摘  要： 介紹了基于線性CCD傳感器的智能小車(chē)整體框架、圖像采集和處理以及路徑識(shí)別控制算法。智能小車(chē)控制系統(tǒng)中選擇線性CCD傳感器進(jìn)行路徑識(shí)別，對(duì)采集的像素點(diǎn)進(jìn)行中值濾波、二值化等處理，提取賽道兩邊的黑色邊緣，取其中心位置作為小車(chē)的引導(dǎo)方向，控制舵機(jī)的轉(zhuǎn)向，使得小車(chē)能夠穩(wěn)定、可靠地高速行駛。
　　關(guān)鍵詞： 線性CCD；數(shù)據(jù)采集；中值濾波；動(dòng)態(tài)閾值；人字形彎道識(shí)別
0 引言
　　在全國(guó)大學(xué)生“飛思卡爾”杯智能汽車(chē)競(jìng)賽光電組的技術(shù)要點(diǎn)中，線性CCD圖像處理和路徑識(shí)別這兩個(gè)環(huán)節(jié)尤其重要，其決定著小車(chē)能否安全可靠快速運(yùn)行[1]。根據(jù)比賽規(guī)則和以往的比賽經(jīng)驗(yàn)，小車(chē)能否以最短的時(shí)間完成比賽，確保不沖出賽道，都與小車(chē)的速度和路徑識(shí)別有著密切的關(guān)系。因此，路徑的識(shí)別和處理是整個(gè)比賽的關(guān)鍵，它能夠有效地控制智能小車(chē)在不同的路段該如何選擇合理、高效的速度完整地去完成比賽，從而可以提高整場(chǎng)比賽中的平均速度。
　　基于線性CCD傳感器的智能小車(chē)控制系統(tǒng)結(jié)構(gòu)如圖1所示。該系統(tǒng)中執(zhí)行機(jī)構(gòu)是舵機(jī)和電機(jī)，感應(yīng)機(jī)構(gòu)是線性CCD傳感器。路徑識(shí)別是實(shí)現(xiàn)智能小車(chē)沿賽道自主運(yùn)行的信息基礎(chǔ)，獲得范圍廣而精確的路徑信息是提高智能小車(chē)運(yùn)行速度的關(guān)鍵[2]。
1 圖像采集
　　一般的圖像CCD傳感器有模擬的和數(shù)字的，線性CCD傳感器（TSL1401CL）輸出的信號(hào)是模擬的。圖像CCD傳感器要處理的數(shù)據(jù)量比較大，使用硬件二值化比較好[3]。但對(duì)于線性CCD傳感器來(lái)說(shuō)，數(shù)據(jù)量的處理沒(méi)有圖像CCD傳感器大，硬件二值化的優(yōu)勢(shì)并不明顯，所以直接采集模擬信號(hào)。采用固定曝光時(shí)間，整個(gè)函數(shù)運(yùn)行一遍的周期是10 ms，響應(yīng)時(shí)間充足，圖像穩(wěn)定。

　　在實(shí)際應(yīng)用中采用拉普蘭德的開(kāi)源程序代碼，再根據(jù)單片機(jī)的特性進(jìn)行修改，縮短采集時(shí)間，提高響應(yīng)速度，使采集的圖像穩(wěn)定下來(lái)是最重要的。
2 圖像處理
　　線性CCD有中值濾波法、二值化處理法、邊緣增強(qiáng)法等圖像處理方法。由于邊緣增強(qiáng)法的目的在于突出賽道的邊緣信息，增強(qiáng)路徑的識(shí)別，經(jīng)邊緣增強(qiáng)后的圖像能更清晰地顯示出路徑的邊界[4]。但是經(jīng)過(guò)實(shí)踐，對(duì)于飛思卡爾智能車(chē)競(jìng)賽黑白明顯的賽道而言，邊緣增強(qiáng)法的效果并不十分明顯，所以舍棄了該方法。
　　2.1 中值濾波法
