阮航，尚斐亞，張雯木，沈世斌

（南京師范大學 電氣與自動化工程學院，江蘇南京，210046）

0 引言

機器視覺是用機器代替人眼，通過CMOS/CCD 將被攝取目標轉換成圖像信號，傳送給專用的圖像處理系統(tǒng)進行測量和判斷。它涵蓋了光學、信號檢測與處理、模式識別、軟件設計等學科，有著諸多方面的應用[1]。圖像識別的基本過程是通過傳感器將圖像信號轉化為電信息，再進行圖像的二值化、畸變矯正、透視變換、濾波等預處理后，進行特征的抽取和選擇，作為決策依據(jù)[2]。由于機器視覺系統(tǒng)可以快速獲取直觀、全面的信息，而且易于自動處理，也易于同設計信息以及加工控制信息集成，因此，人們將機器視覺系統(tǒng)廣泛地用于工業(yè)生產(chǎn)、農(nóng)業(yè)、軍事等領域[3]。

本課題以英飛凌公司的32 位三核單片機TC377 為主控制器，總鉆風攝像頭為核心傳感器，如何處理攝像頭采集的灰度圖像信號，通過在處理器中經(jīng)過算法決策可以得出轉向的依據(jù)并使車模穩(wěn)定循跡。

1 圖像處理系統(tǒng)的實現(xiàn)方式

圖像處理系統(tǒng)是本課題的主要內(nèi)容，圖像處理始于圖像采集，原始圖像要進行桶形畸變矯正處理、OSTU 二值化處理、四鄰域BFS（廣度優(yōu)先搜索），以上針對整幅圖像的預處理結束后，開始進行針對左右邊線的搜線處理以及邊線的特征分析、補線、中線計算。

1.1 原始圖像采集

攝像頭在準備傳輸圖像之前將提前產(chǎn)生一個場中斷信號且設置為高電平有效，同時，圖像準備開始輸出。接著攝像頭會輸出第一行的行中斷信號，并在其為高電平且相機時鐘信號為上升沿時采集像素點灰度信息。重復此步驟，直至一幀圖像采集完成。

1.2 桶形畸變矯正

智能車賽題通常會對攝像頭進行限高，因此，為了在直道、急彎中鏡頭都能穩(wěn)定看到賽道的左、右邊線，本課題選用140°廣角攝像頭。廣角攝像頭在提供寬闊視角的同時，也帶來了桶形畸變（Barrel distortion）。它表現(xiàn)為圖像中的直線在圖像四角處彎曲向外，形成了一個像圓桶正視圖般的形狀，因此得名桶形畸變。140°廣角鏡頭存在5%的桶形畸變，主要體現(xiàn)在圖像的四角處，這也使得車模近點的賽道在圖像的左下、右下角變形嚴重，畸變帶來的彎折會混淆元素中的角點，故需要進行桶形畸變矯正。

本課題使用張氏標定法配合MATLAB，打印一張棋盤格，再用主板、攝像頭采集不同角度、不同位置棋盤格的無損圖像通過串口發(fā)送給電腦的上位機，導入MATLAB 的單目相機標定應用進行桶形畸變矯正，并查看效果。本課題在標定中獲得并需要用到的參數(shù)有X 軸方向的焦距（FX）、Y 軸方向的焦距（FY）、X 軸方向的主點坐標（CX）、Y 軸方向的主點坐標（CY）、第一徑向畸變系數(shù)（D1）、第二徑向畸變系數(shù)（D2）[4]。

表1 相機內(nèi)參

由于桶形畸變只涉及徑向畸變，因此不需要切向畸變參數(shù)。得到相機內(nèi)參后，聲明一個與原始圖像（RAW）二維數(shù)組大小相同的矯正后圖像數(shù)組（UNDISTORTED）。從無畸變圖像的第一個點開始，先利用FX、FY、CX、CY 將無畸變的像素坐標歸一化到[-1,1]的范圍內(nèi)。

利用歸一化后的無畸變像素點坐標計算徑向畸變的平方和系數(shù)，并利用徑向畸變系數(shù)計算該點對應的歸一化后的原始圖像像素點坐標，再將得到的歸一化原始圖像坐標去歸一化。最后將得到的原始圖像點對應的灰度值賦給無畸變圖像，無畸變圖像上188×120 個像素點，每一個都能計算出與之坐標對應的原始圖像像素點，將原始圖像上的灰度值填入無畸變圖像即可完成矯正。

矯正效果如圖5 所示，圖像四個角處的畸變得到了明顯的改善，原本邊緣彎曲的邊框變成了該有的豎線。

1.3 大津法二值化

常見的軟件二值化算法有：固定閾值法、自適應閾值法、基于直方圖的閾值法等。本課題選用的方法是一種常用的基于直方圖的閾值法，名為大津法（Ostu）。它通過計算[0,255]范圍內(nèi)每一個灰度值在本幅圖片中的類間方差，并找到最大類間方差對應的灰度值，作為二值化閾值，因此大津法也稱最大類間方差法。其優(yōu)勢在于，大津法可以根據(jù)不同的輸入圖像自適應的選擇閾值，在光線不均勻的場地具有較好的適應性。此外大津法的實現(xiàn)相對簡單，只需要計算圖像的直方圖和類間方差，計算復雜度不高，本課題的算力資源可以滿足要求。此外，在有陽光等雙峰直方圖的圖像中，大津法的表現(xiàn)較好，可以自動找出最佳的閾值，有效勾勒圖像的信息[5]。

