基于HSI模型的智能循跡車設計

魏權利 賀 晨

（青島科技大學信息科學技術學院，山東 青島266000）

0 引言

隨著電子技術和智能控制技術的發展，智能車已經成為自動控制領域內的一個研究熱點。自動循跡運輸車作為一種移動機器人，主要應用于機場、倉庫以及其他需要搬運設備的工況中。本智能車通過CMOS攝像頭獲取目標道路信息。同時結合當前的行駛狀態智能地做出決策，對其行駛方向進行調整，從而實現準確快速跟蹤道路的目的。設計要求運輸車能自動地沿著一條任意給定的彩色帶狀引導線行駛，要求引導線顏色與地面顏色有明顯的差距。

1 系統總體方案

智能循跡車結構框圖如圖1所示，采用S3C6410開發板作為系統的控制核心。S3C6410開發板搭載Linux3.0.1操作系統，移植了video4linux2(V4L2)視頻設備驅動。由CMOS攝像頭采集路徑視頻信號，將采集到的圖片轉換為HSI模型，在HSI模型下結合飽和度S分量對色調H分量進行OTSU算法處理，得到由引導線和地面背景組成的二值化圖像；然后選取合適的點，采用最小二乘法擬合成一條直線，計算出運輸車與引導線的夾角和偏移距離；最后將運輸車與引導線的夾角和偏移距離這倆個參數通過串口傳遞給STM32運輸車控制板，運輸車控制板進行相應的計算，調整運輸車的運行軌跡，實現自動循跡功能[1]。

2 圖像處理方法選擇

對引導線的判斷正確與否決定了運輸車能否實現自動循跡功能，因此選擇恰當的圖像處理算法就至關重要，下面將分析三種圖像處理算法。

2.1 先將彩色圖轉化成灰度圖，再進行圖像處理

對灰度圖進行圖像處理的算法主要有基于特征值的二值化，邊緣檢測等方法。這類方法要求地面顏色比較干凈，前景和背景差距較大。但實際路面會無規律的泛白或者泛黑，對這種情況采取將彩色圖轉化成灰度圖，再進行處理的方法顯然是不可取的。

2.2 在HSI模型下直接對H分量進行OTSU算法處理。

2.2.1 介紹HSI模型。

HSI(Hue saturation intensity)顏色模型[2]把彩色信息表示為3種屬性，分別是：色調，表示顏色的類型；飽和度，表示顏色的純度；強度，表示亮度信息。從人的視覺系統看，人眼看到的任一色彩都是這3個屬性的結合。HSI顏色模型中圍繞軸的角度是色調H，用0度到360度表示，影響著人類的視覺判斷；離開長軸的距離為飽和度S，即顏色的純度，從0%到完全飽和100%；長軸表示亮度I，從黑0%到白100%，體現了光線的明暗程度。HSI顏色空間具有與知覺一致的獨立通道，能較好反映人對顏色的感知和鑒別能力[3]。

2.2.2 最大類間方差法(OTSU)。

OTSU的原理：通過自適應閥值，將圖像分為前景和背景倆部分。當取最佳閥值時，前景和背景的差異應該是最大的。記前景與背景的分割閥值為t,前景所占比例為w0,平均灰度為u0;背景所占比例為w1,平均灰度為u1。則圖像平均灰度值為：u=u0*w0+u1*w1。前景和背景圖象的方差為：g=w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)=w0*w1*(u0-u1)*(u0-u1)，當方差g最大時，前景和背景差異最大，此時選擇的閥值就是最佳閥值。采用得到的閥值對圖像進行二值化處理，灰度值大于該閥值的像素點設置為全白，灰度值小于該閥值的像素點設置為全黑[4]。

實際情況中，路面的某些區域顏色呈現出來是非彩色的，即飽和度S分量特別低。這種情形下，它的H分量可能是任意值，有可能會與引導線的H分量相近。因此，直接對H分量進行OTSU算法處理效果不佳。

