot determine path to ‘tools.jar‘ library for 17 (D:/JAVA)
解决IntelliJ IDEA报错Error:Cannot determine path to ‘tools.jar‘ library for 17 (D:/JAVA)
2219 0
|
JavaScript
vue + d3.js(v6) 绘制【树状图/思维导图】可折叠/展开,可点击跳转,可带标签
vue + d3.js(v6) 绘制【树状图/思维导图】可折叠/展开,可点击跳转,可带标签
1207 1
|
机器人 Python
Moveit + Gazebo实现联合仿真:ABB yumi双臂机器人( 二、双臂协同运动实现 )
Moveit + Gazebo实现联合仿真:ABB yumi双臂机器人( 二、双臂协同运动实现 )