基于Kinetis60的智能循跡小車設(shè)計

摘要：智能循跡小車可以根據(jù)前端攝像頭的輸入圖像識別出道路狀況，通過優(yōu)化智能車的軟硬件設(shè)計，能夠確保其在不同環(huán)境下行駛的快速性和準(zhǔn)確性，本文以Kinetis60為核心處理器，完成了智能車路徑檢測、速度檢測、數(shù)據(jù)傳輸模塊、電機舵機驅(qū)動模塊的設(shè)計與實現(xiàn)，并在此基礎(chǔ)上提出了一種利用攝像頭實時圖像進(jìn)行智能車循跡判斷的方法，能夠提取出精確的路徑特征信息，實踐證明該方法具有可行性。

隨著智能交通系統(tǒng)的廣泛應(yīng)用，智能車的系統(tǒng)控制也逐步成為一項新興技術(shù)，該領(lǐng)域涵蓋了控制、模式識別、傳感技術(shù)、電子、電氣、計算機、機械等多個學(xué)科。本方案采用攝像頭作為信號采集的傳感器，根據(jù)攝像頭采集的圖像進(jìn)行精密計算，確定速度參考和舵機轉(zhuǎn)向參考。攝像頭組的智能車對于道路信息預(yù)測能力強，而且攝像頭對道路的探測精細(xì)，視角范圍大，因此受到眾多智能車設(shè)計者的歡迎。但攝像頭圖像受周圍光線的影響大;算法運算量大，算法復(fù)雜，需要占用較多的NCU資源，因此其中圖像識別算法的設(shè)計成為系統(tǒng)設(shè)計的關(guān)鍵步驟。

1 系統(tǒng)設(shè)計

智能車系統(tǒng)由核心處理器KINETIS60、路徑檢測模塊、起跑線檢測模塊、車速檢測模塊、電源模塊，無線數(shù)據(jù)傳輸模塊、電機驅(qū)動模塊、舵機驅(qū)動模塊組成。其中攝像頭組的路徑檢測模塊由OV7620攝像頭實現(xiàn)。

車速檢測模塊由編碼器構(gòu)成，實現(xiàn)速度的實時采集。電機驅(qū)動模塊由八片IRF3205構(gòu)成H橋來實現(xiàn)。電源模塊由三塊LM2940組成。舵機使用S-D5連接至PWM引腳，起跑線檢測模塊由兩個TCRT5000以及一個LM339組成。無線數(shù)據(jù)傳輸通過NRF24L01進(jìn)行數(shù)據(jù)傳輸。

智能車由路徑傳感器采集得到前方道路的圖像，從中提取出有用信息，判斷所處的跑道類型(直道，大彎道，S彎道)，確定小車的舵機轉(zhuǎn)向及車速。從而通過電機和舵機驅(qū)動小車流暢地在跑道上行進(jìn)。系統(tǒng)框圖如圖1所示。

2 軟件算法總體設(shè)計

本方案中，以IAR為開發(fā)工具，系統(tǒng)軟件設(shè)計包括以下幾個方面：系統(tǒng)初始化、視頻圖像信號采集、小車的方向(舵機)控制和速度(電機)控制。系統(tǒng)軟件流程罔如圖2所示。

3 圖像采集

OV7620是CMOS彩色/黑白圖像傳感器。它支持連續(xù)和隔行兩種掃描方式，VGA與QVGA兩種圖像格式;最高像素為664×492;數(shù)據(jù)格式包括YUV、YCrCb、RGB3種，能夠滿足一般圖像采集系統(tǒng)的要求。

由于芯片處理能力不足以達(dá)到PC的運算能力，因此本方案采用了黑白攝像頭，由于受片內(nèi)總線頻率的限制，每行能夠采集到的點數(shù)有限而且圖像質(zhì)量很差，并且會占用CPU大部分的時間，所以我們采用了K60自帶的DMA進(jìn)行數(shù)據(jù)采集，實踐證明，DMA能夠采集到絕大多數(shù)的點，并且圖像質(zhì)量很好。

