面向智能車輛應用的智能仿真車研究與設計

摘 要： 針對面向智能車輛研究的智能車仿真平臺的構建問題，設計了一種智能仿真車，在研究智能車仿真平臺基本結構的基礎上，詳細闡述了智能仿真車的軟硬件設計；提出了一種基于霍夫變換的車道線識別方法，首先采用霍夫變換對車道線進行檢測，之后使用多示例學習對車道線進行跟蹤。實際應用表明，該智能仿真車能夠滿足相關技術的研究需求，具備良好的有效性和穩定性。

關鍵詞： 智能交通； 智能車輛； 仿真平臺； 車道線識別； 霍夫變換

中圖分類號： TN911.73?34； TP249 文獻標識碼： A 文章編號： 1004?373X（2016）17?0124?04

0 引 言

近年來，因汽車的廣泛應用而產生的各種交通問題日益增多，為了有效地解決各種交通問題，業界高度重視智能車輛的研究。智能車輛作為目前國內外智能交通領域研究的熱點之一，其研究目的是希望通過綜合運用各種先進技術構建包含信息感知、智能決策和多層次輔助駕駛等功能的綜合系統，從而提升車輛的操縱水平，保障公路交通的安全運行。然而通過在真實場景下構建智能車對所研究的內容進行測試的方法存在成本高昂、安全性能較差、開發周期較長等缺點，因此通過構建智能車仿真平臺的方式進行研究成為當前智能車輛技術研究的一種重要手段[1]。

智能車仿真平臺是將典型交通場景和車輛按比例縮小，從而可以在近似真實環境中進行大規模、重復性、多場景的實驗，具有性價比高、實驗重復性強等優點。一種典型的智能車仿真平臺系統原理圖如圖1所示，多輛微縮智能車行駛于仿真平臺沙盤道路上，車輛前部安裝有攝像機提取車道線、道路障礙物及道路標志圖象，通過車輛內部的無線通信模塊將采集的數據以及車輛的當前位置數據上傳至智能車調度管理中心進行解析、分析、決策，并根據決策結果向各微縮智能車發送命令，控制其正常運行。因此智能車仿真平臺的開發主要包括了交通沙盤設計、智能仿真車設計和智能車調度控制系統設計三部分[2]。

基于上述背景及典型智能車仿真平臺，本文設計了一種智能仿真車，闡述了其硬件設計和軟件設計方案，重點介紹了智能仿真車正常運行所依賴的車道線檢測跟蹤算法，該算法能夠保證智能仿真車在運動過程中不偏離車道線。

1 智能仿真車硬件設計

本文設計的智能仿真車基于飛思卡爾KM系列微控制器實現[3]，其硬件主要由圖像采集模塊、中央處理模塊、無線通信模塊和運動控制模塊組成，具體硬件組成如圖2所示。智能仿真車主電源由7.2 V的鎳電池供電；使用USB 2.0免驅攝像機作為視頻采集模塊；采用Robot?LinkV4.0AR?B作為無線通信模塊，通過MFRC?522射頻模塊與RFID標簽確定當前車輛位置。車載攝像機獲得的視頻圖像數據分別傳送至無線模塊和微處理器。無線模塊將數據發給智能車調度管理中心；微處理單元將接收到的圖像數據進行分析、處理，進而使智能仿真車能夠實現自主駕駛、避障與跟車的功能。在運動過程中，仿真車上的MFRC?522射頻模塊與仿真沙盤道路上的RFID標簽進行交互，以確定當前車輛的位置信息，并通過無線模塊智能車調度管理中心。

2 智能仿真車軟件設計

本文設計的智能仿真車軟件主要包含運動控制模塊、無線傳輸模塊、圖像采集模塊、圖像處理模塊。上述模塊相互合作，共同控制智能仿真車的正常運行。智能仿真車供電啟動后，各軟件模塊運行具體過程如圖3所示。

其中對于無線模塊控制程序，首先判斷MFRC?522模塊檢測是否有RFID標簽， 若有標簽，則讀取當前標簽信息，計算當前所處的位置，設置無線模塊的發送標志位置位，發送數據給周圍車輛，同時根據定時器0，每隔1 s讀取無線模塊接收緩沖區是否有數據，若有，則讀取緩沖區中其他車輛的信息與車道線曲率，計算周圍車輛到自身車輛的距離大小以及自身車輛距彎道的距離，控制智能仿真車加速或減速。

