1. 走马观碑组的识别任务到底难在哪第一次接触走马观碑组的人往往会低估这件事的难度。很多人觉得不就是让车在PVC赛道上跑看到目标板就识别一下嘛能有多复杂但真正上手之后你会发现这个组别的核心挑战根本不在“识别”本身而在于在高速运动中、在多变光照下、在有限算力上稳定地把目标板从背景里抠出来并正确分类。走马观碑组的赛道是标准PVC材质表面有反光颜色通常是浅灰或白色上面会铺设各种目标板。目标板的内容可能是数字、汉字、图形符号或者特定图案。车模在赛道上行驶时摄像头采集到的图像会经历运动模糊、透视畸变、光照不均、反光干扰等一系列退化。你要做的是在这些退化条件下仍然让识别结果足够可靠。我见过不少队伍在实验室调得好好的一到赛场就翻车。原因往往不是算法本身有多差而是没有充分考虑赛场环境的复杂性。比如场馆顶灯的位置会导致PVC赛道出现大面积高光目标板上的图案直接被“洗白”又比如相邻赛道的队伍在调试时你的摄像头视野边缘可能扫到他们的目标板造成误识别。这个组别适合有一定嵌入式视觉基础的同学至少需要了解摄像头的基本成像原理、图像处理的基本流程以及如何在MCU或小型计算平台上部署轻量级识别算法。如果你之前做过OpenMV或者K210相关的项目上手会快很多。但即便你是从零开始只要把下面几个关键环节吃透也能少走很多弯路。2. 摄像头选型与图像预处理的取舍逻辑2.1 全局快门与卷帘快门的实际差异在走马观碑组里摄像头选型是第一个分水岭。很多新手会直接拿手头的卷帘快门摄像头用结果发现车一动目标板的边缘就歪了。这不是算法的问题是快门方式的问题。卷帘快门是逐行曝光的当车模高速运动时不同行之间的曝光时间差会导致图像出现“果冻效应”——竖直的线条会变成斜的圆形的目标板会变成椭圆。对于走马观碑这种需要精确识别目标板形状和内容的组别来说这种畸变是致命的。全局快门则是所有像素同时曝光运动中的目标板不会产生几何畸变。代价是全局快门摄像头通常更贵、分辨率可能更低、功耗更高。但在这个组别里我强烈建议优先考虑全局快门方案。如果你手头只有卷帘快门摄像头那就必须把车速控制在较低水平或者通过缩短曝光时间来减轻果冻效应但这又会带来图像偏暗的问题需要补光来平衡。注意选摄像头时不要只看分辨率。高分辨率意味着更大的数据量和更长的处理时间对于主频有限的MCU来说处理一帧高分辨率图像可能就要几十毫秒车早就冲过目标板了。一般来说QVGA320x240或VGA640x480就足够用了。2.2 灰度还是彩色一个容易被高估的选择很多队伍纠结用灰度摄像头还是彩色摄像头。我的经验是走马观碑组绝大多数情况下用灰度就够了。目标板的内容通常是黑白图案或者高对比度的符号颜色信息对于识别帮助有限反而会增加数据量和处理复杂度。彩色摄像头的优势在于可以利用颜色分割来快速定位目标板区域。比如目标板是白底黑字赛道是灰色那你可以通过亮度阈值快速把目标板区域分割出来。但这个操作灰度图同样能做而且灰度图的数据量只有彩色图的三分之一处理速度更快。如果你确实需要用颜色信息来区分不同类别的目标板那可以考虑彩色方案但一定要做好颜色空间转换的开销预算。从RGB转到HSV或者YUV再进行处理每一步都是时间成本。2.3 二值化阈值的动态调整策略图像预处理里最关键的一步是二值化。固定阈值在实验室里可能跑得很好但赛场光照一变就废了。我推荐使用自适应阈值或者基于图像统计的动态阈值。具体做法是先计算整幅图像或目标区域的平均亮度和标准差然后根据这个统计信息来确定阈值。比如阈值可以设为“平均值减去0.5倍标准差”这样在光照较强时阈值自动提高光照较弱时阈值自动降低。更精细的做法是分区域计算阈值。把图像分成若干块每块独立计算阈值这样可以应对光照不均的情况。但分块太细会导致目标板内部出现断裂分块太粗又起不到作用。一般来说分成4x4或8x8的块比较合适。// 简单的动态阈值计算示例 uint8_t compute_threshold(uint8_t *img, int len) { uint32_t sum 0; for (int i 0; i len; i) { sum img[i]; } uint8_t mean sum / len; // 阈值设为均值的一定比例可根据实测调整 return (uint8_t)(mean * 0.8); }这段代码只是最基础的版本实际使用中还需要考虑标准差、局部对比度等因素。