项目目标

搭建一台能够利用摄像头实时捕捉前方画面，通过 OpenCV 库分析图像以识别障碍物，并自动控制电机转向以躲避障碍的智能小车。

第一部分：硬件选型

要实现这个项目，你需要一个能够运行 C++ 和 OpenCV 的“大脑”，以及配套的机械和电子元件。

1. 核心控制器 (大脑):

   • 强烈推荐：Raspberry Pi 4B (树莓派)。它是一个功能完整的微型电脑，运行 Linux 系统，可以轻松安装和运行 C++/OpenCV，并有丰富的 GPIO 引脚来控制硬件。
   • 备选方案：Jetson Nano。性能更强，尤其适合未来扩展到 AI 深度学习避障，但成本更高，设置稍复杂。
   • 不推荐：Arduino (Uno/Mega)。Arduino 的处理能力和内存无法运行 OpenCV 库，它只适合作为下位机纯粹地控制电机。

2. 摄像头:

   • Raspberry Pi 官方摄像头模组 (CSI Camera): 直接连接到树莓派的 CSI 接口，稳定且不占用 USB 口。
   • 普通 USB 摄像头: 即插即用，方便调试，但可能会有轻微延迟。

3. 小车底盘:

   • 两轮或四轮智能小车底盘套件: 网上有很多这种套件，通常包含电机、轮子、底盘亚克力板和电池盒。选择带有减速电机的型号，扭矩更大，方便控制。

4. 电机驱动模块:

   • L298N 模块: 这是最经典、最常用的电机驱动模块。树莓派的 GPIO 引脚电流很小，无法直接驱动电机，必须通过电机驱动模块来放大电流。L298N 可以同时控制两个直流电机。

5. 电源:

   • 树莓派电源: 一个高质量的 5V/3A 的 Type-C 电源适配器（用于开发阶段）或一个大容量的充电宝（用于移动运行）。
   • 电机电源: 通常使用一个独立的电池盒（如 4-6 节 AA 电池）为 L298N 模块和电机供电。切记不要将电机电源与树莓派电源混用，否则会干扰树莓派的稳定运行。

6. (可选) 辅助传感器:

   • 超声波传感器 (HC-SR04): 作为一个视觉方案的补充和“保险”，超声波可以提供精确的距离信息，防止视觉算法失效时发生碰撞。

硬件连接示意图:

• 摄像头 -> 树莓派的 CSI 或 USB 接口。
• 树莓派 GPIO -> L298N 模块的 IN1, IN2, IN3, IN4 控制引脚。
• L298N 模块的输出 -> 直流电机。
• 电池盒 -> L298N 模块的电源输入端。
• 充电宝 -> 树莓派的电源输入端。

第二部分：软件与算法设计

这是项目的核心，我们将使用 OpenCV 来实现视觉避障。

核心避障逻辑

最简单有效的视觉避障策略是区域检测法。

1. 捕获图像: 从摄像头获取一帧实时画面。

2. 预处理:

   • 将图像缩放到一个较小的尺寸（如 320x240）以加快处理速度。
   • （可选）进行高斯模糊 (cv::GaussianBlur) 以减少噪点。

3. 划分感兴趣区域 (ROI - Region of Interest):

   • 我们只关心小车前方地面上的区域。因此，可以忽略图像的上半部分（天空或远景）。
   • 将图像下半部分垂直切分成三个区域：左侧 (Left)、中间 (Center)、右侧 (Right)。

4. 障碍物判断:

   • 基本思路: 假设地面是相对平坦和颜色单一的。当一个障碍物出现时，它会在对应的区域内引入大量的边缘和轮廓。
   • 实现方法:
     a. 对每个区域（左、中、右）分别进行处理。
     b. 将区域图像转换为灰度图 (cv::cvtColor)。
     c. 使用 Canny 边缘检测 (cv::Canny) 提取出该区域的边缘。
     d. 计算边缘像素的数量 (cv::countNonZero)。
     e. 设置一个阈值 (Threshold)。如果某个区域的边缘像素数量超过这个阈值，我们就认为该区域有障碍物。

5. 决策与控制:

   • IF 中间区域有障碍物:
     • 小车停止，然后后退一小段距离。
     • 然后判断左、右区域。
     • IF 左侧无障碍，右侧有障碍 -> 向左转。
     • IF 右侧无障碍，左侧有障碍 -> 向右转。
     • IF 两侧都无障碍 -> 随机或默认向右转。
     • IF 两侧都有障碍 -> 原地掉头或持续后退。
   • ELSE IF 中间无障碍，但左侧有障碍:
     • 小车向右微调方向前进。
   • ELSE IF 中间无障碍，但右侧有障碍:
     • 小车向左微调方向前进。
   • ELSE (所有区域都无障碍):
     • 小车直行。

第三部分：C++ 代码实现框架

你需要安装好 C++ 编译器 (g++)、CMake 构建工具、OpenCV 库以及树莓派的 GPIO 控制库（如 pigpio 或 wiringPi）。

1. 项目文件结构

obstacle-avoidance-car/
├── src/
│   ├── main.cpp             //主函数，程序入口
│   ├── MotorControl.h       //电机控制类的头文件
│   ├── MotorControl.cpp     //电机控制类的实现
│   ├── VisionProcessor.h    //视觉处理类的头文件
│   └── VisionProcessor.cpp  //视觉处理类的实现
├── CMakeLists.txt           //CMake 构建脚本

