摘  要： 介紹了基于線性CCD傳感器的智能小車整體框架,、圖像采集和處理以及路徑識別控制算法。智能小車控制系統(tǒng)中選擇線性CCD傳感器進行路徑識別,，對采集的像素點進行中值濾波,、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的引導(dǎo)方向,，控制舵機的轉(zhuǎn)向，使得小車能夠穩(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；動態(tài)閾值,；人字形彎道識別
0 引言
　　在全國大學(xué)生“飛思卡爾”杯智能汽車競賽光電組的技術(shù)要點中,，線性CCD圖像處理和路徑識別這兩個環(huán)節(jié)尤其重要，其決定著小車能否安全可靠快速運行[1],。根據(jù)比賽規(guī)則和以往的比賽經(jīng)驗,，小車能否以最短的時間完成比賽，確保不沖出賽道,，都與小車的速度和路徑識別有著密切的關(guān)系,。因此，路徑的識別和處理是整個比賽的關(guān)鍵,，它能夠有效地控制智能小車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，從而可以提高整場比賽中的平均速度。
　　基于線性CCD傳感器的智能小車控制系統(tǒng)結(jié)構(gòu)如圖1所示,。該系統(tǒng)中執(zhí)行機構(gòu)是舵機和電機,，感應(yīng)機構(gòu)是線性CCD傳感器。路徑識別是實現(xiàn)智能小車沿賽道自主運行的信息基礎(chǔ),，獲得范圍廣而精確的路徑信息是提高智能小車運行速度的關(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]。但對于線性CCD傳感器來說,，數(shù)據(jù)量的處理沒有圖像CCD傳感器大,，硬件二值化的優(yōu)勢并不明顯，所以直接采集模擬信號,。采用固定曝光時間,，整個函數(shù)運行一遍的周期是10 ms，響應(yīng)時間充足,，圖像穩(wěn)定,。

　　在實際應(yīng)用中采用拉普蘭德的開源程序代碼，再根據(jù)單片機的特性進行修改,，縮短采集時間,，提高響應(yīng)速度，使采集的圖像穩(wěn)定下來是最重要的,。
2 圖像處理
　　線性CCD有中值濾波法,、二值化處理法、邊緣增強法等圖像處理方法,。由于邊緣增強法的目的在于突出賽道的邊緣信息,，增強路徑的識別，經(jīng)邊緣增強后的圖像能更清晰地顯示出路徑的邊界[4],。但是經(jīng)過實踐,，對于飛思卡爾智能車競賽黑白明顯的賽道而言，邊緣增強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
　　采集回來的數(shù)據(jù)可能上下波動，不夠穩(wěn)定,，這時就需要調(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)計思想就是檢查采集像素點的值,，并判斷它是否代表了信號,。從第一個像素點開始，將其數(shù)值和相鄰的兩個像素點的數(shù)值進行排序,，3個像素點中數(shù)值為中值的像素點作為代表信號并輸出,。然后，丟棄最早的值,，取得新的采樣,，重復(fù)上面的計算過程到127個點為止[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)過以上比較賦值,，將中間值賦給b，
　　返回給中間像素點gPixel[i]
　　}
　　for（i=1,；i<128,；i++）//對128個點進行平滑處理輸出
　　{
　　gPixel[i]=get_mid（gPixel[i-1]，gPixel[i],，gPixel[i+1]）,；
　　//gPixel[i]代表采集回來的像數(shù)點數(shù)值
　　}
　　2.2 二值化處理
　　圖像的二值化處理就是將圖像上點的灰度值置為0或255（在程序設(shè)計中置為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,，否則像素點為黑色,，這樣明確地分出黑白兩種顏色，小車就能準(zhǔn)確地轉(zhuǎn)彎,。閾值的選取有很多種方法，常用的有動態(tài)閾值和試驗確定法[7],。對圖像進行二值化分割,，選取恰當(dāng)?shù)拈撝党闪藴?zhǔn)確劃分的關(guān)鍵。事實驗證,，靜態(tài)閾值已經(jīng)不能滿足整幅賽道,，所以采用動態(tài)閾值算法[8],。由于四輪智能小車存在轉(zhuǎn)彎不靈活的特點，在賽道上跑時很容易丟線,，所用的動態(tài)閾值要在丟線時調(diào)用上一個閾值（T_old）（T_old是上一次計算正確的閾值保留下來賦予的值T_last）,。
　　軟件二值化的動態(tài)閾值算法如下：
　　（1）找出一組數(shù)據(jù)128個像素點的最大值（max）和最小值min,。
　?。?）判斷最大值（max）和最小值（min）的偏差是否大于全黑時的偏差（all_black_Difference_value），若大于全黑時的偏差,，就繼續(xù)下面步驟,，否則不計算下一步驟，用上一次的閾值,。全黑時的偏差指的是全黑（丟線）情況下的最大值與最小值的偏差（是給定的一個值）,，由經(jīng)驗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,。
　?。?）為全局閾值T選擇一個初始估計值：。
　?。?）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,。
　?。?）對sum_h和sum_l的像素分別計算平均弧度值（均值）max_ave和min_ave。
