(畢業(yè)設(shè)計(jì))飛思卡爾智能車(chē)及機(jī)器視覺(jué)

圖像處理在智能車(chē)路徑識(shí)別中的應(yīng)用摘要機(jī)器視覺(jué)技術(shù)在智能車(chē)中得到了廣泛的應(yīng)用，這項(xiàng)技術(shù)在智能車(chē)的路徑識(shí)別、障礙物判斷中起著重要作用?；诖耍罁?jù)飛思卡爾小車(chē)的硬件架構(gòu),研究機(jī)器視覺(jué)技術(shù)應(yīng)用于飛思卡爾小車(chē)。飛思卡爾智能車(chē)處理器采用了MC9S12XS128芯片，路況采集使用的是數(shù)字?jǐn)z像頭OV7620。由于飛思卡爾智能車(chē)是是一款競(jìng)速小車(chē)，因此圖像采集和處理要協(xié)調(diào)準(zhǔn)確性和快速性，需要找到其中的最優(yōu)控制。因此本設(shè)計(jì)主要需要完成的任務(wù)是：怎樣用攝像頭準(zhǔn)確的采集每一場(chǎng)的圖像，然后怎樣進(jìn)行二值化處理；以及怎樣對(duì)圖像進(jìn)行去噪處理；最后也就是本設(shè)計(jì)的難點(diǎn)也是設(shè)計(jì)的核心，怎樣對(duì)小車(chē)的軌跡進(jìn)行補(bǔ)線(xiàn)。本設(shè)計(jì)的先進(jìn)性，在眾多的圖像處理技術(shù)中找到了適合飛思卡爾智能車(chē)的圖像處理方法。充分發(fā)揮了攝像頭的有點(diǎn)。經(jīng)過(guò)小車(chē)的實(shí)際測(cè)試以及相關(guān)的MATLAB仿真，最終相關(guān)設(shè)計(jì)內(nèi)容都基本滿(mǎn)足要求。小車(chē)的穩(wěn)定性和快速性得到顯著提高。關(guān)鍵詞：OV7620，視頻采集，圖像處理，二值化

TheApplicationofImageProcessingintheRecognitionofIntelligentVehiclePathABSTRACTCameraMachinevisiontechnologyinthesmartcarinawiderangeofapplications,thetechnologyidentifiedinthepathofthesmartcar,andplaysanimportantroleintheobstaclestojudge.Basedonthis,basedonthearchitectureoftheFreescalecar,machinevisiontechnologyusedintheFreescalecar.FreescalesmartcartheprocessorMC9S12XS128chiptrafficcollectedusingadigitalcameraOV7620.

Freescale'sSmartcarisaracingcar,sotheimageacquisitionandprocessingtocoordinatetheaccuracyandfast,youneedtofindtheoptimalcontrol.Thisdesignneedtocompletethetask:howtousethecameratoaccuratelycaptureeveryimage,andthenhowtobinarizationprocessing;andhowtoimagedenoising;lastisthedifficultyofthisdesignisthedesignofthecore,howtofilllineonthetrajectoryofthecar.

TheadvancednatureofthedesignfoundinmanyimageprocessingtechniquesofimageprocessingmethodsforFreescaleSmartCar.Givefullplaytothecameraabit.TheactualtestingofthecarandMATLABsimulation,thefinaldesigncontentcanbasicallymeettherequirements.Thecar'sstabilityandfasttogetimprovedsignificantly.KEYWORDS:OV7620，VideoCapture，PictureProcessing，Binarization目錄前言 1第1章飛思卡爾賽車(chē)及機(jī)器視覺(jué)的概述 21.1智能車(chē)的研究背景 21.1.1智能車(chē)的發(fā)展歷史 21.1.2應(yīng)用前景 21.2智能車(chē)設(shè)計(jì)要求介紹 31.3機(jī)器視覺(jué)介紹 41.4小結(jié) 4第2章主要思路及技術(shù)方案概要 52.1總體設(shè)計(jì)主要方法步驟 52.2攝像頭的對(duì)比與選擇 52.2.1攝像頭的選取 52.2.2模擬攝像頭 62.2.3數(shù)字?jǐn)z像頭 62.2.4攝像頭的選定 72.3二值化方案的選取 72.3.1雙峰值法 72.3.2迭代法 82.3.3大津法 82.3.4灰度拉伸-一種改進(jìn)的大津法 92.3.5二值化方案的最終選定 92.4對(duì)圖像進(jìn)行去噪 92.4.1傳統(tǒng)的去噪法 92.4.2小波去噪 112.4.3去噪方法的最終確定 132.5小結(jié) 13第3章硬件設(shè)計(jì) 143.1硬件總體方案設(shè)計(jì) 143.2核心控制板 153.3攝像頭的安裝 153.4小結(jié) 16第4章軟件設(shè)計(jì) 174.1系統(tǒng)軟件總體設(shè)計(jì)方案 174.2圖像二值化軟件設(shè)計(jì) 174.3去噪設(shè)計(jì) 194.3.1實(shí)驗(yàn)信號(hào)的產(chǎn)生 194.3.2 各參數(shù)下去噪效果對(duì)比 204.4二值化后補(bǔ)線(xiàn) 244.5小結(jié) 32第5章結(jié)果分析 335.1采集到的灰度值去噪前的MATLAB仿真 335.1.1去噪前MATLAB函數(shù)和仿真結(jié)果 335.1.2去噪后MATLAB仿真結(jié)果 345.2邊界扣取 355.2.1邊界扣取函數(shù) 355.2.2邊界扣取仿真結(jié)果 365.3補(bǔ)線(xiàn)后效果 375.4小結(jié) 38結(jié)論 39謝辭 40參考文獻(xiàn) 41附錄 42外文資料翻譯 45前言機(jī)器視覺(jué)技術(shù)近幾十年來(lái)已經(jīng)得到廣泛的應(yīng)用，并且已經(jīng)取得了巨大的成功，大大改善了人們的日常生活。例如:智能導(dǎo)航系統(tǒng)，以及倒車(chē)攝像頭等。機(jī)器視覺(jué)技術(shù)的核心是對(duì)圖像的處理，根據(jù)不同的應(yīng)用場(chǎng)合，圖像處理也采用相應(yīng)的技術(shù)。例如：對(duì)高清圖像的處理，這個(gè)一定要保證圖像的精確性，可以相應(yīng)的犧牲一些，處理的速度，但是對(duì)圖像的要求不高的情況下，對(duì)處理速度要求較高的情況下，就必須考慮犧牲一些對(duì)圖像質(zhì)量的要求，基于飛思卡爾小車(chē)模型的圖像處理，需要兼顧這兩方面的因素。需要考慮對(duì)圖像處理的準(zhǔn)確性還要考慮快速性，因此需要找到滿(mǎn)足要求的最優(yōu)方案。本設(shè)計(jì)的主要任務(wù)是，怎樣保證圖像處理的準(zhǔn)確性；怎樣對(duì)采集回來(lái)的灰度值圖像進(jìn)行二值化處理，以及為什么進(jìn)行二值化；當(dāng)出現(xiàn)干擾的情況下，怎樣進(jìn)行去噪處理；當(dāng)在光照不均勻或者出現(xiàn)反光的情況下，采集到的灰度值會(huì)出現(xiàn)一定錯(cuò)誤影響判斷，這時(shí)怎樣補(bǔ)出準(zhǔn)確的軌跡。這些都是需要設(shè)計(jì)的內(nèi)容。本設(shè)計(jì)內(nèi)容按如下順序展開(kāi)：第一章主要論述了所研究的內(nèi)容的背景及應(yīng)用場(chǎng)合。