智能系統(tǒng)綜合課程設(shè)計(jì)實(shí)驗(yàn)報告

縮微智能車系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)系統(tǒng)設(shè)計(jì)背景：縮微智能車的智能駕駛系統(tǒng)與原尺度智能車有很強(qiáng)的相似性?？s微車除了物理尺寸與真實(shí)車輛不同，在智能駕駛的關(guān)鍵技術(shù)如環(huán)境信息處理，導(dǎo)航路徑規(guī)劃，控制信號生成等方面和真實(shí)車輛面臨的問題是相同的。因此縮微平臺下的自主駕駛研究可以為原尺度智能車研究提供一定的參考和經(jīng)驗(yàn)積累智能車發(fā)展現(xiàn)狀：智能車(IntelligentVehicle，簡稱IV)是一個集環(huán)境感知、動態(tài)決策與規(guī)劃、智能控制與執(zhí)行等多功能于一體的綜合系統(tǒng)[14-16]，其研究的主要目的在于降低日趨嚴(yán)重的交通事故發(fā)生率，提高現(xiàn)有道路交通的效率，在某種程度上緩解能源消耗和環(huán)境污染等問題?？s微智能車的基礎(chǔ)科學(xué)問題主要是要解決視聽覺信息的“表達(dá)”與“計(jì)算”的問題，構(gòu)建新的計(jì)算模型與算法，提高計(jì)算機(jī)對非結(jié)構(gòu)化視聽覺感知信息的理解能力和海量異構(gòu)信息的處理效率，感知特征的提取、表達(dá)與整合，感知數(shù)據(jù)的機(jī)器學(xué)習(xí)與理解，多模態(tài)信息的協(xié)同與計(jì)算等。突出智能駕駛行為中“視而不見”、“先視后覺”、“先覺后視”、“邊覺邊視”認(rèn)知規(guī)律。聚焦MOR選擇性注意動力學(xué)模型，為研究智能駕駛和城市智能交通提供了重要媒體和科學(xué)手段。系統(tǒng)簡介：縮微智能車?yán)米陨硌b載的攝像頭等傳感器獲取道路信息以及環(huán)境信息，并通過自身處理器和控制器的共同處理，完成在縮微道路環(huán)境中的自主駕駛行為，完成循線行駛、遇障礙物停車、超車換道、紅綠燈響應(yīng)、交通標(biāo)志的識別等功能。一、硬件設(shè)計(jì)模塊縮微智能車硬件結(jié)構(gòu)主要由車模地盤、中央處理器單元（X86工業(yè)主板）、運(yùn)動控制單元（Arduino單片機(jī)）、傳感器（攝像頭、超聲波、紅外傳感器和電子羅盤等）、電力裝置、電機(jī)驅(qū)動、舵機(jī)驅(qū)動、人機(jī)接口和無線通訊等模塊組成。其硬件結(jié)構(gòu)如圖2.2所示圖2.2縮微智能車硬件結(jié)構(gòu)智能車系統(tǒng)通過視覺傳感器來檢測各種道路環(huán)境信息，并將采集的信息發(fā)送給中央處理系統(tǒng)。通過電調(diào)及傳感器等的反饋將車體的行駛速度、加速度及行駛路況等信息傳送給主控模塊。同時，根據(jù)當(dāng)前所取得的車體行駛信息和路面環(huán)境狀況信息，經(jīng)處理器經(jīng)運(yùn)算分析處理做出相應(yīng)決策，并通過PWM信號控制直流電機(jī)和舵機(jī)進(jìn)行相應(yīng)動作，從而實(shí)現(xiàn)車體的轉(zhuǎn)向控制和速度控制。其硬件構(gòu)架如圖2.2所示：圖2.3縮微智能車硬件構(gòu)架二、軟件設(shè)計(jì)模塊軟件結(jié)構(gòu) 按照功能劃分，整個軟件系統(tǒng)分為環(huán)境感知，行駛規(guī)劃和運(yùn)動控制三個部分。系統(tǒng)的軟件架構(gòu)如圖2.4所示圖2.4縮微車軟件結(jié)構(gòu)環(huán)境感知部分的功能是對攝像頭采集的視覺圖像進(jìn)行處理，提取出其中的駕駛環(huán)境信息，包括車道線，路面箭頭標(biāo)志的類型，前方是否存在障礙車輛和紅燈等信息。識別出車道線后判斷其類型，并利用直線模型將車道線位置參數(shù)描述出來。環(huán)境信息的有效提取是實(shí)現(xiàn)視覺導(dǎo)航的基礎(chǔ)。