隨著汽車保有量的不斷攀升，交通擁堵、交通事故不斷頻發，越來越多的國家投入到智能網聯汽車的研發，智能網聯汽車多采用傳感器融合方案，視覺傳感器作為其中一種重要的傳感器，進行圖像采集。本文采用攝像頭傳感器進行圖像采集，進行賽道元素特征識別，輔助智能車快速通過多種賽道元素，對于提高城市交通智能化有著重要意義。

1 攝像頭傳感器選取與安裝

1.1 攝像頭傳感器選取

攝像頭傳感器是視覺檢測的核心器件，信息量豐富，相較于電磁傳感器，掃描距離更遠，有利于提前進行路徑規劃。本方案采用龍邱神眼攝像頭 MT9V034 作為圖像傳感器 , 為灰度數字攝像頭，只需 3.3 V 供電，分辨率為 120×188，具有高動態成像、超低功耗等多種優 點，該攝像頭采用 8 位并行輸出，故像素點灰度值范圍為 0 ～ 255。

結合智能小車循跡特點，一般會將分辨率設置為 80×60，即可獲取賽道圖像處理所需數據。高分辨率，圖像會更清晰，但數據量增加，傳輸時間延長，影響圖像處理效率，如果再打開串口使用上位機，有機發光半導體（organic electroluminescence display, OLED）屏上圖像會延遲，幀率降低，也不便于調試。一般會降低分辨率提高幀率，但也會考慮算法性能，應注重單片機處理速度與圖像刷新速度協調。

1.2 攝像頭傳感器安裝

智能小車采用后輪驅動，為避免車模抖動，應讓質心靠后，提高小車抓地力，同時還要保證攝像頭盡量靠前，采取到更多有效數據，故將攝像頭放在車模中部，關于車軸對稱。為減輕整車重量，選用空心碳素纖維管作為固定件，并用哥倆好膠水固定攝像頭角度，方便調試。

將攝像頭正裝，OLED 屏幕上圖像顯示順序，從上到下依次為 0 ～ 59 行，從左到右依次為 0 ～ 79 列，一般小車前進時，近處圖像位于最大行處，遠處圖像位于 0 行處。

2 圖像傳輸

本方案采用 DMA( 直接存儲器訪問，Direct Memory Access) 進行數據傳輸，DMA 可以進行高速數據傳輸，通過 DMA 控制器，可以將攝像頭等外設單元采集的數據直接傳輸到我們的內存中，只有數據傳輸開始、結束時才會與 CPU（中央處理器）交流，傳輸過程中，CPU 可以專心進行圖像處理；普通數據傳輸方式，每一個數據傳輸都需要依賴 CPU 進行，極大占用 CPU 資源。DMA 傳輸，極大提高了單片機處理效率，故我們采用 DMA 進行數據傳輸。

FRM 為場中斷，每當 FRM 管腳連接的 IO 口檢測到一個沿變化，攝像頭和單片機之間開始傳輸一副圖像數據；LINE 為行中斷，每當 LINE 管腳連接的 IO 口檢測到一個沿變化，攝像頭和單片機之間開始傳輸一行數據；PIX 為像素時鐘，每當 PIX 管腳連接的 IO 口檢測到一個沿變化，攝像頭和單片機之間開始傳輸一個數據。需要采集一副圖像時，會先讀取到一個場信號，連續兩個場信號之間為一副完整圖像，當讀取到一個場信號后，會連續讀取到 120 個行信號，每兩個行信號間，會連續讀取到 188 個點信號。獲得一個場中斷后，開始將圖像的每一行數據存入數組，并開始進行行累加計數，當計數達到 120 行后，會獲得下一個場中斷，一副圖像采集完畢，及時將行累加計數器清 0，并置場結束標志位，開始進行數據處理。

