线性CCD图像处理与识别算法研究

摘 要：介绍了基于线性CCD传感器的智能小车整体框架、图像采集和处理以及路径识别控制算法。智能小车控制系统中选择线性CCD传感器进行路径识别，对采集的像素点进行中值滤波、二值化等处理，提取赛道两边的黑色边缘，取其中心位置作为小车的引导方向，控制舵机的转向，使得小车能够稳定、可靠地高速行驶。

0 引言

在全国大学生“飞思卡尔”杯智能汽车竞赛光电组的技术要点中，线性CCD图像处理和路径识别这两个环节尤其重要，其决定着小车能否安全可靠快速运行[1]。根据比赛规则和以往的比赛经验，小车能否以最短的时间完成比赛，确保不冲出赛道，都与小车的速度和路径识别有着密切的关系。因此，路径的识别和处理是整个比赛的关键，它能够有效地控制智能小车在不同的路段该如何选择合理、高效的速度完整地去完成比赛，从而可以提高整场比赛中的平均速度。

基于线性CCD传感器的智能小车控制系统结构如图1所示。该系统中执行机构是舵机和电机，感应机构是线性CCD传感器。路径识别是实现智能小车沿赛道自主运行的信息基础，获得范围广而精确的路径信息是提高智能小车运行速度的关键[2]。

1 图像采集

一般的图像CCD传感器有模拟的和数字的，线性CCD传感器（TSL1401CL）输出的信号是模拟的。图像CCD传感器要处理的数据量比较大，使用硬件二值化比较好[3]。但对于线性CCD传感器来说，数据量的处理没有图像CCD传感器大，硬件二值化的优势并不明显，所以直接采集模拟信号。采用固定曝光时间，整个函数运行一遍的周期是10 ms，响应时间充足，图像稳定。

在实际应用中采用拉普兰德的开源程序代码，再根据单片机的特性进行修改，缩短采集时间，提高响应速度，使采集的图像稳定下来是最重要的。

2 图像处理

线性CCD有中值滤波法、二值化处理法、边缘增强法等图像处理方法。由于边缘增强法的目的在于突出赛道的边缘信息，增强路径的识别，经边缘增强后的图像能更清晰地显示出路径的边界[4]。但是经过实践，对于飞思卡尔智能车竞赛黑白明显的赛道而言，边缘增强法的效果并不十分明显，所以舍弃了该方法。

2.1 中值滤波法

采集回来的数据可能上下波动，不够稳定，这时就需要调用中值滤波函数。中值滤波是一种非线性数字滤波器技术，用于去除图像中的噪声。其设计思想就是检查采集像素点的值，并判断它是否代表了信号。从第一个像素点开始，将其数值和相邻的两个像素点的数值进行排序，3个像素点中数值为中值的像素点作为代表信号并输出。然后，丢弃最早的值，取得新的采样，重复上面的计算过程到127个点为止[5]。

中值滤波程序如下：

short get_mid（short a，short b，short c）

//get_mid取中间值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；//经过以上比较赋值，将中间值赋给b，

返回给中间像素点gPixel[i]

}

for（i=1；i<128；i++）//对128个点进行平滑处理输出

{

gPixel[i]=get_mid（gPixel[i-1]，gPixel[i]，gPixel[i+1]）；

//gPixel[i]代表采集回来的像数点数值

}

2.2 二值化处理

图像的二值化处理就是将图像上点的灰度值置为0或255（在程序设计中置为0和1）的灰度值[6]。二值化的目的就是将所有灰度大于或等于阈值的像素判定为白色，否则像素点为黑色，这样明确地分出黑白两种颜色，小车就能准确地转弯。阈值的选取有很多种方法，常用的有动态阈值和试验确定法[7]。对图像进行二值化分割，选取恰当的阈值成了准确划分的关键。事实验证，静态阈值已经不能满足整幅赛道，所以采用动态阈值算法[8]。由于四轮智能小车存在转弯不灵活的特点，在赛道上跑时很容易丢线，所用的动态阈值要在丢线时调用上一个阈值（T_old）（T_old是上一次计算正确的阈值保留下来赋予的值T_last）。

软件二值化的动态阈值算法如下：

（1）找出一组数据128个像素点的最大值（max）和最小值min。

（2）判断最大值（max）和最小值（min）的偏差是否大于全黑时的偏差（all_black_Difference_value），若大于全黑时的偏差，就继续下面步骤，否则不计算下一步骤，用上一次的阈值。全黑时的偏差指的是全黑（丢线）情况下的最大值与最小值的偏差（是给定的一个值），由经验得知丢线情况下的阈值是不正确的，要用上一次的阈值T_old。

（3）为全局阈值T选择一个初始估计值：。

（4）二值化处理图像，并产生两组数组：sum_h为灰度值大于T的所有像素组成，sum_l由所有小于等于T的像素组成。

（5）对sum_h和sum_l的像素分别计算平均弧度值（均值）max_ave和min_ave。

（6）产生最终的阈值T_last，再给T_old赋值：T_old=T_last（T_old丢线时调用）。

3 赛道识别

3.1 一般赛道的识别

普通赛道类型包括：直道、十字路口、小S弯以及不同曲率的弯道。因此，对不同的弯道识别及数据处理是成功与否的关键。采用了一次元函数动态Kp的算法来处理不同曲率的弯道。主要公式为：