2.3 在HSI模型下結合飽和度S分量對色調H分量進行OTSU算法處理

考慮到需要消去飽和度S分量過低的路面部分對引導線的干擾，因此需要將色調H分量和飽和度S分量進行綜合考慮。本設計首先排除飽和度S分量過低的部分，然后再對其它部分的色調H分量進行OTSU算法處理，最終得到了滿意的處理效果。

3 系統軟件詳細流程

本系統軟件流程圖如圖2所示。

圖2 系統軟件流程圖

3.1 攝像頭采集地面信息

Video4Linux2（簡稱V4L2)，是Linux中關于視頻設備的內核驅動。本系統使用V4L2驅動，得到一幅RGB565格式的圖片，圖片的分辨率為320*240。

3.2 將RGB轉化為HSI模型

因為我們要在HSI模型下進行圖像處理，所以首先要將RGB格式的圖片轉換為HSI模型。

3.3 圖像預處理，中值濾波

采集到的圖像不可避免的會受到噪聲干擾，所以有必要對采集到的圖像進行預處理。常用的濾波算法主要有時域濾波和頻率濾波倆種，頻率濾波對本設計使用的處理器來說，運算量太大，考慮到系統性能，并不適用。所以采用時域濾波的方式。中值濾波是一種局部平均平滑技術，它依靠模板來實現，中值濾波的主要功能是將周圍像素灰度值的差比較大的像素改為與周圍像素值接近的值，所以采用中值濾波可以有效的消除孤立的噪聲點。

3.4 在HSI模型下結合飽和度S分量對色調H分量進行OTSU算法處理

首先排除圖片中飽和度S分量過低的部分，然后對圖片的色調H分量進行OTSU處理，得到一幅二值化圖像，前景為引導線，背景為地面。

3.5 提取中心線

考慮到系統的處理速度，對連續的前景區域，每隔10行取中點，然后通過最小二乘法將所有得到的點進行直線擬合，得到的圖像就是引導線的中心線。

3.6 通過串口傳遞轉角和偏移程度給運輸車控制板

上述步驟中，已經得到了引導線的中心線，根據幾何關系，引導線的中心線與圖像Y軸的夾角就是運輸車與引導線的夾角。中心線中點與它所在行的中點的距離就是運輸車的偏移距離。S3C6410主控板通過串口將這倆個數據傳遞給運輸車控制板。

3.7 運輸車控制板控制運輸車運行

運輸車控制板接受到轉角和偏移距離后，進行相應的計算，調整運輸車的運行軌跡，實現自動循跡功能。

4 實驗結果與分析

將本文提到的三種圖像處理方法進行對比，結果如圖3所示。

圖3 圖像處理效果對比

圖3(a)為原圖，圖3(b)是將圖3(a)轉灰度圖后，對灰度圖進行OTSU算法處理得到的效果圖。圖3(c)是在HSI模型下對圖3(a)的色調H分量直接進行OTSU算法處理得到的效果圖。圖3(d)是在HSI模型下結合飽和度S分量對圖3(a)色調H分量進行OTSU算法處理得到的效果圖。

圖3(b)有大量的噪聲點，處理效果非常不理想。圖3(c)比圖3(b)的效果略好，但仍有大量的噪聲點。本文采用的圖3(d)方法，能夠很好的分割出引導線和無效背景倆部分，得到清晰的處理效果。

5 結語

本文介紹了基于HSI模型的智能循跡車的設計方案，系統在HSI模型下結合飽和度S分量對色調H分量進行OTSU算法分割圖像以提取路徑引導線。實驗結果表明，設計的系統能夠在任意彩色導引線上穩定、可靠地運行；能快速流暢地實現自主循跡；系統運行穩定、可靠，可以應用到智能機器人、自動化作業平臺等領域，具有一定的實用性。

［1］王子輝，葉云岳．基于CMOS傳感器的智能循跡小車圖像識別技術研究[J]．傳感技術學報，2009，22(4):484－488．

［2］章毓晉．圖像處理與分析[M]．北京：清華大學出版社，1999.