但核心思想就是阈值不能写死必须根据当前图像的内容动态调整。3. 目标板定位从粗到精的两级策略3.1 为什么不能直接对整幅图做识别有些队伍的做法是摄像头采集一帧图像直接送进神经网络或者模板匹配算法输出识别结果。这种做法在算力充足的平台上可行但在走马观碑组常用的MCU平台上基本跑不动。假设你用QVGA分辨率一帧灰度图有76800个像素。如果直接对整幅图做模板匹配每个像素都要参与计算运算量是巨大的。而且大部分像素都是赛道背景跟目标板无关这些计算全是浪费。正确的做法是先定位再识别。先用轻量级的方法把目标板在图像中的大致区域找出来然后只对这个区域做精细识别。这样运算量可以降低一个数量级以上。3.2 基于边缘检测的候选区域提取目标板通常有明显的边缘。在PVC赛道上目标板是贴上去的或者立起来的与背景之间有清晰的边界。利用这个特点可以用简单的边缘检测算子如Sobel或Roberts来提取候选区域。具体流程是先对图像做行扫描或列扫描找到亮度突变的位置这些位置就是潜在的边缘点。然后把相邻的边缘点连起来形成候选区域。如果候选区域的宽高比、面积在合理范围内就认为它可能是一个目标板。这种方法的优点是计算量小适合在MCU上实时运行。缺点是对噪声敏感如果赛道上有污渍或者反光可能会产生大量虚假边缘。解决办法是在边缘检测之前先做一次中值滤波或高斯滤波把高频噪声压下去。3.3 利用先验知识缩小搜索范围走马观碑组的赛道布局是有规律的目标板通常出现在赛道的特定位置。你可以利用这个先验知识来缩小搜索范围。比如如果规则规定目标板只出现在赛道两侧的特定距离处那你就可以只在图像的下半部分或者左右两侧进行搜索。又比如如果目标板的尺寸是固定的那你可以根据透视关系估算它在图像中应该占多大面积从而过滤掉过大或过小的候选区域。我见过一个队伍的做法很聪明他们在赛道旁边放了几个已知位置的参考标记摄像头先识别这些标记然后根据标记的位置推算出目标板可能出现的大致区域。这样搜索范围可以缩小到原来的十分之一识别速度大幅提升。提示先验知识的使用要适度。如果规则允许目标板出现在任意位置那你过度依赖先验知识就会导致漏检。稳妥的做法是把先验知识作为加速手段而不是唯一的定位依据。4. 识别算法的选择模板匹配、特征点还是轻量网络4.1 模板匹配的适用边界与优化技巧模板匹配是最直观的方法把目标板的标准图像作为模板在候选区域内滑动计算相似度相似度最高的位置就是匹配位置。这个方法的优点是实现简单、可解释性强。缺点是对于旋转、缩放、光照变化非常敏感。如果车模在行驶过程中摄像头角度发生变化目标板在图像中会有透视变形模板匹配的准确率会急剧下降。优化技巧有几个方向。一是多模板匹配对同一个目标板准备多个不同角度、不同光照条件下的模板匹配时取最高分。二是金字塔匹配先在小尺度上粗匹配再在大尺度上精匹配减少计算量。三是归一化互相关使用对光照变化不敏感的相似度度量而不是简单的像素差。但说实话模板匹配在走马观碑组里的上限不高。如果你的目标板种类多、变形大建议尽早转向更鲁棒的方法。4.2 特征点方法的计算开销评估特征点方法如ORB、SIFT、SURF通过提取图像中的关键点和描述子来进行匹配对旋转和缩放有较好的不变性。但在MCU上这些方法的计算开销通常难以接受。以ORB为例提取特征点需要计算FAST角点、计算BRIEF描述子、进行方向估计每一步都有不小的运算量。在QVGA图像上提取几百个特征点可能需要几十毫秒甚至上百毫秒这对于高速行驶的车模来说太慢了。如果你确实想用特征点方法可以考虑以下简化策略只在候选区域内提取特征点而不是整幅图减少特征点数量只保留最显著的几十个使用二进制描述子如BRIEF而不是浮点描述子减少内存和计算开销。4.3 轻量级神经网络的部署可行性近年来越来越多的队伍开始尝试在走马观碑组里部署轻量级神经网络。比如用TensorFlow Lite Micro或者CMSIS-NN在MCU上跑一个小的卷积网络。这种方法的优势是识别准确率高对光照和变形有较好的鲁棒性。但挑战也很明显模型大小、推理速度、内存占用都是硬约束。一个典型的轻量级分类网络如MobileNetV1的简化版在Cortex-M7上跑一次推理可能需要几十毫秒这还没有算上图像预处理的时间。