第二章主要論述了各個(gè)設(shè)計(jì)方案的選取以及總體方案設(shè)計(jì)內(nèi)容。重點(diǎn)論述了選擇本方案的原因，以及其他方案的缺點(diǎn)。第三章主要講述了本設(shè)計(jì)相關(guān)的硬件設(shè)計(jì)。本章主要分析了硬件的主要組成，以及每一部分在設(shè)計(jì)中的作用。第四章深刻分析了相關(guān)的算法設(shè)計(jì)以及部分程序調(diào)試效果。分析了每一種方案的算法的優(yōu)缺點(diǎn)，以及最終選擇作為本算法的最終原因。第五章給出了相關(guān)仿真效果以及最終本設(shè)計(jì)在小車(chē)調(diào)試中的實(shí)際性能表現(xiàn)，以及通過(guò)本設(shè)計(jì)改善了那些性能，以及還有那些性能不夠理想，今后如何改進(jìn)等。第1章飛思卡爾賽車(chē)及機(jī)器視覺(jué)的概述1.1智能車(chē)的研究背景1.1.1智能車(chē)的發(fā)展歷史1953年，美國(guó)BarrettElectric公司制造了世界上第1臺(tái)采用埋線(xiàn)電磁感應(yīng)方式跟蹤路徑的自動(dòng)導(dǎo)向車(chē)，也被稱(chēng)作“無(wú)人駕駛牽引車(chē)”。20世紀(jì)60年代和70年代初，AGV仍采用這種導(dǎo)向方式。但是，20世紀(jì)70年代中期，具有載貨功能的AGV在歐洲得到了應(yīng)用并被引入到美國(guó)。這些自動(dòng)導(dǎo)向車(chē)主要用于自動(dòng)化倉(cāng)貯系統(tǒng)和柔性裝配系統(tǒng)的物料運(yùn)輸。在20世紀(jì)70年代和80年代初，AGV的應(yīng)用領(lǐng)域擴(kuò)大而且工作條件也變得多樣化，因此，新的導(dǎo)向方式和技術(shù)得到了更廣泛的研究與開(kāi)發(fā)。在最近的10-15年里，各種新型AGV被廣泛地應(yīng)用于各個(gè)領(lǐng)域。單元式AGV主要用于短距離的物料運(yùn)輸并與自動(dòng)化程度較高的加工設(shè)備組成柔性生產(chǎn)線(xiàn)，除此以外，AGV還用于搬運(yùn)體積和重量都很大的物品，尤其是在汽車(chē)制造過(guò)程中用多個(gè)載貨平臺(tái)式AGV組成移動(dòng)式輸送線(xiàn)，構(gòu)成整車(chē)柔性裝配生產(chǎn)線(xiàn)。最近，小型AGV應(yīng)用更為廣泛，而且以長(zhǎng)距離不復(fù)雜的路徑規(guī)劃為主。AGV從僅由大公司應(yīng)用，正向小公司單臺(tái)應(yīng)用轉(zhuǎn)變，而且其效率和效益更好。至此出現(xiàn)了智能車(chē)的概念。1.1.2應(yīng)用前景城市公共交通是與人民群眾生產(chǎn)生活息息相關(guān)的重要基礎(chǔ)設(shè)施。然而，目前世界上許多大城市都面臨著由私人汽車(chē)過(guò)度使用而帶來(lái)的諸多問(wèn)題，例如道路堵塞、停車(chē)?yán)щy、能源消耗、噪聲污染和環(huán)境污染等，這些問(wèn)題嚴(yán)重降低了城市生活的質(zhì)量。優(yōu)先發(fā)展城市公共交通是提高交通資源利用效率，緩解交通擁堵的重要手段。國(guó)務(wù)院總理溫家寶于2005年10月做出重要批示，要求優(yōu)先發(fā)展城市公共交通，這是貫徹落實(shí)科學(xué)發(fā)展觀(guān)和建設(shè)節(jié)約型社會(huì)的重要舉措。大容量城市公共交通，如地鐵、輕軌等，其最大優(yōu)點(diǎn)是空間利用率和能源利用率較高。然而，由于缺乏足夠的時(shí)間、空間、運(yùn)力靈活性，在客流量不足的情況下，系統(tǒng)效率將大大降低，運(yùn)營(yíng)成本過(guò)高，難以大力推廣和應(yīng)用。回顧汽車(chē)發(fā)展的百年歷史，不難發(fā)現(xiàn)其控制方式從未發(fā)生過(guò)根本性改變，即由人觀(guān)察道路并駕駛車(chē)輛，形成“路－人－車(chē)”的閉環(huán)交通系統(tǒng)。隨著交通需求的增加，這種傳統(tǒng)車(chē)輛控制方式的局限性日益明顯，例如安全性低（交通事故）和效率低（交通堵塞）。最新調(diào)查表明，95％的交通事故是由人為因素造成，交通堵塞也大都與駕駛員不嚴(yán)格遵守交通規(guī)則有關(guān)。如果要從根本上解決這一問(wèn)題，就需要將“人”從交通控制系統(tǒng)中請(qǐng)出來(lái)，形成“車(chē)－路”閉環(huán)交通系統(tǒng)，從而提高安全性和系統(tǒng)效率。這種新型車(chē)輛控制方法的核心，就是實(shí)現(xiàn)車(chē)輛的智能化。智能車(chē)有著極為廣泛的應(yīng)用前景。結(jié)合傳感器技術(shù)和自動(dòng)駕駛技術(shù)可以實(shí)現(xiàn)汽車(chē)的自適應(yīng)巡航并把車(chē)開(kāi)得又快又穩(wěn)、安全可靠；汽車(chē)夜間行駛時(shí)，如果裝上紅外攝像頭，就能實(shí)現(xiàn)夜晚汽車(chē)的安全輔助駕駛；他也可以工作在倉(cāng)庫(kù)、碼頭、工廠(chǎng)或危險(xiǎn)、有毒、有害的工作環(huán)境里，此外他還能擔(dān)當(dāng)起無(wú)人值守的巡邏監(jiān)視、物料的運(yùn)輸、消防滅火等任務(wù)。在普通家庭轎車(chē)消費(fèi)中，智能車(chē)的研發(fā)也是很有價(jià)值的，比如霧天能見(jiàn)度差，人工駕駛經(jīng)常發(fā)生碰撞，如果用上這種設(shè)備，激光雷達(dá)會(huì)自動(dòng)探測(cè)前方的障礙物，電腦會(huì)控制車(chē)輛自動(dòng)停下來(lái)，撞車(chē)就不會(huì)發(fā)生了。1.2智能車(chē)設(shè)計(jì)要求介紹在在飛思卡爾比賽中，參賽選手使用大賽組委會(huì)統(tǒng)一提供的競(jìng)賽車(chē)模，以Freescale公司生產(chǎn)的16位微控制器MC9S12DG128B作為核心控制單元，自主構(gòu)思控制方案及系統(tǒng)設(shè)計(jì)，包括傳感器信號(hào)采集處理、控制算法及執(zhí)行、動(dòng)力電機(jī)驅(qū)動(dòng)、轉(zhuǎn)向舵機(jī)控制等，最終實(shí)現(xiàn)一套能夠自主識(shí)別路線(xiàn)，并且可以實(shí)時(shí)輸出車(chē)體狀態(tài)的智能車(chē)控制軟硬件系統(tǒng)。各參賽隊(duì)完成智能車(chē)工程制作及調(diào)試后，于指定日期與地點(diǎn)參加比賽。參賽隊(duì)伍之名次以賽車(chē)現(xiàn)場(chǎng)成功完成賽道比賽時(shí)間為主，技術(shù)方案及工程制作質(zhì)量為輔來(lái)決定。但與去年不同的是，今年的賽道與去年不同，今年的賽道黑色軌跡不是在中間而是在兩邊，對(duì)于攝像頭足來(lái)說(shuō)難度不是太大，對(duì)于激光組來(lái)說(shuō)有一定的挑戰(zhàn)性。1.3機(jī)器視覺(jué)介紹所謂機(jī)器視覺(jué)就是用視覺(jué)傳感器代替人眼來(lái)做測(cè)量和判斷，這也是模式識(shí)別的基礎(chǔ)。機(jī)器視覺(jué)系統(tǒng)是指通過(guò)圖像傳感器（即圖像攝取裝置，分為CMOS攝像頭和CCD攝像頭兩種）將被攝取目標(biāo)轉(zhuǎn)換成圖像信號(hào)，這個(gè)過(guò)程是由AD采樣來(lái)完成的，然后把結(jié)果傳送給專(zhuān)用的圖像處理系統(tǒng)，根據(jù)像素分布和亮度、顏色等信息，轉(zhuǎn)變成數(shù)字化信號(hào)；圖像系統(tǒng)對(duì)這些信號(hào)進(jìn)行各種運(yùn)算來(lái)抽取目標(biāo)的特征，進(jìn)而根據(jù)判別的結(jié)果來(lái)控制現(xiàn)場(chǎng)的設(shè)備動(dòng)作。