Pi视觉追踪（一）：项目概述与实现路径

背景

这个系列记录的是用树莓派5、罗技C270摄像头、双轴舵机和激光笔，从零搭建视觉追踪激光瞄准系统的完整过程。最终目标是追踪蚊子并用激光笔瞄准，但实际推进中先从气球起步，逐步逼近蚊子场景。

硬件清单

四条技术路径

最初检索了四种实现途径，按蚊子的适用性排序：

核心逻辑：蚊子的难点不在”控制舵机去哪”，而在”看见蚊子在哪”。把控制甩给下位机，把算力全留给眼睛。

路径决策与转向

原定路径B（OpenCV检测 + 串口控制舵机板），因双路舵机控制板主控芯片N76E003AT20的固件协议无法获取，转向Pi5直驱方案：

模块依赖关系

[01 舵机控制] ←─硬件驱动─→ [04 完整集成]
                              ↑
[02 视觉检测] ─输出质心─→ [03 控制算法] ─输出舵机角度─→ [04]
                              ↓
                         [05 激光控制]

整个系统分五个模块：舵机控制负责驱动硬件，视觉检测负责发现目标，控制算法负责把目标位置转化为舵机运动，完整集成把前三者组合成可运行系统，激光控制是独立的安全开关模块。

推荐推进顺序

Step 0 — 环境准备

sudo apt update && sudo apt install pigpio python3-pigpio i2c-tools
pip install opencv-python opencv-contrib-python numpy pigpio RPi.GPIO gpiozero
sudo pigpiod
sudo raspi-config -> Interface Options -> I2C -> Enable

Step 1 — 舵机动起来

python 01_舵机控制/示例代码/servo_pigpio.py

确认双轴都能平滑扫描，限位正常。若抖动严重，检查供电、共地、是否真用了硬件PWM。

Step 2 — 摄像头看见目标

python 02_OpenCV运动检测/示例代码/motion_mog2.py

调 VAR_THRESHOLD、MIN_AREA/MAX_AREA 让目标稳定出现在画面中心红点。

Step 3 — 控制算法单独验证

python 03_跟踪控制算法/示例代码/pid_controller.py
python 03_跟踪控制算法/示例代码/kalman_tracker.py

Step 4 — 端到端集成

python 04_完整集成示例/示例代码/autoturret_complete.py
python 04_完整集成示例/示例代码/mosquito_tracker_template.py

Step 5 — 激光开关集成

在主循环中加入激光开关，当跟踪误差小于阈值时才点亮激光。

关键风险与已知短板

1. 舵机速度：SG90约0.1s/60度，蚊子近距离角速度可能超出。建议准备MG90S金属齿备用。
2. 有效距离：C270在1米外蚊子已近亚像素，实际有效范围0.5~1.5米。
3. 多进程复杂度：完整集成示例的多进程架构延迟低但调试复杂，起步可先用单进程版本。
4. 供电：双舵机同时转动瞬态电流可达1A，务必外部5V供电且与Pi5共地。
5. 激光安全：低功率也禁直射人眼，建议加”对准后才点亮”硬保护。

蚊子与气球的本质差异

这是整个项目最关键的一张表——它决定了检测算法必须换范式：

简单说：协议照旧去破，检测算法另起炉灶，控制器加预测。后续文章按模块逐一展开。