攝像頭智能循跡小車設計與實現

閆 熙，韓 媞，高 波，李東旭，楊 杰

(大連東軟信息學院 遼寧 大連 116000)

隨著智能交通系統(tǒng)的廣泛應用，智能車的系統(tǒng)控制也逐步成為一項新興技術，該領域涵蓋了控制、模式識別、傳感技術、電子、電氣、計算機、機械等多個學科。本方案采用攝像頭作為信號采集的傳感器，根據攝像頭采集的圖像進行精密計算，確定速度參考和舵機轉向參考。攝像頭組的智能車對于道路信息預測能力強，而且攝像頭對道路的探測精細，視角范圍大，因此受到眾多智能車設計者的歡迎。但攝像頭圖像受周圍光線的影響大；算法運算量大，算法復雜，需要占用較多的MCU資源，因此其中圖像識別算法的設計成為系統(tǒng)設計的關鍵步驟[1]。

1 系統(tǒng)設計

智能車系統(tǒng)由核心處理器KINETIS60、路徑檢測模塊、起跑線檢測模塊、車速檢測模塊、電源模塊，無線數據傳輸模塊、電機驅動模塊、舵機驅動模塊組成[2]。其中攝像頭組的路徑檢測模塊由OV7620攝像頭實現。

車速檢測模塊由編碼器構成，實現速度的實時采集。電機驅動模塊由八片IRF3205構成H橋來實現。電源模塊由三塊LM2940組成。舵機使用S-D5連接至PWM引腳，起跑線檢測模塊由兩個TCRT5000以及一個LM339組成。無線數據傳輸通過NRF24L01進行數據傳輸。

智能車由路徑傳感器采集得到前方道路的圖像，從中提取出有用信息，判斷所處的跑道類型（直道，大彎道，S彎道），確定小車的舵機轉向及車速。從而通過電機和舵機驅動小車流暢地在跑道上行進。系統(tǒng)框圖如圖1所示。

圖1 總體結構框圖Fig. 1 Macro-diagram of the system

2 軟件算法總體設計

本方案中，以IAR 為開發(fā)工具，系統(tǒng)軟件設計包括以下幾個方面：系統(tǒng)初始化、視頻圖像信號采集、小車的方向（舵機）控制和速度（電機）控制[3-4]。系統(tǒng)軟件流程圖如圖2所示。

圖2 主程序流程圖Fig. 2 Flow chart of discrimination flow chart of main function

3 圖像采集

OV7620是CMOS彩色／黑白圖像傳感器。它支持連續(xù)和隔行兩種掃描方式，VGA與QVGA兩種圖像格式；最高像素為664×492；數據格式包括YUV、YCrCb、RGB3種，能夠滿足一般圖像采集系統(tǒng)的要求。

由于芯片處理能力不足以達到PC的運算能力，因此本方案采用了黑白攝像頭，由于受片內總線頻率的限制，每行能夠采集到的點數有限而且圖像質量很差，并且會占用CPU大部分的時間，所以我們采用了K60自帶的DMA進行數據采集，實踐證明，DMA能夠采集到絕大多數的點，并且圖像質量很好。

為了更好的檢測黑線中心位置，要保證單行上有足夠的點，為了提高處理速度，可適當降低采樣行數，綜合了以上條件，最終決定采用100行信息進行方向判斷，每幅圖像大小限定為180×100。

4 圖像識別

攝像頭智能車系統(tǒng)是否能辨識正確的方向的關鍵就是其中的圖像識別算法的設計，在本算法中根據采集來的圖像，首先進行圖像二值化，然后再對二值化后的圖像進行去噪處理，得到只含有賽道黑線的圖像，再對圖像進行圖像識別，根據設定的閾值進行方向識別，得到的結果送至舵機控制模塊進行舵機的方向控制?；趫D像識別算法的路徑識別流程圖如圖3所示。

