基于圖像識別的循跡車路徑識別算法研究

    (1)攝像頭圖像采集模塊
     采用CMOS攝像頭作為識別路徑的傳感器。此模塊的主要作用是識別黑色引導線，工作原理為：攝像頭的信號通過LM1881視頻分離芯片向DGl28產(chǎn)生行信號中斷和場信號中斷，以控制圖像A／D值的采集；然后通過邊沿提取算法提取出每行黑線的位置，通過提取連續(xù)段重新購建一幀圖像的算法對整個圖像進行處理。
    (2)驅(qū)動模塊
    Freescale公司生產(chǎn)的MC33886芯片是一款性能優(yōu)良的直流電壓驅(qū)動芯片。通過輸入不同占空比的方波信號，可以在MC33886的輸出端得到不同的電壓，進而驅(qū)動電機，實現(xiàn)調(diào)速。
    (3)測速模塊
    采用光電耦合管和自制的碼盤作為測速的傳感器。光耦合管的輸出信號經(jīng)過555定時器組成的斯密特觸發(fā)器整形得到一定頻率的矩形波信號，再經(jīng)過DGl28的輸入捕捉功能提取出小車的速度值。
    (4)舵機轉(zhuǎn)向模塊
    為了保證小車在轉(zhuǎn)彎過程中既能快速響應，又防止速度過快沖出跑道，利用汽車轉(zhuǎn)向機構原理，把舵機的位置進行了提升。這樣可以增大力矩，使小車快速響應，按照軌跡進行快速轉(zhuǎn)彎。

2 圖像采集及處理
2．1 圖像采集
    常用的攝像頭視頻輸出信號是電視機的PAL制式。它的工作原理與電視機的工作原理相似：在一定分辨率下，每秒掃描25幀圖像，每幀圖像含有625行信息；分為奇、偶場，隔行掃描；總共每秒50場信號，每場有312．5行信息；從奇數(shù)行開始掃描，即依次掃描第l、3、5、7、9……當掃描完奇數(shù)場后，再開始掃描偶數(shù)場，構成一幀圖像。

    對圖像的采集是根據(jù)攝像頭的行信號和場信號對圖像模擬量的采集。如圖2所示，輸出信號包括行同步信號、場同步信號、圖像信號以及各種消隱信號。行同步信號代表一行的圖像數(shù)據(jù)掃描開始。場同步信號代表一幀的圖像數(shù)據(jù)掃描開始。要完成圖像的正確采集，必須嚴格遵守時序的要求：當捕捉到一行信號時，開始對該行各點的模擬量進行采集，當下一行信號發(fā)生時表明該行采集完畢，需要對下一行的模擬量進行采集。
    由于MC9S12DGl28片內(nèi)A／D采樣頻率的影響，每一行采集的點數(shù)受到了限制，在系統(tǒng)時鐘倍頻到24MHz，A／D每次采集時間為2．3μs的情況下，每一行圖像的采集能達到34個點。這雖然遠遠小于攝像頭本身的分辨頻率，但在不使用2．8 mm廣角鏡頭的前提下，仍能分辨出黑線，因此我們將數(shù)組列數(shù)設為34，同時每間隔6個攝像頭行信號采集一次，一共有312個行信號，則一共可采集312／6=52行。去掉首尾干擾加大的行，選擇采集46行，因此數(shù)組的行數(shù)為46。最終，設定的數(shù)組大小為：data_savel[46][34]，還原效果如圖3所示。

2．2 圖像采集的處理方法
    這里的黑色引導線以白色為襯底，因黑線和白色底板存在很多大灰度比，在圖像信號上會形成相應高低不同的電壓值。當檢測到黑線時，圖像信號中將形成一個“凹”形槽，圖4中凹槽處即是黑線在一行數(shù)據(jù)中的相對位置(26)。