大津法的詳細步驟如下：

（1）假設初始有個閾值T0，將圖像分為前景F 和背景B 兩個部分。

（2）假設像素的總個數(shù)為N，前景像素個數(shù)為Nf，背景像素個數(shù)為Nb。

（3）假設圖像的總灰度級為L-1，每個灰度級的像素個數(shù)為Ni。

計算出各灰度值類間方差后，選出最大類間方差對應的灰度值作為二值化的閾值，完成二值化。

大津法二值化效果如圖6 所示，賽道和背景被清晰的區(qū)分開來。

1.4 四領域廣度優(yōu)先搜索（BFS）

得到二值化圖像后，需要將賽道部分和圖像中諸如反光、淺色雜物、相鄰賽道之類的噪點排除，并將賽道部分的邊界甄別出來。因此，需要對賽道主體部分進行連通域分析。

常用的連通域分析法有twopass 連通域分析法和四聯(lián)通BFS 法。twopass 連通域分析算法的基本思路是，通過兩次掃描二值化后的圖像，來完成連通域的識別和分析。該方法避免了多次迭代和重復操作，運行時間穩(wěn)定，且適用性廣，但實現(xiàn)起來稍復雜，需要額外的存儲空間。四聯(lián)通BFS法簡單易實現(xiàn)，時間和空間復雜度低，運行時間與圖像的像素點數(shù)量成正比，當白點數(shù)量多時運行時間長，白點少時耗時少?？紤]到單片機的算力資源，以及四聯(lián)通算法在圖像減小或壓縮后的運行時間也會相應地減少，本課題采用四聯(lián)通BFS 法來完成連通域分析[6]。

圖像從高到低行數(shù)（ROW）遞增，從左到右列數(shù)（COL）遞增。當車在賽道上時，圖像最下方中間的點必然是反應賽道的白點，從這個點開始，分析他的四領域，四領域中的白點按圖示順序入隊，本點標記為賽道專用的灰度值，再按隊列順序分析下一個點。若某點周圍出現(xiàn)黑點，則說明到達賽道邊界，將其標記為賽道邊界專用的灰度值。當圖像中賽道的部分被分析完畢后，我們就可以得到一個只含賽道部分且邊界清晰的圖像。

四聯(lián)通BFS 法的效果如圖9 所示，賽道的邊界被勾勒出來，排除了其他噪點。

2 搜線處理系統(tǒng)

圖像預處理結束后，接下來對圖像中賽道的輪廓進行操作，需要操作的數(shù)據(jù)量從整幅圖像的像素點減少為了兩邊邊線的像素點。首先，從圖像的底端，向左右兩邊尋找邊線的第一個點，稱為種子。找到種子后，左右邊線分別按照圖10 中順序，一一判斷該點八鄰域內(nèi)的八個點是否是邊線上的點。找到邊線上的并存入邊線結構體中的線段數(shù)組中，并記錄此點對應的八鄰域方向，即生長方向，記錄完畢后將該點的灰度值修改，防止此點在下一個點的八鄰域內(nèi)，影響接下來的生長。如此循環(huán)往復，左右邊線從種子生長為完整的邊線[7]。再將邊線中向圖像上方生長的部分制作成一維邊線數(shù)組，結合左右邊線制作中線數(shù)組。制作的理想中線效果如圖11 所示。

圖1 圖像預處理流程

圖2 攝像頭采集流程

圖3 桶形畸變

圖4 畸變程序部分代碼

圖5 桶形畸變效果圖

圖6 賽道二值化效果圖

圖7 圖像坐標系與四鄰域順序

圖8 BFS 隊列圖解

圖9 四鄰域BFS 效果圖

圖10 種子生長八鄰域順序

圖11 理想中線效果圖

3 結論

視覺循跡智能車是智能車中上限最高、算法最復雜的賽道，相比電磁、GPS 傳感器，視覺傳感器帶來的信息更為豐富，可以在有限的車身規(guī)模中檢測到遠方賽道的信息。想要利用這種信息必須有適合在單片機上運行的處理大量圖像數(shù)據(jù)的算法，既要考慮時間、空間復雜度，又要考慮面對不同道型、不同光照條件、不同車姿時軟件系統(tǒng)的魯棒性。未來需要繼續(xù)對算法進行優(yōu)化，提高時效性。

本文主要完成了圖像的預處理算法，設計并優(yōu)化了畸變矯正、二值化、四鄰域算法。在搜線系統(tǒng)中，完成了對普通賽道的左右邊線的分析，制作出理想的行駛中線，讓車?？梢云椒€(wěn)地通過特殊道型。