FreescaleSmartCar智能车设计竞赛课件.pptVIP

7.3.2 图像采集算法 信 号 属 性 行 序 数 行持续时间 行同步脉冲 持续时间 消隐脉冲 持续时间 场消隐区 1～4 23 μs ? 3.5 μs 5 27.3 μs ? 8 μs 6 37.3 μs ? 3.5 μs 7～10 29.8 μs ? 3.5 μs 11～22 64 μs ? 4.7 μs 视频信号区 23～310 64 μs 4.7 μs ? 场消隐区 (同步脉冲) 311～314 64 μs ? 4.7 μs 315 64 μs ? 3.5 μs 316～319 29.8 μs ? 3.5 μs 320 53.4 μs ? 28 μs 表7.2 1/3 OmniVision CMOS摄像头的时序参数 7.3.2 图像采集算法 考虑到实际赛道只是在白色KT板上布置黑色引导线，路径识别只需大致提取出黑色引导线即可，不必每行采集。因此，我们可以采用隔行采集思想来压缩图像的数据。 实践证明，智能车控制系统的图像传感系统在单一方向上只要有40像素的分辨能力就足够用了。故我们只需对这288 行视频信号中的某些行进行采样就可以了。 7.3.2 图像采集算法 假设每场采样40行图像数据，为了方便软件程序的编写，可以均匀地采样288行视频信号中的40行，即每隔7个有效行采集一行。例如采样其中的第7行、第14行、第21行、…、第273行、第280行，即采样该场信号的第29行、第36行、第43行、…、第295行、第302行（每场开始的前22行视频为场消隐信号）。 7.3.2 图像采集算法 此外，为了进一步解决图像数据大与HCS12单片机数据处理速度有限的矛盾，还可以通过适当地将S12的CPU超频运行，以及降低A/D转换器的转换精度，以提高A/D转换器的速度，具体实现流程图（以采集一幅16行×40列的图像为例）如图7.5所示。 7.3.2 图像采集算法 图7.5 图像采集程序流程图 7.3.2 图像采集算法 图7.5中，数据转存由于是在CMOS摄像头安装时旋转90°后使用的，故在图像采集后应将其还原，以方便后面的图像处理。具体是通过设置VideoLine[i]和VideoImage[i][j]两个数组来实现的。 7.3.3 黑线提取算法 由于智能车系统对实时性的要求很高，过于复杂的黑线提取算法，会导致决策周期溢出，使程序崩溃，所以必须采用简单高效的图像识别算法。 上海交通大学代表队将常用的黑线提取算法划分为二值化算法、直接边缘检测算法和跟踪边缘检测算法。 7.3.3 黑线提取算法 1．二值化算法 2．直接边缘检测算法 3．跟踪边缘检测算法 二值化算法 二值化算法的思路是：设定一个阈值valve，对于视频信号矩阵中的每一行，从左至右比较各像素值和阈值的大小，若像素值大于或等于阈值，则判定该像素对应的是白色赛道；反之，则判定对应的是黑色的目标引导线。记下第一次和最后一次出现像素值小于阈值时的像素点的列号，算出两者的平均值，以此作为该行上目标引导线的位置。 该算法的思想简单，但是这种提取算法的鲁棒性较差，当拍摄图像中只有目标引导线一条黑线时，尚能准确提取出该目标引导线，但当光强有大幅度变化或图像中出现其他黑色图像的干扰时，该算法提取的位置就有可能与目标引导线的实际位置偏离较大。 2．直接边缘检测算法 采用逐行搜索的算法，首先找到从白色像素到黑色像素的下降沿和从黑色像素到白色像素的上升沿，然后计算上升沿和下降沿的位置差，如果大于一定的标准值，即认为找到了黑线，并可求平均值算出黑线的中心点。 2．直接边缘检测算法 至于上升沿、下降沿的检测，可以通过上上次采样数与这次采样数的差值的绝对值是否大于一个阈值来判断，如果“是”且差值为负，则为上升沿；如果“是”且差值为正，则为下降沿。 这里，阀值可以根据经验设定，基本上介于30～46之间（当A/D模块的参考电压为2.5 V时），也可以采用全局自适应法设定，每次采样后首先都遍历一次图像，得到图像灰度值的平均值，然后用这个平均值乘以一个调试系数即可得到所要的阈值。 2．直接边缘检测算法 该算法较二值化方法而言，抗环境光强变化干扰的能力更强，同时还能削弱或消除垂直交叉黑色引导线的干扰。 3．跟踪边缘检测算法 由于黑色的目标引导线是连续曲线，所以相邻两行的左边缘点比较靠近。跟踪边缘检测正是利用了这一特性，对直接边缘检测进行了简化。其思路是：若已寻找到某行的左边缘，则下一次就在上一个左边缘附近进行搜寻。这种方法的特点是始终跟踪每行左边缘的附近，去寻找下一列的左边缘，所以称为“跟踪”边缘检测算法。 3．跟踪边缘检测算法 该算法的优点：在首行边缘检测正确的前提下，该算法具有较强的抗干扰性，能更有效地消除垂直交叉黑色引导线的干扰，以及