2. 伪代码与类设计

MotorControl.h (电机控制类)
这个类封装了对 GPIO 的底层操作，提供简单的上层接口。

#pragma once
class MotorControl {
public:
    MotorControl();   // 构造函数，初始化GPIO
    ~MotorControl();  // 析构函数，释放GPIO资源
    void moveForward();
    void moveBackward();
    void turnLeft();
    void turnRight();
    void stop();
private:
    // 定义连接到L298N的GPIO引脚号
    const int ENA = 1; // 左轮使能
    const int IN1 = 2;
    const int IN2 = 3;
    const int ENB = 4; // 右轮使能
    const int IN3 = 5;
    const int IN4 = 6;
};

VisionProcessor.h (视觉处理类)
这个类负责所有的 OpenCV 操作。

#pragma once
#include <opencv2/opencv.hpp>

// 定义一个结构体来表示障碍物状态
struct ObstacleState {
    bool isLeftBlocked;
    bool isCenterBlocked;
    bool isRightBlocked;
};

class VisionProcessor {
public:
    VisionProcessor(int width, int height, int threshold);
    ObstacleState detect(const cv::Mat& frame);
private:
    int frameWidth;
    int frameHeight;
    int edgeThreshold; // 边缘数量阈值
};

VisionProcessor.cpp 的核心 detect 方法

#include "VisionProcessor.h"

ObstacleState VisionProcessor::detect(const cv::Mat& frame) {
    ObstacleState state = {false, false, false};

    // 1. 定义ROI区域 (只取下半部分)
    cv::Rect roi_rect(0, frameHeight / 2, frameWidth, frameHeight / 2);
    cv::Mat roi = frame(roi_rect);

    // 2. 定义左、中、右三个子区域
    int regionWidth = frameWidth / 3;
    cv::Rect left_region_rect(0, 0, regionWidth, roi.rows);
    cv::Rect center_region_rect(regionWidth, 0, regionWidth, roi.rows);
    cv::Rect right_region_rect(regionWidth * 2, 0, regionWidth, roi.rows);

    cv::Mat left_roi = roi(left_region_rect);
    cv::Mat center_roi = roi(center_region_rect);
    cv::Mat right_roi = roi(right_region_rect);
    
    // 3. 对每个区域进行处理
    auto process_region = [&](const cv::Mat& region) {
        cv::Mat gray, edges;
        cv::cvtColor(region, gray, cv::COLOR_BGR2GRAY);
        cv::GaussianBlur(gray, gray, cv::Size(5, 5), 0);
        cv::Canny(gray, edges, 50, 150);
        return cv::countNonZero(edges);
    };

    int left_edges = process_region(left_roi);
    int center_edges = process_region(center_roi);
    int right_edges = process_region(right_roi);

    // 4. 判断障碍物
    if (left_edges > this->edgeThreshold) state.isLeftBlocked = true;
    if (center_edges > this->edgeThreshold) state.isCenterBlocked = true;
    if (right_edges > this->edgeThreshold) state.isRightBlocked = true;
    
    // 可选：在原图上画出区域和状态用于调试
    // cv::rectangle(frame, ...);
    
    return state;
}

main.cpp (主循环)

#include <iostream>
#include "MotorControl.h"
#include "VisionProcessor.h"

int main() {
    MotorControl car;
    VisionProcessor vision(320, 240, 500); // 图像尺寸320x240, 边缘阈值500

    cv::VideoCapture cap(0); // 打开0号摄像头
    if (!cap.isOpened()) {
        std::cerr << "Error: Cannot open camera!" << std::endl;
        return -1;
    }
    cap.set(cv::CAP_PROP_FRAME_WIDTH, 320);
    cap.set(cv::CAP_PROP_FRAME_HEIGHT, 240);
    
    cv::Mat frame;
    while (true) {
        cap >> frame;
        if (frame.empty()) break;

        ObstacleState state = vision.detect(frame);

        // 根据状态控制小车
        if (state.isCenterBlocked) {
            std::cout << "Center blocked! Stopping and turning." << std::endl;
            car.stop();
            // 添加更复杂的转向逻辑
            car.turnRight(); 
        } else if (state.isLeftBlocked) {
            std::cout << "Left blocked! Turning right." << std::endl;
            car.turnRight();
        } else if (state.isRightBlocked) {
            std::cout << "Right blocked! Turning left." << std::endl;
            car.turnLeft();
        } else {
            std::cout << "Path clear! Moving forward." << std::endl;
            car.moveForward();
        }

        // 按 'q' 键退出
        if (cv::waitKey(30) == 'q') {
            break;
        }
    }

    car.stop();
    return 0;
}

第四部分：开发与调试建议

1. 分步进行：先确保硬件连接无误，单独编写程序测试电机能否正常转动。然后单独测试摄像头能否正常捕获图像。
2. 参数调试：edgeThreshold (边缘数量阈值) 是最重要的参数。你需要在实际环境中不断调试它，找到一个既能检测到真实障碍物，又不会被地面上无关紧要的纹理干扰的理想值。
3. 可视化调试：在开发阶段，可以将处理后的图像（如 Canny 边缘图）和检测结果（在原图上画框）显示在屏幕上，这样可以直观地看到算法的判断是否准确。
4. 注意性能：在树莓派上，图像处理不要太复杂，保持图像尺寸较小，确保整个循环（捕获->处理->决策）的速度足够快，否则小车会因为“反应慢”而撞上障碍物。