　　采集回來(lái)的數(shù)據(jù)可能上下波動(dòng)，不夠穩(wěn)定，這時(shí)就需要調(diào)用中值濾波函數(shù)。中值濾波是一種非線性數(shù)字濾波器技術(shù)，用于去除圖像中的噪聲。其設(shè)計(jì)思想就是檢查采集像素點(diǎn)的值，并判斷它是否代表了信號(hào)。從第一個(gè)像素點(diǎn)開(kāi)始，將其數(shù)值和相鄰的兩個(gè)像素點(diǎn)的數(shù)值進(jìn)行排序，3個(gè)像素點(diǎn)中數(shù)值為中值的像素點(diǎn)作為代表信號(hào)并輸出。然后，丟棄最早的值，取得新的采樣，重復(fù)上面的計(jì)算過(guò)程到127個(gè)點(diǎn)為止[5]。
　　中值濾波程序如下：
　　short get_mid（short a，short b，short c）
　　//get_mid取中間值b
　　{
　　short x=0；
　　if（a>b）{x=b；b=a；a=x；}
　　if（b>c）{x=c；c=b；b=x；}
　　if（a>b）{x=b；b=a；a=x；}
　　return b；//經(jīng)過(guò)以上比較賦值，將中間值賦給b，
　　返回給中間像素點(diǎn)gPixel[i]
　　}
　　for（i=1；i<128；i++）//對(duì)128個(gè)點(diǎn)進(jìn)行平滑處理輸出
　　{
　　gPixel[i]=get_mid（gPixel[i-1]，gPixel[i]，gPixel[i+1]）；
　　//gPixel[i]代表采集回來(lái)的像數(shù)點(diǎn)數(shù)值
　　}
　　2.2 二值化處理
　　圖像的二值化處理就是將圖像上點(diǎn)的灰度值置為0或255（在程序設(shè)計(jì)中置為0和1）的灰度值[6]。二值化的目的就是將所有灰度大于或等于閾值的像素判定為白色，否則像素點(diǎn)為黑色，這樣明確地分出黑白兩種顏色，小車(chē)就能準(zhǔn)確地轉(zhuǎn)彎。閾值的選取有很多種方法，常用的有動(dòng)態(tài)閾值和試驗(yàn)確定法[7]。對(duì)圖像進(jìn)行二值化分割，選取恰當(dāng)?shù)拈撝党闪藴?zhǔn)確劃分的關(guān)鍵。事實(shí)驗(yàn)證，靜態(tài)閾值已經(jīng)不能滿足整幅賽道，所以采用動(dòng)態(tài)閾值算法[8]。由于四輪智能小車(chē)存在轉(zhuǎn)彎不靈活的特點(diǎn)，在賽道上跑時(shí)很容易丟線，所用的動(dòng)態(tài)閾值要在丟線時(shí)調(diào)用上一個(gè)閾值（T_old）（T_old是上一次計(jì)算正確的閾值保留下來(lái)賦予的值T_last）。
　　軟件二值化的動(dòng)態(tài)閾值算法如下：
　　（1）找出一組數(shù)據(jù)128個(gè)像素點(diǎn)的最大值（max）和最小值min。
　　（2）判斷最大值（max）和最小值（min）的偏差是否大于全黑時(shí)的偏差（all_black_Difference_value），若大于全黑時(shí)的偏差，就繼續(xù)下面步驟，否則不計(jì)算下一步驟，用上一次的閾值。全黑時(shí)的偏差指的是全黑（丟線）情況下的最大值與最小值的偏差（是給定的一個(gè)值），由經(jīng)驗(yàn)得知丟線情況下的閾值是不正確的，要用上一次的閾值T_old。
　　（3）為全局閾值T選擇一個(gè)初始估計(jì)值：。
　　（4）二值化處理圖像，并產(chǎn)生兩組數(shù)組：sum_h為灰度值大于T的所有像素組成，sum_l由所有小于等于T的像素組成。
　　（5）對(duì)sum_h和sum_l的像素分別計(jì)算平均弧度值（均值）max_ave和min_ave。
　　（6）產(chǎn)生最終的閾值T_last，再給T_old賦值：T_old=T_last（T_old丟線時(shí)調(diào)用）。
　　

3 賽道識(shí)別
　　3.1 一般賽道的識(shí)別
