飞思卡尔 北航空蛟队论文.doc

基于面阵CCD的图像处理研究张巍作者简介：张巍（1981），女，辽宁省大连人，检测技术及自动化装置硕士研究生，主要研究方向为检测技术和遥测控制系统。陈威2（1985），男，湖北人，汽车工程系本科生。关新3（1986），男，山东人，宇航学院本科生。 陈威2 关新3 (1. 北京航空航天大学 工程训练中心， 100083)文 摘: 飞思卡尔智能车比赛中，使用面阵CCD采集赛道图像并进行处理与识别，以获得赛道参数，从而控制赛车按照给定路线行进。CCD采集到图像以后，进行亮度校正，阈值分割，寻找中点，用最小二乘法拟合直线，最终给出赛车方位的信息与赛道类型的判断，为赛车的控制提供依据。经实验验证，按照本文给出的方法，可以正确识别图像中的赛道并给出赛道的方位角，偏离量，并作出直道与弯道的判断。在不同的光照条件下及图像有一定的噪声干扰时本文提出的方法均可稳定地工作。关键词：CCD；图像处理；赛道识别中图分类号：TP 1 ZHANG Wei1，Chen Wei1，Guan Xin1 (1. Engineering Training Center, Beihang University, Beijing 100083，China；) Abstract: Array CCD was used in the recognition of course and the control of smart car. The image provided by CCD was processed and useful information about the smart car as well as the course was acquired. The method gives correct parameter of the course contained in the image and works well under different illumination conditions. Key words: array CCD; image processing; raceway recognition引言计算机视觉的建立分为两个层次的任务：低层的图像处理和高层的图像理解。低层的图像处理包括抑制噪声，边缘提取，图像分割等步骤，其主要目的在于为高层图像理解提供更有效的信息。而图像理解的目的在于获取图像中的各种信息，包括几何关系，与自然语言描述等。在飞思卡尔智能车比赛中，可以使用光电传感器和CCD传感器。与光电传感器相比，CCD传感器能够获得更多的关于赛道的信息，能够感知到赛车前方更远距离的赛道变化，从而为控制提供更好的决策依据。CCD传感器的使用涉及数据采集，与识别，以及控制方案的设计。本文主要结合计算机图象处理与识别，就中的相关问题及解决方法进行讨论。1 赛道图像亮度校正在理想情况下，图像获取和数字化设备的灵敏度不应该与图像的位置有关，但是这种假设在很多实际情况下是不对的。光线离光轴越远，透镜对它削弱得就越多，且传感器的光敏元件并不具有完全相同的灵敏度。另外，不均匀的物体照明也是造成某些位置亮度退化的一个原因。对于有规律的退化，我们可以进行亮度校正。设g(i,j)是期望的图像，f(i,j)是实际采集到的图像，e(i,j)为亮度失真系数，则f(i,j)=g(i,j)*e(i,j)。为还原真实图像亮度，只需用下式：g(i,j)=f(i,j)/e(i,j)即可进行校正。图1.1是一幅典型的CCD拍摄的赛道图像。可以看到，白色的背景在采集到的图像中有了较大变化，图像越靠近四周，光线距离CCD透镜光轴越远，亮度退化越严重，甚至有可能低于赛道图像亮度。如果整幅图像直接采用同一阈值进行分割，则有可能将部分背景归入赛道。为此，我们在分割之前对图像亮度加以校正。取亮度失真系数e(i,j)与图像中心距离成比例，距中心越远，增加亮度越多。具体参数根据CCD性能与赛道照明条件适当选取。图1.1 赛道图像2 阈值自动选取图2.1是图一赛道图像相应的直方图。赛道区背景区图2.1 直方图通过对赛道图像直方图的分析，我们可以看出，黑色赛道区灰度比较集中，且像素点较多，形成一个高而窄的峰值，背景区灰度分布则比较分散。我们可以使用比赛道区灰度值稍大的值作为阈值进行分割，以取得比较好的效果。但由于光照条件的不同，直方图的整体分布会发生左右移动，如何自动找到赛道区灰度并进行正确的阈值分割是需要解决的问题。我们采用统计的方法，首先统计出直方图，按从高至低选取三个峰值，则赛道区峰值一般会落于其中。然后从中找到一个灰度值最小的认为是赛道灰度，并适当选取阈值进行分割。实验表明，此法稳定性好，在不同的光照条件下均能正确选取阈值。3 赛道中线的识别赛道中线可以通过寻找一系列中点，经参数拟合来得到。经过阈值分割后，赛道图像转变为黑白二值图像，背景为白色，赛道为黑色。但由于噪声的影响，其中仍可能有一些背景像素被划分为黑色，对赛道的识别造成一定的干扰。考虑到噪声干扰的像素数目一般比较小，不会超过赛道的宽度。因此我们在每行自左至右扫描寻找赛道中点的时候，记录黑色像素宽度的最大值，认为其为赛道，并取其中点作为赛道中点。这样，噪声的干扰不会对识别造成影响。4 参数拟合考虑到控制的需要及算法的简练，我们在赛道中选取5个左右的中点作为控制点，采用最小二乘法拟合一条直线。由拟合直线的斜率判断当前赛车与赛道的夹角，由直线的截距判断赛车与赛道的偏离情况，由拟合的残差平方和可以判断当前赛道是直道还是弯道。由于稳定状况下赛道为垂直位置，若按照普通方法设直线方程为，则斜率a很大甚至不存在。为方便描述，我们选取如图4.1所示坐标系，设直线方程为 ，上一步已得出赛道中线上几个点的坐标（xi ,yi）拟合残差平方和xyo图4.1 参考坐标系为使最小，条件为即由此可以解得系数a,b，并求得残差平方和。由系数a可以计算出当前赛车与赛道的夹角，由系数b可以得到当前赛车与赛道的相对位置。由的大小可以判断出当前赛道是直道还是弯道，为采取相应的控制措施提供依据。5 测试结果及讨论我们对图1.1中的赛道图像进行处理与识别，准确地找到了赛道的中线，计算出了偏角与偏离量，并判断出赛道为直道。（如图5.1，图5.2）图5.1 赛道中点及拟合直线图5.2 处理结果实验证明，在图像预处理的基础上用最小二乘拟合直线的方法识别赛道，控制点少，计算量小，又能给出最有价值的信息，能够为控制赛车运行提供可靠的依据。参考文献1Milan Sonka，Vaclav Hlavac，Roger Boyle .Image Processing,Analysis,and Machine Vision, Second Edition M.Thomson Learning and PT Press,19992Banks S.Signal Processing