我的建议是如果你的主控是Cortex-M7或更高性能的芯片可以尝试神经网络方案但一定要做好模型量化和剪枝把模型压缩到几百KB以内。如果主控是Cortex-M4或更低建议还是用传统方法把精力花在预处理和定位的优化上。方法准确率速度实现难度适用平台模板匹配中快低任意特征点中高慢中M7以上轻量网络高中高M7以上传统分类器中高快中M4以上5. 赛场实测中那些让人抓狂的坑5.1 反光导致目标板“消失”的排查过程这是走马观碑组最经典的坑。实验室里跑得好好的一到赛场摄像头画面里目标板的位置一片白什么都看不到。排查这个问题的第一步是确认反光来源。把车模放到赛场上用摄像头实时预览画面观察高光区域的位置和形状。如果高光区域正好覆盖了目标板那就是反光问题。反光问题的根源是PVC赛道表面光滑场馆顶灯或者窗户的光线在赛道上形成镜面反射。解决办法有几个方向调整摄像头角度把摄像头稍微向下倾斜避开镜面反射的角度。镜面反射的特点是入射角等于反射角稍微改变摄像头位置就可能避开。加装偏振片在摄像头镜头前加一片偏振片可以滤除部分反射光。但偏振片会降低进光量需要配合补光使用。使用漫射光源如果规则允许主动补光用漫射板把LED光源打散减少直射光在赛道上的反射。算法层面处理在图像预处理阶段检测高光区域如果高光区域覆盖了候选目标板就对该区域做特殊处理比如用周围像素插值填充。我个人的经验是物理手段优先于算法手段。能通过调整摄像头角度和加装偏振片解决的问题就不要留给算法。算法处理高光会引入额外的计算开销和不确定性。5.2 相邻赛道目标板串扰的隔离方案赛场通常有多条赛道并排你的摄像头视野可能会扫到相邻赛道的目标板。如果相邻赛道的目标板内容和你的不同就会造成误识别。这个问题的排查方法是在赛场上把车模放在不同位置观察摄像头视野中出现了哪些目标板。如果发现了不属于本赛道的目标板就需要做视野隔离。隔离方案有几种物理遮挡在摄像头两侧加装遮光板把视野限制在本赛道范围内。这是最直接有效的方法。软件ROI在图像处理时只处理赛道范围内的区域把赛道外的像素直接忽略。ROI的边界可以通过赛道边缘检测来自动确定。目标板尺寸过滤相邻赛道的目标板在图像中通常比本赛道的目标板小因为距离更远可以通过面积过滤来排除。注意物理遮挡是最可靠的方法但要注意不要遮挡太多导致本赛道的目标板也看不到。遮光板的角度和长度需要在实际赛场上调试确定。5.3 车速与识别帧率的匹配问题车模速度越快目标板在摄像头视野中停留的时间越短。如果你的识别帧率不够高可能车已经冲过目标板了识别结果还没出来。这个问题的计算很简单假设目标板在视野中的有效识别距离是1米车速是3米/秒那目标板在视野中停留的时间只有0.33秒。如果你的识别帧率是30帧/秒那你有大约10帧的机会来识别。但如果你的识别帧率只有10帧/秒那就只有3帧的机会容错空间非常小。解决办法有两个方向提高帧率或者降低车速。提高帧率需要优化整个处理流水线从摄像头采集到预处理到识别每一步都要压缩时间。降低车速则需要在赛道策略上做取舍比如在目标板密集的区域主动减速。我见过一个队伍的做法很实用他们在赛道旁边放了测速标记车模经过时自动调整车速。目标板密集区减速目标板稀疏区加速。这样既保证了识别率又不至于整体速度太慢。5.4 目标板污损与光照突变的应对赛场上的目标板可能会被前面的车模蹭脏或者因为场馆灯光突然变化比如有人走过遮挡了光源而导致图像亮度突变。对于污损问题模板匹配和特征点方法都会受到较大影响因为污损改变了目标板的外观。神经网络方法相对鲁棒一些因为它在训练时见过各种噪声和变形。但最根本的解决办法还是多准备几套模板覆盖不同的污损程度。对于光照突变动态阈值和自动曝光是关键。摄像头如果支持自动曝光要确保自动曝光的响应速度足够快不会因为光照突变而长时间过曝或欠曝。如果摄像头不支持自动曝光那就需要在算法层面做亮度归一化把图像的亮度分布调整到标准范围。6. 从零搭建识别流水线的实操步骤6.1 硬件连接与摄像头调试先把摄像头和主控连接好。如果是并口摄像头如OV7725注意数据线、时钟线、行同步、场同步的接线是否正确。如果是串口摄像头注意波特率设置。上电后第一件事是读取摄像头ID确认通信正常。然后配置摄像头的分辨率、曝光、增益等参数。建议先用最高分辨率预览确认画面清晰、亮度适中然后再降到目标分辨率。调试时可以用主控的串口把图像数据传到电脑上显示这样比在TFT屏上看方便得多。