装甲板识别入门：从像素到目标框

写在前面

本文假设你已经会写 Python / C++，并安装了 OpenCV。 如果还没有，先跑一遍官方安装教程再回来。

视觉自瞄的第一步，就是从相机画面里找到敌人的装甲板。 下面我们用最经典的「颜色分割 + 轮廓拟合」路线演示一遍。

1. 图像预处理

正文中的图片直接使用相对路径即可（图片放在与 .md 文件同级的 images/ 文件夹中）：

拿到一帧图像后，首先把颜色空间从 BGR 转换到 HSV，便于按颜色范围抠出目标。

cv::Mat frame, hsv, mask;
// frame = 从相机读取的一帧
cv::cvtColor(frame, hsv, cv::COLOR_BGR2HSV);
cv::inRange(hsv, cv::Scalar(0, 43, 46), cv::Scalar(10, 255, 255), mask);

2. 提取轮廓

对掩码图做形态学闭运算，再提取轮廓，按面积/宽高比过滤噪声：

contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
lights = []
for c in contours:
    x, y, w, h = cv2.boundingRect(c)
    if w * h < 200:          # 过滤太小的噪点
        continue
    if h / w < 2.5:          # 灯条应为竖长条
        continue
    lights.append((x, y, w, h))

3. 灯条配对与坐标解算

把成对的左右灯条拟合成一个装甲板，再通过 PnP 解出相机坐标系下的 3D 坐标。

环节	手段	目标
预处理	HSV 阈值	分离颜色目标
特征提取	轮廓宽高比/面积	过滤灯条候选
配对	角度 + 距离约束	组成装甲板
解算	PnP (solvePnP)	得到 3D 位姿

4. 下期预告

下一篇我们介绍如何用 KalmanFilter 对解算结果做时序滤波， 让云台在目标被短暂遮挡时依然平滑地”咬住”目标。