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方向，控制舵機的轉向，使得小車能夠穩定、可靠地高速行駛。
　　關鍵詞： 線性CCD；數據采集；中值濾波；動態閾值；人字形彎道識別
0 引言
　　在全國大學生“飛思卡爾”杯智能汽車競賽光電組的技術要點中，線性CCD圖像處理和路徑識別這兩個環節尤其重要，其決定著小車能否安全可靠快速運行[1]。根據比賽規則和以往的比賽經驗，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系。因此，路徑的識別和處理是整個比賽的關鍵，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結構如圖1所示。該系統中執行機構是舵機和電機，感應機構是線性CCD傳感器。路徑識別是實現智能小車沿賽道自主運行的信息基礎，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鍵[2]。
1 圖像采集
　　一般的圖像CCD傳感器有模擬的和數字的，線性CCD傳感器（TSL1401CL）輸出的信號是模擬的。圖像CCD傳感器要處理的數據量比較大，使用硬件二值化比較好[3]。但對于線性CCD傳感器來說，數據量的處理沒有圖像CCD傳感器大，硬件二值化的優勢并不明顯，所以直接采集模擬信號。采用固定曝光時間，整個函數運行一遍的周期是10 ms，響應時間充足，圖像穩定。

　　在實際應用中采用拉普蘭德的開源程序代碼，再根據單片機的特性進行修改，縮短采集時間，提高響應速度，使采集的圖像穩定下來是最重要的。
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
　　采集回來的數據可能上下波動，不夠穩定，這時就需要調用中值濾波函數。中值濾波是一種非線性數字濾波器技術，用于去除圖像中的噪聲。其設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，將其數值和相鄰的兩個像素點的數值進行排序，3個像素點中數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點數值
　　}
　　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，小車就能準確地轉彎。閾值的選取有很多種方法，常用的有動態閾值和試驗確定法[7]。對圖像進行二值化分割，選取恰當的閾值成了準確劃分的關鍵。事實驗證，靜態閾值已經不能滿足整幅賽道，所以采用動態閾值算法[8]。由于四輪智能小車存在轉彎不靈活的特點，在賽道上跑時很容易丟線，所用的動態閾值要在丟線時調用上一個閾值（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）。
　　軟件二值化的動態閾值算法如下：
　　（1）找出一組數據128個像素點的最大值（max）和最小值min。
　　（2）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。
　　（3）為全局閾值T選擇一個初始估計值：。
　　（4）二值化處理圖像，并產生兩組數組：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。
　　（5）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。
　　（6）產生最終的閾值T_last，再給T_old賦值：T_old=T_last（T_old丟線時調用）。
　　

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據處理是成功與否的關鍵。采用了一次元函數動態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。通過經驗得知，Error等于左邊黑點減128與右邊黑點的差值。當Error為負數時舵機向左轉彎，為正數時舵機向右轉彎，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。當全黑時設定了一個最低速度，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線，通過CCD采集的數據分析，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彎道的數據來看，由于小S彎道的位置偏差較小，而且采用一次元函數動態Kp的方法來控制舵機轉彎，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。本設計選擇了讓智能小車直接大拐角掉頭。當檢測到斑馬線時，給舵機一個大轉角，讓小車直接駛過。然而當小車高速行駛時，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）的關系，小車很容易沖出賽道。本設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，得到的數據是左右黑線都存在；前瞻較遠的CCD掃描的賽道圖像，得到的數據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，據此判斷此時應該右轉。

　　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就認為是直道
　　|Left_black_near-Left_black_far|<8//判斷近的CCD左邊
　　黑線和較遠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CCD右邊黑線是不是偏差大于一定范圍（較遠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）
　　當同時滿足以上3個條件時，判別出人字彎道后，就向右轉彎，使小車控制舵機進行較大角度的轉彎，等到小車回到直道后，再給與舵機中值，從而使小車快速、穩定通過人字彎。左拐彎與之相反。
　　結合兩個CCD信息去識別可以準確判別出人字彎道。經過實踐驗證，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誤判。
4 結論
　　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合，對采集的圖像進行中值濾波、二值化動態閾值處理，再根據小車的實際情況進行改善，設計了一次元函數動態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定賽道穩定、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].工業控制計算機，2014，27（8）：19-22.
　　[2] 卓晴，黃開勝，邵貝貝，等.學做智能車：挑戰“飛思卡爾”杯[M].北京：北京航空航天大學出版社，2007.
　　[3] 劉祖臣.基于CMOS數字攝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．結構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，2013，37（9）：192-195，209.
　　[8] 常江.基于視覺導航的智能車測控系統關鍵技術研究[D].天津：河北工業大學，2010.
　　[9] 邱迎.道路自動識別與控制的智能車系統的研究[D].重慶：重慶大學，2010.