测试测试 测试
**非常详细的视频和文字教程，讲解常见的openmv教程包括 巡线、物体识别、圆环识别、阈值自动获取等。非常适合学习openmv、K210、K230等项目
视频合集链接在
openmv教程合集 openmv入门到项目开发 openmv和STM32通信 openmv和opencv区别 openmv巡线 openmv数字识别教程LCD
专刊openmv视觉文章链接: https://blog.csdn.net/qq_46187594/category_12900902.html
2-匹配多个模板的
上面我们演示了如何实现匹配一个模板的，下面演示如何实现匹配多个模板的
首先把直接处理的文件都放进去pgm 按照一定的命名都放到openmv识别成的U盘里面
然后下面是我们的0-9数字识别功能代码
# 多模板匹配系统 - 数字识别增强版
# 核心功能：
# 1. 支持0-9数字模板实时匹配
# 2. 可视化识别结果及性能指标
# 3. 结构化数据输出
import time
import sensor
import image
from image import SEARCH_EX # 导入穷举搜索模式
# ******************** 摄像头初始化配置 ********************
sensor.reset() # 复位摄像头硬件
sensor.set_contrast(1) # 设置对比度（范围0-3）
sensor.set_gainceiling(16) # 设置最大增益值（防止过曝光）
sensor.set_framesize(sensor.QQVGA) # 设置图像分辨率160x120
sensor.set_pixformat(sensor.GRAYSCALE) # 使用灰度图像模式（提升处理速度）
sensor.set_vflip(True) # 垂直翻转图像（根据摄像头物理安装方向调整）
sensor.set_hmirror(True) # 水平镜像图像（根据实际需要调整）
# ******************** 用户可配置参数 ********************
TEMPLATE_PATHS = [ # 模板文件路径列表
"/0.pgm", "/1.pgm", "/2.pgm", # 模板文件应存放在OpenMV存储根目录
"/3.pgm", "/4.pgm", "/5.pgm", # 建议使用32x32像素灰度图像
"/6.pgm", "/7.pgm", "/8.pgm",
"/9.pgm"
]
MATCH_THRESHOLD = 0.70 # 匹配相似度阈值（0.0-1.0，值越大匹配越严格）
SEARCH_STEP = 4 # 搜索步长（增大可提升速度但降低精度）
TEXT_COLOR = 255 # 显示文本颜色（灰度模式下255=白色）
TEXT_OFFSET = 5 # 文本与识别框的垂直间距（像素）
# ******************** 模板预加载系统 ********************
class TemplateLoader:
"""
模板加载管理器，实现：
1. 启动时预加载所有模板到内存
2. 自动从文件路径提取模板名称
3. 提供错误加载提示功能
"""
def __init__(self):
self.templates = [] # 模板存储列表
self.load_templates() # 初始化时自动加载模板
def load_templates(self):
"""加载并验证所有模板文件"""
for path in TEMPLATE_PATHS:
try:
# 从文件路径提取模板名称（示例："/9.pgm" -> "9"）
# split("/")[-1]获取文件名，split(".")[0]去除扩展名
name = path.split("/")[-1].split(".")[0]
# 构建模板字典对象
template = {
"image": image.Image(path), # 加载模板图像到内存
"name": name, # 存储简化名称
"path": path # 保留完整路径用于调试
}
self.templates.append(template)
print(f"预加载成功：{path} -> {name}")
except Exception as e:
# 捕获文件不存在或格式错误等异常
print(f"加载失败：{path} ({str(e)})")
# 实例化模板加载器（程序启动时自动执行加载）
template_loader = TemplateLoader()
# 初始化性能计数器（用于计算帧率）
clock = time.clock()
# ******************** 主处理循环 ********************
while(True):
clock.tick() # 开始帧计时
# 图像采集处理流程
img = sensor.snapshot() # 捕获一帧图像
# 多模板匹配流程
for template in template_loader.templates:
# 执行模板匹配操作
# find_template参数说明：
# template - 预加载的模板图像对象
# threshold - 相似度阈值
# step - 搜索步长（影响速度和精度）
# search - 搜索模式（SEARCH_EX为全搜索）
result = img.find_template(template["image"],
MATCH_THRESHOLD,
step=SEARCH_STEP,
search=SEARCH_EX)
if result: # 当匹配结果有效时
# 解包匹配区域坐标（x,y）和尺寸（width,height）
x, y, w, h = result
# 可视化处理部分
# 绘制红色矩形框标记识别区域（颜色值255在灰度模式显示为白色）
img.draw_rectangle(result, color=TEXT_COLOR)
# 计算文本显示位置（防止超出图像上边界）
text_y = y - TEXT_OFFSET if y > TEXT_OFFSET else 0
# 在识别框上方显示模板名称
# 参数说明：
# x - 文本左上角X坐标（对齐识别框左侧）
# text_y - 垂直位置（识别框上方5像素）
# template["name"] - 显示的文本内容
# color - 文本颜色
# scale - 字体缩放比例
# mono_space - 启用等宽字体显示
img.draw_string(x, text_y, template["name"],
color=TEXT_COLOR,
scale=1,
mono_space=True)
# 数据输出部分
# 输出格式：[时间戳] 识别到 模板名称 坐标: (中心X, 中心Y)
print("[{:.0f}] 识别到 {} 坐标: ({},{})".format(
time.ticks_ms(), # 获取系统毫秒时间戳
template["name"], # 模板名称
x + w//2, # 计算区域中心X坐标
y + h//2 # 计算区域中心Y坐标
))
# 实时性能显示
fps = clock.fps() # 计算实际帧率
# 在画面左上角显示帧率信息（避免遮挡识别结果）
# 参数5,5表示距离左上角5像素的起始位置
img.draw_string(5, 5, "FPS:%.1f" % fps, color=TEXT_COLOR)
识别到会输出在
注意:如果觉得经常误识别，可以调整识别的匹配阈值
MATCH_THRESHOLD = 0.70 # 匹配相似度阈值（0.0-1.0，值越大匹配越严格）