我國自2006年起舉辦的全國大學生“飛思卡爾杯”智能汽車競賽融科學性、趣味性和觀賞性為一體，是一項以迅猛發(fā)展、前景廣闊的汽車電子為背景，涵蓋了自動控制、模式識別、傳感技術(shù)、電子、電氣、計算機、機械與汽車等多個學科的科技創(chuàng)新比賽。參賽隊伍在車模平臺基礎上，制作一個能夠自主識別路線的智能車，在專門設計的賽道上自動識別道路行駛。

　　利用機器視覺，通過識別路面條帶狀引導線實現(xiàn)自主導航是現(xiàn)階段智能車常用的導航方法。該方法不僅具有視覺導航信息量豐富，智能化程度高的優(yōu)點，而且引導線的加入大大降低了圖像處理的數(shù)據(jù)量和技術(shù)成本，提高了智能車控制的實時性和現(xiàn)實應用的可行性。當前研究的熱點問題是路徑識別的準確性和實時性。

　　智能汽車與一般所說的自動駕駛有所不同，它指的是利用多種傳感器和智能公路技術(shù)實現(xiàn)的汽車自動駕駛。智能汽車首先有一套導航信息資料庫，存有全國高速公路、普通公路、城市道路以及各種服務設施（餐飲、旅館、加油站、景點、停車場）的信息資料；其次是GPS定位系統(tǒng)，利用這個系統(tǒng)定位車輛所在的位置，與道路資料庫中的數(shù)據(jù)相比較，確定以后的行駛方向；道路狀況信息系統(tǒng)，由交通管理中心提供實時的前方道路狀況信息，如堵車、事故等，必要時及時改變行駛路線；車輛防碰系統(tǒng)，包括探測雷達、信息處理系統(tǒng)、駕駛控制系統(tǒng) ，控制與其他車輛的距離，在探測到障礙物時及時減速或剎車，并把信息傳給指揮中心和其他車輛；緊急報警系統(tǒng)，如果出了事故，自動指揮中心進行救援；無線通信系統(tǒng)，用于汽車與指揮中心的聯(lián)絡；自動駕駛系統(tǒng)，用于控制汽車的點火、改變速度和轉(zhuǎn)向等。

　　非均勻行圖像采集

　　攝像頭在拍攝圖像的時候，理想的位置是垂直于拍攝平面，這樣才能保證圖像按原來的幾何比例重現(xiàn)。然而受到智能車車體結(jié)構(gòu)的限制和車體控制需攝像頭有一定預瞄距離的要求，攝像頭一般與地平面成一定角度安裝。安裝角度的存在會造成一定的成像畸變，圖像的畸變會產(chǎn)生一系列問題：垂直線被拍攝成斜線導致斜率計算錯誤，遠處的彎道被壓縮導致曲率計算錯誤等等。在這種情況下，直接利用目標引導線在圖像中的相對位置制定控制策略，會造成較大的誤差，甚至使小車嚴重偏離引導線。針對此問題，本文在分析攝像頭成像模型的基礎上，提出了一種非均勻行采集的圖像畸變矯正算法。圖2為攝像頭成像示意圖。

　　由圖可得圖像坐標系與世界坐標系的坐標轉(zhuǎn)換關(guān)系為：

　　由式（2）得到圖像行數(shù)v與世界坐標y的關(guān)系曲線如圖3所示。圖像行數(shù)與其所反映的實際距離之間是非線性關(guān)系，距離越遠，圖像中兩行間的實際距離越大，即攝像頭對遠處的路平面進行了縱向的壓縮，而且距離越遠，壓縮越嚴重。

　　為了消除這種畸變，令單片機非均勻地采集攝像頭輸出圖像中的行，在距離較遠處采集的行數(shù)較密，近處采集的行數(shù)較少。這種規(guī)則通過采集行數(shù)的非線性彌補了圖像行數(shù)與實際距離的非線性，實現(xiàn)了等空間間距的均勻采樣，從而保證了智能車控制器采集得到的圖像在縱向上與實際路平面間相對無畸變或畸變較小。

　　由于所用單片機的A/D轉(zhuǎn)換能力有限，且本系統(tǒng)的目的只在于提取出黑線中心，終方案采集40×60分辨率的圖像。根據(jù)攝像頭的參數(shù)和公式（3）計算得到本系統(tǒng)非均勻行采集的行數(shù)分布如表1所示。

　　圖像處理

　　圖像處理一般指數(shù)字圖像處理。數(shù)字圖像是指用數(shù)字攝像機、掃描儀等設備經(jīng)過采樣和數(shù)字化得到的一個大的二維數(shù)組，該數(shù)組的元素稱為像素，其值為一整數(shù)，稱為灰度值。圖像處理技術(shù)的主要內(nèi)容包括圖像壓縮，增強和復原，匹配、描述和識別3個部分。常見的處理有圖像數(shù)字化、圖像編碼、圖像增強、圖像復原、圖像分割和圖像分析等。圖像處理一般指數(shù)字圖像處理。雖然某些處理也可以用光學方法或模擬技術(shù)實現(xiàn)，但它們遠不及數(shù)字圖像處理那樣靈活和方便，因而數(shù)字圖像處理成為圖像處理的主要方面。