圖像處理模塊在系統初始化后，將車載攝像機采集到的圖像傳送至微控制器，從數據流中讀取出每幀圖像數據，通過圖像預處理以及車道線處理等方法，提取出所采集的圖像中的車道線，計算車道線的偏差與曲率，并擬合出中線；通過障礙物識別算法從采集的圖像中判別前方是否存在障礙物，進而改變舵機、電機的運動狀態，使得智能仿真車能夠沿仿真沙盤道路中線正常行駛。

3 基于Hough變換的車道線識別方法

為了使智能仿真車在道路沙盤中不偏離車道地正常運行，仿真車微處理單元需要將前置攝像機實時傳送的圖像數據進行分析、處理，根據圖像中車道線的顏色、形狀和紋理等特征，將車道線、前方障礙物等目標與背景分離，從而獲得車道線的走向、車輛相對于車道線的位置等信息，并控制舵機和電機轉動，進而使智能仿真車能夠實現自主駕駛的功能[4?5]。

為了實現仿真車的無偏行駛，本文設計了一種車道線檢測方法，具體過程如圖4所示。首先對車載攝像機采集的車道線圖像進行預處理，具體包括灰度處理、逆透視、邊緣特征提取、特征算子卷積濾波等，然后通過多示例學習目標跟蹤算法[6]以及依據最小二乘法擬合出中線，實現車道線的提取，使其沿著中線實現車道的彎道與直道正確行駛，以實現在不同的環境下具有良好的穩定性、魯棒性。

3.1 圖像預處理

本文采用智能仿真車采集的兩幅典型車道線圖像作為分析對象對上述過程進行詳細說明。如圖5所示，兩幅圖像的分辨率為640×480，其中圖5（a）為典型彎道圖像，圖5（b）為典型直道圖像。由這兩幅典型車道線圖像可知，智能仿真車采集的不同位置的車道線圖像在形狀方面的表現特征不盡相同。

為了實現智能仿真車的穩定行駛，一般設計車體重心較低，在此情況下為了使得車載攝像機具有良好的視野，本文將攝像機通過車載支架架起。這使得在智能仿真車的運動過程中，常因為車體的震動導致車載攝像機的位置發生一些變化，比如攝像機角度不正等，進而造成所拍攝的道路圖像產生畸變。針對上述問題，本文采用逆透視標定的方法對車載攝像機采集的車道線圖像進行處理[7?8]。具體過程如下，如圖6所示，首先，在智能車所在的水平地面上建立坐標系，以垂直于智能仿真車行駛的方向為[x]軸，平行于智能仿真車行駛的方向為[y]軸，在攝像機采集圖像的范圍內，選取一個矩形，記矩形縱向邊長為[H]且平行于[y]軸，橫向邊長為[W]且平行于[x]軸，選取矩形的四個點[M1，M2，][M3，M4]進行標記，使四個點全部顯示在圖像中。

計算該坐標系中所標定矩形的四個頂點的坐標，矩形右下角、左下角、右上角、左上角的坐標分別為[M1（a，b），M2（（a+W），b），][M3（a，（b+H）），][M4（（a+W），（b+H）），][a]表示的是[x]軸偏移的距離，[b]表示的是[y]軸偏移的距離。

然后，建立圖像坐標系，如圖7所示，以圖像的左上角為原點，橫軸為[x]軸，縱軸為[y]軸，計算矩形在圖像中的坐標，坐標分別為[m1（x1，y1），m2（x2，y2），m3（x3，y3），][m4（x4，y4），]其分別表示為矩形右下角、左下角、右上角、左上角。

最后通過OpenCV中GetPerspectiveTransform函數，由四對點計算透射變換，得到3×3矩陣，并由該矩陣作為變換矩陣，使用函數WarpPerspective對圖像進行逆透視變換處理，變換處理后的結果如圖8所示。將逆透視變換后得到的圖像，經過形態學濾波、邊緣提取等方法，提取出車道線的邊緣，依據車道線的寬度，通過特征算子卷積濾波，去掉無關的噪聲，使圖像中的車道線更明顯。通過圖像預處理后，得到如圖9所示的卷積濾波圖像。

3.2 基于Hough變換的車道線處理

通過分析圖9所示的卷積濾波圖像可知，經預處理后的圖像中的車道線并不連續，因此需要對其進行補全。考慮到Hough變換原理是從黑白圖像中檢測直線圓、橢圓、雙曲線、拋物線等[9?10]，本文對濾波后的圖像作Hough變換，并將變換結果存入Hough變換累加器，設定閾值，并根據閾值大小將Hough變換累加器中累加值小于閾值的點清零，即認為這些點并不對應圖像域中的一條直線。然后查找Hough變換累加器中累加值最大的點，記錄該點并將其鄰域清零；繼續查找并記錄下一個累加值最大的點，直到累加器中所有的累加值都為零。這些記錄的點即對應了檢測到的圖像中的直線，根據檢測到的點在圖像域中繪出直線，從而使不連續的車道線連接成一條線。經Hough變換后的車道線圖像，如圖10所示。

