基于OpenCV与霍夫变换的五子棋棋盘状态智能识别

1. 从图像到数字棋盘五子棋识别的技术脉络第一次尝试用摄像头识别五子棋棋盘时我盯着屏幕上歪歪扭扭的检测结果哭笑不得。棋盘边缘像被狗啃过棋子位置飘忽不定白棋黑棋傻傻分不清楚——这大概是每个计算机视觉初学者都会经历的劝退时刻。但当你掌握OpenCV配合霍夫变换的正确打开方式就能让程序像职业棋手一样精准看懂棋盘。传统五子棋AI往往需要人工输入棋盘状态而现代智能棋具的核心正是视觉感知模块。通过手机摄像头或固定机位拍摄棋盘照片系统需要完成三个关键任务找到棋盘边界就像人类用眼睛定位棋盘位置、检测每个棋子坐标类似棋手观察落子位置、区分黑白棋子颜色相当于辨识棋子颜色。最终输出19×19的数字矩阵其中0表示空位1代表白棋2代表黑棋。这个过程中最棘手的部分在于处理现实世界的干扰。我测试过不同材质的棋盘木纹棋盘的反光会让边缘检测失效布质棋盘的褶皱会导致网格变形甚至棋子阴影都会影响颜色判断。后来发现高斯模糊配合自适应阈值处理能解决90%的纹理干扰问题就像给镜头戴上了降噪耳机。2. 棋盘定位给图像做眼科手术2.1 预处理让模糊的图像变清晰拿到棋盘图像的第一件事不是直接分析而是要做视力矫正。原始图像就像近视眼看到的画面可能有反光、阴影、镜头畸变。这里有个经典的处理流水线# 读入图像并初始化 img cv2.imread(gobang.jpg) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转为灰度图 blur cv2.GaussianBlur(gray, (5,5), 0) # 高斯模糊去噪 edges cv2.Canny(blur, 50, 150) # Canny边缘检测我习惯把高斯模糊的核大小设为(5,5)这个尺寸既能平滑掉木纹纹理又不会过度模糊真正的棋盘边缘。有个容易踩的坑是Canny算子的阈值设置——太低会检测出大量噪点太高又会丢失真实边缘。经过多次测试我发现50和150这对阈值组合对大多数室内光照条件都适用。2.2 提取棋盘寻找图像中的最大四边形棋盘通常是图像中最大的四边形物体这个特性让我们能快速定位contours, _ cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) max_contour max(contours, keycv2.contourArea) # 找面积最大轮廓 rect cv2.minAreaRect(max_contour) # 最小外接矩形 box cv2.boxPoints(rect) # 获取四个角点这里有个实战技巧minAreaRect返回的矩形可能带旋转角度。如果棋盘没有摆正后续的棋子定位会全部错位。我的解决办法是计算矩形角度当倾斜超过5度时提示用户重新摆放棋盘。曾经有个项目因为忽略这点导致棋子坐标全部偏移差点让整个系统推倒重做。3. 棋子检测霍夫变换的魔法时刻3.1 霍夫圆检测参数调优的艺术找到棋盘后就该检测上面的棋子了。霍夫圆变换就像给程序装上了找圆眼镜但需要精心调校circles cv2.HoughCircles(warped, methodcv2.HOUGH_GRADIENT, dp1, minDist25, param1100, param219, minRadius10, maxRadius20)这些参数就像相机的对焦环dp1表示累加器分辨率与图像相同minDist25保证两个圆心至少相距25像素param1100是Canny边缘检测的高阈值param219是累加器阈值值越小检测到的圆越多最让人头疼的是param2它控制检测灵敏度。有次比赛现场光照变化预设参数突然失效棋子检测数量从361个(19×19)暴跌到不到100个。后来我改用动态参数调整先检测明显的大圆确定基准半径再逐步放宽条件检测其他圆。3.2 坐标映射从像素到棋盘格检测到圆后需要把像素坐标转换为棋盘行列号grid_size width // 18 # 标准棋盘有19条线18个格子 centers [] for (x, y, r) in circles[0]: row round(y / grid_size) - 4 # 补偿边缘空白 col round(x / grid_size) - 4 centers.append((x, y, row, col))这里有个隐藏坑点棋盘边缘通常有留白直接除会偏移。我通过-4的补偿值来校正这个数字需要根据实际棋盘边框调整。更鲁棒的做法是用线性回归拟合网格线自动计算偏移量。4. 棋子颜色识别当黑白不再是黑白4.1 颜色空间转换跳出RGB的陷阱区分黑白棋子听起来简单但在不同光照下白棋可能呈现黄色黑棋可能变成灰色。直接使用RGB空间会非常不稳定hsv cv2.cvtColor(img, cv2.COLOR_BGR2HSV) lower_black np.array([0, 0, 10]) upper_black np.array([180, 255, 90]) # 亮度较低的为黑子 lower_white np.array([0, 0, 100]) upper_white np.array([180, 30, 255]) # 高亮度低饱和为白子HSV颜色空间中我用亮度(Value)通道区分黑白。