3 圖像預處理

因選用的攝像頭傳感器為灰度傳感器，無需額外進行圖像灰度化，本方案主要采用閥值分割法進行圖像分割。閥值的確定是閥值分割法的核心，常見的閥值分為：靜態閥值和動態閥值 [2] ，靜態閥值容易受到環境光線影響，對不同環境的賽道適應力較差；動態閥值抗干擾性強，對光照變化不敏感。為更好地適應不同賽道環境變化，本方案采用大津法確定動態閥值。大津法（OTSU），利用統計學方法，讓計算機在每一張圖片上都自適應的根據圖片整體亮度確定閾值，單片機在不同環境下都能自適應找到不同的分割閾值，每一張圖片的閾值都不一樣，受圖像亮度和對比度的影響小，但對噪聲非常敏感。一般采集的灰度直方圖會存在兩個峰值，兩峰之間存在一個谷底，而大津法的閾值即為峰谷對應的灰度值。

3.1 大津法算法原理

假設灰度直方圖中某一灰度值 i 恰為峰谷，以此為 閥值 Threshold 進行圖像分割 , 將一幅圖像中所有像素分成前景和背景兩部分，前景即為白色，背景即為黑色，驗證類間方差是否最大。為優化算法性能，對傳統類間方差計算式作出變式，得到公式 1，通過下式計算類間方差值：

在所有灰度值中使類間方差值最大的灰度值即為二值化分割閥值 Threshold。

3.2 大津法算法邏輯與優化

3.2.1 算法邏輯

循環 0 ～ 255 個灰度值，記錄每一個灰度值對應的類間方差值，將其與已知的最大類間方差值比較，記錄兩者間最大值，并進行循環計數，當循環計數值達 256 次，即可確定此時最大類間方差值對應的灰度值為二值化閥值 Threshold。

3.2.2 算法優化

如果是固定賽道，可以多次試運行大津法算法，記錄對應多種賽道元素的二值化閥值，可以得到一個灰度值范圍，比如 70 ～ 140, 縮小灰度值遍歷范圍，提高算法效率。賽道上光線一般比較均勻，當一幅圖像中包含噪聲和非均勻光照時，可能會造成大津法閥值不準確，而賽道圖像中部分元素灰度差別大，特別是可能會遇到上帝之光的干擾，使部分賽道光照與正常賽道光照差異較大，可以采集賽道時，隔行隔列采集，以此形成的灰度直方圖，可以有效減少噪聲和非均勻光照；面對上帝之光，也可以嘗試部分區域求大津的方法，只對賽道前半部分用大津法求二值化閥值，對圖像后半部分舍棄，因為小車往往需要近處圖像進行數據處理，及時進行賽道循跡，舍棄遠處圖像數據，可以使圖像二值化數值更接近于賽道近處值，效果更好。也可將賽道劃分為遠近兩個區域，對其分別大津法求閾值，并分別加權求出更理想的二值化閾值。

一般情況下，賽道光照強，二值化動態閾值會更大，對于光斑等干擾，不易找到合適閾值，可以安裝濾光片等光學元器件改善。

3.3 二值化

遍歷賽道所有像素點灰度值，如果某一像素點灰度值大于二值化閾值，則置為白點 1，如果灰度值小于二值化閾值，則置為黑點 0。

4 圖像處理

4.1 中線擬合與偏差

因為攝像頭采集到的近處圖像實際中線 [4] 與賽道理想中線接近，遠處圖像可能兩者差別比較大，所以我們一般選擇從近處到遠處開始掃線。從底部第 59 行的理想中線位置第 40 列開始向左向右兩方向分別掃線，找到黑白跳變點，記錄左右邊界點位置。

以向左掃線為例，當向左掃線找到一點 H 的值同其左邊一點 J 的值差值為 1 時，再以 H 點向左間隔 3 個點找到點 K，計算點 K 同其左邊一點 L 的差值為 0 時，繼續以 K 點向左間隔 3 個點找到點 M，計算點 M 同其左邊一點 N 的差值為 0 時，即可判斷找到第 59 行左邊界點，將其計入一個大小為 60 的左線數組，這種方法有效避免了噪聲、光斑對邊界點提取的影響。同理獲得第 59 行右邊界坐標，左邊界坐標與右邊界坐標求和后除以 2，即為當前賽道第 59 行實際中點坐標，并將其存入中線數組。