在智能車(chē)導(dǎo)航技術(shù)方面，機(jī)器視覺(jué)技術(shù)由于其能提供豐富的信息、價(jià)格相對(duì)低廉、能與其他傳感器方便的進(jìn)行數(shù)據(jù)融合等特點(diǎn)，成為當(dāng)前有著廣泛應(yīng)用前景的導(dǎo)航技術(shù)之一。1.4小結(jié)基于此，本文主要解決的問(wèn)題如下：如何選擇攝像頭。攝像頭有數(shù)字?jǐn)z像頭，有模擬攝像頭。關(guān)鍵是如何選擇。對(duì)圖像采集時(shí)，在滿(mǎn)足快速的情況下如何保證圖像的準(zhǔn)確性。飛思卡爾比賽是競(jìng)速比賽，利用攝像頭采集圖像時(shí)必須要滿(mǎn)足圖像的快速性，因?yàn)椴杉乃俣戎苯佑绊懙教幚砥鲗?duì)賽車(chē)的實(shí)時(shí)控制。如何對(duì)圖像進(jìn)行二值化。二值化有多種方式，如何找到一種最優(yōu)的二值化方式。如何對(duì)反光處進(jìn)行補(bǔ)線(xiàn)，并進(jìn)行去噪。通過(guò)以上幾個(gè)問(wèn)題的解決，可以大大的提高飛思卡爾賽車(chē)的穩(wěn)定性和快速性。第2章主要思路及技術(shù)方案概要2.1總體設(shè)計(jì)主要方法步驟為滿(mǎn)足飛思卡爾賽車(chē)的設(shè)計(jì)要求，總體設(shè)計(jì)思路如下設(shè)計(jì)思路：通過(guò)對(duì)攝像頭采集到的圖像的進(jìn)行處理，然后通過(guò)測(cè)速電機(jī)對(duì)小車(chē)的實(shí)時(shí)速度的采集，處理器再對(duì)采集到的數(shù)據(jù)進(jìn)行分析，然后控制小車(chē)的運(yùn)動(dòng)方向和速度。同時(shí)外加小液晶和相應(yīng)按鍵，這樣可以根據(jù)現(xiàn)場(chǎng)情況來(lái)調(diào)節(jié)相應(yīng)的PID參數(shù)來(lái)適應(yīng)相應(yīng)路況。本章主要論述的是各種方案的對(duì)比以及最終方案的選擇。2.2攝像頭的對(duì)比與選擇2.2.1攝像頭的選取圖像傳感器即攝像頭是組成機(jī)器視覺(jué)系統(tǒng)的非常重要的元器件。根據(jù)其原理不同攝像頭主要分為兩種：CCD(ChargeCoupledDevice)攝像頭、CMOS攝像頭。CCD也稱(chēng)電耦合器件，其工作原理是：被攝物體反射光線(xiàn)到攝像頭上，經(jīng)過(guò)鏡頭聚焦到CCD感光芯片上，感光芯片根據(jù)光線(xiàn)的強(qiáng)弱積聚相應(yīng)電荷，經(jīng)周期性放電而產(chǎn)生表示圖像的電信號(hào)。CMOS攝像頭其實(shí)跟CCD差不多，也是將光轉(zhuǎn)換成電信號(hào)的器件。它們的差異之處就是圖像的掃描方式不同，CCD是采用連續(xù)掃描方式，即它只有等到最后一個(gè)像素掃描完成后才進(jìn)行放大；CMOS傳感器的每個(gè)像素都有一個(gè)將電荷放大為電信號(hào)的轉(zhuǎn)換器。所以CMOS的功耗比CCD要小。由于CMOS功耗小，較CCD要便宜，而且圖像質(zhì)量滿(mǎn)足要求。對(duì)于攝像頭圖像采集，也可以用OV7620數(shù)字?jǐn)z像頭模塊，或者使用高速外部AD進(jìn)行采集。也可以使用PAL制式黑白攝像頭和單片機(jī)片內(nèi)部AD來(lái)進(jìn)行圖像采集。另外根據(jù)攝像頭的安裝方式不同，也有旋轉(zhuǎn)90度進(jìn)行采集的。對(duì)于整個(gè)程序的流程也有很多不同，有采完一場(chǎng)圖像后進(jìn)行處理的，也有采集一行就進(jìn)行處理的。2.2.2模擬攝像頭在采集圖像之前，我們首先要知道攝像頭輸出信號(hào)的特性。目前的模擬攝像頭一般都是PAL制式的，輸出的信號(hào)由復(fù)合同步信號(hào)，復(fù)合消隱信號(hào)和視頻信號(hào)組成。視頻信號(hào)：真正的圖像信號(hào)，對(duì)于黑白攝像頭，圖像越黑，電壓越低，圖像越白，電壓越高。在這里我們通過(guò)AD采集來(lái)得到亮度信號(hào)。復(fù)合同步信號(hào)：用于控制電視機(jī)的電子槍對(duì)電子的偏轉(zhuǎn)。當(dāng)電子槍收到行同步信號(hào)時(shí)，電子束就從上一行的最右端移動(dòng)到下一行的最左端。當(dāng)電子槍收到場(chǎng)同步信號(hào)時(shí)就從屏幕的最右下角移到最左上角。在這里我們需要用這個(gè)信號(hào)來(lái)控制采集像素的時(shí)序。復(fù)合消隱信號(hào)：在圖像換行和換場(chǎng)時(shí)電子槍回掃時(shí)不發(fā)射電子。即收到復(fù)合同步信號(hào)后，電子槍要換位置時(shí)是不能發(fā)射電子束的，這時(shí)候就由這個(gè)信號(hào)來(lái)消隱。在這里我們完全不用理會(huì)這個(gè)信號(hào)。由于人眼看到的圖像大于等于24Hz時(shí)人才不會(huì)覺(jué)得圖像閃爍，所以PAL制式輸出的圖像是25Hz，即每秒鐘有25幅畫(huà)面，說(shuō)的專(zhuān)業(yè)點(diǎn)就是每秒25幀，其中每一幀有625行。但由于在早期電子技術(shù)還不發(fā)達(dá)時(shí)，電源不穩(wěn)定，容易對(duì)電視信號(hào)進(jìn)行干擾，而交流電源是50Hz所以，為了和電網(wǎng)兼容，同時(shí)由于25Hz時(shí)圖像不穩(wěn)定，所以后來(lái)工程師們把一副圖像分成兩場(chǎng)顯示，對(duì)于一幅畫(huà)面，一共有625行，但是電子槍先掃描奇數(shù)場(chǎng)1，3，5，然后再掃描2,4,6，所以這樣的話(huà)，一副圖像就變成了隔行掃描，每秒鐘就有50場(chǎng)了。2.2.3數(shù)字?jǐn)z像頭OV7620是1/3CMOS彩色/黑白圖像傳感器。它支持連續(xù)和隔行兩種掃描方式，VGA與QVGA兩種圖像格式；最高像素為664×492，幀速率為30fps；數(shù)據(jù)格式包括YUV，YCrCb，RGB三種，能夠滿(mǎn)足智能車(chē)圖像采集系統(tǒng)的要求。OV7620采用的是NTSC制，每秒30幀，一幀兩場(chǎng)，那么每秒就有60場(chǎng)。意味著50/3MS就有一幅圖像產(chǎn)生。7620支持VGA（640x320）QVGA(320x240),且默認(rèn)的是VGA格式，通過(guò)調(diào)整SCCB可以改為QVGA格式。這樣改有兩個(gè)好處：首先像素小了。那么像素同步時(shí)間增大了，采點(diǎn)方便。再者減小計(jì)算量，沒(méi)必要搞那么多的點(diǎn)。320x240pixels，理解為：有320行，一行有240個(gè)點(diǎn)。視野和可視距離：這個(gè)和鏡頭的選擇有關(guān)，據(jù)我測(cè)試，f=3.6MM時(shí)視野應(yīng)該有25度左右,f越大視場(chǎng)越小.可視距離需要調(diào)節(jié)鏡頭對(duì)焦.經(jīng)我測(cè)試可視距離可以看十幾米,畢竟相素值只有30萬(wàn)多,用單片機(jī)讀可以看到3-4M的距離.這里解釋一下為什么用單片機(jī)讀會(huì)打折扣.因?yàn)楹诰€(xiàn)寬度只有2.5CM,太遠(yuǎn)了黑線(xiàn)會(huì)很細(xì),采點(diǎn)之后就分辯不出是噪聲還是有用信號(hào)了.在1米左右時(shí),黑線(xiàn)寬度可用8個(gè)點(diǎn)表示。2.2.4攝像頭的選定經(jīng)過(guò)對(duì)比，選擇數(shù)字?jǐn)z像頭不僅可以縮短設(shè)計(jì)周期，而且采集速度準(zhǔn)確快速，所以最終選擇數(shù)字?jǐn)z像頭OV7620。2.3二值化方案的選取圖像二值化是數(shù)字圖像處理技術(shù)中的一項(xiàng)基本技術(shù)，該系統(tǒng)中由于賽道是由黑色和白色兩種顏色組成的，并且背景顏色基本也是白色的，系統(tǒng)的任務(wù)是識(shí)別出黑色的引跑線(xiàn)位置，由于其圖像的干擾并不是很強(qiáng)，因此可以采用二值化的技術(shù)作為系統(tǒng)的圖像預(yù)處理。