-
基于OpenCV的硬件加速：在Zynq平台实现图像预处理逻辑的软硬件协同
Zynq平台（ARM Cortex-A + FPGA）天生适合做图像处理的软硬件协同——计算密集的像素级操作（灰度转换、滤波、边缘检测）交给FPGA流水线处理，而复杂的控制逻辑、算法调度、结果显示则由ARM上运行的OpenCV完成。这种分工既能利用FPGA的低延迟和高吞吐，又能保留OpenCV丰富的库函数和开发效率。本文以“摄像头实时采集→FPGA做高斯滤波→ARM做Canny边缘检测”为例，展示完整的软硬件协同流程。
-
如何通过WebRTC将Stream Edge AI视觉功能集成到任意浏览器
本项目展示了如何将视频流从reCamera“解绑”——即将独立的视觉设备转变为任何网络系统均可集成的视频源。设备端的YOLO11n目标检测在reCamera上运行，编码后的视频通过RTSP传输，AI检测框则通过MQTT同步发送。一个轻量级的PC端WebRTC桥接器(基于OpenCV和aiortc构建)将推理结果与视频帧融合，并将其作为WebRTC流提供，直接在浏览器中播放，无需插件，也无需额外应用程序。
-
树莓派OpenCV实战：图像处理、灰度转换与画面裁剪
-
设计一款具备车道保持、速度控制和停车检测功能的遥控车
在本项目中，我们设计并构建了一辆基于树莓派5的自主车辆，该车辆采用OpenCV车道检测、PID转向控制以及基于编码器的速度调节技术，在赛道上行驶并停靠在指定的停车标志处。最终参数通过反复在赛道上运行车辆，分析误差、转向占空比、比例响应和导数响应的曲线图，并选择能够最小化振荡同时确保车辆稳定完成赛道行驶的组合方式确定。
-
设计一种能够利用计算机视觉和控制技术在预设轨道上自主行驶的车辆
系统采用基于OpenCV的图像处理技术，实时检测车道线并估算车辆轨迹。根据这些信息，计算出转向角度，使车辆保持在车道中央行驶，并通过PID控制器确保转向行为平稳稳定。
-
设计一辆采用 OpenCV 和速度编码器的自动驾驶汽车，能够进行车道识别并识别停车标志
该项目是作为 ELEC 424 期末项目的一部分而开发的，在此项目中，我们设计并制造了一辆能够保持车道并进行停车检测的自主遥控汽车，其功能是利用计算机视觉实现上述功能。我们的系统利用 OpenCV 来处理来自车载摄像头的实时视频输入，使汽车能够遵循车道边界并对红色停车标志做出反应。这项工作基于之前的努力，包括 raja_961 的 Instructables 项目“使用树莓派和 OpenCV 的自主车道保持汽车”，以及过去的 ELEC 424 Hackster 项目(如“非凡的 M.E.G.G. 汽车”和“T.E.A.M. 自动驾驶汽车”)，这些项目为我们项目的实施提供了基础。
-
构建一款基于 OpenCV 的光学打孔卡读取器，适用于 128 位的打孔卡
如今，穿孔卡片已几乎被人遗忘，使用这种卡片的最后一批机器早在 80 年代就已退役。不过也有一些例外情况，一些工业设备至今仍得以保留，并且在小范围内仍在使用这种卡片。
-
从C到RTL：使用Vitis HLS实现OpenCV图像处理算法的硬件加速
在工业视觉检测场景中，某汽车零部件厂商曾面临严峻挑战：基于CPU的缺陷检测系统处理单帧图像需200ms，导致生产线节拍严重受限。通过采用Vitis HLS将OpenCV算法移植至FPGA，系统性能提升至5ms/帧，检测精度保持99.2%不变。这一案例印证了硬件加速在实时图像处理领域的核心价值。
-
OpenCV应用的多层级功耗控制策略
-
低功耗嵌入式设备中OpenCV的休眠唤醒与功耗控制（下）
-
低功耗嵌入式设备中OpenCV的休眠唤醒与功耗控制（中）
-
低功耗嵌入式设备中OpenCV的休眠唤醒与功耗控制（上）
-
OpenCV形态学操作的嵌入式优化（三）
-
OpenCV形态学操作的嵌入式优化（三）
-
OpenCV形态学操作的嵌入式优化（二）
-
OpenCV形态学操作的嵌入式优化
-
嵌入式设备中OpenCV与摄像头的接口适配方法（下）
-
嵌入式端OpenCV图像处理算法的硬件加速方案（下）
-
嵌入式平台OpenCV版本选型指南（下）
-
嵌入式平台OpenCV版本选型指南（上）
