李然等

摘要：介紹了一種基于OV系列攝像頭圖像的智能車尋跡方法。該方法將攝像頭采集到的圖像信息進(jìn)行處理，根據(jù)道路信息的特點(diǎn)，找出道路邊線。通過兩條邊線的位置計(jì)算得到道路中心線位置，使智能車能按照中心線行駛。對(duì)于十字型賽道的中心線，提出了修正方法，對(duì)缺失的邊線部分，先進(jìn)行補(bǔ)線處理，再計(jì)算中心線。測試結(jié)果表明，按照提出的方法，智能車能夠準(zhǔn)確、平穩(wěn)地行駛。

關(guān)鍵詞：智能小車；攝像頭；圖像；尋跡；中心線

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2014）16-3884-04

Abstract：A method of smart car tracing based on OV series camera image is introduced. This method is to process the image information collected by camera and find the two side lines of road according to characteristics of road information. Calculate the position of centerline which can make smart car run through by the position of two side lines. A correction method is proposed to the position of crossway. For the missing parts between the lines， fill them before calculating the position of centerline. Test results show that the smart car can run accurately and smoothly according to the method introduced.

Key words：smart car； camera； image； tracing； centerline

全國大學(xué)生“飛思卡爾”杯智能汽車競賽最早是由韓國漢陽大學(xué)汽車控制實(shí)驗(yàn)室在飛思卡爾半導(dǎo)體公司資助下舉辦的，是一項(xiàng)大學(xué)生課外科技活動(dòng)實(shí)踐性質(zhì)的競賽。其設(shè)計(jì)內(nèi)容涵蓋了控制、模式識(shí)別、傳感技術(shù)、汽車電子、電氣、計(jì)算機(jī)、機(jī)械、能源等多個(gè)學(xué)科的知識(shí)，是大學(xué)生競賽中較為綜合的一項(xiàng)賽事。截止到2012年，“飛思卡爾”杯智能汽車競賽已經(jīng)成功舉辦了九屆，得到了各大高校的廣泛關(guān)注，每年都吸引了眾多師生參與其中。我校電子設(shè)計(jì)與創(chuàng)新實(shí)驗(yàn)室?guī)熒惨褏⒓恿藬?shù)屆比賽，在一些難點(diǎn)問題上也有了自己的一套切實(shí)可行的辦法與方案。智能車攝像頭組的比賽中，對(duì)道路圖像的處理、智能小車的尋跡，一直是個(gè)難點(diǎn)?，F(xiàn)就這一問題，該文將按照我校參賽隊(duì)對(duì)道路尋跡的處理方案，做一些技術(shù)分析與講解。

1 圖像信號(hào)的采集

本方案采用OV系列的數(shù)字?jǐn)z像頭對(duì)道路圖像進(jìn)行采集，OV系列的攝像頭是飛思卡爾智能車比賽常用的數(shù)字?jǐn)z像頭，具有數(shù)據(jù)采集方便簡單，功耗小、體積小等優(yōu)點(diǎn)。此系列攝像頭有行信號(hào)HREF，場信號(hào)VSYN，像素同步信號(hào)PCLK和奇偶場信號(hào)等信號(hào)采集方式。我們?cè)趯?duì)圖像進(jìn)行處理時(shí)，每副圖像采用了隔行掃描，每行采用了隔點(diǎn)掃描。道路的圖像缺少幾行或是每行缺少一部分點(diǎn)，對(duì)整副圖像所要獲取的信息的影響不大，只要保持圖像的連續(xù)性，能反映當(dāng)前道路的有效信息就可以。