　　普通賽道類(lèi)型包括：直道、十字路口、小S彎以及不同曲率的彎道。因此，對(duì)不同的彎道識(shí)別及數(shù)據(jù)處理是成功與否的關(guān)鍵。采用了一次元函數(shù)動(dòng)態(tài)Kp的算法來(lái)處理不同曲率的彎道。主要公式為：
　　Error=Left_black-（128-Right_black）（2）
　　Kp=0.05×|Error|（3）
　　其中，Error為實(shí)際中心位置與測(cè)量中心值的偏差。通過(guò)經(jīng)驗(yàn)得知，Error等于左邊黑點(diǎn)減128與右邊黑點(diǎn)的差值。當(dāng)Error為負(fù)數(shù)時(shí)舵機(jī)向左轉(zhuǎn)彎，為正數(shù)時(shí)舵機(jī)向右轉(zhuǎn)彎，從而控制速度的變化。Error偏差在得出第一個(gè)黑點(diǎn)前還需要判斷其是否為噪點(diǎn)。當(dāng)全黑時(shí)設(shè)定了一個(gè)最低速度，偏差為0時(shí)也限制了它的最高速度，防止智能小車(chē)由于速度過(guò)高，造成擺尾或沖出賽道等問(wèn)題。
　　在直道，偏差（Error）會(huì)變得很小，絕對(duì)值小于10，控制舵機(jī)直行，不轉(zhuǎn)彎。
　　十字路口都是與270°的彎道連接在一起的。由于十字路口沒(méi)有兩端的黑色引導(dǎo)線，通過(guò)CCD采集的數(shù)據(jù)分析，計(jì)算進(jìn)入前的3次偏差位置，求出它的斜率，再通過(guò)斜率計(jì)算出智能小車(chē)在十字路口上舵機(jī)轉(zhuǎn)彎大小，從而保證小車(chē)順利通過(guò)十字路口。
　　緊跟著就進(jìn)入270°的彎道。為了防止舵機(jī)誤判，當(dāng)上一個(gè)偏差與本次的偏差超過(guò)某一個(gè)值時(shí)，保持上一次的偏差，這樣就能順利平滑通過(guò)彎道了[9]。
　　從CCD采集回來(lái)小S彎道的數(shù)據(jù)來(lái)看，由于小S彎道的位置偏差較小，而且采用一次元函數(shù)動(dòng)態(tài)Kp的方法來(lái)控制舵機(jī)轉(zhuǎn)彎，Kp的值可以通過(guò)這些小偏差的改變而改變，即Kp=0.05×偏差。因此，可以保證智能車(chē)以較高的速度完美通過(guò)小S彎道。
　　3.2 特殊賽道的識(shí)別
　　為了增加行駛難度，增加了人字彎道識(shí)別，如圖2所示。本設(shè)計(jì)選擇了讓智能小車(chē)直接大拐角掉頭。當(dāng)檢測(cè)到斑馬線時(shí)，給舵機(jī)一個(gè)大轉(zhuǎn)角，讓小車(chē)直接駛過(guò)。然而當(dāng)小車(chē)高速行駛時(shí)，處理不好速度與CCD檢測(cè)前瞻（CCD掃描的地方與車(chē)身間的距離）的關(guān)系，小車(chē)很容易沖出賽道。本設(shè)計(jì)在智能小車(chē)上安裝了兩個(gè)CCD，一個(gè)前瞻在50 cm，一個(gè)前瞻在40 cm。
　　圖2中，兩條平行線分別為兩個(gè)CCD拍攝圖像的位置。其中，車(chē)子前瞻較近的CCD掃描的圖像是在直道運(yùn)行，得到的數(shù)據(jù)是左右黑線都存在；前瞻較遠(yuǎn)的CCD掃描的賽道圖像，得到的數(shù)據(jù)是左邊的黑線相差不大，但右邊黑線與較近CCD相比卻突然丟失，據(jù)此判斷此時(shí)應(yīng)該右轉(zhuǎn)。

　　人字形判斷程序段如下：
　　Error=Left_black-（128-Right_black）
　　|Error|<10//判斷較近的CCD是否檢測(cè)到黑線，
　　并計(jì)算出是否在直到上，在中線時(shí)偏差（Error）小于15，在實(shí)際情況中這個(gè)值小于10就認(rèn)為是直道
