转载请注明出处，谢谢
原创作者：MingruiYU
原创链接：https://www.cnblogs.com/MingruiYu/p/12184953.html
简介
本项目的GitHub链接
本项目是学校项目设计课程内的项目，要求是使用一个基于树莓派的小车来实现一些简单的功能。
本项目适合初次接触树莓派，希望利用树莓派及小车配件实现一些简单功能的同学们。
目前我们实现的功能有：
- 自动避障：基于超声波和红外，使小车在运行过程中不会撞上障碍物；
- 实时图像传输：将树莓派摄像头拍摄到的视频流传到PC端，并在PC端查看；
- 视觉车道循迹：基于视觉，使小车沿车道线行驶；
- 目标检测：识别并定位摄像头图像中的各类常见物体；
- 网球追踪：基于视觉，使小车追踪一个移动的网球，并与网球保持一定距离。
学校提供的小车的商家是慧净电子，商家提供了一些使用教程，适合初学，基于C语言，实现了一些简单的红外避障、红外寻迹、超声波避障和摄像头调用。
本项目选用Python作为编程语言，有几点原因：Python相比较C语言更简明；我们对Python的掌握情况更好一些（C语言没学好啊）；方便之后使用tensorflow做一些深度学习的功能。但同时带来的缺点就是运行速度会差一点。
下面我们会对小车配置、功能实现和使用方法进行详细的介绍。本文结构如下：
- 配置要求
- 项目架构
- 准备工作
- 硬件调试
- 功能实现（原理介绍）
- 功能实现（使用教程）
若想成功实现本项目的功能，请:
- 首先确保完成准备工作
- 之后进行硬件调试
- 之后在阅读过功能实现-原理介绍的基础上
- 根据功能实现-使用教程来运行相应程序、实现功能
配置要求
- 树莓派3
- 驱动板（L298N）
- CSI摄像头
- 超声波测距传感器
- 红外避障传感器
- 小车车体 + 4个电机
- 电脑 (Ubuntu18.04)
项目架构
我们的源代码全部放在PythonCode文件夹内。
我们对每个传感器定义了一个类，放在相应的py文件里，由此可以很清晰方便地对每个传感器进行单独的调试。
名称以main开头的文件是实现相应功能的主程序，在主程序里定义了一个Car类，该类继承了所有传感器的类。
准备工作
重装树莓派的系统
商家给树莓派预装了系统，应该是商家自己改过的，也是几年前的了。强烈建议自己将树莓派的系统进行重装（重装后opencv和tensorflow的安装都会简单很多），推荐安装树莓派的官方系统Raspbian。安装方法百度一下，教程很多，也很简单。
关于树莓派教程，推荐树莓派实验室|开箱上手必读，里面的教程基本准确好用。
使用SSH登录，操作树莓派
对树莓派进行操作的方法有很多：
我们基本上是使用SSH登录到树莓派进行操作的，也就是使用putty登录。这需要树莓派和PC在同一个局域网下，我们选择让树莓派创建一个WiFi热点，然后让PC连接这个WiFi热点。方法：创建WiFi热点并开机自启动，其中使用了github上一个开源的库create_ap。同时，还要设置热点开机自动启动。另外注意要设置开启树莓派的SSH服务，否则putty连接会显示失败。
更换下载源
使用官方的源因为众所周知的原因会非常慢且不稳定，所以要换成国内的源。
OpenCV安装
使用最新版树莓派系统，可以直接用pip3安装OpenCV。
硬件调试
首先需要确定树莓派、驱动板、传感器之间的连线是正确的。
电机
- 工作原理
- H桥
- PWM
电机相关代码在move.py内。需要注意GPIO端口号的设置，python用的是BCM编码。
在move.py中，定义了前进、后退、左转、右转、停车功能。转弯是通过左右轮差速实现的。
超声波测距传感器
- 超声波测距基本原理
- 超声波测距程序实现
- 提升测距准确性的方法
超声波相关代码在ultrasound.py内，实现了超声波测距和对测距进行移动平均来减小误差。
红外避障传感器
红外避障相关代码在infrared.py内，InfraredMeasure函数是小车左右的两个红外避障传感器，TrackingMeasure是小车底部两个红外寻线传感器。
注意，红外避障传感器传回0表示前方有障碍物，传回1表示前方无障碍物。
摄像头
调用摄像头需要先在sudo raspi-config中启用Camera，然后重启。
python调用摄像头有两种方式：
- 使用picamera
- 使用opencv