    對圖像每行數(shù)據(jù)的處理將得到每行圖像中黑線的相對位置，即下面的行數(shù)據(jù)處理；而對每行圖像中黑線的位置的綜合分析將再現(xiàn)黑線的形狀，即下面的幀數(shù)據(jù)處理。本設計將采集的模擬量數(shù)據(jù)存放在一個二維數(shù)組中，當完成對一行數(shù)據(jù)的采集后，就可以對該行的數(shù)據(jù)進行處理，即提取黑線的算法。在提取黑線上采用邊沿提取法。該算法具有對黑線反應靈敏、準確度高、抗干擾能力強等特點。
    圖5表示的是光線比較好的情況下，A／D采集一幀中一行圖像的數(shù)值結(jié)果，即二維數(shù)組中的某一行數(shù)據(jù)。小圓點的縱坐標表示A／D采集值，橫坐標表示采集點在二維數(shù)組該行中的相對位置。

    邊沿提取法，即通過程序檢測到上述圖形的上升沿和下降沿，然后通過上升沿和下降沿的位置求出黑線的位置。邊沿提取算法流程：
    ①通過i控制循環(huán)語句不斷檢測上升沿或下降沿。當?shù)趇個點的A／D值與第i+2個點的A／D值之差大于設定的閾值時，表明出現(xiàn)了下降沿，這時讀取i的值。
    ②一旦出現(xiàn)了下降沿，就開始不斷地判斷第i+2個點的A／D值與第i個點的A／D值之差是否大于設定的閾值。如果大于則表明檢測到了上升沿，這時也讀取i的值。通過2次i的值，便能夠求得黑線對應的點是第幾個點，進而求出黑線與小車軸線的相對位置。其提取流程如圖6所示。

    通過判斷下降沿位置和上升沿位置，來計算黑線的相對位置，并通過判斷上升沿之后的數(shù)據(jù)是否滿足相差不大于閾值來減小誤差，以精確計算黑線的相對位置。
    在光線比較好的情況下，簡單地運用上述算法即可求得比較準確的相對位置，此時也不需要對閾值進行動態(tài)調(diào)整。當受到太陽光或其他比較強烈的光線影響時，就需要設置動態(tài)閾值。圖7為光線不理想時圖像的一種情況。
    光線不好的情況下，采集的圖像通常會出現(xiàn)圖7中凸起的情形，這時，黑線提取算法的出錯幾率會大大增加。為了避免這種情況，可以根據(jù)圖像的變化趨勢將閾值附加上一個修正值。如圖7，在進行下降沿檢測時，可以在預
先設定的閾值上減去一個數(shù)值，以克服凸起處的變形造成實際閾值的變?。簧仙貦z測時，可以在預先設定的閾值上加上一個數(shù)值，克服圖像呈上升趨勢帶來的閾值變大。修正值的計算可以大致采用下式：

2．3 圖像幀數(shù)據(jù)的處理
    經(jīng)過黑線提取算法得到每一行黑線的位置，并存在一個一維數(shù)組里，通過這個數(shù)組就可以粗糙地控制小車轉(zhuǎn)向。但攝像頭可能會將黑線以外的其他物體錯誤識別成黑線，直接使用數(shù)組不能滿足穩(wěn)定性的要求，還需要對數(shù)組的數(shù)據(jù)進行進一步的處理，把干擾圖像濾除，即這里所說的幀數(shù)據(jù)的處理。
    在幀數(shù)據(jù)處理上采用提取連續(xù)段的方法，將圖像中錯誤的數(shù)據(jù)去除掉。圖8是把干擾圖像誤當成黑線的情況，虛線代表實際的黑線位置。