但实际测试发现某些黑棋在强光下亮度值会超过白棋阴影部分。后来改进方案是结合饱和度(Saturation)白棋饱和度通常较低而反光的黑棋饱和度较高。4.2 区域统计让数据说话确定颜色阈值后需要在每个棋子区域进行验证for (x, y, row, col) in centers: # 提取棋子区域 roi hsv[y-r:yr, x-r:xr] # 统计符合黑/白阈值的像素比例 black_pixels cv2.inRange(roi, lower_black, upper_black) white_pixels cv2.inRange(roi, lower_white, upper_white) if np.sum(white_pixels) np.sum(black_pixels): color white else: color black这里我改用像素比例比较而非绝对值判断使得系统对光照变化更鲁棒。同时添加了异常检测当黑白像素比例接近时标记为未知状态要求人工确认避免错误传播。5. 五子连珠检测算法的高光时刻5.1 棋盘矩阵构建从离散到连续识别出所有棋子后需要构建数字矩阵表示棋盘状态board [[0 for _ in range(19)] for _ in range(19)] for (color, row, col) in stones: board[row][col] 1 if color white else 2这个19×19的二维数组就是后续分析的基础。我习惯用0表示空位1表示白棋2表示黑棋。有个细节需要注意行列索引从0开始还是1开始要统一否则后续检测会错位。曾经因为这个问题调试了整整一个下午。5.2 胜利条件检测四向扫描法五子棋的胜利条件是五子连珠需要检查四个方向def check_win(board, x, y): directions [(0,1), (1,0), (1,1), (1,-1)] # 水平、垂直、对角线 for dx, dy in directions: count 1 # 正向探测 tx, ty xdx, ydy while 0tx19 and 0ty19 and board[tx][ty]board[x][y]: count 1 tx dx ty dy # 反向探测 tx, ty x-dx, y-dy while 0tx19 and 0ty19 and board[tx][ty]board[x][y]: count 1 tx - dx ty - dy if count 5: return True return False这个算法会在每次落子后从该位置向四个方向延伸检查。我优化过的版本会记录最长连线用于显示获胜路径。注意边界判断要包含0和18否则边缘棋子会引发数组越界。6. 实战优化让算法更健壮6.1 光照自适应应对复杂环境固定参数在变化光照下表现很差我开发了自适应方案# 自动计算亮度中值作为参考 median np.median(gray) # 动态调整Canny阈值 canny_low max(50, median * 0.5) canny_high min(150, median * 1.5) edges cv2.Canny(blur, canny_low, canny_high)对于颜色识别改用K-means聚类自动确定黑白阈值pixels hsv.reshape((-1,3)) criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0) _, labels, centers cv2.kmeans(pixels.astype(np.float32), 2, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)6.2 误检处理逻辑校验机制即使最好的算法也会有误检我添加了多层校验棋子数量校验19×19棋盘最多361个棋子位置校验棋子应该位于网格交叉点颜色分布校验黑白棋子数量差通常不超过2当检测到异常时系统会启动局部重检测而非全盘否定。例如只重新分析某个区域的棋子或者提示用户确认特定位置。这种渐进式信任机制大幅提升了用户体验。7. 从实验室到产品工程化思考7.1 性能优化速度与精度的平衡在树莓派上运行时发现完整检测需要6秒完全无法实时使用。通过以下优化降到0.8秒缩小处理图像尺寸保持棋盘完整即可缓存棋盘位置连续帧间棋盘不会突变增量更新只检测变化区域# 图像金字塔加速 small cv2.resize(img, (0,0), fx0.5, fy0.5) # 只在棋盘区域处理 roi img[y1:y2, x1:x2]7.2 用户交互设计好的算法需要友好的交互实时显示检测结果支持手动修正错误识别保存和加载棋盘状态提供识别置信度提示我设计了一个点击修正功能用户点击识别错误的位置系统会在该区域重新分析。这比完全手动输入高效得多也降低了算法精度压力。