　　圖像處理流程

　　該攝像頭的場掃描頻率為50Hz，為了提高智能車控制的實時性，本系統(tǒng)選擇控制周期為20ms，即在一個圖像場周期內(nèi)必須完成圖像采集、圖像處理、路徑識別和車體控制等一系列工作。這就需要合理規(guī)劃處理流程，同時要求各種算法簡練有效。本系統(tǒng)的程序流程如圖4所示，采集完一行圖像后，利用到下一采集行的空余時間處理該行數(shù)據(jù)，提取路徑。待整場圖像采集完畢，利用場消隱的時間對整場路徑進行縱向濾波，判斷路況，并對舵機和電機進行控制。

　　單行數(shù)據(jù)處理

　　橫向濾波

　　由于受到道路環(huán)境和硬件環(huán)境，如：光電轉(zhuǎn)換過程中光敏元件靈敏度的不均勻性、數(shù)字化過程的量化噪聲等的影響，單片機采集的圖像信息中會存在干擾，在路徑識別過程中，有些干擾可能會被誤認為是引導線。因此，在單行數(shù)據(jù)處理之前，首先對圖像信息進行橫向濾波。

　　中值濾波是一種典型的非線性濾波方式，其主要功能是讓與周圍像素灰度值的差比較大的像素改取與周圍像素值接近的值，中值濾波對孤立的噪聲點（特別是椒鹽噪聲）的消除能力較強，同時能夠有效保護圖像的邊緣[4]。

　　閾值分割

　　閾值分割的基本思想是確定一個閾值，然后把每個像素點的像素值和閾值相比較，根據(jù)比較結(jié)果把該像素劃分為目標或背景，圖像分割效果的好壞直接取決于閾值的選取。由于光線和噪聲的干擾，若用一個固定閾值進行分割，會產(chǎn)生一定的誤差。為盡可能減小誤分割的概率，增強智能車的抗光線變化干擾能力，本文采用動態(tài)閾值對每一行圖像進行分割，根據(jù)上一行的圖像數(shù)據(jù)確定下一行的閾值，閾值T的確定方法為：

　　這里先取圖像灰度范圍的中值作為行的初始值，然后迭代求得各行的值。具體迭代步驟如下：

　　(1) 求出行圖像中的灰度值maxZ和灰度值minZ。

　　(2) 求出行的初始閾值T0=(maxZ+minZ)/2，給定迭代時新舊閾值的允許接近程度ε=5。

　　(3) 求出行圖像中灰度值Z≥T1的所有像素點的數(shù)量bn、累加和bS以及灰度值Z< T1的所有像素點的數(shù)量tn、累積和tS。

　　(4) 計算確定行閾值

　　(5) 轉(zhuǎn)至步驟(3)，求出第i行閾值Ti，如果則Ti為終閾值，否則，Ti =Ti-1。

　　邊緣檢測

　　邊緣是目標與背景相鄰區(qū)域之間灰度值不連續(xù)的結(jié)果，邊緣檢測是所有基于邊界的圖像分割的步。本系統(tǒng)的引導線與地板的色差較大，反映在數(shù)據(jù)中就是灰度值差別較大，引導線與地板間的邊沿較明顯，如圖5所示，因此對邊緣進行檢測較容易且可靠性高。

　　邊緣檢測的思路是：確定一閾值，對采集的單行圖像數(shù)據(jù)逐點進行掃描，若灰度值小于閾值，則判斷該點為黑點，即檢測到引導線左邊緣，繼續(xù)掃描，若灰度值大于給定閾值，則該點為白點，將該點作為引導線右邊緣。右邊緣和左邊緣的橫坐標之差為引導線的寬度，其平均值即為引導線的中心橫坐標值。

　　由于圖像數(shù)據(jù)中可能存在著未被濾出的噪聲點，通過以上算法不可避免地會將一些噪聲點識別為引導線。從而可能在一行數(shù)據(jù)中存在多段黑線，根據(jù)路徑的連續(xù)性特性對路徑進行提取可提高引導線識別的可靠性。提取路徑的過程如下。

　?。?）如果該行中沒有檢測到黑線，則該行為純白或純黑行，將路徑坐標置為零，同時將無效行標志置位。若該行為一場的行，則將無效場標志置位。

　　（2）如果檢測到一段黑線，若黑線寬度大于設定的先驗值，則將該黑線段的中心坐標作為該行的路徑中心坐標，否則將該行設為無效行。

　?。?）如果檢測到兩段黑線，若該行為一場的行，則該行的路徑坐標不變，即保持上一場該行的路徑坐標；否則，分別判斷兩段黑線與上一行路徑坐標的距離，取距上行較近的黑線中心為該行路徑坐標。

