一種非均勻行采集的智能車路徑識別算法

　　斷點修補

　　由于光線的不均勻或路徑中出現(xiàn)較大的干擾，可能會出現(xiàn)部分行采集不到引導(dǎo)線的情況，從而出現(xiàn)斷點。而且交叉道路的圖像經(jīng)過上述方法處理后也會出現(xiàn)斷點的情況，因此有必要加入斷點修補環(huán)節(jié)，對路徑進行縱向濾波。

　　根據(jù)引導(dǎo)線的連續(xù)性，路徑坐標(biāo)不應(yīng)該出現(xiàn)突變的情況，也就是引導(dǎo)線的一階導(dǎo)數(shù)應(yīng)該是連續(xù)的，即引導(dǎo)線的斜率不會發(fā)生突變。根據(jù)這個特性，斷點修補的方法步驟如下：

　　(1)求出第i行與第2i−行的路徑坐標(biāo)之差

　　(2)求出第1i−行與第3i−行的路徑坐標(biāo)之差

　　(3)求出Dposition[1]與Dposition[2]之差的絕對值

　　(4)若Adposition大于4，則

　　通過該算法，道路圖像斷點區(qū)域得到了修復(fù)，引導(dǎo)線從首點到末點之間形成了一條連通的曲線，這種斷點修補方法滿足了智能車提取引導(dǎo)線趨勢的要求。

　　縱向濾波

　　對于某些跳變不大的干擾行，雖然不會影響對路徑整體趨勢的判斷，但其對后續(xù)控制模塊的計算會產(chǎn)生較大影響。當(dāng)控制行坐標(biāo)突變時，勢必會造成舵機的抖動，智能車速度較快時甚至?xí)?dǎo)致車體脫離引導(dǎo)線，因此加入縱向濾波環(huán)節(jié)對路徑進行平滑很有必要。

　　縱向濾波采用中值濾波的思路，具體方法為：判斷該行路徑坐標(biāo)若在其前一行和后一行的同一側(cè)，即該行坐標(biāo)同時大于或同時小于其前一行和后一行坐標(biāo)，則賦予該行坐標(biāo)為其前一行和后一行坐標(biāo)的平均值。

　　導(dǎo)航參數(shù)獲取

　　經(jīng)過路徑提取后，得到引導(dǎo)線在圖形坐標(biāo)系下的坐標(biāo)(u,v)，然后通過式(3)、(4)得到引導(dǎo)線的世界坐標(biāo)(x ,y )，通過最小二乘法進行曲線擬合，便得到引導(dǎo)線的曲線方程。對于直線模型y=kx+b，可運用斜率 k和截距b作為導(dǎo)航參數(shù)對車體進行控制[7];對于曲線模型，可得到彎道的曲率半徑和橫向偏差作為導(dǎo)航參數(shù)對車體進行控制。

　　實驗結(jié)果分析

　　采集方案實驗

　　攝像頭采集的圖像如圖6所示，a為均勻行采集效果，b為按表1分布行數(shù)采集的效果。由圖可以看出，非均勻行采集的圖像更接近實際圖像，對引導(dǎo)線曲率的計算更加準(zhǔn)確，為智能車控制決策模塊提供了更加精確地引導(dǎo)線信息。而且，由圖還可看出通過非均勻行采集，相對提高了攝像頭的

　　圖7 有斷點彎道

　　圖8 十字交叉道路前瞻性，為進一步提高智能車的速度打下了基礎(chǔ)。

　　路徑識別實驗

　　攝像頭獲取的彎道圖像如圖7a所示，由于光線的影響，中間部分出現(xiàn)了斷點，經(jīng)斷點修復(fù)和中值濾波后得到的圖像分別如圖7c和7d所示，道路圖像斷點區(qū)域得到了修復(fù)，引導(dǎo)線從首點到末點之間較平滑，據(jù)此可獲得路徑的精確導(dǎo)航參數(shù)。

　　十字交叉道路是智能車導(dǎo)航中較常見的路況，同時也是路徑識別中比較復(fù)雜的內(nèi)容。如圖8a所示的十字交叉道路經(jīng)路徑識別后得到的引導(dǎo)線如圖8d所示，可以將交叉線完全濾除。

　　結(jié)語

　　本文基于黑白攝像頭設(shè)計了圖像采集系統(tǒng)，為消除圖像畸變，提出了非均勻行采集的采集方案。圖像處理時，首先在行中斷中對單行數(shù)據(jù)進行了橫向濾波和邊緣檢測，并提取了該行路徑坐標(biāo);然后在場中斷中，根據(jù)引導(dǎo)線的連續(xù)性對整場數(shù)據(jù)進行了縱向濾波，對整場路徑進行了平滑，并提取出了引導(dǎo)線的精確導(dǎo)航參數(shù)，為下一步進行車體控制提供了信息。實驗結(jié)果表明，該算法能精確提取路徑信息，且可靠性和抗干擾性強，數(shù)據(jù)處理速度快，完全滿足智能車實時性的要求。