行駛規(guī)劃部分的功能是綜合識別到的環(huán)境信息，根據(jù)當(dāng)前的道路狀況確定下一周期的行駛狀態(tài)。當(dāng)前方出現(xiàn)人偶或紅燈時，智能車停止前進(jìn)；前方存在車輛且車距過近時進(jìn)行減速或停車；結(jié)合車道線和路面箭頭標(biāo)志進(jìn)行行駛路徑的規(guī)劃；根據(jù)車道線的類型和參數(shù)情況選擇相應(yīng)的行駛狀態(tài)控制模型，并計(jì)算駕駛控制信息。運(yùn)動控制部分的主要功能是執(zhí)行上層給出的控制信息，結(jié)合智能車當(dāng)前的狀態(tài)信息生成控制信號，直接控制車身的行駛速度和轉(zhuǎn)向運(yùn)動。這一部分功能由負(fù)責(zé)運(yùn)動控制的Arduino單片機(jī)實(shí)現(xiàn)。三、控制策略設(shè)計(jì)模塊智能車在道路環(huán)境中行駛，通過視覺輸入模塊不斷獲取前方的道路環(huán)境信息，經(jīng)過處理后形成駕駛控制信號，驅(qū)動智能車按照正確地路徑運(yùn)動。車身的運(yùn)動帶來視野圖像環(huán)境的改變，新的視野圖像作為下一控制周期的輸入信息驅(qū)動下一周期的運(yùn)動控制。按照這種方式，環(huán)境、攝像頭和車體構(gòu)成一個控制回路。因?yàn)槊看蔚囊曈X輸入圖像都是車身前方一段距離的預(yù)瞄圖像，因此整個自主駕駛控制屬于預(yù)瞄控制。其控制系統(tǒng)模型如圖2.5所示圖2.5縮車控制系統(tǒng)結(jié)構(gòu)圖四、縮微智能車自主駕駛行為研究重點(diǎn)在基于視覺導(dǎo)航的自主駕駛中，視覺圖像處理是整個系統(tǒng)的基礎(chǔ)。攝像頭采集的視覺圖像中，除了包含目標(biāo)道路和有效的環(huán)境要素外，很大一部分是對車道識別、標(biāo)志識別等造成干擾的背景圖像。圖像處理的工作是根據(jù)目標(biāo)圖像的不同特征，將目標(biāo)從整幅圖像中分割并識別出來，為自主控制提供有效的導(dǎo)航信息。由于從攝像頭獲取圖像時空間物體表面的點(diǎn)最終投射到感應(yīng)器的哪個點(diǎn)上是確定的，但是由于無法直接而精確的測量，所以只能用一個數(shù)學(xué)模型來近似地描述這一關(guān)系，這個數(shù)學(xué)模型就是攝像機(jī)的成像模型，模型中的參數(shù)有部分是未知的，需要采用一定的方法來計(jì)算，計(jì)算這些參數(shù)的過程稱為攝像頭的標(biāo)定。縮微車在縮微交通環(huán)境中自主駕駛，道路識別是其最基礎(chǔ)也是最重要的工作。按照道路的特征分類，道路環(huán)境可以分為結(jié)構(gòu)化的道路和非結(jié)構(gòu)化的道路兩種，縮微交通環(huán)境中，道路環(huán)境主要為結(jié)構(gòu)化道路。在結(jié)構(gòu)化道路環(huán)境中，車道標(biāo)線具有明顯的特征，因此對道路的識別主要集中為車道線的檢測，基于機(jī)器視覺的車道檢測已經(jīng)成為智能車輛領(lǐng)域的一個研究重點(diǎn)。交通燈在城市交通環(huán)境中扮演著重要的角色，交通信號燈在大幅度提高路口通行效率和智能車在交叉路口能否安全行車的應(yīng)用中有著重要的作用。交通信號燈中包含許多重要的交通信息，適時提供這些信息給駕駛員有利于駕駛員及時反應(yīng)，保證駕駛安全，避免交通事故的發(fā)生，因此對它的研究具有重要的意義。在交通養(yǎng)護(hù)施工過程中，錐形標(biāo)作為交通安全標(biāo)志使用，起到安全警示、導(dǎo)向、隔離、警止等作用，對錐形標(biāo)的識別也成為智能交通系統(tǒng)研究的重要內(nèi)容之一，在保證車輛行駛安全，保證施工人員安全方面具有重要意義。交通標(biāo)志識別作用就是在車輛行駛過程中對道路交通標(biāo)志圖像進(jìn)行采集和識別，及時地向駕駛員做出指示或警告，引導(dǎo)駕駛員正確地控制車輛，以保持交通通暢和預(yù)防事故的發(fā)生。