基于ccd的智能车导航模块的研究

基于ccd的智能车导航模块的研究

所谓“智能车辆”，是指没有必要干预智能车辆系统的车辆。它可以通过使用智能路面技术实现自动驾驶。现在，智能汽车已经从想法转向实践，并已在许多领域的人类社会旅游和展览中得到应用。智能车辆系统主要由定位系统、导航、人机、激励和方向控制、信号技术、电子、电气、计算机、机械等部门组成。组成智能车系统的关键部分是导航模块,其性能直接影响行驶的安全性和稳定性.本文针对目前智能车导航多采用摄像机获取路面信息,并能提前预知前方信息的特性,设计了智能汽车模拟系统,对关键技术进行了实验研究.重点对导航模块进行了研究开发,通过智能车系统的实际应用,证明导航模块是有效的.1智能车辆管理系统的设计1.1智能车整体结构设计本文采用韩国爱德美公司生产的Matiz系列1∶10模型车为设计对象,车整体尺寸为390mm×170mm×370mm.系统主要由中央处理器、CCD视觉导航、电源转换、无线通信、后轮电机驱动和前轮舵机控制等模块组成.智能车整体结构如图1所示.其中,中央处理器采用飞思卡尔公司(Freescale)的16位MC9S12DG128单片机;采用PWM方法控制的双MC33886芯片驱动后轮电机,为系统提供动力;同时采用PWM方法控制舵机的转动角度以控制方向.系统设计的目标是,在不冲出赛道的前提下,尽量提升车速.在赛道上如何捕获道路信息并及时有效地躲避障碍是本系统设计的关键.1.2ad和电池供电导航模块选用输出为标准PAL制式视频信号的CCD摄像机传感器,将摄像机固定在车体前端正中央上方370mm的位置,其俯视角度为向下45°,以获取车体前端更远处的信息,但此角度不能太小,否则采集不到车体近端的信息,会影响智能车高速情况下的路径识别.利用LM1881M视频同步分离芯片获取行同步信号和场同步信号,并将其输入到单片机PH0和PH1端口,为视频采集提供中断信号.视频信号不经过电容隔直,直接输入到单片机的ATD0口进行AD转换.利用锁相环技术将CPU超频,在保证AD采样精度的前提下将AD转换模块采样频率扩大到12MHz.MC9S12DG128单片机和LM1881M芯片的供电电压为5V,整个系统采用7.2V镍镉电池供电,采用LM2940-5.0稳压芯片提供5V电压,它提供的最大电流为1A,可以满足系统其他模块的需求.CCD摄像机由7.2V电池直接供电.1.3系统分辨率的确定CCD摄像机输出的图像分辨率可达575×767,但受单片机内存和运算速度的限制,高分辨率图像是无法处理的.如果将CPU频率设置到24MHz,则能够在一行有效的52μs时间内最多采集48个点,可以满足系统路径检测的要求.最终确定采集图像的分辨率为48×40,即每行48点,每幅图像共采集40行.1.3.1镜头高度的图像模型摄像机标定要解决的是三维物体与二维像点间的对应问题.由于本系统采用的赛道为水平面上的特定黑白赛道,并且摄像机角度不会发生变化,因此对摄像机的标定可简化为二维平面间的坐标映射关系.摄像机在水平面的上方以一定的俯角进行拍摄,所拍摄的物体会发生一定的扭曲,这种扭曲是由水平方向、垂直方向和轴线两侧的视觉扭曲引起的.忽略轴线两侧扭曲带来的影响,只考虑其他两种因素,简化后的成像模型为atanα=btanβ=xtan(α+θ)=h.(1)atanα=btanβ=xtan(α+θ)=h.(1)式中:h是摄像机镜头高度;a,b分别是最近处和最远处的视野;x是视野中的任意一点;α,β,θ分别是a,b,x对应的视线仰角.在感光板上,假定d是感光区长度即图像的总行数,r是x处物像所在行,由几何关系可知:r−d2tan(θ−β−α2)=d2tan(β−α2),(2)r-d2tan(θ-β-α2)=d2tan(β-α2),(2)由式(1)、式(2)可解得r与x的关系:r=d2⋅tan[arctan(x⋅tanαa)−β+α2]tan(β−α2)+d2.(3)r=d2⋅tan[arctan(x⋅tanαa)-β+α2]tan(β-α2)+d2.(3)为保证采集得到的图像在纵向上不产生畸变,采用非均匀行的采集规则,如式(3).经过非均匀行采集,纵向畸变得到纠正.图像中所有纵向的垂线在实际水平面上相交于一点.而水平方向的畸变可以采用列坐标缩放的方式加以纠正.假设第i行某点的列坐标是j,则缩放后的列坐标为j′=(j−C)⋅m+im+l+C.(4)j′=(j-C)⋅m+im+l+C.(4)式中,C是中心线的列坐标.这样经过非均匀行采集和列坐标变换,摄像机的成像将真实地再现水平面中的实际场景.1.3.2ad采集整理CCD视频的采集是在每一场有效的时间内进行的,依据CCD视频信号的制式,采集一场信号的流程如下:1)LM1881M分离出的奇场同步信号在单片机的PH口产生中断,表示奇场信号的开始,准备采集数据;2)定时器延时1504μs,开启行通道,允许行中断;3)当行计数器的值与预存在数组里的值相等时,采集该行.