1、课程导入：了解STM32H7视觉识别项目的整体目标、应用场景、学习路径和所需软硬件环境
欢迎进入《STM32H7摄像头视觉识别项目》的第一章。本章作为整个课程的总纲，将帮助你建立对项目的全局认知。视觉识别在嵌入式领域一直被视为“高门槛”技术，但随着STM32H7系列高性能MCU的普及，在单芯片上完成图像采集、预处理和轻量级神经网络推理已成为可能。本课程将带你从零开始，构建一个基于DCMI接口的摄像头采集系统，并最终在STM32H7上部署一个可运行的视觉识别模型。本章将围绕项目目标、典型应用场景、系统学习路径以及软硬件环境准备四个核心模块展开，为你后续的动手实践打下坚实基础。
上图展示了本课程的核心知识框架。从左侧的应用场景出发，经过硬件平台和软件框架的支撑，最终沿着五阶段学习路径（环境搭建→DCMI采集→图像处理→模型部署→推理优化）推进。这张图也是你整个学习过程的“地图”，建议保存下来，在后续每个章节开始前回顾一下当前所处的位置。
1.1 项目目标：从“能采集”到“会识别”
本课程的核心目标不是简单地让摄像头输出一张图片到LCD上，而是构建一个完整的、可落地的视觉识别流水线。具体而言，项目结束时你将实现：通过OV2640或OV5640摄像头采集实时图像，利用STM32H7的DCMI接口将数据高效传输至内部SRAM或外部SDRAM，经过图像预处理（裁剪、缩放、格式转换），最后调用部署在MCU内部的轻量级神经网络模型完成目标分类或检测，并将结果实时显示在LCD屏上或通过串口输出。
这个目标可以拆解为四个技术层次：
- 采集层：掌握DCMI接口的时序配置、DMA传输方式以及摄像头寄存器初始化。
- 处理层：实现RGB565、YUV422等格式的转换，以及ROI（感兴趣区域）提取和缩放算法。
- 推理层：使用STM32Cube.AI工具将训练好的Keras/TFLite模型转换为C代码，并集成到工程中。
- 应用层：设计合理的推理结果展示逻辑，包括LCD图形叠加、串口打印以及简单的交互控制。
1.2 应用场景：为什么STM32H7适合做视觉
在讨论技术细节之前，有必要理解STM32H7在视觉识别领域的定位。与树莓派或Jetson Nano等MPU（微处理器）平台不同，STM32H7属于MCU（微控制器）范畴，其优势在于实时性、低功耗、成本控制和系统集成度。以下是几个典型的应用场景：
| 场景 | 具体需求 | STM32H7的优势 |
|---|---|---|
| 工业视觉检测 | 生产线上的零件分类、缺陷检测 | 工业级温度范围、确定性延迟、无需操作系统 |
| 智能楼宇/安防 | 人脸识别门禁、区域入侵检测 | 低功耗待机、快速唤醒、数据安全（内部存储） |
| 便携式医疗设备 | 试纸颜色识别、细胞图像计数 | 小尺寸、电池供电、集成LCD控制器 |
| 机器人/无人机 | 视觉循迹、避障、目标追踪 | 高主频、硬件JPEG编解码器、丰富定时器 |
需要注意的是，STM32H7并不适合运行大型深度学习模型（如ResNet-50），它更适合轻量级模型（如MobileNetV1的0.25倍宽度、SqueezeNet或自定义小型CNN）。因此，本课程中的模型设计和优化将围绕“在有限资源下实现可用精度”这一核心原则展开。
1.3 学习路径：五阶段递进式实战
本课程共30章，按照“基础→进阶→综合”的逻辑组织，建议你按照顺序学习，不要跳跃。以下是五个阶段的具体划分和对应章节范围：
- 阶段一：环境准备与基础外设（第1-5章）——搭建开发环境，熟悉STM32CubeMX配置，掌握GPIO、UART、定时器等基础外设。这是所有嵌入式项目的基石。
- 阶段二：DCMI摄像头采集（第6-12章）——深入理解DCMI接口协议，配置OV2640/OV5640寄存器，实现DMA双缓冲采集，并解决图像撕裂、花屏等常见问题。
- 阶段三：图像预处理与显示（第13-18章）——学习RGB/YUV格式转换、图像缩放（最近邻/双线性插值）、灰度化、二值化等算法，并在LCD上实时显示。
- 阶段四：模型转换与部署（第19-25章）——使用Python训练一个简单的分类模型，通过STM32Cube.AI或TensorFlow Lite for MCU转换为C数组，并集成到STM32工程中。
- 阶段五：系统优化与综合项目（第26-30章）——针对推理速度、内存占用、功耗进行调优，最终完成一个综合项目（如“手写数字识别”或“简单物体分类”）。
1.4 软硬件环境准备清单
“工欲善其事，必先利其器。”在开始第一章的动手实验之前，请务必准备好以下软硬件环境。这里列出的硬件型号是本课程的推荐配置，如果你手头有其他型号，只要满足基本参数要求（如DCMI接口、足够RAM），也可以使用。
1.4.1 硬件清单
| 类别 | 推荐型号 | 关键参数/说明 | 必选/可选 |
|---|---|---|---|
| 开发板 | STM32H750VBT6核心板 或 正点原子/野火H7开发板 | 内置8MB外部Flash（用于存储模型）、板载SDRAM（建议至少8MB） | 必选 |