在采集方式上，我們采用行信號(hào)HREF和場信號(hào)VSYN對(duì)圖像進(jìn)行采集，主要的采集過程是對(duì)行信號(hào)處理時(shí)在行中斷interrupt 10 RowInterrupt （） 里進(jìn)行?？紤]到智能小車行進(jìn)中攝像頭采集回每幅圖像更新的方向，很明顯場信號(hào)采集采用由下至上的方向進(jìn)行。每幅圖像采集完畢后，圖像數(shù)據(jù)直接以灰度值保存在FIRSTBUFF[][]數(shù)組中。我們?cè)趯?shí)驗(yàn)和調(diào)試中進(jìn)行了優(yōu)化，將攝像頭旋轉(zhuǎn)90°更符合道路實(shí)情況，圖像數(shù)據(jù)的長度選定為行數(shù)34，列數(shù)110。

2 跑道中心線尋跡

2.1 尋跡的一般方法

我們?cè)趯ほE處理時(shí)，我們?cè)O(shè)定了一個(gè)閾值THRESHOLD，在與閾值比較后，以向右搜索為例*（BlackRight+j） >= THRESHOLD判斷是否到了邊線，這樣就省去了圖像數(shù)據(jù)二值化的過程。

為了要使智能小車沿跑道中央行駛，首先要確定賽道中心線Line_Center的位置。賽道上的中心線沒有任何標(biāo)示，因此，我們采用找到賽道兩側(cè)邊線blackleft和blackrigh的位置再通過簡單的公式Line_Center = BlackLeft/2 + BlackRight/2 計(jì)算的方法，來確定賽道中心線的位置。

對(duì)每幅圖像進(jìn)行處理是時(shí)，采集完一幅圖像，再對(duì)這幅圖像的每一行進(jìn)行搜索。搜索的方式分為兩種：一種是從左往右（或者從右往左）搜索；另一種是從中間開始向兩邊搜索。

第一種方法存在一個(gè)很明顯的問題，在出現(xiàn)如圖1所示的圖像時(shí)，假定是從左往右搜索，攝像頭采集的畫面中會(huì)顯示多條賽道，因此無法正確采集左右邊線。

而第二種方法因?yàn)槭菑膱D像中間往兩側(cè)搜索，因此能很好的解決這個(gè)問題。但是第二種方法也有一個(gè)明顯的缺陷，即圖像中間的起始掃描點(diǎn)Next_Base我們?cè)撊绾未_定？如果智能小車起步時(shí)的賽道是在彎道階段，則有可能出現(xiàn)如圖2所示起始掃描點(diǎn)在賽道外面的情況，此情況也會(huì)導(dǎo)致左右邊線的采集錯(cuò)誤。

3.2 尋跡的優(yōu)化方法

我們優(yōu)化了第二種方法。我們可以很容易得知，攝像頭采集回的圖像的近端部分（即畫面下端接近智能小車的部分）肯定是準(zhǔn)確無誤，并且畫面顯示中賽道寬度較寬。我們?cè)趫D像近端的第n行數(shù)據(jù)中，找取中心數(shù)據(jù)點(diǎn)LINE/2。在下一行即第n-1行，以第n行的中心點(diǎn)為起始掃描點(diǎn)，往兩側(cè)掃描，找到左右邊線BlackLeft[i]和BlackRight[i]。再由第n-1行的邊線，根據(jù)中心點(diǎn)公式計(jì)算出第n-1行的中心點(diǎn)Line_Center[i]。再由第n-1行的中心點(diǎn)，作為第n-2行的起始掃描點(diǎn)，往兩側(cè)掃描第n-2行的邊線BlackLeft[i-1]和BlackRight[i-1]，計(jì)算出下一行第n-2行的中心點(diǎn)即第n-3行的起始掃描點(diǎn)Line_Center[i-1]。以此類推，每一行的起始掃描點(diǎn)由上一行的中心點(diǎn)來確定。由于上一行的中心點(diǎn)肯定是在賽道內(nèi)部，所以采集出來的左右邊線以及中心線肯定是準(zhǔn)確的。endprint

