基于AD采樣的算法

基于AD的黑線提取算法能夠反映圖像上的每個點的黑白程度，提取出來的黑線準確度比較高，但是后續(xù)的黑線提取算法比較復雜?；?strong>電壓跳變比較方法軟件黑線提取非常簡單，但是硬件調試比較困難，而且不能反映每個點的真實黑白程度。對賽道環(huán)境要求很高，易受干擾。

基于AD的黑道提取有以下幾種方法：

1) 找出每一行的黑線的左右邊界點,把中間點作為道路;

2) 利用若干行相加,取最黑點;

3) 找出每行的最黑點,把它作為道路。

第一種做法: 找出每一行的黑線的左右邊界點,把中間點作為道路。

圖1 斜看十字交叉道示意圖

它是最容易想到的方法,在無交叉道以及攝像頭的黑白AD值分明的情況下,它可以達到非常理想的效果.但是若出現了斜看交叉道或者黑白AD不是很分明的情況下,該方法的濾波顯得十分復雜.在實際中由于攝像頭對于遠處的黑線不是很敏感,這使得黑點的閾值很難以確定,選大了會使遠方道路提取出錯,選小了會丟失遠方的道路信息.也許采用動態(tài)閾值是一個好方法,但是它也不是十分管用.在實驗中我們發(fā)現黑點的閾值不是隨著距離的變化成線性變化的,它的變化多少帶有點突變的味道,因此很難確定黑點閾值的變化規(guī)律,自然動態(tài)閾值也很難設定.斜看十字道會帶來更大的麻煩,由于在實際的控制中很難做到每次都嚴格地貼線走,因此小車在從彎道出來的時候若彎道前方有個十字道,很容易造成斜看的情況發(fā)生.這時從AD采集的圖像上看來十字交叉道會像一個分叉的樹枝一樣從前方道路上出來,更糟糕的情況是在前方正確道路消失的地方恰好被斜的十字道路的一邊給補上了.若采用這種方法,則很容易誤將道路確定到十字叉的一邊上,使得小車的轉向錯誤.為了濾除這種情況,我們根據它的特點采用了很多的濾波方法。

首先,在前方道路與十字叉的交界點,黑點的個數會突然增加很多.在一般情況下,隨著距離的增加黑點的個數會慢慢減少,不會出現突然增多的情況.因此我們可以用上一行的黑點數,估計出下一行的黑點數,如果超出了我們的估計值,我們就認為它是不合理的。

其次可以根據賽道不突變的原則,來濾除雜點.我們可以根據前面兩行的變化情況預測出下一行的賽道變化范圍,利用它來濾除雜點.但是在實際的應用中下一行的變化范圍預測總是不是很理想.因此當賽車經過90度彎時,賽道的變化在小車看來變化是十分巨大的幾乎和斜看十字交叉道沒有多大的區(qū)別.有時會將90度彎濾除,造成小車直接沖出跑道。

最后,我們還可以通過分別從左至右與從右至左的方法來所搜賽道的左右邊界點,若發(fā)現兩者不一致,則可以采取取變化較小的點作為賽道來處理。

圖2 三行相加提取黑線示意圖

加了以上的濾波以后真?zhèn)€搜索賽道程序會顯得十分復雜,而且也不是十分可靠。

第二種做法: 利用若干行相加,取最黑點。

這種做法是我們上屆的學長提出來的算法.但是我利用起來不是很可靠.它的頭點始終采不穩(wěn)定.它的三行相加的理由是若中間一行右黑點丟失,它可以利用自己設定的閾值把它找回,如三行相加的黑點閾值可以定義為1個白點與2個黑點的和.帶有些中值濾波的味道. 但是,由于遠處的黑白不是很清楚,本來黑白的閾值就難以設定,三行相加的閾值就更難設定.而且在彎道上由于遠方的點本來就少,大約只有一兩個黑點而且又不在同一列上,很容易將這些點丟失，導致頭部的點不穩(wěn)定.為了盡可能地將遠方的黑線提取出來,從軟件上將唯一的方法就是增大閾值,比如將三行相加的閾值設置為一黑二白相加,但是問題是遠方的黑白不是很明顯,白點比較黑,黑點比較白,這種閾值的選取很容易造成把遠方的那些比較黑的白點也一并歸入黑線之中,這使得小車的轉向發(fā)生混亂。

