第1章摄像头基础与选型

1. 摄像头基础与选型：USB摄像头 vs CSI摄像头、分辨率与帧率取舍、参数调优实战

好，咱们直接进入正题。做图像处理，第一件事是什么？不是写代码，是选摄像头。我见过太多人一上来就调OpenCV，结果画面卡成PPT，或者颜色偏得离谱——其实问题出在摄像头本身。

这一章，我就带你从底层搞清楚摄像头那点事。选对了，后面事半功倍；选错了，你调参调到怀疑人生。

1.1 USB摄像头 vs CSI摄像头：到底差在哪？

先问个问题：你手头的树莓派或者Jetson Nano上，有两个摄像头接口——USB口和CSI排线口。用哪个？

我的建议很直接：能走CSI，就别走USB。为什么？

对比项	USB摄像头	CSI摄像头
带宽	USB 2.0约480Mbps，USB 3.0约5Gbps	通常2-4 lane MIPI，每lane约1Gbps
延迟	较高（受USB协议栈影响）	极低（直接走硬件通道）
CPU占用	高（需要UVC驱动解析）	低（硬件ISP直接处理）
分辨率上限	1080p@30fps常见，4K@30fps需USB 3.0	轻松支持4K@60fps
即插即用	好（Windows/Linux免驱）	需配置dts/设备树
成本	低（几十到几百）	稍高（排线+专用模组）

我在一个工业检测项目里吃过亏。当时图省事，用了USB摄像头做高速传送带上的缺陷检测。结果呢？画面延迟大概有100ms，产品都过去了，图像才到。后来换成CSI摄像头，延迟直接降到10ms以内。嗯，这就是差距。

核心结论：

做实时性要求高的项目（如机器人视觉、自动驾驶），优先选CSI
做原型验证、教学演示、低分辨率应用，USB完全够用
如果你用树莓派，官方CSI摄像头（如IMX219）是最稳妥的选择

1.2 分辨率与帧率：别盲目追求高参数

很多人一上来就选「最大分辨率+最高帧率」。你想想看，这真的合理吗？

分辨率越高，单帧数据量越大。以YUV422格式为例：

640×480：每帧约614KB
1920×1080：每帧约3.7MB
3840×2160：每帧约14.8MB

如果跑30fps，1080p每秒要处理111MB数据。你的CPU扛得住吗？你的算法跑得动吗？

我个人习惯的做法是：先定算法需求，再定分辨率。

做人脸检测：320×240就够了，关键是帧率要够（30fps以上）
做OCR文字识别：至少需要720p，保证文字清晰
做目标跟踪：1080p@30fps是起步，60fps更好
做工业测量：分辨率越高越好，但帧率可以降到15fps

我的经验公式：

实际可用帧率 = 摄像头标称帧率 × 0.7（预留30%给处理管线）

比如标称60fps的摄像头，实际能稳定跑40fps就不错了。

1.3 摄像头参数调优实战

好，摄像头选好了，接上了，也能出图了。但画面是不是偏暗？颜色是不是不对？别急着怀疑硬件，先调参数。

OpenCV里，我们用 cv2.VideoCapture 的 set() 方法来调参。但有个坑：不是所有摄像头都支持所有参数。我曾经在一个USB摄像头上调白平衡，调了半天没反应，后来才发现它压根不支持手动白平衡。

1.3.1 常用参数及取值范围

参数	OpenCV属性ID	典型范围	说明
亮度	cv2.CAP_PROP_BRIGHTNESS	0-255	整体亮度调节
对比度	cv2.CAP_PROP_CONTRAST	0-255	明暗差异
饱和度	cv2.CAP_PROP_SATURATION	0-255	色彩鲜艳程度
白平衡	cv2.CAP_PROP_WHITE_BALANCE_BLUE_U	2000-6500K	色温调节
曝光	cv2.CAP_PROP_EXPOSURE	-7到7（或绝对值）	进光量控制
增益	cv2.CAP_PROP_GAIN	0-255	信号放大