經(jīng)過(guò)二值化處理后將原來(lái)白色的像素點(diǎn)用“0”表示，而黑色像素點(diǎn)用“1”表示。根據(jù)閾值選取的不同，二值化的算法分為固定閾值和自適應(yīng)閾值。比較常用的二值化方法則有：雙峰法、迭代法、大津法和灰度拉伸法等。2.3.1雙峰值法在對(duì)賽道環(huán)境的分析中，我們可以發(fā)現(xiàn)黑線(xiàn)部分的亮度是相對(duì)比較固定的，其波動(dòng)的范圍非常小，小于20(亮度值最大為255)，而白色底板的亮度值變化相對(duì)較大一些，但仍能保證其與黑線(xiàn)的亮度值有較大的梯度。因此，可以采用直方圖統(tǒng)計(jì)法來(lái)對(duì)其閥值進(jìn)行自動(dòng)設(shè)定，具體方法如下。首先存儲(chǔ)一幅原始圖像的所有數(shù)據(jù)，然后對(duì)整幅圖像的第一像素點(diǎn)進(jìn)行統(tǒng)計(jì)，最終把第個(gè)亮度值所對(duì)應(yīng)的像素點(diǎn)個(gè)數(shù)統(tǒng)計(jì)出來(lái)，結(jié)果將出現(xiàn)一個(gè)雙波峰形圖，如圖4-2所示。這將能較直接地比較出亮度值集中的區(qū)域，以?xún)蓚€(gè)波峰的中心位置所在的中點(diǎn)值作為該賽道的二值化閥值。該算法計(jì)算的精度較高，能夠找到理想的一個(gè)閥值點(diǎn)，雖然它執(zhí)行的時(shí)間較長(zhǎng)，但是這只是在賽車(chē)未起跑前進(jìn)行的初始化運(yùn)算，對(duì)賽車(chē)起跑后的速度完全沒(méi)有影響，因此該方案是可以采用的。2.3.2迭代法迭代法是基于逼近的思想進(jìn)行設(shè)計(jì)的。其步驟如下：（1）.求出圖象的最大灰度值和最小灰度值，分別記為ZMAX和ZMIN，令初始閾值T0=(ZMAX+ZMIN)/2；（2）根據(jù)閾值TK將圖象分割為前景和背景，分別求出兩者的平均灰度值ZO和ZB；（3）求出新閾值TK+1=(ZO+ZB)/2；（4）若TK=TK+1，則所得即為閾值；否則轉(zhuǎn)2，迭代計(jì)算。迭代所得的閾值分割的圖象效果良好。基于迭代的閾值能區(qū)分出圖像的前景和背景的主要區(qū)域所在，但在圖像的細(xì)微處還沒(méi)有很好的區(qū)分度。2.3.3大津法大津法由大津于1979年提出，對(duì)圖像Image，記t為前景與背景的分割閾值，前景點(diǎn)數(shù)占圖像比例為w0，平均灰度為u0；背景點(diǎn)數(shù)占圖像比例為w1，平均灰度為u1。圖像的總平均灰度為：u=w0*u0+w1*u1。從最小灰度值到最大灰度值遍歷t，當(dāng)t使得值g=w0*(u0-u)2+w1*(u1-u)2最大時(shí)t即為分割的最佳閾值。對(duì)大津法可作如下理解：該式實(shí)際上就是類(lèi)間方差值，閾值t分割出的前景和背景兩部分構(gòu)成了整幅圖像，而前景取值u0，概率為w0，背景取值u1，概率為w1，總均值為u，根據(jù)方差的定義即得該式。因方差是灰度分布均勻性的一種度量,方差值越大,說(shuō)明構(gòu)成圖像的兩部分差別越大,當(dāng)部分目標(biāo)錯(cuò)分為背景或部分背景錯(cuò)分為目標(biāo)都會(huì)導(dǎo)致兩部分差別變小，因此使類(lèi)間方差最大的分割意味著錯(cuò)分概率最小。直接應(yīng)用大津法計(jì)算量較大，因此我們?cè)趯?shí)現(xiàn)時(shí)采用了等價(jià)的公式g=w0*w1*(u0-u1)2。2.3.4灰度拉伸-一種改進(jìn)的大津法大津法得到了廣泛的應(yīng)用，但有人發(fā)現(xiàn)，大津法致命的缺陷是當(dāng)目標(biāo)物與背景灰度差不明顯時(shí)，會(huì)出現(xiàn)無(wú)法忍受的大塊黑色區(qū)域，甚至?xí)G失整幅圖像的信息。為了解決這個(gè)問(wèn)題，有人提出了灰度拉伸的增強(qiáng)大津法。這種方法的原理其實(shí)就是在大津法的基礎(chǔ)上通過(guò)增加灰度的級(jí)數(shù)來(lái)增強(qiáng)前后景的灰度差，從而解決問(wèn)題?；叶仍黾拥姆椒ㄊ怯迷械幕叶燃?jí)乘上同一個(gè)系數(shù)，從而擴(kuò)大灰度的級(jí)數(shù)，特別地，當(dāng)乘上的系數(shù)為1時(shí)，這就是大津法的原型，因此，大津法可以看做是這種方法的一個(gè)特例。2.3.5二值化方案的最終選定在飛思卡爾賽車(chē)比賽中，由于要考慮到圖像采集的速度和準(zhǔn)確度。迭代所得的閾值分割的圖象效果良好。基于迭代的閾值能區(qū)分出圖像的前景和背景的主要區(qū)域所在，但在圖像的細(xì)微處還沒(méi)有很好的區(qū)分度，因此不采用。而對(duì)于大津法，其運(yùn)算量大，影響速度，大津法致命的缺陷是當(dāng)目標(biāo)物與背景灰度差不明顯時(shí)，會(huì)出現(xiàn)無(wú)法忍受的大塊黑色區(qū)域，甚至?xí)G失整幅圖像的信息，因此也不予采用。而對(duì)于灰度拉伸法，適合處理對(duì)速度要求不高的圖像處理，處理數(shù)據(jù)量大，因此也不予采用。經(jīng)過(guò)各種方案對(duì)比，最終選擇雙峰法，這種方法不僅滿(mǎn)足對(duì)圖像處理精度的要求，而且滿(mǎn)足對(duì)速度的要求。2.4對(duì)圖像進(jìn)行去噪2.4.1傳統(tǒng)的去噪法對(duì)隨時(shí)間變化的信號(hào)，通常采用兩種最基本的描述形式，即時(shí)域和頻域。時(shí)域描述信號(hào)強(qiáng)度隨時(shí)間的變化，頻域描述在一定時(shí)間范圍內(nèi)信號(hào)的頻率分布。對(duì)應(yīng)的圖像的去噪處理方法基本上可分為空間域法和變換域法兩大類(lèi)。前者即是在原圖像上直接進(jìn)行數(shù)據(jù)運(yùn)算，對(duì)像素的灰度值進(jìn)行處理。變換域法是在圖像的變換域上進(jìn)行處理，對(duì)變換后的系數(shù)進(jìn)行相應(yīng)的處理，然后進(jìn)行反變換達(dá)到圖像去噪的目的。由于傳統(tǒng)的頻域去燥方法比較復(fù)雜，這里不采用也不再敘述，主要介紹一下傳統(tǒng)的時(shí)域去噪處理方法。傳統(tǒng)時(shí)域處理方法主要有均值濾波和中值濾波。均值濾波鄰域平均法是一種局部空間域處理的算法。設(shè)一幅圖像為的陣列，處理后的圖像為，它的每個(gè)像素的灰度級(jí)由包含領(lǐng)域的幾個(gè)像素的灰度級(jí)的平均值所決定，即用下式得到處理后的圖像: (2-l)式中；s是以點(diǎn)為中心的鄰域的集合，M是s內(nèi)坐標(biāo)總數(shù)。圖像鄰域平均法的處理效果與所用的鄰域半徑有關(guān)。半徑愈大，則圖像模糊程度也愈大。另外，圖像鄰域平均法算法簡(jiǎn)單，計(jì)算速度快，但它的主要缺點(diǎn)是在降低噪聲的同時(shí)使圖像產(chǎn)生模糊，特別在邊緣和細(xì)節(jié)處，鄰域越大，模越厲害。中值濾波中值濾波是一種非線(xiàn)性濾波，由于它在實(shí)際運(yùn)算過(guò)程中并不需要圖像的統(tǒng)計(jì)特性，所以比較方便。中值濾波首先是被應(yīng)用在一維信號(hào)處理技術(shù)中，后來(lái)被二維圖像信號(hào)處理技術(shù)所應(yīng)用。在一定的條件下，可以克服線(xiàn)性濾波器所帶來(lái)的圖像細(xì)節(jié)模糊，而且對(duì)濾除脈沖干擾及圖像掃描噪聲最為有效。但是對(duì)一些細(xì)節(jié)多，特別是點(diǎn)、線(xiàn)、尖頂細(xì)節(jié)多的圖像不宜采用中值濾波的方法。中值濾波的基本原理是把數(shù)字圖像或數(shù)字序列中一點(diǎn)的值用該點(diǎn)的一個(gè)鄰域中各點(diǎn)值的中值代替。