由于智能小車是在不斷向前移動(dòng)的，因此攝像頭采集的畫面也是沿著道路一直向前延伸。每幅圖像刷新后，起始掃描行也在變化，從而導(dǎo)致起始掃描點(diǎn)Next_Base也隨之變化。與之前每行起始掃描點(diǎn)的搜索方式類似，我們也采用選取前一幅整個(gè)圖像的關(guān)鍵點(diǎn)作為當(dāng)前整個(gè)圖像的起始掃描點(diǎn)。在處理時(shí)，掃描速度相對(duì)于智能小車行駛速度要快得多，即每一幅圖像的差別只有微小的幾行。所以，我們選取前一幅圖像中近端部分的中心點(diǎn)Line_Center[k]作為該幅圖像的起始掃描點(diǎn)Next_Base。為了起始掃描點(diǎn)的誤差，我們可以選取前一幅圖像近端部分的3行的中心點(diǎn)，求得一個(gè)平均值作為起始掃描點(diǎn)Next_Base = （Line_Center[i]+Line_Center[i-1]+Line_Center[i-2]）/3。

3.3 尋跡效果

通過上述方法對(duì)數(shù)據(jù)的采集，一些基本賽道的中心線就能有效地提取出來。如圖3所示，圖中標(biāo)注出了按照上述方法實(shí)現(xiàn)尋跡后，智能小車在賽道上行駛時(shí)中心線的軌跡。智能小車行駛的路線基本上是在賽道中間，沒有出現(xiàn)偏離智能小車偏離賽道的情況發(fā)生。

4 特殊賽道的處理 —— 十字道

十字道的處理一直是賽道識(shí)別的一個(gè)難點(diǎn)。由于十字道沒有左右邊線，若按照一般賽道處理時(shí)的搜索方法，會(huì)將顯示畫面兩側(cè)的邊沿誤識(shí)別為道路邊線，從而導(dǎo)致中心點(diǎn)尋找錯(cuò)誤，即智能小車確定的中心線完全錯(cuò)誤。

4.1 十字道的識(shí)別

首先要判斷智能小車是否進(jìn)入十字道區(qū)域。十字道有兩個(gè)明顯的特征：第一，道路有斷線，導(dǎo)致左右邊線的距離非常遠(yuǎn)即blacklfet[i]與blackright[i]中的白點(diǎn)數(shù)較多；第二，整幅圖像顯示白點(diǎn)數(shù)Sum_Black_Number較少。采集到的圖像數(shù)據(jù)若滿足上述兩個(gè)條件，則智能小車判斷進(jìn)入十字道區(qū)域。

4.2 十字道的尋跡修正方法

如圖4所示的中心線明顯與實(shí)際應(yīng)確定的中心線相比較，存在明顯的錯(cuò)誤。究其原因，是因?yàn)榻徊娌糠致访孀笥疫吘€的提取沒有處理好，導(dǎo)致圖像上半部分的中心線尋找失敗。為了準(zhǔn)確定位十字道部分中心線的位置，我們按照十字道的特點(diǎn)對(duì)左右邊線的提取進(jìn)行修正。為了和普通賽道的邊線區(qū)分開與方便分析，我們將十字道情況時(shí)，智能小車行駛的干道兩側(cè)應(yīng)有邊線所在位置的虛擬線定義為虛擬基準(zhǔn)邊線，將十字路近端邊線的交叉點(diǎn)稱之為拐點(diǎn)，遠(yuǎn)端邊線的交叉點(diǎn)稱之為跳變點(diǎn)。

非十字道的一般賽道邊線是一條連續(xù)的曲線，沒有太大跳變。而十字道賽道的邊線會(huì)有很大的跳變。于是我們需要在虛擬基準(zhǔn)邊線上，由下向上補(bǔ)點(diǎn)，使系統(tǒng)將其識(shí)別為道路兩側(cè)存在的邊線。

4.3 虛擬基準(zhǔn)邊線的確定方法

首先，我們要找到如圖5所示的四個(gè)關(guān)鍵點(diǎn)，即左拐點(diǎn)、右拐點(diǎn)、左跳變點(diǎn)和右跳變點(diǎn)。在下面的分析中，我們以確定左側(cè)基準(zhǔn)虛擬邊線的過程為例。