Error=Left_black-（128-Right_black）（2）

Kp=0.05×|Error|（3）

其中，Error为实际中心位置与测量中心值的偏差。通过经验得知，Error等于左边黑点减128与右边黑点的差值。当Error为负数时舵机向左转弯，为正数时舵机向右转弯，从而控制速度的变化。Error偏差在得出第一个黑点前还需要判断其是否为噪点。当全黑时设定了一个最低速度，偏差为0时也限制了它的最高速度，防止智能小车由于速度过高，造成摆尾或冲出赛道等问题。

在直道，偏差（Error）会变得很小，绝对值小于10，控制舵机直行，不转弯。

十字路口都是与270°的弯道连接在一起的。由于十字路口没有两端的黑色引导线，通过CCD采集的数据分析，计算进入前的3次偏差位置，求出它的斜率，再通过斜率计算出智能小车在十字路口上舵机转弯大小，从而保证小车顺利通过十字路口。

紧跟着就进入270°的弯道。为了防止舵机误判，当上一个偏差与本次的偏差超过某一个值时，保持上一次的偏差，这样就能顺利平滑通过弯道了[9]。

从CCD采集回来小S弯道的数据来看，由于小S弯道的位置偏差较小，而且采用一次元函数动态Kp的方法来控制舵机转弯，Kp的值可以通过这些小偏差的改变而改变，即Kp=0.05×偏差。因此，可以保证智能车以较高的速度完美通过小S弯道。

3.2 特殊赛道的识别

为了增加行驶难度，增加了人字弯道识别，如图2所示。本设计选择了让智能小车直接大拐角掉头。当检测到斑马线时，给舵机一个大转角，让小车直接驶过。然而当小车高速行驶时，处理不好速度与CCD检测前瞻（CCD扫描的地方与车身间的距离）的关系，小车很容易冲出赛道。本设计在智能小车上安装了两个CCD，一个前瞻在50 cm，一个前瞻在40 cm。

图2中，两条平行线分别为两个CCD拍摄图像的位置。其中，车子前瞻较近的CCD扫描的图像是在直道运行，得到的数据是左右黑线都存在；前瞻较远的CCD扫描的赛道图像，得到的数据是左边的黑线相差不大，但右边黑线与较近CCD相比却突然丢失，据此判断此时应该右转。

人字形判断程序段如下：

Error=Left_black-（128-Right_black）

|Error|<10//判断较近的CCD是否检测到黑线，

并计算出是否在直到上，在中线时偏差（Error）小于15，在实际情况中这个值小于10就认为是直道

|Left_black_near-Left_black_far|<8//判断近的CCD左边

黑线和较远CCD左边黑线是不是偏差小于8（在直道上两个CCD的左黑线像素点相差小于8）

|Right_black_near-Right_black_far|>30//判断近的CCD

右边黑线和较远CCD右边黑线是不是偏差大于一定范围（较远CCD丢线，较近的还在直道上，所以两个CCD的右黑线像素点相差大于30）

当同时满足以上3个条件时，判别出人字弯道后，就向右转弯，使小车控制舵机进行较大角度的转弯，等到小车回到直道后，再给与舵机中值，从而使小车快速、稳定通过人字弯。左拐弯与之相反。

结合两个CCD信息去识别可以准确判别出人字弯道。经过实践验证，采用此方法误判的概率非常小，只有在智能小车轨迹异常偏离赛道中心时才会出现误判。

4 结论

通过对线性CCD图像处理与识别算法进行研究，将理论知识与实际情况相结合，对采集的图像进行中值滤波、二值化动态阈值处理，再根据小车的实际情况进行改善，设计了一次元函数动态Kp的算法，对直道、十字路口、小S弯以及不同曲率的弯道进行辨识，并对人字形赛道特殊判断识别，从而使小车能够沿规定赛道稳定、可靠、快速地运行。

参考文献

[1] 刘嘉豪，刘海刚，张建伟，等.智能车图像处理与识别算法研究[J].工业控制计算机，2014，27（8）：19-22.

[2] 卓晴，黄开胜，邵贝贝，等.学做智能车：挑战“飞思卡尔”杯[M].北京：北京航空航天大学出版社，2007.

[3] 刘祖臣.基于CMOS数字摄像头的硬件二值化方案[J].电子科技，2014，27（7）：99-102.

[4] 周磊，任国全，肖浩，等．结构化道路车道线快速检测的一种改进算法[J]．计算机仿真，2012，29（4）：362－366.

[5] 张毛女，柳薇.一种基于边缘检测的改进的中值滤波去噪方法[J].计算机与现代化，2011，29（3）：63-65，73.

[6] 李俊，王军辉，谭秋林，等．基于MC9S12XS128控制器的智能车图像处理技术研究[J]．化工自动化及仪表，2012，39（2）：190-193.

[7] 季聪，王思明，汉鹏武.智能车路径识别与控制研究[J]．电视技术，2013，37（9）：192-195，209.

[8] 常江.基于视觉导航的智能车测控系统关键技术研究[D].天津：河北工业大学，2010.

[9] 邱迎.道路自动识别与控制的智能车系统的研究[D].重庆：重庆大学，2010.