我们使用的是picamera方式，因为我们发现使用OpenCV的方式会有延时，它返回的第一帧图像是在镜头初始化那一刻的图像，而不是主程序请求时的图像。
具体调用方法参考 树莓派（Raspberry Pi）中PiCamera+OpenCV的使用。
摄像头相关代码在camera.py中，其中实现了：
- 摄像头初始化
- 实时图像传输（发送端），注意HOST为PC在此WiFi网络下的IP地址（通过ifconfig查看），PORT设置一个和接收端相同的端口号就可以。
另外注意，程序终止是一定要关闭摄像机（camera.close()），否则下次无法正常打开。
功能实现（原理介绍）
自动避障
基于超声波和红外，使小车在运行过程中不会撞上障碍物。
主程序为main_obstacle_avoidance.py，其思想很简单，超声波传感器测出小车距离前方障碍物的距离，两边的红外传感器测出两边是否有障碍物，根据测量结果进行运动决策和电机控制。
实时图像传输
将树莓派摄像头拍摄到的视频流传到PC端，并在PC端查看。目的是为了便于摄像头姿态的调整和图像处理算法的调试。另外，如果需要的话可以使用传输到PC的图像在PC端进行处理（我们没有实现此功能）。
可选择的传输协议有两种：
- TCP：面向连接，提供可靠地服务，无差错，不丢失，不重复；实时性差，效率低；系统资源要求较多。
- UDP：可以无连接；尽最大努力交付，即不保证可靠交付；实时性强，效率高；系统资源要求较少。
我们使用UDP传输协议进行图像传输。具体实现主要分为发送端和接收端两部分：
- 发送端：(camera.py VideoTransimssion)
- 图像编码（cv2.imencode）
- 校验数据发送（数据长度作为校验）
- 编码数据发送（socket.sendall）
- 接收端：(pc_receiver.py)
- 接收校验数据（4字节数据）
- 接收图像编码（校验数据后的第一个数据包）
- 简单校验（校验数据 == 编码数据长度）
- 图像解码（cv2.imdecode）
其中，发送端在树莓派端运行，接收端在PC端运行。二者同时运行。
视觉车道循迹
基于视觉，使小车沿车道线行驶。环境要求为白色的地板，黑色（深色）的车道线。
主程序为main_lane_tracking.py，其流程大致如下：
- 车道线检测
- 图像二值化，提取车道线
- 提取车道线的内侧点：在图像的特定行，从中间向两侧检索，检测到0像素点及为车道线点。图像左半边检测到的点即为左车道线点，右半边检测到的点即为右车道线点。（为防止因各种原因车道线部分缺失，我们选择图像4个行提取4组车道线内侧点）
- 运动控制
- 运动决策
- 如果两侧车道线都能检测到，则直行
- 如果只能检测到一侧车道线，则有三种情况：
- 该侧车道线靠近图像边缘，则还可以继续直行
- 该侧车道线靠近图像*，则急需转弯，原地旋转
- 该侧车道线位置适中，则缓慢转弯，在前进中转弯
- 如果两侧车道线都检测不到，则维持之前的动作
- 电机控制：根据决策结果，控制小车电机输出
- 运动决策
在本实验中，车道线检测部分较容易实现，我们发现，在这种简单的环境下，固定阈值的二值化效果比大津法好。另外，因为我们的车道线偏蓝色，我们选择提取图像的R通道进行二值化。检测效果如图：
运动控制部分相对较为复杂，我们只采用了一个简单的逻辑，效果还可以。
目标检测
识别并定位摄像头图像中的各类常见物体。
主程序为main_object_detection.py，其调用了TensorFlow Object Detection API，使用了训练好的的SSDLite目标检测模型，在树莓派端进行目标检测。
TensorFlow安装方法及TensorFlow Object Detection API配置方法可以完全参考此文档：EdjeElectronics/Tutorial to set up TensorFlow Object Detection API on the Raspberry Pi
或者TensorFlow Object Detection API可以直接clone这位的 xyc2690/Raspberry_ObjectDetection_Camera，可以不用配置TensorFlow Object Detection API，下载即用。
我们使用的SSDLite模型主要优点是运行速度快、占用内存小，适合在树莓派端进行运算。据我们测试，帧率大概为0.8帧/s。我们使用的是树莓派3，如果是更新的型号，速度会更快一点。
