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)

隨著智能交通系統的廣泛應用，智能車的系統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設計的關鍵步驟[1]。

1 系統設計

智能車系統由核心處理器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 為開發工具，系統軟件設計包括以下幾個方面：系統初始化、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。基于圖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，把原圖像變為僅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，算法仍需進一步優化，以提高系統的穩定性。

[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.