由圖10（a）檢測得到的車道線圖像與圖8（a）逆透視圖像可以看出，在圖像處理過程中，部分車道線丟失，無法擬合中線。所以需要設計一種方法跟蹤車道線目標，從而擬合出當前丟失的車道線。

本文采用多示例學習進行車道線跟蹤，其原理是由當前Hough變換的圖像作為示例，將含車道線的圖像集合作為正包，不含車道線的圖像集合作為負包，然后利用正、負包進行分類器訓練，找到下一幀中車道線最有可能出現的位置，具體步驟如下：

（1） 假設當前采集的圖像為第[t]幀，并在第[t]幀中找到更小的圖像集合[Xm：]

[Xm=x：l（x）-lt

式中：[x]為包中圖像的個數；[l（x）]為圖像塊[x]的坐標；[lt]為第[t]幀圖像中車道線的坐標[（xt，yt）；][XS]表示找到包中任意圖像的車道線坐標與當前圖像中車道線的坐標距離小于[M]的圖像。

（2） 使用分類器，計算[Xm]中出現目標（車道線）概率最大的圖像，并將它對應的坐標作為第[t+1]幀中車道線的位置[lt+1]：

[lt+1=argmaxPy=1x] （2）

（3） 在[lt+1]的鄰域內，找到兩個圖像集合，即正、負包，從而實現更新，如式（3），式（4）所示：

[Xγ=x：l（x）-lt<γ] （3）

[Xγ，β=x，γ

式中：[Xγ]為正包；[Xλ，β]為負包；[γ，β]分別為正、負包選擇的半徑。

根據上述方法，由第[t]幀的車道線位置[lt]預測出第[t+1]幀中車道線的位置[lt+1，]通過[lt，lt+1]兩個點確定車道線的方向。

如圖11所示，將霍夫變換后的圖像經過目標跟蹤算法的處理，將彎道沒有采集到的車道線用虛線模擬出車道線。將處理后的圖像，通過最小二乘法擬合出車道線的中線，并用虛線表示，結果如圖12所示，智能車依據中線在彎道與直道正確行駛。

4 結 語

無人駕駛技術及智能車輛是目前國內外智能交通領域的重要研究熱點之一。在真實場景下進行智能車輛的實驗測試存在成本高昂、安全性能較差等缺點，因此目前多通過構建智能車仿真平臺的方式進行研究。在上述背景下，本文針對智能車仿真平臺的使用需求設計了一種智能仿真車，詳細介紹了其軟硬件設計方法，重點研究了智能仿真車車道線識別問題，并提出了一種基于Hough變換的車道線識別方法。該智能仿真車在我校陜西省道路交通智能檢測與裝備工程技術研究中心建設的智能車仿真平臺中進行了長時間的應用，并依次開展了多項科學研究，驗證了該仿真車設計的有效性和穩定性。

參考文獻

[1] 程結園，張濤.基于圖像處理的智能車輛系統[J].物聯網技術，2014，4（6）：45?47.

[2] 陸正辰.基于多縮微車的智能交通系統仿真平臺研究[D].上海：上海交通大學，2013.

[3] 冀勇鋼，張彥朋，鄭漢明.攝像頭識別的智能車硬件系統設計[J].現代電子技術，2013，36（10）：136?138.

[4] 王健，王潤民，惠飛，等.基于分裂合并算法的道路標線分割方法研究[J].計算機應用研究，2014，31（12）：3880?3884.

[5] ZHAO K， MEUTER M， NUNN C， et al. A novel multi?lane detection and tracking system [C]// Proceedings of 2012 Intelligent Vehicles Symposium. Alcala de Henres： IEEE， 2012： 1084?1089.

[6] 彭爽，彭曉明.基于高效多示例學習的目標跟蹤[J].計算機應用，2015，35（2）：466?469.

[7] 賴智銘.適用于低分辨率的逆透視映射算法[J].計算機工程與設計，2013（10）：3551?3555.

[8] 文超.基于視覺的后方車輛檢測與跟蹤算法研究[D].長春：吉林大學，2014.

[9] 潘憶江，黃際彥，吳波，等.PCB中圓形圖像的自動光學檢測研究[J].現代電子技術，2014，37（8）：69?71.

[10] 陸路，梁光明，丁建文.基于Hough變換的橢圓檢測改進算法[J].現代電子技術，2015，38（16）：92?94.