　　|Left_black_near-Left_black_far|<8//判斷近的CCD左邊
　　黑線和較遠(yuǎn)CCD左邊黑線是不是偏差小于8（在直道上兩個(gè)CCD的左黑線像素點(diǎn)相差小于8）
　　|Right_black_near-Right_black_far|>30//判斷近的CCD
　　右邊黑線和較遠(yuǎn)CCD右邊黑線是不是偏差大于一定范圍（較遠(yuǎn)CCD丟線，較近的還在直道上，所以兩個(gè)CCD的右黑線像素點(diǎn)相差大于30）
　　當(dāng)同時(shí)滿足以上3個(gè)條件時(shí)，判別出人字彎道后，就向右轉(zhuǎn)彎，使小車(chē)控制舵機(jī)進(jìn)行較大角度的轉(zhuǎn)彎，等到小車(chē)回到直道后，再給與舵機(jī)中值，從而使小車(chē)快速、穩(wěn)定通過(guò)人字彎。左拐彎與之相反。
　　結(jié)合兩個(gè)CCD信息去識(shí)別可以準(zhǔn)確判別出人字彎道。經(jīng)過(guò)實(shí)踐驗(yàn)證，采用此方法誤判的概率非常小，只有在智能小車(chē)軌跡異常偏離賽道中心時(shí)才會(huì)出現(xiàn)誤判。
4 結(jié)論
　　通過(guò)對(duì)線性CCD圖像處理與識(shí)別算法進(jìn)行研究，將理論知識(shí)與實(shí)際情況相結(jié)合，對(duì)采集的圖像進(jìn)行中值濾波、二值化動(dòng)態(tài)閾值處理，再根據(jù)小車(chē)的實(shí)際情況進(jìn)行改善，設(shè)計(jì)了一次元函數(shù)動(dòng)態(tài)Kp的算法，對(duì)直道、十字路口、小S彎以及不同曲率的彎道進(jìn)行辨識(shí)，并對(duì)人字形賽道特殊判斷識(shí)別，從而使小車(chē)能夠沿規(guī)定賽道穩(wěn)定、可靠、快速地運(yùn)行。
　　參考文獻(xiàn)
　　[1] 劉嘉豪，劉海剛，張建偉，等.智能車(chē)圖像處理與識(shí)別算法研究[J].工業(yè)控制計(jì)算機(jī)，2014，27（8）：19-22.
　　[2] 卓晴，黃開(kāi)勝，邵貝貝，等.學(xué)做智能車(chē)：挑戰(zhàn)“飛思卡爾”杯[M].北京：北京航空航天大學(xué)出版社，2007.
　　[3] 劉祖臣.基于CMOS數(shù)字?jǐn)z像頭的硬件二值化方案[J].電子科技，2014，27（7）：99-102.
　　[4] 周磊，任國(guó)全，肖浩，等．結(jié)構(gòu)化道路車(chē)道線快速檢測(cè)的一種改進(jìn)算法[J]．計(jì)算機(jī)仿真，2012，29（4）：362－366.
　　[5] 張毛女，柳薇.一種基于邊緣檢測(cè)的改進(jìn)的中值濾波去噪方法[J].計(jì)算機(jī)與現(xiàn)代化，2011，29（3）：63-65，73.
　　[6] 李俊，王軍輝，譚秋林，等．基于MC9S12XS128控制器的智能車(chē)圖像處理技術(shù)研究[J]．化工自動(dòng)化及儀表，2012，39（2）：190-193.
　　[7] 季聰，王思明，漢鵬武.智能車(chē)路徑識(shí)別與控制研究[J]．電視技術(shù)，2013，37（9）：192-195，209.
　　[8] 常江.基于視覺(jué)導(dǎo)航的智能車(chē)測(cè)控系統(tǒng)關(guān)鍵技術(shù)研究[D].天津：河北工業(yè)大學(xué)，2010.
　　[9] 邱迎.道路自動(dòng)識(shí)別與控制的智能車(chē)系統(tǒng)的研究[D].重慶：重慶大學(xué)，2010.