4.3 十字道的尋跡效果

通過此種方法的處理，由虛擬基準(zhǔn)邊線計(jì)算出的基準(zhǔn)中心線準(zhǔn)確性就有了很大的提高。如圖6所示，圖中標(biāo)注出了按照此方法后，智能小車在賽道上行駛時(shí)車輪和中心線的軌跡，中心線基本是正確的。

5 結(jié)束語

此道路尋跡的設(shè)計(jì)，主要是針對(duì)一般道路的尋跡和十字道的尋跡展開的。對(duì)攝像頭傳回來的圖像進(jìn)行處理，先尋找特殊的點(diǎn)和線，再通過計(jì)算得到道路的中心線位置，使智能車沿中心線行駛。十字道的路面處理時(shí)，我們通過人為設(shè)定道路邊線，再計(jì)算得到中心線，使智能車在十字道也能按照正確的路徑行駛，不出現(xiàn)道路選擇錯(cuò)誤或是偏離賽道的情況。實(shí)驗(yàn)結(jié)果表明，此種方案在實(shí)際執(zhí)行中，能讓智能小車沿賽道平穩(wěn)準(zhǔn)確的行駛，避免了尋跡錯(cuò)誤駛離賽道的情況發(fā)生，達(dá)到了預(yù)期的效果。使用本方案的智能車，在全國大學(xué)生“飛思卡爾杯”智能汽車競賽華南賽區(qū)的比賽中獲賽區(qū)二等獎(jiǎng)。本方案也暴露出了智能車尋跡的局限性，一直沿著道路中心線行駛，在一些彎道處并不是最佳的行駛方案。未來的工作可以以此展開，對(duì)彎道行駛路線的優(yōu)化進(jìn)行更深入的研究。

參考文獻(xiàn)：

[1] 黃嫻， 張曦煌， 陸冬磊. 基于攝像頭的智能車路徑識(shí)別系統(tǒng)的設(shè)計(jì)[J]. 電腦知識(shí)與技術(shù)： 學(xué)術(shù)交流， 2010， 6（10）： 8083-8085.

[2] 雷鈞， 李峰波. 基于攝像頭的自動(dòng)尋跡智能車控制系統(tǒng)設(shè)計(jì)[J]. 蘇州大學(xué)學(xué)報(bào)： 工科版， 2010 （2）.

[3] 林浩岳， 董曉慶， 傅胤榮， 等. 基于CMOS攝像頭識(shí)別路徑的智能車控制系統(tǒng)設(shè)計(jì)[J]. 韓山師范學(xué)院學(xué)報(bào)， 2009， 30（6）.

[4] 尹潔， 徐耀良， 盛海明， 等. 基于飛思卡爾的自主尋跡智能車的設(shè)計(jì)[J]. 機(jī)電一體化， 2009， 14（12）： 73-74.

[5] 孫書誠， 郎朗， 王虎. 基于路徑識(shí)別的尋跡智能車設(shè)計(jì)與實(shí)現(xiàn)[J]. 安徽工程大學(xué)學(xué)報(bào)， 2012， 27（1）： 60-63.

[6] 陳孟元， 孫書誠， 王虎. 基于圖像識(shí)別的尋跡智能車設(shè)計(jì)[J]. 重慶理工大學(xué)學(xué)報(bào)： 自然科學(xué)， 2013 （3）： 80-84.

[7] 祝勝光. 智能尋跡小車設(shè)計(jì)與研究[J]. 科技風(fēng)， 2012 （14）.

[8] 謝敏. 基于 MC9S12XS128 智能小車控制系統(tǒng)的研究與應(yīng)用[D]. 南昌：南昌航空大學(xué)， 2012.