很多主控都有DMA接口可以把摄像头数据直接搬到内存然后通过串口发送。6.2 图像预处理流水线的搭建预处理流水线通常包括去噪、灰度化如果用的是彩色摄像头、二值化、形态学操作。去噪用中值滤波或高斯滤波窗口大小3x3或5x5。灰度化用加权平均法权重可以参考人眼对RGB的敏感度。二值化用前面说的动态阈值。形态学操作用来填补目标板内部的空洞或者去除小的噪声点。每一步的参数都需要根据实际图像来调。建议把每一步的中间结果都保存下来方便对比分析。比如你可以把原始图、去噪后的图、二值化后的图都存成BMP文件在电脑上放大看细节。# 图像预处理流水线的Python模拟 import cv2 import numpy as np def preprocess(img): # 去噪 denoised cv2.medianBlur(img, 3) # 灰度化如果输入是彩色 if len(denoised.shape) 3: gray cv2.cvtColor(denoised, cv2.COLOR_BGR2GRAY) else: gray denoised # 动态阈值二值化 mean np.mean(gray) _, binary cv2.threshold(gray, mean * 0.8, 255, cv2.THRESH_BINARY) # 形态学开运算去除噪点 kernel np.ones((3,3), np.uint8) opened cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel) return opened这段Python代码是在电脑上做算法验证用的确认效果后再移植到MCU上。移植时注意把OpenCV的函数替换成自己实现的版本或者用CMSIS-NN等优化库。6.3 识别结果的稳定性验证方法算法调好之后不能只在实验室里跑几圈就完事。需要做系统性的稳定性验证。我的做法是在实验室里模拟各种极端条件包括不同光照强度用可调光源、不同车速用电机调速、不同目标板角度手动旋转目标板。每种条件下跑至少50次统计识别成功率和误识别率。成功率的计算方式是正确识别的次数除以总测试次数。误识别率是错误识别的次数除以总测试次数。一般来说成功率要达到95%以上误识别率要低于1%才能在赛场上比较放心。如果发现某种条件下成功率明显下降就针对那个条件做专项优化。比如低光照下成功率低就优化动态阈值的下限高速下成功率低就优化处理流水线的速度。6.4 现场调试的快速迭代流程到了赛场留给调试的时间通常很有限。你需要一个快速迭代的流程。我的建议是提前准备好一套调试工具包括串口图像传输、参数在线修改、识别结果实时显示。到了赛场后先跑一圈采集数据然后回到调试区分析问题修改参数再跑一圈验证。每一轮迭代控制在10分钟以内。参数在线修改很重要。如果每次改参数都要重新编译下载那时间根本不够用。可以在代码里预留一些全局变量通过串口命令来修改。比如发送“T 80”就把阈值设为80发送“S 1”就把车速设为1档。提示赛场调试时一定要记录每次修改的参数和对应的识别效果。不然改了几轮之后你自己都忘了哪个参数对应哪种效果。用纸笔或者手机备忘录记一下花不了多少时间但能省很多事。7. 关于这个组别的一些个人体会走马观碑组看起来是考识别实际上考的是系统集成能力。摄像头选型、图像预处理、识别算法、车速控制、赛场调试每一个环节都不能有明显短板。我见过算法很厉害但摄像头选错了导致满盘皆输的队伍也见过算法一般但系统调得很稳最终拿奖的队伍。如果你刚开始做这个组别我的建议是先把基础流水线跑通哪怕识别率只有80%先让车能跑起来。然后在实际跑的过程中逐步优化每次解决一个具体问题。不要一开始就追求完美的算法那样很容易陷入局部优化而忽略了整体。另外多和往届队伍交流。很多坑别人已经踩过了你没必要再踩一遍。比如摄像头选型、赛道反光处理、相邻赛道干扰这些往届的经验可以直接拿来用。当然也要结合自己的实际情况做调整不能照搬。最后说一个容易被忽略的点电源稳定性。摄像头和主控对电源噪声很敏感如果电源纹波大图像上会出现横纹或者随机噪点。在电源输入端加一个大电容和一个小电容并联能明显改善图像质量。这个细节很多队伍不注意但在赛场上一对比就能看出来差距。