网球追踪
基于摄像头，使小车追踪一个移动的网球，并与网球保持一定距离。
主程序在main_tennis_tracking.py中，网球追踪流程大概如下：
实验显示：
在不同光照条件下，网球的色调(H)基本上保持一致，范围大致在25至50 (OpenCV范围)，在可靠明亮的光照条件下，范围大致在30至40。
网球检测的程序在detect_new.py中，具体流程如下：
- 关注区域裁切：裁掉不可能出现网球的区域
- 高斯滤波：去除一定噪声
- 霍夫圆检测：检测出图像中所有可能存在的圆（视频中的绿色圆）
- 针对每个检测出的圆的内切正方形：
- RGB to HSV
- 利用HSV域计算符合网球颜色的像素点数目
- 统计上述像素点数目占比
- 选出占比最大的圆，若其占比大于设定阈值，则认为是网球（视频中的红色圆）
经测试，帧率大概在15帧/s。
运动控制的程序在main_tennis_tracking.py中，具体流程如下：
- 移动平均：对检测得网球位置进行移动平均，减小误差
- 决策：根据当前网球相对于小车的位置，决策下一步的动作
- 根据网球x坐标决策转向动作
- 根据网球半径r决策前进后退动作
- 控制：根据决策结果，控制小车电机输出
目前存在的问题：
- 我们使用的小车是4电机四驱差速转向小车，但在没有细致调教的差速控制算法的情况下，这样的配置使得在小车在转弯的时候存在较大的滑动摩擦(a skidding turn)，所以转向时小车存在一个“最低启动速度”，当PWM的占空比小于一定值时，小车由于摩擦力的原因无法真的转起来，在原地“蹩着”，所以要小车转起来，只能给一个相对大的速度，这样就很容易转向过度。
- 同时，由于摩擦力，小车在转向时也存在明显的车身抖动，使得转向时拍摄的图像发飘发糊，导致此时网球检测得效果也收到影响，进一步影响了转向追网球的准确性。
- 网球检测的效果受光照的影响还是挺大的，白天光照充足的环境下（白天室外）效果会好很多。
功能实现（使用教程）
自动避障
在树莓派终端中输入：
cd PythonCode
python3 main_obstacle_avoidance.py
实时图像传输
树莓派发送图像，在树莓派终端输入：
cd PythonCode
python3 camera.py
同时，如果想在PC端接收图像，在PC终端输入：
cd PythonCode
python3 pc_receiver.py
NOTICE：camera.py和pc_receiver.py均需要根据具体情况配置HOST和POST：
- 二者中的HOST均为PC在此WiFi网络下的IP地址（通过ifconfig查看）
- 二者的PORT设置为同一个端口号就可以（eg：8000）。
视觉车道循迹
在树莓派终端输入：
cd PythonCode
python3 main_lane_tracking.py
如果想在PC端接收车道检测图像，则在PC终端输入：
cd PythonCode
python3 pc_receiver.py
目标检测
在树莓派终端中输入：
cd PythonCode
python3 main_object_detection.py
如果想在PC端接收图像，则在PC终端输入：
cd PythonCode
python3 pc_receiver.py
NOTICE：Tensorflow Object Detection API 和 ssdlite模型并未上传至此仓库，需要自行安装。二者的安装和配置方法请参考此文档：EdjeElectronics/Tutorial to set up TensorFlow Object Detection API on the Raspberry Pi
; 或者TensorFlow Object Detection API可以直接clone这位的 xyc2690/Raspberry_ObjectDetection_Camera，可以不用配置TensorFlow Object Detection API，下载即用。
网球追踪
在树莓派终端输入：
cd PythonCode
python3 main_tennis_tracking.py
如果想在PC端接收网球检测图像，则在PC终端输入：
cd PythonCode
python3 pc_receiver.py