[9] 胡房武. 基于圖像采集的智能車系統(tǒng)設(shè)計(jì)[D]. 大連：大連海事大學(xué)， 2011.endprint

由于智能小車是在不斷向前移動(dòng)的，因此攝像頭采集的畫面也是沿著道路一直向前延伸。每幅圖像刷新后，起始掃描行也在變化，從而導(dǎo)致起始掃描點(diǎn)Next_Base也隨之變化。與之前每行起始掃描點(diǎn)的搜索方式類似，我們也采用選取前一幅整個(gè)圖像的關(guān)鍵點(diǎn)作為當(dāng)前整個(gè)圖像的起始掃描點(diǎn)。在處理時(shí)，掃描速度相對(duì)于智能小車行駛速度要快得多，即每一幅圖像的差別只有微小的幾行。所以，我們選取前一幅圖像中近端部分的中心點(diǎn)Line_Center[k]作為該幅圖像的起始掃描點(diǎn)Next_Base。為了起始掃描點(diǎn)的誤差，我們可以選取前一幅圖像近端部分的3行的中心點(diǎn)，求得一個(gè)平均值作為起始掃描點(diǎn)Next_Base = （Line_Center[i]+Line_Center[i-1]+Line_Center[i-2]）/3。

3.3 尋跡效果

通過上述方法對(duì)數(shù)據(jù)的采集，一些基本賽道的中心線就能有效地提取出來。如圖3所示，圖中標(biāo)注出了按照上述方法實(shí)現(xiàn)尋跡后，智能小車在賽道上行駛時(shí)中心線的軌跡。智能小車行駛的路線基本上是在賽道中間，沒有出現(xiàn)偏離智能小車偏離賽道的情況發(fā)生。

4 特殊賽道的處理 —— 十字道

十字道的處理一直是賽道識(shí)別的一個(gè)難點(diǎn)。由于十字道沒有左右邊線，若按照一般賽道處理時(shí)的搜索方法，會(huì)將顯示畫面兩側(cè)的邊沿誤識(shí)別為道路邊線，從而導(dǎo)致中心點(diǎn)尋找錯(cuò)誤，即智能小車確定的中心線完全錯(cuò)誤。

4.1 十字道的識(shí)別

首先要判斷智能小車是否進(jìn)入十字道區(qū)域。十字道有兩個(gè)明顯的特征：第一，道路有斷線，導(dǎo)致左右邊線的距離非常遠(yuǎn)即blacklfet[i]與blackright[i]中的白點(diǎn)數(shù)較多；第二，整幅圖像顯示白點(diǎn)數(shù)Sum_Black_Number較少。采集到的圖像數(shù)據(jù)若滿足上述兩個(gè)條件，則智能小車判斷進(jìn)入十字道區(qū)域。

4.2 十字道的尋跡修正方法

如圖4所示的中心線明顯與實(shí)際應(yīng)確定的中心線相比較，存在明顯的錯(cuò)誤。究其原因，是因?yàn)榻徊娌糠致访孀笥疫吘€的提取沒有處理好，導(dǎo)致圖像上半部分的中心線尋找失敗。為了準(zhǔn)確定位十字道部分中心線的位置，我們按照十字道的特點(diǎn)對(duì)左右邊線的提取進(jìn)行修正。為了和普通賽道的邊線區(qū)分開與方便分析，我們將十字道情況時(shí)，智能小車行駛的干道兩側(cè)應(yīng)有邊線所在位置的虛擬線定義為虛擬基準(zhǔn)邊線，將十字路近端邊線的交叉點(diǎn)稱之為拐點(diǎn)，遠(yuǎn)端邊線的交叉點(diǎn)稱之為跳變點(diǎn)。

非十字道的一般賽道邊線是一條連續(xù)的曲線，沒有太大跳變。而十字道賽道的邊線會(huì)有很大的跳變。于是我們需要在虛擬基準(zhǔn)邊線上，由下向上補(bǔ)點(diǎn)，使系統(tǒng)將其識(shí)別為道路兩側(cè)存在的邊線。

4.3 虛擬基準(zhǔn)邊線的確定方法

首先，我們要找到如圖5所示的四個(gè)關(guān)鍵點(diǎn)，即左拐點(diǎn)、右拐點(diǎn)、左跳變點(diǎn)和右跳變點(diǎn)。在下面的分析中，我們以確定左側(cè)基準(zhǔn)虛擬邊線的過程為例。