每行有效的图像数据出现在行同步后6μs(如选下降沿有效,则应是10.3μs),并持续52μs,到该行结束;4)定时器定时6μs时间到,开始ATD采集.ATD转换序列长度为8,此时以扫描方式开启ATD,采集48个点需要6次ATD中断;5)每隔约8μs,ATD中断发生一次,把AD采集数据转移到数组中;6)ATD中断不断向图像数组中写入数据,直到行计数器累加至40.此时一幅图像数据已经采集完成,关掉行中断,以免产生额外动作.1.4提取比赛信息的技术1.4.1不同导数和二阶导数图像分割法可以分为两大类:基于边缘检测的图像分割和基于区域的图像分割.边缘是指图像局部亮度变化最显著的地方,因此边缘检测的主要依据是图像的一阶导数和二阶导数;但是导数的计算对噪声敏感,所以在进行边缘检测前需要对图像滤波,而滤波会使计算量增加.阈值分割法是一种基于区域的分割技术,它对物体与背景这种有较强对比的图像的分割很有效,而且计算简单,能用封闭且连通的边界定义不交叠的区域.阈值分割法的关键在于阈值的确定.如果阈值不随时间和空间而变化,则称为静态阈值,否则称为动态阈值.静态阈值分割算法简单,计算量小,但适应性差;而动态阈值分割算法的复杂程度取决于动态阈值的计算方法.1.4.2阈值提取方法动态阈值的计算通常有双峰法、迭代法、大津法(OTSU法)、Kirsh算法等.针对在黑白颜色赛道上获取的较单一的图像信息,可以采用双峰法.但由于受到光线斜射的影响,有时背景和前景的对比不明显,为此提出了一种动态阈值方法,计算公式为T(i)=λ[∑j=0mH(j)m+∑k=0nH(k)n]/2.(5)Τ(i)=λ[∑j=0mΗ(j)m+∑k=0nΗ(k)n]/2.(5)式中:T(i)为第i行的阈值;H(j)为第i行背景区域j点灰度值;H(k)为第i行目标区域k点灰度值;m为背景区域点数;n为目标区域点数;λ为阈值系数,根据摄像机的成像效果,一般在0.9～1.0之间取值.假定智能车运行时开始采集的第一幅图像是良好的,即离摄像机最近的一行包含了完整的导航线,并且使用双峰法能正确提取阈值.对每一行定义一个阈值T(i),每一行都用自身行的阈值进行分割.在此基础上按照以下规则进行阈值传递:1)如果第i行分割出来的黑色区域(线段)是连续的,那么计算目标区域和背景区域的平均灰度值,并取其中值作为当前行和下一行的T(i);2)如果第i行分割出来的黑色区域是空集或者不连续,则保持当前行和下一行的阈值不变.这种算法的优点是运算量小,能跟踪环境光线的变化,容易适应各种光线的场地,因而具备良好的适应性.1.5点分段的处理抗干扰处理主要包括:消除信号产生和传输过程中造成的噪声;消除赛道不理想或光线不均匀形成的干扰;消除赛道中的交叉线.信号产生和传输过程中造成的噪声具有普遍性,消除这种干扰主要依靠改善电路板的电气性能.对于赛道不理想或光线不均匀形成的干扰,其一般特点是散布于赛道黑线的两边,所以采用以下算法处理:1)从最近的第一行开始,寻找只有一段连续黑色线段,且线段的左右边均不是图像的一行.标记该行为Start行;2)在下一行中寻找一段连续黑色线段,满足其左边缘不在上一行黑线的右边侧,右边缘不在上一行黑线的左边侧;3)如果存在步骤2中的黑色线段,则认为该段黑线是赛道黑线,其余黑点(线段)均是干扰,跳回步骤2;否则,标记该行为End行,并计算该行与Start行之差,如果大于3,则结束搜索,如果小于或等于3,则返回步骤1.这种算法的实质是搜索连续的黑线,因为赛道是连续的,而大部分干扰是离散的.对于赛道中的交叉线,可以统计一行中黑点的个数,因为正常的黑线宽只有2.5cm,在图像中不超过6个点.所以把6作为一个阈值TN,如果一行黑点的个数超过TN,就可以认为是交叉干扰,将其滤除掉.2阈值分割方式由于环境光线在时间与空间上是逐渐变化的,所以,采用自适应动态阈值算法产生严重错误的概率极小.实验结果表明,智能车在实验赛道上运行累计超过30min,没有因为光线强弱的变化而引起停车.图2是干扰比较严重的原始图像,图3是动态阈值分割后的效果图,显然该阈值分割方法是有效的.根据提取出的赛道信息计算引导线的曲率和斜率,可得出用于控制舵机角度和后轮驱动的PWM值,进而控制智能车的导航.当遇到障碍时,赛车系统会判断其性质,采取不同的策略.如:90°的小弯道采用降低车速,沿引导线外侧转弯;120°大弯,保持当前车速,沿引导线内侧转弯;小弧度S型,保持车速,直线通过;大弧度S型则降低车速,外侧通过;上坡时提高车速,下坡则降低车速等.具有CCD导航的智能赛车如图4所示.该智能车控制与导航系统已经在实际比赛中经受了检验,其稳定运行速度达到