| 摄像头模块 | OV2640（200万像素）或 OV5640（500万像素） | 支持DCMI接口、SCCB控制接口、RGB565/YUV422输出 | 必选 |
| 显示屏 | 4.3寸RGB接口LCD（800x480）或 3.5寸MCU接口屏 | 用于实时显示采集图像和识别结果；RGB屏更佳，但占用引脚多 | 强烈推荐 |
| 调试器 | ST-Link V2 或 J-Link | 用于程序下载和在线调试 | 必选 |
| 辅助工具 | USB-TTL串口模块、杜邦线、5V/3.3V电源 | 用于日志输出和电平转换 | 可选 |
1.4.2 软件环境
- STM32CubeMX（版本6.8及以上）：用于图形化配置引脚、时钟、外设，生成初始化代码。
- STM32CubeIDE（版本1.13及以上）或 Keil MDK-ARM（V5.29及以上）：作为代码编写、编译和调试的IDE。本课程以STM32CubeIDE为例，因为其免费且与CubeMX无缝集成。
- STM32CubeH7固件包：包含HAL库、BSP驱动和中间件。在CubeMX中在线下载即可。
- STM32Cube.AI（作为CubeMX插件安装）：用于将训练好的神经网络模型转换为针对STM32优化的C代码。
- Python 3.8+（可选）：用于训练模型、图像数据集准备。建议安装Anaconda环境，并安装TensorFlow 2.x或PyTorch。
- 串口调试助手：如XCOM、MobaXterm，用于查看调试信息。
1.5 案例拆解：从零搭建一个“摄像头+LCD”显示工程
为了让你对后续的学习内容有一个直观感受，这里拆解一个最简单的案例——“DCMI采集图像并实时显示在LCD上”。这个案例虽然不涉及模型推理，但它包含了视觉项目最核心的链路：摄像头→DCMI→DMA→SDRAM→LCD。我们以STM32H750 + OV2640 + 4.3寸RGB屏为例。
背景与目标：开发板主频480MHz，DCMI接口连接OV2640，LCD通过RGB888接口连接。目标是将摄像头采集到的RGB565图像（分辨率320x240）实时显示在LCD上，帧率不低于25FPS。
关键配置步骤：
- CubeMX配置：使能DCMI接口（8位数据线D0-D7、像素时钟PCLK、行同步HSYNC、场同步VSYNC），配置DMA（DCMI请求映射到DMA1 Stream0），方向为外设到内存，模式为循环模式。同时配置LCD的LTDC控制器和SDRAM（用于帧缓冲）。
- 摄像头初始化：通过SCCB总线（模拟I2C）向OV2640写入寄存器序列，设置输出格式为RGB565、分辨率320x240。注意OV2640的寄存器配置需要参考其数据手册中的初始化序列。
- DMA双缓冲：在代码中定义两个帧缓冲数组（位于SDRAM中），DMA交替填充这两个缓冲区。当一帧填充完成时，触发DMA传输完成中断，在中断中将当前缓冲区地址切换为LCD的显存地址。
- LCD刷新：由于LTDC控制器会自动从显存读取数据刷新屏幕，因此只需将DMA填充完成的帧数据拷贝到LTDC的当前帧缓冲地址即可。更高效的做法是直接切换LTDC的显存地址（通过修改LTDC_Layer->WVPCR寄存器），避免数据拷贝。
初始现象与问题：首次上电后，LCD显示花屏或图像错位。通过逻辑分析仪检查DCMI的PCLK和HSYNC时序，发现摄像头初始化序列中有一个寄存器地址写错，导致输出分辨率与DCMI配置不一致。修正后图像正常，但帧率只有15FPS。
分析与优化：帧率不足的原因是DMA中断处理中进行了不必要的图像拷贝操作。改为直接切换LTDC显存地址后，帧率提升至30FPS。此外，将DCMI的PCLK分频系数从2改为1（在允许范围内），进一步降低了CPU负载。
复盘经验：这个案例揭示了视觉项目的三个关键点：时序匹配（摄像头输出与DCMI配置必须一致）、内存带宽（避免不必要的数据拷贝）、中断优先级（DMA中断应设置为最高优先级，防止丢帧）。这些经验将在后续章节中反复用到。
1.6 常见误区与总结复盘
在课程开始之初，有必要指出初学者最容易陷入的几个误区，帮助你少走弯路。
- 误区一：盲目追求高分辨率。在MCU上做视觉识别，分辨率不是越高越好。320x240的RGB565图像大小为150KB，而STM32H750的内部RAM只有512KB，加上模型和堆栈，很容易内存溢出。建议从96x96或128x128开始。
- 误区二：忽视DMA的作用。如果使用CPU循环读取DCMI数据寄存器，会占用大量CPU时间，导致无法运行推理算法。必须使用DMA，并配合双缓冲机制。
- 误区三：模型训练与部署脱节。在PC上训练模型时，不考虑MCU的资源限制（如算子支持、量化精度），导致模型无法转换或推理速度极慢。本课程将在模型设计章节详细讲解“MCU友好型”网络设计。
- 误区四：忽略电源稳定性。摄像头对电源噪声敏感，尤其是PCLK频率较高时。建议使用独立的LDO为摄像头供电，并在电源引脚附近放置10uF+100nF去耦电容。