4.3 十字道的尋跡效果

通過此種方法的處理，由虛擬基準(zhǔn)邊線計(jì)算出的基準(zhǔn)中心線準(zhǔn)確性就有了很大的提高。如圖6所示，圖中標(biāo)注出了按照此方法后，智能小車在賽道上行駛時(shí)車輪和中心線的軌跡，中心線基本是正確的。

5 結(jié)束語

此道路尋跡的設(shè)計(jì)，主要是針對(duì)一般道路的尋跡和十字道的尋跡展開的。對(duì)攝像頭傳回來的圖像進(jìn)行處理，先尋找特殊的點(diǎn)和線，再通過計(jì)算得到道路的中心線位置，使智能車沿中心線行駛。十字道的路面處理時(shí)，我們通過人為設(shè)定道路邊線，再計(jì)算得到中心線，使智能車在十字道也能按照正確的路徑行駛，不出現(xiàn)道路選擇錯(cuò)誤或是偏離賽道的情況。實(shí)驗(yàn)結(jié)果表明，此種方案在實(shí)際執(zhí)行中，能讓智能小車沿賽道平穩(wěn)準(zhǔn)確的行駛，避免了尋跡錯(cuò)誤駛離賽道的情況發(fā)生，達(dá)到了預(yù)期的效果。使用本方案的智能車，在全國大學(xué)生“飛思卡爾杯”智能汽車競賽華南賽區(qū)的比賽中獲賽區(qū)二等獎(jiǎng)。本方案也暴露出了智能車尋跡的局限性，一直沿著道路中心線行駛，在一些彎道處并不是最佳的行駛方案。未來的工作可以以此展開，對(duì)彎道行駛路線的優(yōu)化進(jìn)行更深入的研究。

參考文獻(xiàn)：

[1] 黃嫻， 張曦煌， 陸冬磊. 基于攝像頭的智能車路徑識(shí)別系統(tǒng)的設(shè)計(jì)[J]. 電腦知識(shí)與技術(shù)： 學(xué)術(shù)交流， 2010， 6（10）： 8083-8085.

[2] 雷鈞， 李峰波. 基于攝像頭的自動(dòng)尋跡智能車控制系統(tǒng)設(shè)計(jì)[J]. 蘇州大學(xué)學(xué)報(bào)： 工科版， 2010 （2）.

[3] 林浩岳， 董曉慶， 傅胤榮， 等. 基于CMOS攝像頭識(shí)別路徑的智能車控制系統(tǒng)設(shè)計(jì)[J]. 韓山師范學(xué)院學(xué)報(bào)， 2009， 30（6）.

[4] 尹潔， 徐耀良， 盛海明， 等. 基于飛思卡爾的自主尋跡智能車的設(shè)計(jì)[J]. 機(jī)電一體化， 2009， 14（12）： 73-74.

[5] 孫書誠， 郎朗， 王虎. 基于路徑識(shí)別的尋跡智能車設(shè)計(jì)與實(shí)現(xiàn)[J]. 安徽工程大學(xué)學(xué)報(bào)， 2012， 27（1）： 60-63.

[6] 陳孟元， 孫書誠， 王虎. 基于圖像識(shí)別的尋跡智能車設(shè)計(jì)[J]. 重慶理工大學(xué)學(xué)報(bào)： 自然科學(xué)， 2013 （3）： 80-84.

[7] 祝勝光. 智能尋跡小車設(shè)計(jì)與研究[J]. 科技風(fēng)， 2012 （14）.

[8] 謝敏. 基于 MC9S12XS128 智能小車控制系統(tǒng)的研究與應(yīng)用[D]. 南昌：南昌航空大學(xué)， 2012.

