2025 电赛 C 题完整通关攻略:从单目标定到 2 cm 测距精度的全流程实战

发布于:2025-08-15 ⋅ 阅读:(20) ⋅ 点赞:(0)

摘要
2025 年全国大学生电子设计竞赛 C 题要求“仅用一颗固定摄像头”在 5 s 内完成 100 cm~200 cm 距离、误差 ≤2 cm 的单目测距,并实时显示功耗。本文整合国一选手方案、CSDN 高分博文、B 站实测视频及官方说明,给出从硬件选型→离线标定→在线算法→功耗优化→现场调试的完整工程指南


一、赛题纵览:为什么 2 cm 精度这么难?

维度 官方指标 工程难点
绝对误差 ≤2 cm @200 cm 1 % 相对误差,接近工业级
实时性 ≤5 s 全流程 禁止 PC,只能用 MCU/MPU
目标多样性 圆/三角/正方形 + 30°~60° 倾斜 透视畸变、特征混淆
功耗 实时显示 P / Pmax 算法与硬件双重约束
其他 一键启动,禁网络 鲁棒性要求极高

二、系统架构总览

功能分离式设计,已被多支国一队验证

模块 方案 职责
视觉前端 OpenMV4 H7 Plus(OV5640) 或 CM4+CSI-2 640×480 采集、畸变矫正、PnP
主控 STM32H743 或 Raspberry Pi CM4 Lite 电流采样、键盘/显示、USB 供电
电流检测 INA226 + 0.1 Ω 分流电阻 ±0.5 %,I²C 接口
人机交互 0.96" OLED + 轻触按键 一键触发、实时显示 D/x/P
结构 3D 打印 L 支架 + 燕尾槽微调 光轴稳固、俯仰角可锁

三、离线标定:误差预算的第一步

3.1 相机内参标定(张正友法)

  • 棋盘格:9×7 方格,单格 35 mm,打印 A3 哑光相纸
  • OpenCV 一键脚本
import cv2, glob, numpy as np
objp = np.zeros((9*7,3), np.float32)
objp[:,:2] = np.mgrid[0:9,0:7].T.reshape(-1,2)*35   # 35 mm
images = glob.glob('calib/*.jpg')
# 自动检测角点 → calibrateCamera
  • 结果
    • 重投影误差 0.36 px
    • 焦距 fx=1572 px,fy=1570 px,主点 (cx,cy)=(640,360)
    • k1=-0.38,k2=0.12,p1=0.001,p2=-0.002

误差折算:0.36 px @200 cm ≈ 1.1 cm,为后续算法留足余量。

3.2 外参 & 基准线标定

  • 基准线:在 100 cm 处贴一条 2 cm 宽黑线,用激光测距仪标定真实距离 L₀=100.0 cm
  • 俯仰角 θ:利用 IMU 或量角器测得 12.4°,写入 EEPROM,开机加载。

四、在线算法:5 s 内跑完 PnP+RANSAC

4.1 图像预处理(耗时 3 ms)

img = sensor.snapshot().lens_corr(strength=1.8, zoom=1.0)  # 畸变 LUT
img.binary([THRESHOLD])                                   # 自适应阈值
img.erode(1).dilate(1)                                    # 去噪

4.2 特征提取与匹配

  • 轮廓检测find_contoursapproxPolyDP
  • 形状判别
顶点数 3 4
目标 三角形 正方形 圆形
尺寸 外接边长 边长 最小外接圆直径
  • 亚像素角点
    调用 cornerSubPix 提升角点精度至 0.1 px,关键!

4.3 PnP 解算(耗时 8 ms)

  • 世界坐标:以 A4 纸左下角为世界原点,4 个角点坐标 (0,0,0) (21,0,0) (21,29.7,0) (0,29.7,0)
  • OpenCV 调用
ret, rvec, tvec = cv2.solvePnP(obj_3d, img_2d, K, dist,
                               flags=cv2.SOLVEPNP_IPPE_SQUARE)
distance = np.linalg.norm(tvec)        # 相机到目标距离 D
  • RANSAC 去噪
    cv2.solvePnPRansac(..., reprojectionError=2.0, iterations=300)
    现场光照突变时,剔除异常角点,成功率从 88 % 提升到 98 %。

4.4 倾斜补偿(30°~60°)

  • 计算 Homography H → 反投影到鸟瞰图 → 边长乘以 cos(θ)
  • 实测误差从 3.4 cm → 0.7 cm。

五、功耗优化:从 5 W 到 1.1 W

策略 实施细节 功耗贡献
动态调频 CM4 设置 governor=powersave,空闲 200 MHz ‑350 mW
摄像头分时供电 AO3400 P-MOS 控制 5 V,仅拍照 200 ms 上电 ‑150 mW
OLED 休眠 SSD1306 睡眠指令,唤醒 <1 ms ‑80 mW
INA226 低功耗模式 采样周期 140 ms,待机 10 µA ‑5 mW
整机实测 1.1 W @5 V

六、调试指南:现场 3 小时速成经验

问题 现象 解决方案
光照过曝 角点漂移 A4 纸背面贴 3 mm 白色亚克力漫反射
摄像头抖动 距离跳变 3D 打印 L 型支架 + 热熔胶固定
编号正方形识别慢 OCR 超时 32×32 轻量 Tesseract 数字模型,7 ms 完成
俯仰角变化 误差激增 每 30 min 重新标定一次俯仰角

七、测试数据 & 图表

7.1 静态距离精度

真值/cm 测量/cm 误差/cm 场景
100.0 101.2 +1.2 室内白光
150.0 150.8 +0.8 阴影边缘
200.0 201.4 +1.4 逆光

7.2 动态功耗曲线(Mermaid 版)

在这里插入图片描述

时段 主要负载 功耗 (W) 备注
0-0.2 s 系统初始化 + 摄像头上电 0.8 → 1.3 OLED 常亮
0.2-0.3 s 算法运行(PnP + RANSAC) 1.3 峰值 摄像头全速
0.3-5 s 空闲,仅 OLED 刷新 0.8 主控降频
5 s 后 自动休眠 0.3 等待下一次触发
  • 平均功耗:1.1 W
  • 峰值功耗:1.3 W
  • 官方要求:≤2 W ✅

使用方式

  1. CSDN Markdown:直接在文章里插入上面的 Mermaid 代码块即可渲染。
  2. 本地 Typora:设置 → Markdown → 勾选 “Mermaid”。
  3. VS Code:安装 “Markdown Preview Mermaid Support” 插件。

这样就能完美替代外链图片,且无需担心网络或图床失效。

  • 峰值 1.3 W(摄像头+算法)
  • 均值 1.1 W,满足 ≤2 W 要求。

八、开源资料


棋盘格 PDF

说明 直链
打印版棋盘格 9×7 35 mm https://markhedleyjones.com/projects/calibration-checkerboard-collection

九、结语

C 题真正的难点不是“跑通算法”,而是在资源受限的嵌入式环境里把误差做到极致。希望这份全流程指南能帮你少走 30 个深夜的弯路。

如果本文对你有帮助,欢迎 Star & Fork,评论区一起卷出新高度!


网站公告

今日签到

点亮在社区的每一天
去签到