設(shè)有一個(gè)一維序列，，…，，取窗口長(zhǎng)度為m(m為奇數(shù))，對(duì)此序列進(jìn)行中值濾波，就是從輸入序列中相繼抽出m個(gè)數(shù)，，…，，…，，…，，…，，其中為窗口的中心位置，，再將這m個(gè)點(diǎn)按其數(shù)值大小排列，取其序號(hào)為正中間的那作為出。用數(shù)學(xué)公式表示為: (2-2)例如：有一個(gè)序列為{0，3，4，0，7}，則中值濾波為重新排序后的序列{0，0，3，4，7}中間的值為3。此例若用平均濾波，窗口也是取5，那么平均濾波輸出為。因此平均濾波的一般輸出為: (2-3)對(duì)于二位序列進(jìn)行中值濾波時(shí)，濾波窗口也是二維的，但這種二位窗口可以有各種不同的形狀，如線(xiàn)狀、方形、圓形、十字形、圓環(huán)形等。二維數(shù)據(jù)的中值濾波可以表示為: (2-4)在實(shí)際使用窗口時(shí)，窗口的尺寸一般先用再取逐漸增大，直到其濾波效果滿(mǎn)意為止。對(duì)于有緩變的較長(zhǎng)輪廓線(xiàn)物體的圖像，采用方形或圓形窗口為宜，對(duì)于包含尖頂角物體的圖像，適宜用十字形窗口。使用二維中值濾波最值得注意的是保持圖像中有效的細(xì)線(xiàn)狀物體。與平均濾波器相比，中值濾波器從總體上來(lái)說(shuō)，能夠較好地保留原圖像中的躍變部分。2.4.2小波去噪近年來(lái)，小波理論得了非常迅速的發(fā)展，由于其具備良好的時(shí)頻特性和多分辨率特性，小波理論成功地在許多領(lǐng)域得到了廣泛的應(yīng)用。現(xiàn)在小波分析已經(jīng)滲透到自然科學(xué)、應(yīng)用科學(xué)、社會(huì)科學(xué)等領(lǐng)域。在圖像去噪領(lǐng)域中，應(yīng)用小波理論進(jìn)行圖像去噪受到許多專(zhuān)家學(xué)者的重視，并取得了非常好的效果。小波去噪的方法有多種，如利用小波分解與重構(gòu)的方法濾波降噪、利用小波變換模極大值的方法去噪、利用信號(hào)小波變換后空域相關(guān)性進(jìn)行信噪分離、非線(xiàn)性小波閾值方法去噪、平移不變量小波去噪法，以及多小波去噪等等。歸結(jié)起來(lái)主要有三類(lèi):模極大值檢測(cè)法、閾值去噪法和屏蔽(相關(guān))去噪法。其中最常用的就是閾值法去噪，本文主要研究閾值去噪。小波去噪的基本思路：（1）.先對(duì)含噪信號(hào)做小波變換，得到一組小波系數(shù)；（2）.通過(guò)對(duì)進(jìn)行閾值處理，得到估計(jì)系數(shù)，使得與兩者的差值盡可能小；（3）.利用進(jìn)行小波重構(gòu)，得到估計(jì)信號(hào)即為去噪后的信號(hào)。Donoho提出了一種非常簡(jiǎn)潔的方法對(duì)小波系數(shù)進(jìn)行估計(jì)。對(duì)連續(xù)做幾次小波分解后，有空間分布不均勻信號(hào)各尺度上小波系數(shù)在某些特定位置有較大的值，這些點(diǎn)對(duì)應(yīng)于原始信號(hào)的奇變位置和重要信息，而其他大部分位置的較小；對(duì)于白噪聲，它對(duì)應(yīng)的小波系數(shù)在每個(gè)尺度上的分布都是均勻的，并隨尺度的增加，系數(shù)的幅值減小。因此，通常的去噪辦法是尋找一個(gè)合適的數(shù)作為閾值（門(mén)限），把低于λ的小波函數(shù)（主要由信號(hào)引起），設(shè)為零，而對(duì)于高于的小波函數(shù)（主要由信號(hào)引起），則予以保留或進(jìn)行收縮，從而得到估計(jì)小波系數(shù)，它可理解為基本由信號(hào)引起的，然后對(duì)進(jìn)行重構(gòu)，就可以重構(gòu)原始信號(hào)。估計(jì)小波系數(shù)的方法如下，取： （2-5）定義： （2-6）稱(chēng)之為硬閾值估計(jì)方法。一般軟閾值估計(jì)定義為 （2-7）（4）.綜上所述基于空域的平均濾波法和非線(xiàn)性的中值濾波都是通過(guò)對(duì)圖像像素的灰度值進(jìn)行運(yùn)算，達(dá)到平滑圖像的效果。平均濾波是以點(diǎn)鄰域像素灰度平均值來(lái)代替該點(diǎn)的灰度值，而中值濾波則以點(diǎn)鄰域像素灰度值中值來(lái)代替該點(diǎn)的灰度值，因此，對(duì)于隨機(jī)噪音的抑制能力，中值濾波器的性能要比均值濾波器的差些。但對(duì)于脈沖干擾來(lái)講，特別是脈沖寬度小于濾波器的窗口寬度一半，中值濾波還是很有效的。不過(guò)，他們?cè)谄交瑘D像的同時(shí)亦會(huì)使圖像輪廓變得模糊，它們的噪音平滑效果與窗口的寬度有關(guān)，窗口寬度越寬，噪音平滑效果越好，但圖像就越模糊，這個(gè)矛盾難于解決，也是均值濾波和中值濾波的缺點(diǎn)。2.4.3去噪方法的最終確定綜上所述基于空域的平均濾波法和非線(xiàn)性的中值濾波都是通過(guò)對(duì)圖像像素的灰度值進(jìn)行運(yùn)算，達(dá)到平滑圖像的效果。平均濾波是以點(diǎn)鄰域像素灰度平均值來(lái)代替該點(diǎn)的灰度值，而中值濾波則以點(diǎn)鄰域像素灰度值中值來(lái)代替該點(diǎn)的灰度值，因此，對(duì)于隨機(jī)噪音的抑制能力，中值濾波器的性能要比均值濾波器的差些。但對(duì)于脈沖干擾來(lái)講，特別是脈沖寬度小于濾波器的窗口寬度一半，中值濾波還是很有效的。不過(guò)，他們?cè)谄交瑘D像的同時(shí)亦會(huì)使圖像輪廓變得模糊，它們的噪音平滑效果與窗口的寬度有關(guān)，窗口寬度越寬，噪音平滑效果越好，但圖像就越模糊，這個(gè)矛盾難于解決，也是均值濾波和中值濾波的缺點(diǎn)。而小波法去噪又剛好克服了這些缺點(diǎn)，所以最終選擇了小波法去噪。2.5小結(jié)經(jīng)過(guò)對(duì)比和選擇，攝像頭選擇為數(shù)字?jǐn)z像頭；二值化算法選擇雙峰法；去噪選擇小波去噪法。

第3章硬件設(shè)計(jì)3.1硬件總體方案設(shè)計(jì)為滿(mǎn)足飛思卡爾賽車(chē)的設(shè)計(jì)要求，總體硬件思路如下設(shè)計(jì)思路：通過(guò)對(duì)攝像頭采集到的圖像的進(jìn)行處理，然后通過(guò)測(cè)速電機(jī)對(duì)小車(chē)的實(shí)時(shí)速度的采集，通過(guò)處理器對(duì)采集到的數(shù)據(jù)進(jìn)行分析，然后控制小車(chē)的運(yùn)動(dòng)方向和速度。同時(shí)外加小液晶和相應(yīng)按鍵，這樣可以根據(jù)實(shí)時(shí)情況來(lái)調(diào)節(jié)相應(yīng)的PID參數(shù)來(lái)適應(yīng)相應(yīng)路況。本章主要論述的是各種方案的對(duì)比以及最終方案的選擇。此智能車(chē)輛定位系統(tǒng)用攝像頭拍攝車(chē)輛前方的賽道，通過(guò)MC9S12DG12采樣視頻信號(hào)，獲得圖像數(shù)據(jù)。然后用合適的算法，如跟蹤邊緣檢測(cè)算法，分析圖像數(shù)據(jù)，提取目標(biāo)指引線(xiàn)。然后，系統(tǒng)根據(jù)目標(biāo)指引線(xiàn)的位置信息，對(duì)舵機(jī)和電機(jī)施以合適的控制。本智能車(chē)輛定位系統(tǒng)的結(jié)構(gòu)圖如圖3-1所示。因?yàn)橄到y(tǒng)是一個(gè)有機(jī)的整體，所以任何一部分的改進(jìn)都能提高小車(chē)的性能。頭電路圖3-1智能車(chē)結(jié)構(gòu)圖雖然輪胎、驅(qū)動(dòng)電機(jī)、舵機(jī)和電池等車(chē)模主要結(jié)構(gòu)不能作改動(dòng)，但是一些機(jī)械結(jié)構(gòu)上的細(xì)節(jié)仍然會(huì)對(duì)小車(chē)性能產(chǎn)生影響，為此我們對(duì)這些細(xì)節(jié)進(jìn)行了一定的調(diào)整。