[9] 胡房武. 基于圖像采集的智能車系統(tǒng)設(shè)計(jì)[D]. 大連：大連海事大學(xué)， 2011.endprint

由于智能小車是在不斷向前移動(dòng)的，因此攝像頭采集的畫面也是沿著道路一直向前延伸。每幅圖像刷新后，起始掃描行也在變化，從而導(dǎo)致起始掃描點(diǎn)Next_Base也隨之變化。與之前每行起始掃描點(diǎn)的搜索方式類似，我們也采用選取前一幅整個(gè)圖像的關(guān)鍵點(diǎn)作為當(dāng)前整個(gè)圖像的起始掃描點(diǎn)。在處理時(shí)，掃描速度相對(duì)于智能小車行駛速度要快得多，即每一幅圖像的差別只有微小的幾行。所以，我們選取前一幅圖像中近端部分的中心點(diǎn)Line_Center[k]作為該幅圖像的起始掃描點(diǎn)Next_Base。為了起始掃描點(diǎn)的誤差，我們可以選取前一幅圖像近端部分的3行的中心點(diǎn)，求得一個(gè)平均值作為起始掃描點(diǎn)Next_Base = （Line_Center[i]+Line_Center[i-1]+Line_Center[i-2]）/3。

3.3 尋跡效果

通過上述方法對(duì)數(shù)據(jù)的采集，一些基本賽道的中心線就能有效地提取出來。如圖3所示，圖中標(biāo)注出了按照上述方法實(shí)現(xiàn)尋跡后，智能小車在賽道上行駛時(shí)中心線的軌跡。智能小車行駛的路線基本上是在賽道中間，沒有出現(xiàn)偏離智能小車偏離賽道的情況發(fā)生。

4 特殊賽道的處理 —— 十字道

十字道的處理一直是賽道識(shí)別的一個(gè)難點(diǎn)。由于十字道沒有左右邊線，若按照一般賽道處理時(shí)的搜索方法，會(huì)將顯示畫面兩側(cè)的邊沿誤識(shí)別為道路邊線，從而導(dǎo)致中心點(diǎn)尋找錯(cuò)誤，即智能小車確定的中心線完全錯(cuò)誤。

4.1 十字道的識(shí)別

首先要判斷智能小車是否進(jìn)入十字道區(qū)域。十字道有兩個(gè)明顯的特征：第一，道路有斷線，導(dǎo)致左右邊線的距離非常遠(yuǎn)即blacklfet[i]與blackright[i]中的白點(diǎn)數(shù)較多；第二，整幅圖像顯示白點(diǎn)數(shù)Sum_Black_Number較少。采集到的圖像數(shù)據(jù)若滿足上述兩個(gè)條件，則智能小車判斷進(jìn)入十字道區(qū)域。

4.2 十字道的尋跡修正方法

如圖4所示的中心線明顯與實(shí)際應(yīng)確定的中心線相比較，存在明顯的錯(cuò)誤。究其原因，是因?yàn)榻徊娌糠致访孀笥疫吘€的提取沒有處理好，導(dǎo)致圖像上半部分的中心線尋找失敗。為了準(zhǔn)確定位十字道部分中心線的位置，我們按照十字道的特點(diǎn)對(duì)左右邊線的提取進(jìn)行修正。為了和普通賽道的邊線區(qū)分開與方便分析，我們將十字道情況時(shí)，智能小車行駛的干道兩側(cè)應(yīng)有邊線所在位置的虛擬線定義為虛擬基準(zhǔn)邊線，將十字路近端邊線的交叉點(diǎn)稱之為拐點(diǎn)，遠(yuǎn)端邊線的交叉點(diǎn)稱之為跳變點(diǎn)。

非十字道的一般賽道邊線是一條連續(xù)的曲線，沒有太大跳變。而十字道賽道的邊線會(huì)有很大的跳變。于是我們需要在虛擬基準(zhǔn)邊線上，由下向上補(bǔ)點(diǎn)，使系統(tǒng)將其識(shí)別為道路兩側(cè)存在的邊線。

4.3 虛擬基準(zhǔn)邊線的確定方法

首先，我們要找到如圖5所示的四個(gè)關(guān)鍵點(diǎn)，即左拐點(diǎn)、右拐點(diǎn)、左跳變點(diǎn)和右跳變點(diǎn)。在下面的分析中，我們以確定左側(cè)基準(zhǔn)虛擬邊線的過程為例。