限速標(biāo)志是一類最常見道路標(biāo)志，它們限制車輛的最高行駛速度。限速標(biāo)志自動識別術(shù)的研究，可以避免潛在事故，提供司機(jī)沒有注意到的道路信息，減少交通事故的發(fā)生縮微車在道路環(huán)境中行駛時，需要實(shí)時識別道路信息及環(huán)境信息，并對其作出積極響應(yīng)，從而實(shí)現(xiàn)在道路環(huán)境中沿車道線穩(wěn)定行駛，并對道路環(huán)境中的道路元素以及其他縮微車輛作出響應(yīng)，因此決策控制策略也成為縮微車不可缺少的組成部分之一。4.1攝像頭標(biāo)定根據(jù)設(shè)計(jì)要求可知，智能車要適應(yīng)各種不同的道路狀況，因而對攝像頭有較高的要求。本智能車采用羅技C210CMOS網(wǎng)絡(luò)攝像頭，動態(tài)像素130萬像素，動態(tài)分辨率640*480，適合運(yùn)動對象的拍攝，為USB2.0接口即插即用設(shè)備，支持熱插拔、持連續(xù)采集和外觸發(fā)或軟觸發(fā)采集的工作方式，支持任意AOI設(shè)置，圖像采集時圖像的寬高可由用戶設(shè)置。同時由于攝像頭做工比較粗糙；本系統(tǒng)攝像頭光軸與地面呈一定的夾角，于是其圖像存在梯形失真，故選擇合適CMOS網(wǎng)絡(luò)攝像頭的標(biāo)定方法為本系統(tǒng)提供可靠的視頻采集信息。4.1.1攝像頭標(biāo)定原理攝像機(jī)標(biāo)定，是指建立攝像機(jī)成像幾何模型，描述空間坐標(biāo)系中物體點(diǎn)同它在圖像平面上像點(diǎn)之間對應(yīng)關(guān)系的過程[43][44]。攝像機(jī)標(biāo)定的目的就是確定幾何模型參數(shù)即攝像機(jī)參數(shù)，描述空間坐標(biāo)系中物體點(diǎn)同它在圖像平面上像點(diǎn)之間對應(yīng)關(guān)系的過程。攝像機(jī)標(biāo)定是計(jì)算機(jī)視覺的研究問題之一，是通過二維圖像獲取三維空間信息的關(guān)鍵和必要步驟。攝像頭標(biāo)定可以分為三種不同的形式：基于標(biāo)定物的方法、自標(biāo)定方法[43]和基于主動視覺[45]的標(biāo)定方法?；跇?biāo)定物的方法是指用一個結(jié)構(gòu)已知、加工精度很高的標(biāo)定塊作為空間參照物，通過空間點(diǎn)和圖像點(diǎn)之間的對應(yīng)關(guān)系來建立攝像機(jī)模型參數(shù)的約束，通過優(yōu)化算法來求取這些參數(shù)；基于自標(biāo)定的方法需要控制攝像頭做嚴(yán)格的運(yùn)動，穩(wěn)定性較差；而主動視覺一般又難以實(shí)現(xiàn)。相比于自標(biāo)定和基于主動視覺的標(biāo)定方法，基于標(biāo)定物方法的優(yōu)點(diǎn)是可以使用任意的攝像頭模型，標(biāo)定精度高，因此當(dāng)應(yīng)用場合所要求的精度很高時，常選用這種方法。故本系統(tǒng)采用基于標(biāo)定物方法進(jìn)行標(biāo)定。1、攝像頭成像模型理想的攝像機(jī)成像模型是光學(xué)中的中心投影，也稱為針孔模型。針孔模型假設(shè)物體表面的光都經(jīng)過一個針孔而投影到像平面上，即滿足光的直線傳播條件。針孔成像和透鏡成像具有相同的成像關(guān)系，因此可以用針孔模型作為攝像機(jī)成像模型。故建立以下四個坐標(biāo)系：（1）世界坐標(biāo)系，用來表示；（2）攝像頭坐標(biāo)系，如圖4.1所示，光心到圖像平面的距離為攝像機(jī)的有效焦距。表示目標(biāo)點(diǎn)在攝像機(jī)坐標(biāo)系下的三維坐標(biāo)；（3）像素坐標(biāo)系，如圖4.2所示，坐標(biāo)用來表示；（4）圖像坐標(biāo)系，如圖4.2所示，坐標(biāo)用來表示。