4.1 黑線提取

二值化是一種廣泛使用的圖像分割技術，它利用了圖像中要提取的目標物與其背景在灰度特性上的差異，把原圖像變?yōu)閮H用兩個灰度值表示的圖像目標物和背景的二值圖像,考慮到所采集的圖像目標物（黑色中心線）與背景（白色跑道）的灰度值差異比較明顯，采用固定閾值法進行圖像的二值化。二值化的實現是由下面的公式來實現：

式中g(x,y)為二值化結果；T為閾值，f(x,y)為原圖像的灰度值。

圖3 圖像識別算法流程圖Fig. 3 Flow chart of image recognition

本方案采用固定的閾值進行圖像二值化，因為單片機沒有足夠的時間進行動態(tài)閾值計算。因此要確定一個合理的算法來確定一個固定閾值[7-8]，小車在不同光照條件下的圖像閾值不同，因此小車每一次啟動時計算一次固定閾值,如圖4所示。

圖4 原始圖像及二值化結果Fig. 4 Original image and binarization results

4.2 舵機及電機控制算法

提取出圖像的中心線以后，需要根據中心線的位置，來判斷賽道的類型，區(qū)分直道、S型彎道和左轉彎和右轉彎。利用攝像頭識別道路在識別性能方面具有優(yōu)勢，相對于光電和電磁傳感器，可以有較遠的前瞻距離，賽道信息不是根據單行數據來判斷，而是根據每幅圖像的多行信息來判斷。根據前述，每幅圖像采用80行的信息進行判斷。

根據二值化圖像的結果，以圖像重心為界，分別計算邊界左右側白點數目和(式2、式3)，然后對左右側白點數和leftSum，rightSum做差，然后對差值除以行數，得到賽道偏移量(式4)，根據偏移量centerAVG大小，centerAVG的大小基本上可以判斷當前賽道情況，根據賽道情況，對centerAVG乘以不同的系數k(式5)，得到舵機值（式6），然后進行方向控制。

5 結 論

文中提出一種基于攝像頭的智能循跡車的設計及實現方法，處理簡單，占用MCU資源少，執(zhí)行效率高。文中提到的算法在具有本文特征的其他賽道上也可以使用。通過多次實踐，算法正確識別率達93%以上，在實際的大學智能車競賽中被多次采用，并取得優(yōu)異成績。但攝像頭的高度和角度還需要進一步的試驗、調整以得到更好的圖像采集效果，算法仍需進一步優(yōu)化，以提高系統(tǒng)的穩(wěn)定性。

[1] Morita T,Satonobu J.An approach to the intelligent vehicle [J].IEEE Intelligent Vehicles Symposium,1993:426-432.

[2] Milan Sonka,Vaclav Hlavac, Roger Boyle.Image Processing,Analysis, and Machine Vision, Second Edition[M].Thomson Learning and PT Press,1999.

[3] Banks S.Signal Processing, Image Processing and Pattern Recognition[M].Englewood Cliffs, NJ: Prentice Hall,1996.

[4] 王曉明．電動機的單片機控制[M].北京:北京航空航天大學出版社, 2002

[5] 邵貝貝. 單片機嵌入式應用的在線開發(fā)方法[M].北京:清華大學出版社,2004

[6] 張化光，何希勤．模糊自適應理論及應用[M].北京:北京航空航天大學出版社,2002.

[7] 劉紅莉,王國宇,馬原.基于水下圖像小波變換的圖像閾值去噪方法的研究[J].現代電子技術,2011(15):79-81.LIU Hong-li,WANG Guo-yu,MA Yuan.Study on image threshold de-noising based underwater image wavelet transform[J].Modern Electronics Technique,2011(15):79-81.

[8]雷建鋒，汪偉.基于OpenCV的圖像閾值分割研究與實現[J].現代電子技術,2013(24):73-76.LEI Jian-feng,WANG Wei,Research and implementation of image threshold segmentation based on OpenCV[J].Modern Electronics Technique,2013(24):73-76.