【STM32+OpenMV】从零构建：嵌入式视觉系统中的矩形目标检测与坐标传输

1. 项目背景与硬件选型

最近在做一个智能小车的项目，需要让小车自动识别黑色矩形区域并停在指定位置。经过一番调研，最终选择了STM32F103C8T6作为主控芯片，搭配OpenMV摄像头来实现这个功能。这个组合性价比很高，特别适合学生和创客群体。

STM32F103C8T6是ST公司的一款经典MCU，72MHz主频，64KB Flash，20KB RAM，完全够用。最重要的是它价格便宜，淘宝上十几块钱就能买到核心板。OpenMV则是一款开源的机器视觉模块，内置MicroPython解释器，可以直接运行图像处理算法，省去了自己移植OpenCV的麻烦。

硬件连接很简单：

• OpenMV的UART3（P4/P5引脚）接STM32的USART2
• 共地连接
• 3.3V电源供电

这里有个小坑要注意：OpenMV的工作电压是3.3V，而有些STM32开发板默认是5V电平，记得要确认电平匹配，否则可能会烧坏OpenMV。

2. OpenMV开发环境搭建

第一次使用OpenMV时，需要先安装OpenMV IDE。这个IDE基于Qt开发，支持Windows/Mac/Linux三大平台。安装过程很简单，但有几个关键点需要注意：

1. 建议安装最新稳定版（目前是4.2.0）
2. 安装时勾选"Add OpenMV to PATH"
3. 安装完成后先升级固件

测试摄像头是否正常工作可以用这个简单脚本：

python复制import sensor, image, time

sensor.reset()
sensor.set_pixformat(sensor.RGB565)
sensor.set_framesize(sensor.QVGA)
sensor.skip_frames(time=2000)

while(True):
    img = sensor.snapshot()
    print("FPS:", clock.fps())

如果能看到实时图像和FPS数据，说明环境配置成功了。我实测下来，在QVGA分辨率下帧率能达到30FPS左右，完全够用。

3. 矩形检测算法实现

OpenMV提供了find_rects()方法来检测矩形，但直接使用效果可能不太理想。经过多次调试，我总结出几个优化技巧：

1. 先转灰度图能提升处理速度
2. 适当使用lens_corr()校正镜头畸变
3. 调整threshold参数很关键

优化后的完整代码如下：

python复制import sensor, image, time

sensor.reset()
sensor.set_pixformat(sensor.GRAYSCALE)  # 灰度模式更快
sensor.set_framesize(sensor.QQVGA)     # 160x120分辨率
sensor.skip_frames(time=2000)

# 镜头校正系数，需要根据实际镜头调整
lens_corr_param = 1.8  

while(True):
    img = sensor.snapshot().lens_corr(lens_corr_param)
    
    # 检测矩形，threshold值需要根据场景调整
    rects = img.find_rects(threshold=8000)  
    
    if len(rects) > 0:
        # 找面积最大的矩形
        max_rect = max(rects, key=lambda r: r.w() * r.h())
        
        # 绘制矩形边框
        img.draw_rectangle(max_rect.rect(), color=255)
        
        # 获取四个角点坐标
        corners = max_rect.corners()
        print("Corners:", corners)

实际测试时发现，环境光线对检测效果影响很大。建议在固定场景下使用，或者增加自动曝光控制。

4. STM32与OpenMV通信

通信协议设计很关键，我采用了简单的自定义协议：

• 帧头：0xB3 0xB3
• 数据：四个角点的x,y坐标
• 帧尾：\r\n

OpenMV端发送代码：

python复制import ustruct
from pyb import UART

uart = UART(3, 115200)
uart.init(115200, bits=8, parity=None, stop=1)

def send_corners(corners):
    # 打包数据
    data = bytearray()
    for x,y in corners:
        data.extend(ustruct.pack('<hh', x, y))  # 小端模式，short类型
    
    # 发送完整帧
    uart.write(bytearray([0xB3, 0xB3]))
    uart.write(data)
    uart.write(bytearray([0x0D, 0x0A]))

STM32端接收代码（HAL库）：

c复制#define BUF_SIZE 64
uint8_t rx_buf[BUF_SIZE];
uint8_t rx_index = 0;

void HAL_UART_RxCpltCallback(UART_HandleTypeDef *huart) {
    static uint8_t state = 0;
    
    if(rx_buf[rx_index] == 0xB3) {
        state++;
        if(state == 2) {
            // 收到帧头，准备接收数据
            rx_index = 0;
            return;
        }
    } else {
        state = 0;
    }
    
    if(++rx_index >= BUF_SIZE) {
        rx_index = 0;
    }
    
    HAL_UART_Receive_IT(huart, &rx_buf[rx_index], 1);
}

实际调试中发现，串口通信偶尔会出现数据错位。解决方法是在STM32端增加校验机制，如果数据长度不符合预期就直接丢弃。

5. 系统联调与优化

联调阶段遇到了几个典型问题：

1. 坐标抖动问题：连续发送时坐标会有小幅度跳动

• 解决方法：在STM32端增加滑动平均滤波

c复制#define FILTER_SIZE 5
int16_t x_history[FILTER_SIZE] = {0};
int16_t y_history[FILTER_SIZE] = {0};
uint8_t filter_index = 0;

void filter_coord(int16_t *x, int16_t *y) {
    x_history[filter_index] = *x;
    y_history[filter_index] = *y;
    filter_index = (filter_index + 1) % FILTER_SIZE;
    
    int32_t x_sum = 0, y_sum = 0;
    for(int i=0; i<FILTER_SIZE; i++) {
        x_sum += x_history[i];
        y_sum += y_history[i];
    }
    
    *x = x_sum / FILTER_SIZE;
    *y = y_sum / FILTER_SIZE;
}

2. 检测距离有限：在距离较远时矩形检测不到

• 解决方法：调整镜头焦距，适当降低分辨率
• 也可以尝试在OpenMV端使用find_apriltags()替代，效果更好但计算量更大

3. 多矩形干扰：场景中出现多个矩形时可能会误识别

• 解决方法：根据应用场景设置面积阈值，只处理符合要求的矩形

6. 实际应用案例

这个系统最终用在了智能小车项目上，实现了以下功能：

1. 自动识别地面上的黑色矩形停车区域
2. 计算小车当前位置与目标位置的偏差
3. PID控制小车运动到指定位置

关键的控制代码如下：

c复制void control_task() {
    int16_t target_x = 80;  // 目标位置中心x坐标
    int16_t target_y = 60;  // 目标位置中心y坐标
    
    while(1) {
        if(new_data_flag) {  // 收到新坐标数据
            new_data_flag = 0;
            
            // 计算中心点坐标
            int16_t center_x = (corner1_x + corner2_x + corner3_x + corner4_x) / 4;
            int16_t center_y = (corner1_y + corner2_y + corner3_y + corner4_y) / 4;
            
            // 计算偏差
            int16_t err_x = center_x - target_x;
            int16_t err_y = center_y - target_y;
            
            // PID控制
            motor_ctrl(pid_calc(&pid_x, err_x), pid_calc(&pid_y, err_y));
        }
        osDelay(10);
    }
}

实测下来，系统定位精度能达到±2cm，完全满足项目需求。整个开发过程中最大的收获是：嵌入式视觉项目一定要考虑实时性和稳定性的平衡，算法不需要太复杂，够用就好。