　?。?）產(chǎn)生最終的閾值T_last,，再給T_old賦值：T_old=T_last（T_old丟線時調(diào)用）。
　　

3 賽道識別
　　3.1 一般賽道的識別
　　普通賽道類型包括：直道,、十字路口,、小S彎以及不同曲率的彎道。因此,，對不同的彎道識別及數(shù)據(jù)處理是成功與否的關(guān)鍵,。采用了一次元函數(shù)動態(tài)Kp的算法來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為實際中心位置與測量中心值的偏差,。通過經(jīng)驗得知，Error等于左邊黑點減128與右邊黑點的差值,。當(dāng)Error為負(fù)數(shù)時舵機向左轉(zhuǎn)彎,，為正數(shù)時舵機向右轉(zhuǎn)彎，從而控制速度的變化,。Error偏差在得出第一個黑點前還需要判斷其是否為噪點,。當(dāng)全黑時設(shè)定了一個最低速度,，偏差為0時也限制了它的最高速度，防止智能小車由于速度過高,，造成擺尾或沖出賽道等問題,。
　　在直道，偏差（Error）會變得很小,，絕對值小于10,，控制舵機直行，不轉(zhuǎn)彎,。
　　十字路口都是與270°的彎道連接在一起的,。由于十字路口沒有兩端的黑色引導(dǎo)線，通過CCD采集的數(shù)據(jù)分析,，計算進入前的3次偏差位置,，求出它的斜率，再通過斜率計算出智能小車在十字路口上舵機轉(zhuǎn)彎大小,，從而保證小車順利通過十字路口,。
　　緊跟著就進入270°的彎道。為了防止舵機誤判,，當(dāng)上一個偏差與本次的偏差超過某一個值時,，保持上一次的偏差，這樣就能順利平滑通過彎道了[9],。
　　從CCD采集回來小S彎道的數(shù)據(jù)來看,，由于小S彎道的位置偏差較小，而且采用一次元函數(shù)動態(tài)Kp的方法來控制舵機轉(zhuǎn)彎,，Kp的值可以通過這些小偏差的改變而改變,，即Kp=0.05×偏差。因此,，可以保證智能車以較高的速度完美通過小S彎道,。
　　3.2 特殊賽道的識別
　　為了增加行駛難度，增加了人字彎道識別,，如圖2所示,。本設(shè)計選擇了讓智能小車直接大拐角掉頭。當(dāng)檢測到斑馬線時,，給舵機一個大轉(zhuǎn)角,，讓小車直接駛過。然而當(dāng)小車高速行駛時,，處理不好速度與CCD檢測前瞻（CCD掃描的地方與車身間的距離）的關(guān)系,，小車很容易沖出賽道。本設(shè)計在智能小車上安裝了兩個CCD,，一個前瞻在50 cm,，一個前瞻在40 cm。
　　圖2中,，兩條平行線分別為兩個CCD拍攝圖像的位置,。其中，車子前瞻較近的CCD掃描的圖像是在直道運行,，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是否檢測到黑線,，
　　并計算出是否在直到上,，在中線時偏差（Error）小于15，在實際情況中這個值小于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CCD的左黑線像素點相差小于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CCD的右黑線像素點相差大于30）
　　當(dāng)同時滿足以上3個條件時，判別出人字彎道后,，就向右轉(zhuǎn)彎,，使小車控制舵機進行較大角度的轉(zhuǎn)彎，等到小車回到直道后,，再給與舵機中值,，從而使小車快速、穩(wěn)定通過人字彎,。左拐彎與之相反,。
　　結(jié)合兩個CCD信息去識別可以準(zhǔn)確判別出人字彎道。經(jīng)過實踐驗證,，采用此方法誤判的概率非常小,，只有在智能小車軌跡異常偏離賽道中心時才會出現(xiàn)誤判。
4 結(jié)論
　　通過對線性CCD圖像處理與識別算法進行研究,，將理論知識與實際情況相結(jié)合,，對采集的圖像進行中值濾波、二值化動態(tài)閾值處理,，再根據(jù)小車的實際情況進行改善,，設(shè)計了一次元函數(shù)動態(tài)Kp的算法，對直道,、十字路口,、小S彎以及不同曲率的彎道進行辨識，并對人字形賽道特殊判斷識別,，從而使小車能夠沿規(guī)定賽道穩(wěn)定,、可靠,、快速地運行。
　　參考文獻
　　[1] 劉嘉豪,，劉海剛,，張建偉，等.智能車圖像處理與識別算法研究[J].工業(yè)控制計算機,，2014,，27（8）：19-22.
　　[2] 卓晴，黃開勝,，邵貝貝,，等.學(xué)做智能車：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，任國全,，肖浩,，等．結(jié)構(gòu)化道路車道線快速檢測的一種改進算法[J]．計算機仿真，2012,，29（4）：362－366.
　　[5] 張毛女,，柳薇.一種基于邊緣檢測的改進的中值濾波去噪方法[J].計算機與現(xiàn)代化，2011,，29（3）：63-65,，73.
　　[6] 李俊，王軍輝,，譚秋林,，等．基于MC9S12XS128控制器的智能車圖像處理技術(shù)研究[J]．化工自動化及儀表，2012,，39（2）：190-193.
　　[7] 季聰,，王思明，漢鵬武.智能車路徑識別與控制研究[J]．電視技術(shù),，2013,，37（9）：192-195，209.
　　[8] 常江.基于視覺導(dǎo)航的智能車測控系統(tǒng)關(guān)鍵技術(shù)研究[D].天津：河北工業(yè)大學(xué),，2010.
　　[9] 邱迎.道路自動識別與控制的智能車系統(tǒng)的研究[D].重慶：重慶大學(xué),，2010.