3.2核心控制板核心控制板（如圖3-2所示）負(fù)責(zé)視頻采集、獲取速度并輸出舵機(jī)和驅(qū)動(dòng)電機(jī)的控制信號(hào)。電路板上包括了S12單片機(jī)工作所必需的穩(wěn)壓模塊、時(shí)鐘模塊和復(fù)位模塊，同時(shí)還包括了調(diào)PID參數(shù)電路、串口以及無(wú)線(xiàn)SPI接口等。圖3-2核心控制板核心控制板的原理圖見(jiàn)附錄。3.3攝像頭的安裝攝像頭的安裝位置應(yīng)合適選取。安裝位置太低，會(huì)導(dǎo)致視域不夠廣闊，影響尋線(xiàn)的有效范圍；安裝位置太高，導(dǎo)引線(xiàn)會(huì)變得過(guò)窄而無(wú)法被檢測(cè)到，而且賽車(chē)系統(tǒng)會(huì)因重心抬高而穩(wěn)定性變差。安裝位置合適的一個(gè)標(biāo)準(zhǔn)是：在此位置的拍攝范圍能滿(mǎn)足控制的需要。控制的策略簡(jiǎn)單，則所需的拍攝范圍就可以小一些；反之策略復(fù)雜，需獲得的賽道信息較多，則拍攝范圍就應(yīng)大一些。作為本設(shè)計(jì)的賽車(chē)系統(tǒng)，控制策略涉及到賽車(chē)入彎時(shí)能區(qū)分S彎還是普通的單向彎。安裝方式如圖3-3所示，經(jīng)過(guò)測(cè)試安裝滿(mǎn)足要求。圖3-3智能車(chē)攝像頭安裝圖3.4小結(jié)由于小車(chē)要快速奔跑，需要保證它的穩(wěn)定性堅(jiān)固性，對(duì)于小車(chē)的布局都有嚴(yán)格的要求，經(jīng)過(guò)測(cè)試如上圖的的布局最為合理。第4章軟件設(shè)計(jì)4.1系統(tǒng)軟件總體設(shè)計(jì)方案否是場(chǎng)同步信號(hào)檢測(cè)圖像采樣否是場(chǎng)同步信號(hào)檢測(cè)圖像采樣舵機(jī)控制速度控制圖像去噪二值化軌跡提取速度提取系統(tǒng)初始化圖4-1系統(tǒng)軟件結(jié)構(gòu)4.2圖像二值化軟件設(shè)計(jì)根據(jù)第二章的雙峰值法設(shè)計(jì)原理相應(yīng)的程序的代碼如下（部分代碼）：#pragmaCODE_SEGDEFAULTucharthreshold;//動(dòng)態(tài)閾值ucharmax;//雙峰法的最大值ucharmin;//雙峰法的最小值/********************二值化***********************/voidBinary(void){for(temp_i=0;temp_i<line;temp_i++)//每行求一次動(dòng)態(tài)閾值{max=110;//賦初值min=90;//賦初值for(temp_j=0;temp_j<point;temp_j++){/*取值范圍在40-250中間*/if(Data_buffer[temp_i][temp_j]>max&&Data_buffer[temp_i][temp_j]<=250)max=Data_buffer[temp_i][temp_j];elseif(Data_buffer[temp_i][temp_j]<min&&Data_buffer[temp_i][temp_j]>=40)min=Data_buffer[temp_i][temp_j];}threshold=(uchar)((max+min)/2);//每行最大值最小值的平均值Data_Binary(temp_i,threshold);//每行求一次動(dòng)態(tài)閾值//Data_Binary(temp_i+1,threshold);//沒(méi)行求一次動(dòng)態(tài)閾值//Data_Binary(temp_i+2,threshold);//沒(méi)行求一次動(dòng)態(tài)閾值//Data_Binary(temp_i+3,threshold);//沒(méi)行求一次動(dòng)態(tài)閾值//Data_Binary(temp_i+4,threshold);//沒(méi)行求一次動(dòng)態(tài)閾值}}閥值點(diǎn)個(gè)數(shù)黑線(xiàn)中心區(qū)域底板中心區(qū)域50004000300020001000寬度值圖4-2直方圖統(tǒng)計(jì)法從分割（如圖4-2所示）的效果來(lái)看，當(dāng)前后景的對(duì)比較為強(qiáng)烈時(shí)，分割效果較好；否則基本無(wú)效。4.3去噪設(shè)計(jì)接下來(lái)按照上述小波閾值變換在信號(hào)去噪中的算法及小波閾值函數(shù)進(jìn)行計(jì)算機(jī)仿真，仿真程序采用MATLAB語(yǔ)言編寫(xiě)。該節(jié)首先產(chǎn)生一個(gè)實(shí)驗(yàn)信號(hào)，然后對(duì)小波去噪時(shí)各種參數(shù)設(shè)置進(jìn)行了詳細(xì)的對(duì)比研究，最后用MATLAB語(yǔ)言對(duì)小波去噪進(jìn)行仿真。4.3.1實(shí)驗(yàn)信號(hào)的產(chǎn)生該節(jié)所用到的實(shí)驗(yàn)信號(hào)是由wnoise（）函數(shù)產(chǎn)生的長(zhǎng)度為211點(diǎn)、含標(biāo)準(zhǔn)高斯白噪聲、信噪比為3的‘heavysine’信號(hào)。MATLAB工具箱提供了函數(shù)wnoise以實(shí)現(xiàn)為檢驗(yàn)小波去噪性能產(chǎn)生測(cè)試噪聲。其語(yǔ)法格式為：X=wnoise(FUN,N)[X,XN]=wnoise(FUN,N,SQRT_SNR)[X,XN]=wnoise(FUN,N,SQRT_SNR,INIT)1.X=wnoise(FUN,N)產(chǎn)生幅值在[0，1]之間長(zhǎng)度為2N的信號(hào)，信號(hào)的類(lèi)型由FUN指定：FUN=1BLOCKS產(chǎn)生不規(guī)則的方波信號(hào)FUN=2BUMPS產(chǎn)生低頻噪聲FUN=3HEAVYSIN產(chǎn)生隨機(jī)間斷的正弦信號(hào)FUN=4DROPLER產(chǎn)生chirp信號(hào)FUN=5QUADCHIRP產(chǎn)生4次調(diào)頻信號(hào)FUN=6MISHMASH產(chǎn)生混雜信號(hào)2.[X,XN]=wnoise(FUN,N,SQRT_SNR)產(chǎn)生含有白噪聲的信號(hào)XN，SQRT_SNR是信號(hào)的噪聲比。3.[X,XN]=wnoise(FUN,N,SQRT_SNR,INIT)使用初始值INIT產(chǎn)生含噪信號(hào)。下面的MATLAB語(yǔ)句產(chǎn)生信號(hào)：%產(chǎn)生一個(gè)Heavysine初始信號(hào)x和長(zhǎng)度為211點(diǎn)、含標(biāo)準(zhǔn)高斯白噪聲的信號(hào)xrefsnr=3;init=2055615866;[xref,x]=wnoise(3,11,snr,init);subplot(221),plot(xref),axis([12048-1010]);title('Originalsignal');subplot(223),plot(x),axis([12048-1010]);title(['Noisysignal-Signaltonoiseratio=',...num2str(fix(snr))]);圖4-3所示就是以上語(yǔ)句為產(chǎn)生的測(cè)試信號(hào)圖形。圖4-3原始信號(hào)和含燥信號(hào)各參數(shù)下去噪效果對(duì)比MATLAB工具箱提供了函數(shù)wden以實(shí)現(xiàn)自動(dòng)利用小波進(jìn)行一維信號(hào)的去噪。其語(yǔ)法格式為：[XD,CXD,LXD]=wden(X,TPTR,SORH,SCAL,N,'wname')[XD,CXD,LXD]=wden(C,L,TPTR,SORH,SCAL,N,'wname')（1）[XD,CXD,LXD]=wden(X,TPTR,SORH,SCAL,N,'wname')對(duì)輸入信號(hào)X進(jìn)行去噪處理，返回經(jīng)過(guò)處理的信號(hào)XD，以及XD的小波分解結(jié)構(gòu)[CXD,LXD]。