4.3 十字道的尋跡效果

通過此種方法的處理，由虛擬基準(zhǔn)邊線計(jì)算出的基準(zhǔn)中心線準(zhǔn)確性就有了很大的提高。如圖6所示，圖中標(biāo)注出了按照此方法后，智能小車在賽道上行駛時(shí)車輪和中心線的軌跡，中心線基本是正確的。

5 結(jié)束語

此道路尋跡的設(shè)計(jì)，主要是針對(duì)一般道路的尋跡和十字道的尋跡展開的。對(duì)攝像頭傳回來的圖像進(jìn)行處理，先尋找特殊的點(diǎn)和線，再通過計(jì)算得到道路的中心線位置，使智能車沿中心線行駛。十字道的路面處理時(shí)，我們通過人為設(shè)定道路邊線，再計(jì)算得到中心線，使智能車在十字道也能按照正確的路徑行駛，不出現(xiàn)道路選擇錯(cuò)誤或是偏離賽道的情況。實(shí)驗(yàn)結(jié)果表明，此種方案在實(shí)際執(zhí)行中，能讓智能小車沿賽道平穩(wěn)準(zhǔn)確的行駛，避免了尋跡錯(cuò)誤駛離賽道的情況發(fā)生，達(dá)到了預(yù)期的效果。使用本方案的智能車，在全國大學(xué)生“飛思卡爾杯”智能汽車競賽華南賽區(qū)的比賽中獲賽區(qū)二等獎(jiǎng)。本方案也暴露出了智能車尋跡的局限性，一直沿著道路中心線行駛，在一些彎道處并不是最佳的行駛方案。未來的工作可以以此展開，對(duì)彎道行駛路線的優(yōu)化進(jìn)行更深入的研究。

參考文獻(xiàn)：

[1] 黃嫻， 張曦煌， 陸冬磊. 基于攝像頭的智能車路徑識(shí)別系統(tǒng)的設(shè)計(jì)[J]. 電腦知識(shí)與技術(shù)： 學(xué)術(shù)交流， 2010， 6（10）： 8083-8085.

[2] 雷鈞， 李峰波. 基于攝像頭的自動(dòng)尋跡智能車控制系統(tǒng)設(shè)計(jì)[J]. 蘇州大學(xué)學(xué)報(bào)： 工科版， 2010 （2）.

[3] 林浩岳， 董曉慶， 傅胤榮， 等. 基于CMOS攝像頭識(shí)別路徑的智能車控制系統(tǒng)設(shè)計(jì)[J]. 韓山師范學(xué)院學(xué)報(bào)， 2009， 30（6）.

[4] 尹潔， 徐耀良， 盛海明， 等. 基于飛思卡爾的自主尋跡智能車的設(shè)計(jì)[J]. 機(jī)電一體化， 2009， 14（12）： 73-74.

[5] 孫書誠， 郎朗， 王虎. 基于路徑識(shí)別的尋跡智能車設(shè)計(jì)與實(shí)現(xiàn)[J]. 安徽工程大學(xué)學(xué)報(bào)， 2012， 27（1）： 60-63.

[6] 陳孟元， 孫書誠， 王虎. 基于圖像識(shí)別的尋跡智能車設(shè)計(jì)[J]. 重慶理工大學(xué)學(xué)報(bào)： 自然科學(xué)， 2013 （3）： 80-84.

[7] 祝勝光. 智能尋跡小車設(shè)計(jì)與研究[J]. 科技風(fēng)， 2012 （14）.

[8] 謝敏. 基于 MC9S12XS128 智能小車控制系統(tǒng)的研究與應(yīng)用[D]. 南昌：南昌航空大學(xué)， 2012.

[9] 胡房武. 基于圖像采集的智能車系統(tǒng)設(shè)計(jì)[D]. 大連：大連海事大學(xué)， 2011.endprint