圖3 逐行找黑點

第三種做法: 找出每行的最黑點,把它作為道路。

由于每行搜索的是最黑點,因此可以將黑點的閾值稍稍擴大一點,即使遠方的黑白不清,由于找的是最黑點因此還是可以提取出真確的黑線的.它的主要問題是,不一定每行都有符合要求的點,會造成一行丟失而失去后面的黑點.解決的方法是當發(fā)現一行丟失以后,不立即退出搜索,而是置一個丟失計數器,只有當丟失計數器的值連續(xù)累加到一定的閾值后才退出.當每次搜索到一行的黑線后看看丟失計數器是否為非零.若不是,則說明前面沒有丟失行.若是,則說明前面有幾行丟失了.我們可以根據這一行與上以有效行對中間的丟失行對中間的丟失行做一個線性化處理.然后清零丟失計數器.有了丟失計數器,我們可以對賽道的提取條件加以嚴格的限制,而不必擔心黑線的漏檢.比如我們可以嚴格限制黑線的寬度,這樣我們可以很容易濾除看到大塊的黑斑帶來的干擾;對于上述的斜看十字交叉線的問題我們只要根據上一行的黑線嚴格限制下一行黑線出現范圍便可輕松濾除.當然在發(fā)現丟失行以后對于下一行的搜索必需加大黑線搜索的范圍,允許的連續(xù)丟失行越多則再次找回的黑線的可信度也就越低,在實際的提取過程中必須把握好這一閾值,使得即可以順利找到前方的道路,又不至于誤提取黑線.實際證明這種方法實現簡單,可靠性也最高,黑線提取十分穩(wěn)定。

硬件濾波(電壓跳變比較)

圖4 攝像頭的視頻輸出信號

從攝像頭的視頻輸出信號,我們可以看出在黑線與白線之間有一個明顯的電壓跳變過程,我們可以利用這一特點來作為黑線的提取標志.利用合理的硬件電路我們變可以實現在電壓跳變以前輸出邏輯1,在電壓跳變后輸出邏輯0.這樣單片機要做的就是不停地讀取引腳的電平狀態(tài).由于不需要AD轉化,這使得單片機在每個視頻的行中斷中讀取比AD多得多的點,黑點的個數自然也很多.在提取黑線是軟件要做的就是區(qū)分0與1而已,實現起來非常方便.下面是一幅由這種方法提取出的圖像與AD采樣圖像的對比。

圖5 AD采樣圖

圖6 硬件采樣圖

可以看到它的黑線非常明顯,效果很好。

但是這種方法也存在著它的很多局限性：

首先,它對環(huán)境的要求很苛刻,不能有縫,不能有反光.由于縫的顏色明顯易于周圍的顏色,因此在圖像上它就表現為一條黑線。其次由于反光的作用使得反光區(qū)域光線異常強烈。反光區(qū)在圖像上也是一片黑,使得白變黑。

其次,它對橫向的分辨能力很弱。使得它對起始道的區(qū)分非常困難。比如起始道在圖像上往往會把中間的黑道變成白道,使得起始道的辨別以及黑線的提取困難。

最后,對于十字交叉道,由于一行全是黑線,電壓無跳變,因此在圖像上它是一條白線,使得賽道出現斷點.出現黑變白.更糟糕的情況是稍微斜看十字叉時,它會出現起始道的特征.使得賽車亂停機。

上述的黑變白以及白變黑的出現,很大程度上抵消了它所帶來的方便性,軟件必須對于采到的黑線加以認真判別它是否是真的黑線,這就涉及到許多方面的濾波.再則,由于單片機讀取的僅僅是0-1信號,丟失了每個點的之間細微的黑白程度,這給濾波也帶來極大的難處.為了正確提取黑線它涉及到本文所提到過的所有濾波方式,包括線寬設置,黑線的連續(xù)性等等。

但是它帶來的最大困難還是起始道的判別問題.起始道的干擾不僅來自十字交叉線,而且還來自一般賽道,因為很有可能在賽道的兩側由于光線反射的不均衡導致電壓的跳變,使得在黑線的旁邊隔著一段白斑出現幾段的黑線,很容易誤認起始道,最終導致起始道根本無法識別。

基于以上的分析,最后我們還是選用了AD的第三種方法,它簡單,實用,效果很理想。

它的流程圖以及程序代碼如下：

圖7 流程圖

參考文獻

[1] 卓晴，黃開勝，邵貝貝等. 學做智能車—挑戰(zhàn)“飛思卡爾”杯. 北京航空航天大學出版社. 2007

[2] 第二屆全國大學生“飛思卡爾”杯智能汽車競賽浙江大學捷豹II隊技術文檔

[3] 第二屆全國大學生“飛思卡爾”杯智能汽車競賽上海交大speedstar隊技術文檔