    連續(xù)段提取算法的流程大致為：
    ①通過程序?qū)D像中連續(xù)的段提取出來，提取的方法即通過i控制循環(huán)語句不斷檢驗(Yi+1一Yi)的值是否大于設定的閾值。如果小于則表明第i個點和前面各點是連續(xù)的，否則和前面各點不連續(xù)。如圖能夠提取出3個連續(xù)的段，即連續(xù)段1、連續(xù)段2、連續(xù)段3。
    ②判斷連續(xù)段的可靠性，判斷的依據(jù)是連續(xù)段中的點越多表明該連續(xù)段越可靠，如圖8，顯然連續(xù)段1和連續(xù)段3比連續(xù)段2可靠。將可靠性好的段作為可用段，可靠性差的段作為不可用段。
    ③排除不可用段，將可用段連接起來形成一個大段。最后采用插補法，將不可用段歸算到這個大段中。
    用該方法得到的歸算后的“大段”給下面循跡算法提供了依據(jù)。圖像處理的穩(wěn)定性，是小車循跡穩(wěn)定性的前提條件。實驗表明，該算法能夠很好地滿足穩(wěn)定性的要求。

3 小車循跡算法
    由于選用的攝像頭的照射寬度比較小，使得算法上很難對賽道進行大面積的分析，因此循跡上，算法應該以適應性強為主。在舵機轉(zhuǎn)向上采用3個變量來控制舵機的值：part_l、part_2、part_3。part_1對應圖像的斜率，它是控制轉(zhuǎn)向的主要變量；part_2對應小車相對于黑線的位置，是控制轉(zhuǎn)向的輔助變量，它的目的是為了防止小車偏離引導線；part_3對應于轉(zhuǎn)向的超前校正，它由圖像前端的斜率求得。

/*line_data_refined[i]內(nèi)存儲的數(shù)據(jù)為一幀圖像數(shù)據(jù)處理后的黑線在每一行中的相對位置，“i‘代表采集的第i行，總共有46行。bottom為一幀圖像歸算后，整個連續(xù)段的最后一行；top為一幀圖像歸算后，整個連續(xù)段的首行*/

3．1 part_l的求取
    通過求黑線對于小車的平均相對位置的方法來控制轉(zhuǎn)向，但這種方法具有靈敏度不高、適應性不強、小車側(cè)滑時容易出錯等缺點；最終采用了通過最小二乘法求圖像的斜率，再由斜率求part_l值的方法。part_1即控制小車轉(zhuǎn)向的主要變量。
    如圖9所示，通過最小二乘法求斜率，運用公式如下：

   
3．2 part_2的求取
    因為圖像的最近端和小車的前輪軸線之間仍有不可忽略的距離，因此攝像頭最近一行的數(shù)據(jù)不能反映小車相對于黑線的距離。這里仍然通過最小二乘法的方法將圖像延長到小車前輪軸線上(如圖9)，這樣就可以將最近一行的相對位置distance_photo歸算為distance_near。dis-tance_near的值雖然和實際值仍有些誤差，但經(jīng)過實驗數(shù)據(jù)分析，distance_near的誤差在影響小車穩(wěn)定性上程度比較小，比重也很??；它的最大優(yōu)點就是能夠反映小車相對于黑線的實際位置。

    在求出distance_near后，就可以進一步求出part_2的值：

    part_2=k2xdistance_near    （k2為常數(shù)）
3．3 part_3的求取
    因為舵機的滯后性對小車的性能有很大影響，速度越高，舵機滯后性帶來的負面影響就越大，在進入彎道就會出現(xiàn)側(cè)滑出跑道的情況。為了避免這種情況的發(fā)生和提高小車運行速度，需要對舵機的聯(lián)動機構及前輪機械結(jié)構進行調(diào)整，或者采用編程的方法使小車提前轉(zhuǎn)向。part_3的引入即是第2種方法。part_3作為一個附加的校正值加在舵機上，它的大小與速度有關系，同時又與圖像前端的斜率slope_front(圖9)有關。關于part_3的計算如下：

   
其中speed是小車的運行速度。

4 結(jié) 論
    本文以追求穩(wěn)定性為前提，以提高小車行駛速度為目標，提出了一種抗干擾能力強的圖像處理算法和一種通用性強、適應性強的小車循跡算法。