1.3.2 实战代码：一键调参工具

下面是我自己写的一个小工具，可以实时调节摄像头参数，效果立竿见影：

import cv2
import numpy as np

def create_trackbar_window():
    """创建调参窗口"""
    cv2.namedWindow('Camera Tuning')
    
    # 创建滑动条
    cv2.createTrackbar('Brightness', 'Camera Tuning', 128, 255, lambda x: None)
    cv2.createTrackbar('Contrast', 'Camera Tuning', 128, 255, lambda x: None)
    cv2.createTrackbar('Saturation', 'Camera Tuning', 128, 255, lambda x: None)
    cv2.createTrackbar('Exposure', 'Camera Tuning', 0, 14, lambda x: None)

def apply_parameters(cap):
    """从滑动条读取参数并应用到摄像头"""
    brightness = cv2.getTrackbarPos('Brightness', 'Camera Tuning')
    contrast = cv2.getTrackbarPos('Contrast', 'Camera Tuning')
    saturation = cv2.getTrackbarPos('Saturation', 'Camera Tuning')
    exposure = cv2.getTrackbarPos('Exposure', 'Camera Tuning')
    
    # 注意：不同摄像头支持的参数范围不同
    cap.set(cv2.CAP_PROP_BRIGHTNESS, brightness)
    cap.set(cv2.CAP_PROP_CONTRAST, contrast)
    cap.set(cv2.CAP_PROP_SATURATION, saturation)
    cap.set(cv2.CAP_PROP_EXPOSURE, exposure - 7)  # 映射到-7到7

def main():
    cap = cv2.VideoCapture(0)
    if not cap.isOpened():
        print("无法打开摄像头")
        return
    
    create_trackbar_window()
    
    while True:
        ret, frame = cap.read()
        if not ret:
            break
        
        apply_parameters(cap)
        
        cv2.imshow('Camera Tuning', frame)
        
        key = cv2.waitKey(1) & 0xFF
        if key == ord('q'):
            break
    
    cap.release()
    cv2.destroyAllWindows()

if __name__ == '__main__':
    main()

注意：

不是所有摄像头都支持动态调参。有些USB摄像头只能在初始化时设置一次
调参时建议先调曝光，再调白平衡，最后调亮度和对比度——这个顺序最有效
如果画面闪烁，可能是曝光和帧率不匹配，试试固定曝光值

1.3.3 避坑指南：我踩过的三个坑

坑一：参数设置不生效

我曾经花了一整天，发现 cap.set() 返回True，但画面纹丝不动。后来查文档才知道，有些摄像头必须在 cap.read() 之前设置参数，而且只能设置一次。解决方案：在打开摄像头后立即设置所有参数，不要等到循环里再设。

坑二：自动白平衡捣乱

做颜色识别项目时，发现识别结果忽好忽坏。排查了半天，原来是摄像头的自动白平衡在作祟——它会在不同光照下自动调整色温。解决办法：手动关闭自动白平衡，固定一个色温值。

# 关闭自动白平衡（不同摄像头方法不同）
cap.set(cv2.CAP_PROP_AUTO_WB, 0)  # 0表示关闭自动
cap.set(cv2.CAP_PROP_WHITE_BALANCE_BLUE_U, 4500)  # 固定色温

坑三：分辨率设置过高导致帧率暴跌

有次我贪心，把USB摄像头设成4K分辨率。结果呢？帧率掉到5fps，画面还卡顿。后来降到1080p，帧率回到30fps。记住：USB摄像头的实际带宽远低于标称值，尤其是USB 2.0接口。

1.4 本章小结

嗯，这一章内容不少，但都是实打实的经验。总结一下：

选型上：CSI优先于USB，除非你只是做原型验证
参数上：先定算法需求，再定分辨率和帧率，别盲目追求高参数
调参上：用滑动条实时调试，找到最佳参数组合后固定下来

下一章，我们会正式进入OpenCV的图像处理流水线。到时候，你会看到同样的摄像头，经过不同的预处理，效果天差地别。准备好了吗？