（2）[XD,CXD,LXD]=wden(C,L,TPTR,SORH,SCAL,N,'wname')根據(jù)信號(hào)小波分解結(jié)構(gòu)[C,L]對(duì)信號(hào)進(jìn)行去噪處理。各參數(shù)的選擇對(duì)比如下：1．四種閾值選取方式的對(duì)比（TPTR的設(shè)置）根據(jù)基本的噪聲模型，程序中使用四種規(guī)則來(lái)選取閾值，每一種規(guī)則的選取有參數(shù)TPTR決定。TPTR的選擇有以下四種閾值規(guī)則：（1）TPTR=‘rigrsure’是一種基于史坦的無(wú)偏似然估計(jì)（二次方程）原理的自適應(yīng)閾值選擇。對(duì)一個(gè)給定的閾值t，得到他的似然估計(jì)，再將非似然t最小化，就得到了所選的閾值，它是一種軟件閾值估計(jì)器。（2）TPTR=‘sqtwolog’采用的是固定的閾值形式，產(chǎn)生的閾值大小事sqrt（2*log（length（x）））。（3）TPTR=‘heursure’事前兩種閾值的綜合，是最優(yōu)預(yù)測(cè)變量閾值選擇。如果噪聲比很?。ü烙?jì)有很大的噪聲），因此，采用此種啟發(fā)式的閾值。（4）TPTR=‘minimaxi’采用的是一種極大極小原理，它產(chǎn)生一個(gè)最小均方誤差值，而不是無(wú)誤差。在統(tǒng)計(jì)學(xué)上，這種極值原理在于設(shè)計(jì)估計(jì)器。因?yàn)楸幌氲男盘?hào)可以看作與未知回歸函數(shù)的估計(jì)式相似，這種極值估計(jì)器可以在一個(gè)給定的函數(shù)集中實(shí)現(xiàn)最大均方誤差最小化。在MATLAB中運(yùn)行以下語(yǔ)句：%不同閾值選取方式下濾波效果的比較snr=3;init=2055615866;[xref,x]=wnoise(3,11,snr,init);lev=5;xd=wden(x,'rigrsure','s','sln',lev,'sym8');subplot(221),plot(xd),axis([12048-1010]);title('rigrsure');xd=wden(x,'heursure','s','one',lev,'sym8');subplot(222),plot(xd),axis([12048-1010]);title('heursure');xd=wden(x,'sqtwolog','s','sln',lev,'sym8');subplot(223),plot(xd),axis([12048-1010]);title('sqtwolog');xd=wden(x,'minimaxi','s','sln',lev,'sym8');subplot(224),plot(xd),axis([12048-1010]);title('minimaxi');[c,l]=wavedec(x,lev,'sym8');xd=wden(c,l,'minimaxi','s','sln',lev,'sym8');得到4個(gè)去噪效果圖如圖4-4所示。圖4-4MATLAB中的4種閥值選取方式對(duì)比可以看出，固定閾值形式（sqtwolog）和啟發(fā)式閾值（heuesure）的去噪更徹底，而由于rigrsure和minimaxi閾值選取規(guī)則較為保守（閾值較?。?，導(dǎo)致只有部分系數(shù)置零噪聲去除不徹底。2．軟門(mén)限閾值和硬門(mén)限閾值處理比較（SORH的設(shè)置）對(duì)于閾值函數(shù)的確定，Donoho提出了兩種：硬閾值和軟閾值。在硬閾值處理中，由于收縮函數(shù)的不連續(xù)性，會(huì)在恢復(fù)的信號(hào)中產(chǎn)生一些人為的“噪聲點(diǎn)”。軟閾值的連續(xù)性較好。在MATLAB語(yǔ)句中，SORH=‘s’，則為軟閾值處理,向量X為待處理的信號(hào)。當(dāng)SORH=‘h’，則為硬閾值處理。一般來(lái)說(shuō)，用硬閾值處理后的信號(hào)比用軟閾值處理后的信號(hào)更為粗糙。在MATLAB下運(yùn)行如下語(yǔ)句：%軟門(mén)限閾值和硬門(mén)限閾值效果比較snr=3;init=2055615866;[xref,x]=wnoise(3,11,snr,init);thr=0.4;%作用硬閾值xthard=wthresh(x,'h',thr);%作用軟閾值xtsoft=wthresh(x,'s',thr);subplot(221),plot(xthard);title('作用硬閾值的結(jié)果');subplot(223),plot(xtsoft);title('作用軟閾值的結(jié)果');得到去噪效果對(duì)比圖如圖4-4所示。圖4-4軟門(mén)限閥值和硬門(mén)限閥值處理比較實(shí)驗(yàn)表明，軟門(mén)限閾值處理方式一般能夠取得更為平滑和理想的去噪效果。3．小波函數(shù)的比較選?。╳name）小波函數(shù)可以選取一個(gè)正交小波，如Daubechies（dbN），symlets（symN），coiflets（soifN）等。具體選擇可以根據(jù)實(shí)際需要決定，在我們的實(shí)驗(yàn)中選擇的是sym8(光滑的緊支撐雙正交小波)。4.4二值化后補(bǔ)線(xiàn)如果在拐彎處出現(xiàn)線(xiàn)丟失等狀況需要補(bǔ)線(xiàn)，則補(bǔ)線(xiàn)的大致原則是：選擇每一場(chǎng)離小車(chē)較近的幾個(gè)連續(xù)點(diǎn)。取出其相應(yīng)偏差值取其平均值，然后根據(jù)偏差趨勢(shì)，補(bǔ)出其相應(yīng)缺失的線(xiàn)。補(bǔ)線(xiàn)代碼如下：voidMidline(void){if(Point.VFlag==0)//尋線(xiàn)正常{for(temp_line=(line-1);temp_line>=0;temp_line--){if(Point.Left[temp_line]==0&&Point.Right[temp_line]!=(point-1))//左邊丟失{Middle[temp_line]=(int)((Middle[temp_line+1]+(Rate*(Point.Right[temp_line]-Point.Right[temp_line+1]))));}elseif(Point.Left[temp_line]!=0&&Point.Right[temp_line]==(point-1))//右邊丟失{Middle[temp_line]=(int)((Middle[temp_line+1]+(Rate*(Point.Left[temp_line]-Point.Left[temp_line+1]))));}elseif(Point.Left[temp_line]!=0&&Point.Right[temp_line]!=(point-1))//正常{Middle[temp_line]=(int)((Point.Left[temp_line]+Point.Right[temp_line])/2);}else//兩行全丟失保持{Middle[temp_line]=Middle[temp_line+1];}}}elseif(Point.VFlag!=1&&Point.VFlag!=0)//近處丟失后幾行尋到{if(Point.RStartLine<(line-3)&&Point.RStartLine>=22)//近處幾行丟失補(bǔ)出來(lái){for(temp_i=(Point.RStartLine+3);temp_i<line;temp_i++){Point.Right[temp_i]=2*Point.Right[temp_i-1]-Point.Right[temp_i-2];}}if(Point.LStartLine<(line-3)&&Point.LStartLine>=22)//近處幾行丟失補(bǔ)出來(lái){for(temp_j=(Point.LStartLine+3);temp_j<line;temp_j++){Point.Left[temp_j]=2*Point.Left[temp_j-1]-Point.Left[temp_j-2];}}if(((Point.RStartLine<22)||(Point.LStartLine<22))&&(Point.RStartLine!