向左掃線找左邊界原理如圖 1 所示。

圖1 找左邊界原理圖

繼續以第 59 行實際中點坐標為起始點開始進行第 58 行左右掃線，因為部分賽道如果選取理想中點第 40 列作為下一行左右掃線起始點，可能理想中線正好位于黑色區域，左右兩邊掃線遇到的都是黑點，黑白跳變點位置同掃線起始點間隔較遠，連貫性不好，極大地浪費 CPU 性能，不利于小車快速巡線。同理進行 For 循環向上迭代求中線，直到掃線完 60 行，將各行中點連接，即為實際中線。

用右邊界數組減左邊界數組，可以得到賽道寬度。從起始點第 59 行第 40 列的像素開始，向上掃線，找到白黑跳變點，用圖像總行數減去白黑跳變點的值即為賽道長度；在某些特定元素判斷中，可以使用賽道寬度、賽道長度作為輔助判斷，識別特定元素。

選取一個控制行，控制行與實際中線、理想中線交點分別為 O、P，計算兩點差值作為偏差，乘以比例項系數 Kp, 作為 PWM 一部分用于小車轉向控制。也可以計算多行偏差，對遠處偏差賦予低權重，近處偏差賦予高權重，進行累加作為最終偏差，為進一步提高車速，可以針對不同賽道元素，對多行不同區域分別賦予不同的權重。控制行的選取需要綜合考慮車速、攝像頭前瞻位置等，一般車速越快，控制行數值選取越小。

4.2 丟線處理

對于部分特殊賽道或者當小車偏離賽道理想中線時，可能無法找到邊界線。當出現單邊丟線時，根據不同賽道元素，有多種處理方法，以左邊丟線為例，可以將圖像左邊框線規定為黑點 0，當算法向左掃線檢測到只有第 0 列有黑點 0 的時候，即判定該點為左邊界點；也可以選擇找到某一特殊點，比如拐點，利用拐點和其他已知點進行補線，一般采用最小二乘法 [5] 補線處理賽道元素。可以找到左邊界丟線前的 5 個左邊界點，利用公式 2 和公式 3 計算出擬合直線的 K 和 B，將丟線后的行數依次作為縱坐標帶入公式 4 計算出橫坐標，補齊左邊界。

當出現雙邊丟線時，一般是處于特殊元素十字路口處，可以選擇存儲歷史數組的方法，用之前的實際中線數據過特殊元素。也可以選擇通過左右拐點等同時補線，通過兩邊界丟線處附件已知的 5 個邊界點分別擬合出兩條直線，補全左右邊界。為降低算法復雜度，也可以直接使用丟線前幾行的賽道進行直接補線，因車速、電池電量等情況，可能會不穩定。

4.3 特征點

圖2 特征點標注圖

圖 2 中：A 點為左下拐點、B 點為右下拐點、C 點為左上拐點、D 點為右上拐點、E 點為起始行左邊界、 F 點為起始行右邊界。

正常直道的邊界線斜率為定值，當存在拐點時，如圖 2 標注所示，邊界線斜率會在拐點前后發生突變，A 為左下拐點，在 A 點下方的左邊界線為固定斜率的右傾直線，當從下往上掃線找邊界求中線時，突然發現 A 點上方的左邊界斜率急劇變緩，自 A 點開始向左接近水平生長。

B 為右下拐點，在 B 點下方的右邊界線為固定斜率的左傾直線，當從下往上掃線找邊界求中線時，突然發現 B 點上方的右邊界斜率急劇變緩，自 B 點開始向右接近水平生長；