圖4.1攝像機(jī)坐標(biāo)系和世界坐標(biāo)系圖4.2像素坐標(biāo)系和圖像坐標(biāo)系通過下面的坐標(biāo)系的變換，實(shí)現(xiàn)了世界坐標(biāo)系中的點(diǎn)P與像素坐標(biāo)點(diǎn)中的投影的映射。（1）世界坐標(biāo)系中的轉(zhuǎn)換為攝像頭坐標(biāo)系點(diǎn)(4-1)式（4-1）中為倆坐標(biāo)系之間的3*3正交旋轉(zhuǎn)單位矩陣，為倆坐標(biāo)系之間3*1的平移向量，，。（2）攝像頭坐標(biāo)系點(diǎn)與圖像坐標(biāo)系的轉(zhuǎn)換(4-2)引入透鏡的徑向畸變，圖像平面坐標(biāo)系中物理坐標(biāo)擴(kuò)展為(4-3)式（4-3）中、是徑向畸變系數(shù)，、是切向畸變系數(shù)，。（3）圖像平面坐標(biāo)系中的物理坐標(biāo)，轉(zhuǎn)換為像素坐標(biāo)(4-4)式（4-4）中為圖像坐標(biāo)系的中心點(diǎn)在像素坐標(biāo)系下的坐標(biāo)，為攝像頭的有效焦距，每個像素在X軸和Y軸上的物理尺寸為，表示。故綜上所述：(4-5)其中，H為標(biāo)定矩陣。2、OpenCV標(biāo)定方法計(jì)算機(jī)視覺中，平面的單應(yīng)性被定義為從一個平面到另一個平面的投影映射，因一個二維平面上的點(diǎn)映射到攝像頭成像儀上就是平面單應(yīng)性的例子如果對點(diǎn)Q到成像儀上的點(diǎn)q的映射使用齊次坐標(biāo)，這種映射可以用矩陣相乘的方式表示。有以下定義:(4-6)則可以將單應(yīng)性簡單表示為:(4-7)這里如入?yún)?shù)s，它是一個任意尺度比例。OpenCV標(biāo)定模塊[46][47]是基于張正友[45]的平面標(biāo)定來實(shí)現(xiàn)的，通過建立模板和圖像上的點(diǎn)的匹配關(guān)系，來確定圖像和模板之間的單應(yīng)矩陣（Homography），然后利用單適應(yīng)矩陣來求解標(biāo)定矩陣。4.1.2基于OpenCV的標(biāo)定系統(tǒng)的實(shí)現(xiàn)1、標(biāo)定流程攝像頭標(biāo)定流程如圖4.3所示.（1）讀入圖像并進(jìn)行角點(diǎn)檢測。用cvFindChessboardCorners()函數(shù)檢測并提取棋盤角點(diǎn)位置，如果該幅圖像上提取的角點(diǎn)數(shù)目和設(shè)定的相同，則返回非零值，角點(diǎn)提取成功，角點(diǎn)像素坐標(biāo)用鏈表形式存儲；否則返回0，角點(diǎn)提取失敗。（2）亞像素化角點(diǎn)坐標(biāo)。用cvFindCornerSubPix()函數(shù)亞像素化角點(diǎn)的坐標(biāo)值，并調(diào)用cvDrawChessboardCorners()函數(shù)將提取到的角點(diǎn)標(biāo)注出來。（3）對攝像頭進(jìn)行內(nèi)參數(shù)標(biāo)定。調(diào)用cvCalibrateCamera2()函數(shù)，求取攝像機(jī)的內(nèi)參數(shù)，并將參數(shù)保存。（4）確定攝像頭相對位置。把攝像頭調(diào)整到合適角度（利于系統(tǒng)信息采集），并固定位置。（5）對采集圖像進(jìn)行修正。調(diào)用cvInitUndistortMap()、cvRemap()對原始采集圖像進(jìn)行修正，并保存修正圖像。（6）確定四個棋盤角點(diǎn)像素坐標(biāo)。對修正的棋盤圖像調(diào)用找角點(diǎn)函數(shù)，將cvFindCornerSubPix()返回的corners[0]、corners[board_w-1]、corners[(board_h-1)*board_w]、corners[(board_h-1)*board_w+board_w-1]保存，并用不同顏色標(biāo)注，如圖4.6所示。（7）確定此四個角點(diǎn)的世界坐標(biāo)。