劉蘭蘭+羅念+張遠念

摘要：為了實現(xiàn)智能車路徑自主識別，設計一種路徑識別系統(tǒng)，對智能車道路信息提取及處理算法和控制決策算法進行了研究。本研究以MK60DN512ZLVQ100（K60）作為核心控制器，系統(tǒng)中硬件設計通過CMOS動態(tài)集成模擬攝像頭OV7620作為圖像傳感器對賽道進行檢測并拍攝賽道圖像，輸出圖像到K60微處理器進行處理，利用自適應動態(tài)閾值圖像處理算法對采集的信息進行還原、濾波，計算出最佳路徑。

關鍵詞：飛思卡爾；OV7620；動態(tài)閾值；控制算法

1、引言

智能車集中運用了自動控制、多傳感器信息融合、導航技術、無線通信技術以及人工智能算法等高新技術[1]。在傳統(tǒng)智能車比賽中經常應用CCD傳感器作為圖像數(shù)據(jù)的路徑識別模塊，但CCD傳感器的前瞻較小且延伸調節(jié)不方便，其能獲取到的有效數(shù)據(jù)局限于有限的幾點，因此在多變的賽道環(huán)境中的適應性較差。而CMOS OV7620動態(tài)集成模擬攝像頭[2]的前瞻較遠且可調節(jié)性較強，能及早捕捉和提取循跡軌道信息以便做出加速、減速等處理。圖像數(shù)據(jù)二值化處理的好壞決定著路徑識別模塊處理的穩(wěn)定性能和處理結果正確性。以嵌入式單片機K60為核心控制器，利用其強大的數(shù)據(jù)處理能力和豐富的外設接口設計，來實現(xiàn)攝像頭圖像數(shù)據(jù)處理。

2、系統(tǒng)硬件設計

2.1核心控制器模塊

本系統(tǒng)采用Freescale32位K60系統(tǒng)微控制器作為系統(tǒng)核心控制處理器，根據(jù)其技術手冊，K60微控制器具有豐富的模擬、通信、定時和控制外設，內含256KB Flash。另外，其特有的DSP指令和單精度浮點運算具備直接訪問（DMA）控制器與復用器功能，最高時頻可達180MHz。

2.2圖像采集模塊

本系統(tǒng)采用OV7620圖像傳感器，OV7620內置10位雙通道A/D轉換器，輸出8位圖像數(shù)據(jù)，因此直接將攝像頭的圖像灰度信息輸出連接至K60的GPIO端口，K60微控制器使用3.3V電壓作為工作電壓，而OV7620端口輸出電壓為5V，為了防止單片機長時間過壓，需要將OV7620的輸出信號在不改變其包含信息前提下做相應的轉換，從而實現(xiàn)系統(tǒng)的穩(wěn)定運行。

3、系統(tǒng)軟件設計

高效的軟件程序是小車高速、平穩(wěn)自動循跡的基礎，系統(tǒng)軟件采用C語言編程[3]，主要由初始化、圖像采集與處理兩個模塊組成，軟件流程如圖1所示。其中圖像采集與處理模塊[4]是軟件核心部分，包括動態(tài)閾值二值化、引導線提取等。主控模塊通過循環(huán)調用圖像采集與處理對采集到的圖像進行處理。

3.1攝像頭視頻信息采集

K60首先捕捉OV7620VSYN中斷，進入場中斷，然后捕捉HERF，進入行中斷，讀取GPIO端口圖像灰度數(shù)據(jù)存入圖像數(shù)據(jù)數(shù)組。

攝像頭采用俯視角度采集路徑信息，由于其視野角度比較小，因此所拍攝的畫面會呈倒梯形，如圖2所示。

3.2路徑圖像信息提取

1.圖像分割

圖像分割算法大概可以分為邊緣檢測分割和閾值分割兩類。

圖像邊緣是指圖像中周圍像素灰度有階躍變化或屋頂變化的像素點，而邊緣檢測的主要依據(jù)是圖像一階導數(shù)和二階導數(shù)，但是進行圖像邊緣檢測的前提是首先要對圖像進行濾波，過程復雜，大量浪費單片機的CPU。

閾值分割是基于區(qū)域的圖像分割方法，適用于物體與背景區(qū)域具有強烈對比的圖像，而且計算簡單。閾值分割算法的關鍵在于閾值的確定，由于智能車輛識別路徑過程中，受時間和空間變化影響較大，必須采用動態(tài)閾值分割算法。

2.動態(tài)閾值算法

動態(tài)閾值分割算法主要有實驗法、灰度直方圖法、迭代選擇閾值法、最小均方誤差發(fā)、最大類間方差法等。

由于本系統(tǒng)測試試驗中的路徑信息只有黑白信息，比較單一，在采用根據(jù)直方圖谷底確定閾值的測試中，受外界光線影響，有嚴重的噪聲，因此采用一種動態(tài)閾值檢測方法，設計步驟如下：

（1）讀取當前圖像的灰度值，并存入數(shù)組Buffer[row][column]；

（2）遍歷數(shù)組中所有的數(shù)值，采用最優(yōu)二叉尋找樹方法尋找數(shù)組中的最大和最小灰度值，并確定閾值初值；

（3）根據(jù)閾值將圖像分割成前景和背景兩部分，求出兩部分的平均灰度值；

（4）求出新閾值；

（5）將新閾值保存進行其他操作，返回第（1）步。

3.黑線提取算法

（1）用檢測跳變的方法提取出前十行中每行的兩個跳變點；

（2）然后多次求平均值就可以得到前十行的黑線位置；

（3）之后每十行進行同樣操作即可提取全部黑線。

4、結果分析

在線測試的結果表明了自適應動態(tài)閾值圖像處理算法在智能車路徑識別中具有明顯的優(yōu)勢，通過該算法對圖像進行有效的處理，可以增加智能車對路徑的跟隨性能。

5、總結

本設計結合全國大學生“飛思卡爾”杯智能汽車競賽，采用OV7620攝像頭采集道路信息，通過對采集圖像運用自適應動態(tài)閾值圖像處理算法對圖像進行有效的處理，可以增加智能車對路徑的跟隨性能。實驗測試結果表明，本文給出的方法對智能車道路信息的采集具有明顯優(yōu)勢，且系統(tǒng)運行穩(wěn)定。

[參考文獻]

[1]程亞龍，周怡君.基于CMOS傳感器的智能車路徑識別研究[J].機械制造與自動化，2007（5）.

[2]王超藝，王宜懷.基于紅外傳感器的自循跡小車控制系統(tǒng)的設計[J].電子工程師，2008，34（11）.

[3]郭天祥.新概念51單片機C語言教程：入門、提高、開發(fā)、拓展全攻略[M].北京：電子工業(yè)出版社，2012.

[4]王琴慧.數(shù)字圖像處理[M].北京：北京郵電大學出版社，2006.

（作者單位：湖北民族學院 信息工程學院，湖北 恩施 445000）endprint