基于边缘检测算法的智能车赛道识别方法.docx

基于边缘检测算法的智能车赛道识别方法
丁芳,刘宇，夏阳，王海库
（中国民航大学航空自动化学院天津300300）
摘要：赛道的识别是智能车沿赛道行驶的基础。准确的赛道识别能够为智能车进行方向控制和速度控制提供准确、必要的信息。本文利用边缘检测算法对赛道图像进行处理和识别。边缘检测算法与简单的二值化法相比具有处理时间短和处理效果好的优点。基于边缘检测算法的智能车赛道识别方法在以CMOS图像传感器采集图像信息的智能车上实现。实验表明：这种赛道引导线的识别方法准确率很高，可以较好地满足车寻迹行驶的要求。
关键词：赛道识别；智能车；CMOS图像传感器；边缘检测。
TheMethodBaseOnEdgeDetectionArithmeticIntheSmartCarTrackIdentification
Abstract:ThetrackIdentificationisthebasicoftheSmartCartravelingalongthetrack.AccurateidentificationofthetracksupportnecessaryinformationfortheSmartCartocontroldirectionandspeed.Thispaperistheapplicationoftheedgedetectionarithmetictotrackimageprocessingandrecognition.Theedgedetectionalgorithmisbetterthanthesimplebinaryimageforitcostslessprocessingtimeandbetterinaccuracy.ThemethoddiscussedinthispaperhasbeenaccomplishedintheSmartCarwithuseCMOSimagesensortogetimageinfomation.Experimentsshowedthat,thismethodhasahighrateofaccuracyoftrackidentificationanditcanmeettherequestoftheSmartCartogoalongthetrack.
Keywords:trackidentification;SmartCar;CMOSimagesensor;edgedetection
1引言
赛道识别是智能车沿赛道行驶的基础，得到准确充足的赛道信息是智能车以较短时间完成比赛的前提。本文使用边缘检测方法，根据图像各区域像素点间灰度变化梯度检测出黑线的边缘，这种方法与固定阈值二值化法相比抗干扰能力较强，处理数据少，检测准确率高的优点。文中使用CMOS图像传感器和MC9S12DG128微控制器组成了图像采集系统，采集获得的赛道图像信息以矩阵形式存放于微控制器的RAM中，图像的分辨率为68×39。测试表明，基于边缘检测的黑线中心提取算法可有效的从赛道图像中提取出黑线中点，具有一定的抗图像干扰能力和对环境的适应能力。
2摄像头安装
摄像头安装于智能车车身上方，镜头朝向前下方。为了使智能车具有更好的前瞻性，应尽量提高摄像头的高度并增减小摄像头与竖直面间夹角。由于图像分辨率的限制和需要尽量减小图像的变形，最终确定摄像头的安装位置如图1所示。当车位于直赛道上并与赛道方向相同时，采集到的图像离车最近处黑线约为3~5黑点，最远处黑线为2黑点。

图1摄像头安装位置图
3赛道图像特征分析
智能车要求在专用的赛道上行驶。赛道为中间有黑色引导线的白色基板，因此只需根据识别出白色赛道上的黑色引导线即可。
赛道表面为白色，中间为2.5cm宽的黑线，赛道的最小曲率半径为50cm。在正常情况下，车身应该沿赛道方向，车身与赛道方向角度偏差较小（弯道稍大时，直线段偏差一般不会超过30°）。赛道的图像通常为一条连续垂直或倾斜的黑色曲线，图像的每一行只有一段黑线（90°交叉线除外），黑线一般会通过图像的最后一行。智能车行驶在直道上时，黑线会贯通图像的每一行，如图2所示。赛道为最小曲率半径弯道时黑线出现在图像中下部，如图3所示。智能车行驶在弯道或车与赛道偏角较大时，摄像头可能采集到赛道外图像，赛道外图像最有可能出现在图像上半部。

图2直道图像(分辨率52×39) 图3最小弯道图像(分辨率45×39)
4赛道数据特征分析
由于光线、摄像头角度影响以及A/D转换误差等，会造成图像数据不稳定。图4数据为最小弯道图像右下角部分数据。从中可以看到，白色赛道图像最高值为8E(142),最低为83(131)，白色间差值为11；黑线图像最高值为73(115),最低为63(99),黑色间差值为16；黑白间最小差值为16。另外黑白交界处还有7A(122)，8