為了更好的檢測黑線中心位置，要保證單行上有足夠的點，為了提高處理速度，可適當(dāng)降低采樣行數(shù)，綜合了以上條件，最終決定采用100行信息進(jìn)行方向判斷，每幅圖像大小限定為180×100。

4 圖像識別

攝像頭智能車系統(tǒng)是否能辨識正確的方向的關(guān)鍵就是其中的圖像識別算法的設(shè)計，在本算法中根據(jù)采集來的圖像，首先進(jìn)行圖像二值化，然后再對二值化后的圖像進(jìn)行去噪處理，得到只含有賽道黑線的圖像，再對圖像進(jìn)行圖像識別，根據(jù)設(shè)定的閾值進(jìn)行方向識別，得到的結(jié)果送至舵機控制模塊進(jìn)行舵機的方向控制?；趫D像識別算法的路徑識別流程圖如圖3所示。

4.1 黑線提取

二值化是一種廣泛使用的圖像分割技術(shù)，它利用了圖像中要提取的目標(biāo)物與其背景在灰度特性上的差異，把原圖像變?yōu)閮H用兩個灰度值表示的圖像目標(biāo)物和背景的二值圖像，考慮到所采集的圖像目標(biāo)物(黑色中心線)與背景(白色跑道)的灰度值差異比較明顯，采用固定閾值法進(jìn)行圖像的二值化。二值化的實現(xiàn)是由下面的公式來實現(xiàn)：

式中g(shù)(x，y)為二值化結(jié)果;T為閾值，f(x，y)為原圖像的灰度值。

本方案采用固定的閾值進(jìn)行圖像二值化，因為單片機沒有足夠的時間進(jìn)行動態(tài)閾值計算。因此要確定一個合理的算法來確定一個固定閾值，小車在不同光照條件下的圖像閾值不同，因此小車每一次啟動時計算一次固定閾值，如圖4所示。

4.2 舵機及電機控制算法

提取出圖像的中心線以后，需要根據(jù)中心線的位置，來判斷賽道的類型，區(qū)分直道、S型彎道和左轉(zhuǎn)彎和右轉(zhuǎn)彎。利用攝像頭識別道路在識別性能方面具有優(yōu)勢，相對于光電和電磁傳感器，可以有較遠(yuǎn)的前瞻距離，賽道信息不是根據(jù)單行數(shù)據(jù)來判斷，而是根據(jù)每幅圖像的多行信息來判斷。根據(jù)前述，每幅圖像采用80行的信息進(jìn)行判斷。

根據(jù)二值化圖像的結(jié)果，以圖像重心為界，分別計算邊界左右側(cè)白點數(shù)目和(式2、式31，然后對左右側(cè)白點數(shù)和leftSum，rightSum做差，然后對差值除以行數(shù)，得到賽道偏移量(式4)，根據(jù)偏移量centerAVG大小，centerAVG的大小基本上可以判斷當(dāng)前賽道情況，根據(jù)賽道情況，對centerAVG乘以不同的系數(shù)k(式5)，得到舵機值(式6)，然后進(jìn)行方向控制。

5 結(jié)論

文中提出一種基于攝像頭的智能循跡車的設(shè)計及實現(xiàn)方法，處理簡單，占用MCU資源少，執(zhí)行效率高。文中提到的算法在具有本文特征的其他賽道上也可以使用。通過多次實踐，算法正確識別率達(dá)93%以上，在實際的大學(xué)智能車競賽中被多次采用，并取得優(yōu)異成績。但攝像頭的高度和角度還需要進(jìn)一步的試驗、調(diào)整以得到更好的圖像采集效果，算法仍需進(jìn)一步優(yōu)化，以提高系統(tǒng)的穩(wěn)定性。