基于CCD圖像傳感器的路徑識別算法分析

尚在飛，肖文健，李永科

（軍械工程學院 光學與電子工程系，河北 石家莊 050003）

智能汽車的一項重要能力就是對環境的感知、對路況信息的分析決策。文中以MC9S12XS128單片機為核心，通過CCD圖像傳感器獲得路徑信息，進而進行路徑分析，為下一步的控制提供必要的數據信息。

圖1 視頻分離原理圖Fig．1 Video separation circuit

1 CCD圖像傳感器特點

CCD圖像傳感器屬于電荷耦合器件，組成CCD的基本單元是金屬-氧化物-半導體結構。基本單元又分為兩類：光敏單元與移位寄存單元。兩者的區別在于：前者接受有效頻率入射光的刺激產生光電效應，生成信號電荷；后者依靠于前者的相鄰且緊密排列形成兩者勢阱的相互溝通、耦合，借助結電容柵極電壓的控制來實現信號電荷從前者向后者的轉移（耦合）[1]。根據光線反射的強弱CCD會輸出大小不同的電壓，通過單片機的AD轉化接口將相應電壓值轉換成大小不同的數值，根據數值大小來分析路徑信息[2]。

CCD圖像傳感器輸出的是視頻同步信號，經視頻同步分離芯片LM1881后，視頻信號分成場同步信號、行同步信號、奇偶場信號以及視頻信號，電路的典型連接及重要引腳信號如圖1所示。利用這些同步信號再加上適當的延時對視頻信號進行AD采樣，從而得到圖像信息。這里采用分辨率為320×240的CCD圖像傳感器，每場的掃描周期20 ms，因此，單行視頻信號的持續時間大約為20 ms/320=62．5μs，將單片機超頻到64 MHz，在單行視頻信號的持續時間內能采集大約一百個點左右，能很好的滿足橫向精度要求。每場信號中包含了285個有效行，考慮到CCD圖像傳感器在縱向上的畸變，采取非均勻采集的方式，通過標定，使采集行在實際位置上是均勻分布的，從而實現每行之間的實際距離大致相等，為后續控制提供了方便。

2 黑線提取算法

在采集完一行圖像信息后即對該行數據進行二值化處理，即設定一個閾值，把每個點的數據與閾值比較，通過大小判斷該點為黑色或者白色。之后對黑色點的值進行累加求取平均值，在對白色點的值進行累加求平均值，再取兩值平均作為下一行的閾值進行判斷。閾值計算的公式如下：

式中 black[i]為黑點的值，white[j]為白點的值，Hold[row]為下一行的閾值[3]。

這種閾值傳遞的方法使得的黑白的檢測判斷更為可靠，排除了光線以及賽道顏色產生的影響。然后遍歷一行數據，由于黑線寬度基本能在3～5點，所以，對該點與相鄰兩點黑白不一致的點進行剔除，用相鄰兩點均值作為該點的修正值。最后，對整行數據遍歷，記錄一行數據中黑線邊緣位置、黑線中心及黑線出現次數。這樣對一行的數據處理完畢。

在采集完一場圖像信息后，根據黑線是連續的的特點，對相鄰行之間黑線位置進行修正，將不滿足連續性的黑線剔除掉，從而準確提取出黑線的分布情況。

3 預測算法設計

單片機的運算速度是一定的，而車模的慣性常數也是一定的，因此，為了使控制過程盡量長以達到理想的控制效果，必須對圖像分析時間進行壓縮[3]。這里，通過分析前一場數據，得到下一場首行閾值、黑線寬度以及黑線搜索范圍，從而減少下一場的處理時間并增加了下一場路況信息的準確性，增強了相鄰行、相鄰場之間的聯系。

4 圖像信息分析

經過數據處理后，我們得到每行賽道黑線中心的位置量DImage和視場中心的位置量DCenter（常量），兩個距離相減得到的就是黑線中心相對視場中心的偏差距離DReal=DImage-DCenter，也就是實際偏差值。根據偏差距離DReal可進行彎直道的識別[4]。

1）偏差DReal=0時，前方跑道為直道。

圖2 直道示意圖Fig．2 Straight-line image

2）偏差DReal＞0為正值時，前方跑道為右彎道。

圖3 右彎道示意圖Fig．3 Right-turning image

3）偏差DReal＜0為負值時，前方跑道為左彎道。

從而判斷出小車相對中心黑線的位置[5]。DReal絕對值的大小反映了小車中心偏離中心黑線的嚴重程度，DReal越大，表明偏離得越厲害。這樣判斷的好處在于不管小車是否處于彎道還是直道，只要小車中心偏離了中心黑線，即只要DReal≠0就可以當作彎道情況來進行處理。然后分別對偏差距離DReal分別進行一階微分（dDReal）和二階微分（d2DReal），根據偏差距離的一階微分（dDReal），就可以得到中心黑線的變化趨勢，從而判斷出實際跑道是彎道還是直道，如果小車是在直道上偏離了中心黑線，則同一場數據中前后各點偏差的一階微分值dDReal是相等的，即中心黑線與小車視場中心的偏差距離與兩者的前后距離呈線型變化。若實際跑道是彎道，則（dDReal）不等，上述關系呈非線性變化。根據偏差的二階微分（d2DReal），可近似得到中心黑線的曲率半徑R（直道曲率半徑視為趨近無窮），從而得到較完整的跑道信息。以上判別過程如圖5所示。

圖5 彎道直道判別流程圖Fig．5 Flowchartofthepathdiscriminate

5 結束語

文中初步對智能車的路徑識別進行了探索，對一些基本問題給出較為詳細的分析及設計，為進一步的實踐打下了較為堅實的基礎，為真正智能汽車的設計提供了有益參考[6]。參考文獻：

[1]張秀彬，應俊豪．視感智能檢測[M]．北京：科學出版社，2009．

[2]邵貝貝．微控制器嵌入式應用的在線開發方法[M]．北京：清華大學出版社，2007．

[3]卓晴，黃開勝，邵貝貝．學做智能車——挑戰“飛思卡爾”杯[M]．北京：北京航空航天大學出版社，2007．

[4]陳丁躍．現代汽車控制及其智能化[M]．西安：西安交通大學出版社，2011．

[5]程學慶．LabVIEW圖形化編程與實例應用[M]．北京：中國鐵道出版社，2005．

[6]ThomasD．Gillespie．車輛動力學基礎[M]．北京：清華大學出版社，2006．