=0&&Point.LStartLine!=0))//左右起始行不在同一行且無(wú)法先下補(bǔ)線(xiàn){if(Point.LStartLine<Point.RStartLine){for(temp_line=(Point.LStartLine+2);temp_line>=0;temp_line--){if(Point.Left[temp_line]==0&&Point.Right[temp_line]!=(point-1)){Middle[temp_line]=(int)((Middle[temp_line+1]+(Rate*(Point.Right[temp_line]-Point.Right[temp_line+1]))));}elseif(Point.Left[temp_line]!=0&&Point.Right[temp_line]==(point-1)){Middle[temp_line]=(int)((Middle[temp_line+1]+(Rate*(Point.Left[temp_line]-Point.Left[temp_line+1]))));}elseif(Point.Left[temp_line]!=0&&Point.Right[temp_line]!=(point-1)){Middle[temp_line]=(int)((Point.Left[temp_line]+Point.Right[temp_line])/2);}else{Middle[temp_line]=Middle[temp_line+1];}}for(temp_line=(line-1);temp_line>(Point.LStartLine+2);temp_line--)//近處沒(méi)有線(xiàn)的直接補(bǔ)出來(lái){Middle[temp_line]=Middle[Point.LStartLine+2];}}else//左右起始行不在同一行且無(wú)法先下補(bǔ)線(xiàn){for(temp_line=(Point.RStartLine+2);temp_line>=0;temp_line--){if(Point.Left[temp_line]==0&&Point.Right[temp_line]!=(point-1)){Middle[temp_line]=(int)((Middle[temp_line+1]+(Rate*(Point.Right[temp_line]-Point.Right[temp_line+1]))));}elseif(Point.Left[temp_line]!=0&&Point.Right[temp_line]==(point-1)){Middle[temp_line]=(int)((Middle[temp_line+1]+(Rate*(Point.Left[temp_line]-Point.Left[temp_line+1]))));}elseif(Point.Left[temp_line]!=0&&Point.Right[temp_line]!=(point-1)){Middle[temp_line]=(int)((Point.Left[temp_line]+Point.Right[temp_line])/2);}else{Middle[temp_line]=Middle[temp_line+1];}}for(temp_line=(line-1);temp_line>(Point.RStartLine+2);temp_line--)//近處沒(méi)有線(xiàn)的直接補(bǔ)出來(lái){Middle[temp_line]=Middle[Point.RStartLine+2];}}}elseif((Point.RStartLine==0)&&(Point.LStartLine>=22))//只有一邊的線(xiàn)完整{Middle[line-1]=Point.Left[line-1]+50;for(temp_line=(line-2);temp_line>=0;temp_line--){if(Point.Left[temp_line]==0)Middle[temp_line]=Middle[temp_line+1];elseMiddle[temp_line]=(int)((Middle[temp_line+1]+(Rate*(Point.Left[temp_line]-Point.Left[temp_line+1]))));}}elseif((Point.LStartLine==0)&&(Point.RStartLine>=22))//只有一邊的線(xiàn)完整{Middle[line-1]=Point.Right[line-1]-50;for(temp_line=(line-2);temp_line>=0;temp_line--){if(Point.Right[temp_line]==(point-1))Middle[temp_line]=Middle[temp_line+1];elseMiddle[temp_line]=(int)((Middle[temp_line+1]+(Rate*(Point.Right[temp_line]-Point.Right[temp_line+1]))));}}else//通過(guò)近處幾行的補(bǔ)線(xiàn)圖像完整{if(Point.LStartLine<=Point.RStartLine){for(temp_line=(line-1);temp_line>=Point.LStartLine;temp_line--)//補(bǔ)出來(lái)的線(xiàn)可能會(huì)有0或是point-1{Middle[temp_line]=(Point.Left[temp_line]+Point.Right[temp_line])/2;}for(temp_line=(Point.LStartLine-1);temp_line>=0;temp_line--){if(Point.Left[temp_line]==0&&Point.Right[temp_line]!=(point-1))//左邊丟失{Middle[temp_line]=(int)((Middle[temp_line+1]+(Rate*(Point.Right[temp_line]-Point.Right[temp_line+1]))));}elseif(Point.Left[temp_line]!=0&&Point.Right[temp_line]==(point-1))//右邊丟失{Middle[temp_line]=(int)((Middle[temp_line+1]+(Rate*(Point.Left[temp_line]-Point.Left[temp_line+1]))));}elseif(Point.Left[temp_line]!=0&&Point.Right[temp_line]!=(point-1))//正常{Middle[temp_line]=(Point.Left[temp_line]+Point.Right[temp_line])/2;}else//全丟失保持{Middle[temp_line]=Middle[temp_line+1];}}}else{for(temp_line=(line-1);temp_line>=Point.RStartLine;temp_line--)//補(bǔ)出來(lái)的線(xiàn)可能會(huì)有0或是point-1{Middle[temp_line]=(int)((Point.Left[temp_line]+Point.Right[temp_line])/2);}for(temp_line=(Point.RStartLine-1);temp_line>=0;temp_line--){if(Point.Left[temp_line]==0&&Point.Right[temp_line]!=(point-1))//左邊丟失{Middle[temp_line]=(int)((Middle[temp_line+1]+(Rate*(Point.Right[temp_line]-Poi