　?。?）如果檢測到更多黑線，則該行無效，將路徑坐標置為零，同時將無效行標志置位。

　　整場數(shù)據(jù)處理

　　道路圖像經(jīng)過單行路徑提取以后，橫向的單點噪聲已經(jīng)消除，但是對于部分寬度較大的干擾卻無法濾除，這樣提取出來的路徑在某些行就發(fā)生了跳變。為了得到準確的引導線參數(shù)，為后續(xù)的控制模塊提供的導航參數(shù)，需要在整場圖像采集完畢之后，對提取的路徑進行縱向的平滑。

　　斷點修補

　　由于光線的不均勻或路徑中出現(xiàn)較大的干擾，可能會出現(xiàn)部分行采集不到引導線的情況，從而出現(xiàn)斷點。而且交叉道路的圖像經(jīng)過上述方法處理后也會出現(xiàn)斷點的情況，因此有必要加入斷點修補環(huán)節(jié)，對路徑進行縱向濾波。

    根據(jù)這個特性，斷點修補的方法步驟如下：

　?。?）求出第i行與第2i?行的路徑坐標之差

　?。?）求出第1i?行與第3i?行的路徑坐標之差

　　（3）求出Dposition[1]與Dposition[2]之差的

　?。?）若Adposition大于4，則通過該算法，道路圖像斷點區(qū)域得到了修復，引導線從首點到末點之間形成了一條連通的曲線，這種斷點修補方法滿足了智能車提取引導線趨勢的要求。

　　縱向濾波

　　對于某些跳變不大的干擾行，雖然不會影響對路徑整體趨勢的判斷，但其對后續(xù)控制模塊的計算會產(chǎn)生較大影響。當控制行坐標突變時，勢必會造成舵機的抖動，智能車速度較快時甚至會導致車體脫離引導線，因此加入縱向濾波環(huán)節(jié)對路徑進行平滑很有必要。

　　縱向濾波采用中值濾波的思路，具體方法為：判斷該行路徑坐標若在其前一行和后一行的同一側(cè)，即該行坐標同時大于或同時小于其前一行和后一行坐標，則賦予該行坐標為其前一行和后一行坐標的平均值。

　　導航參數(shù)獲取

　　經(jīng)過路徑提取后，得到引導線在圖形坐標系下的坐標(u,v)，然后通過式(3)、(4)得到引導線的世界坐標(x ,y )，通過二乘法進行曲線擬合，便得到引導線的曲線方程。對于直線模型y=kx+b，可運用斜率 k和截距b作為導航參數(shù)對車體進行控制[7];對于曲線模型，可得到彎道的曲率半徑和橫向偏差作為導航參數(shù)對車體進行控制。

　　實驗結(jié)果分析

　　采集方案實驗

　　攝像頭采集的圖像如圖6所示，a為均勻行采集效果，b為按表1分布行數(shù)采集的效果。由圖可以看出，非均勻行采集的圖像更接近實際圖像，對引導線曲率的計算更加準確，為智能車控制決策模塊提供了更加地引導線信息。而且，由圖還可看出通過非均勻行采集，相對提高了攝像頭的

　　路徑識別實驗

　　攝像頭獲取的彎道圖像如圖7a所示，由于光線的影響，中間部分出現(xiàn)了斷點，經(jīng)斷點修復和中值濾波后得到的圖像分別如圖7c和7d所示，道路圖像斷點區(qū)域得到了修復，引導線從首點到末點之間較平滑，據(jù)此可獲得路徑的導航參數(shù)。

　　十字交叉道路是智能車導航中較常見的路況，同時也是路徑識別中比較復雜的內(nèi)容。如圖8a所示的十字交叉道路經(jīng)路徑識別后得到的引導線如圖8d所示，可以將交叉線完全濾除。

　　結(jié)語

    通過大量實驗測試證明該智能車能快速平穩(wěn)地在制作的賽道上跟蹤黑色引導線行駛，尋跡效果良好，速度控制響應快，動態(tài)性能良好，穩(wěn)態(tài)誤差較小，系統(tǒng)的穩(wěn)定性和抗干擾能力強。在2008 舉辦的全國大學生“飛思卡爾杯”智能汽車競賽中取得了華北賽區(qū)二等獎的好成績，充分證明了設計方案的有效性和穩(wěn)定性。

　　本文介紹了一種智能車控制系統(tǒng)的設計與實現(xiàn)。采用非均勻行采集實現(xiàn)了圖像畸變矯正；在圖像處理中，根據(jù)攝像頭采集時序，時圖像進行橫向濾波、閾值分割、邊緣檢測、縱向濾波和導航參數(shù)提取等。該算法合理安排程序流程，提高了圖像處理和車體控制的實時性。實驗結(jié)果表明，此方法能夠有效降低噪聲干擾和圖像畸變對參數(shù)提取的影響，提取出的引導線導航參數(shù)。