同理可知，C 為左上拐點，在 C 點下方的左邊界線自右向左接近水平生長，斜率較小，在 C 點上方的左邊界斜率急劇變大；D 為右上拐點，在 D 點下方的右邊界線自右向左接近水平生長，斜率較小，在 D 點上方的右邊界線斜率急劇變大。

4.4 十字路口處理

4.4.1 正入十字路口

當左右掃線找到左下拐點 A、右下拐點 B，且從左下拐點向上隔行掃描 2 行，發現下拐點上方白點數目大于某一設定值時，即可判定正入十字。

十字路口下拐點上方有多行空白行，發生丟邊現象，需要找特征點，使用最小二乘法構造邊界線。左右巡線找到左下拐點 A、右下拐點 B、左上拐點 C、右上拐點 D, 利用斜截式分別構造線段 AC、BD，補出拐點空白行的左右邊界線，再利用左右邊界線求和除以 2 作為實際中線。正入十字元素補線圖如圖 3 所示。

圖3 正入十字元素補線圖

進入圓環后，可以正常掃線找到左右邊界，出環后，用相同方法補線出十字路口。

4.4.2 斜入十字路口

以左斜進入十字路口為例，當左右掃線找到左下拐點 A、右上拐點 D，判定為斜入十字。

十字路口下拐點上方有多行空白行，發生丟邊現象，需要找特征點，使用最小二乘法構造邊界線。左右掃線找到左下拐點 A、左上拐點 C、右上拐點 D, 利用斜截式構造線段 AC，作為左下拐點上方空白行的左邊界；取右上拐點 D 點后方 5 個邊界點，利用最小二乘法反向補線，從第 59 行作為縱坐標代入最小二乘法擬合右邊界線，循環到 y 取值為 D 點縱坐標，補出丟失的右上拐點下方的右邊界，再利用左右邊界線求和除以 2 作為實際中線，斜入十字元素補線圖如 4 所示。

4.5 車庫元素處理

以右入車庫為例，車庫有比較明顯的特點：左邊界為直線，右邊界丟線，可以找到右下拐點 B，空白行上方存在斑馬線。

先找到右下拐點 B，右下拐點 B 上方存在空白行，繼續向上掃線，從右向左掃線，找到白黑跳變點，跳變點計數，繼續掃線，發現黑白跳變點，計算兩者差值，發現在某一范圍，對從右向左循線沿途中遇到的所有跳變點計數，發現大于某一閾值，同時滿足上述條件，即判定為車庫元素。

找到右下拐點 B 后，B 點橫坐標減去賽道寬度，即確定到 Z 點坐標，因斑馬線總寬度小于賽道寬度，所以可以找到右上拐點 D 點，用最小二乘法構造線段 ZD，通過線段 ZD 加上最近處賽道一半構造出實際中心線，小車沿實際中心線順利入庫。車庫元素補線圖如 5 所示。

5 結語

本方案主要通過 DMA 傳輸數據、大津法分割圖像，提高單片機處理性能；尋找賽道元素特征點，擬合賽道中線，并對特殊元素進行識別與處理，使智能車更平穩快速通過多種賽道元素，達到了設計要求。

參考文獻：

[1] 符曉明.基于ADSP-BF60x網絡通信的DMA配置模式及中斷方法實現[J].中國計量,2018(03):109-110+112.

[2] 巴德凱.自適應圖像分割及并行挖掘方法的研究與實現[D].北京:北方工業大學,2016.

[3] 孫少林,馬志強,湯偉.灰度圖像二值化算法研究[J].價值工程,2010,29(05):142-143.

[4] 蔡栩嘉,劉海剛,陳冠成,李勇祥,莊越.攝像頭智能小車設計與控制算法研究[J].工業控制計算機,2018,31(12):98-101.

[5] 徐翔,王琪,高進可,秦海亭,張鈺潔.智能車車道識別與圖像處理[J].自動化技術與應用,2020,39(07):91-95.