此坐標(biāo)系以系統(tǒng)路面為Z軸平面，以智能車前端中心為原點(diǎn)，X軸平行于智能車前端，Y軸平行于道路邊沿線，測量此四個角點(diǎn)的坐標(biāo)。（8）進(jìn)行透視變換。用cvGetPerspectiveTransform()將保存的四個棋盤角點(diǎn)坐標(biāo)與四個角點(diǎn)的實(shí)際坐標(biāo)進(jìn)行透視變換，獲得變換矩陣并保存。圖4.3標(biāo)定流程圖2.2標(biāo)定結(jié)果（1）棋盤圖像采集，如圖4.4所示。圖4.4棋盤格原始圖像（2）對棋盤圖像進(jìn)行角點(diǎn)提取和亞像素化，如圖4.5所示。圖4.5角點(diǎn)提取圖像（3）標(biāo)定結(jié)果，如表4.1與矩陣M所示。表4.1攝像頭畸變系數(shù)K1K2P1P27.54044266e+01-4.06946659e-012.19904371e-022.49134570e-01攝像頭內(nèi)參數(shù)矩陣M：（4）修正采集的標(biāo)定圖并找出角點(diǎn)亞像素化，將四個頂點(diǎn)的像素坐標(biāo)提取并標(biāo)注，如圖4.6(a)所示。圖4.6標(biāo)定結(jié)果（6）透視變換后的圖像，如圖4.6(b)所示。（7）求得變換矩陣H。4.2車道線檢測到目前為止，已經(jīng)提出和發(fā)展了多種基于視覺的適用于不同車道線的檢測算法。這些算法采用了不同的道路模型（直線、二次曲線或分段切換模型）[48-50]和不同的邊界提取技術(shù)（Hough變換、道路邊緣搜索算法、基于小波變換的邊緣提取）[51-53]來實(shí)現(xiàn)車道線的檢測。由于結(jié)構(gòu)化道路一般具有清晰的車道標(biāo)線和道路邊界，車道標(biāo)線為連續(xù)或間斷的黃色或白色線等，進(jìn)行車道檢測時，顏色和邊緣是最常用的特征。縮微道路環(huán)境中光照不均勻、地面強(qiáng)反光、陰影等的存在易對車道線的檢測造成干擾，降低車道線檢測算法的實(shí)時性和魯棒性，因此應(yīng)盡量消除光照及陰影造成的影響。圖4.2為縮微智能車靜止?fàn)顟B(tài)下采集的兩幅不同光照下的圖像，其中圖4.8（a）為地面有強(qiáng)反光圖像。本系統(tǒng)的車道線檢測方法采用基于直線模型的車道線實(shí)時檢測方法。在圖像預(yù)處理階段采用數(shù)學(xué)形態(tài)學(xué)膨脹腐蝕運(yùn)算去除光照背景；并采用自適應(yīng)閾值二值化圖像，利用Canny算子對車道標(biāo)識線進(jìn)行邊緣提?。焕酶怕驶舴蜃儞Q實(shí)現(xiàn)車道標(biāo)識線的檢測。4.2.1圖像獲取和預(yù)處理 通過攝像頭采集得到的車道圖像一般是24位真彩色RGB圖像，首先將通過攝像頭采集得到的彩色圖像轉(zhuǎn)化為灰度圖像，在灰度圖像中進(jìn)動態(tài)檢測車道標(biāo)識線。4.2.2濾光處理為了去除室內(nèi)光照的影響，得到只包含車道標(biāo)識線的灰度圖像，本文利用灰值腐蝕和膨脹運(yùn)算得到車道標(biāo)識線的背景圖像，再利用原灰度圖像和背景圖像作差值運(yùn)算，得到只包含車道標(biāo)識線的灰度圖像。

1、腐蝕膨脹理論在灰值數(shù)學(xué)形態(tài)學(xué)中，二值化形態(tài)學(xué)中所用到的交、并運(yùn)算將分別用最大、最小極值運(yùn)算代替。灰值圖像的腐蝕和膨脹過程可直接從圖像和結(jié)構(gòu)元素的灰值級函數(shù)計(jì)算出來。灰值圖像可以看成一個函數(shù)，它相應(yīng)于三維歐式空間中的點(diǎn)集，其中的第三維Z對應(yīng)圖像的灰度值?；抑禂?shù)學(xué)形態(tài)學(xué)利用了形態(tài)學(xué)在描述信號形態(tài)方面的獨(dú)特優(yōu)勢，又彌補(bǔ)了二值圖像中信號丟失的不足[54][55]?；叶冗\(yùn)算的計(jì)算是逐點(diǎn)進(jìn)行的，求某點(diǎn)的腐蝕運(yùn)算結(jié)果就是計(jì)算該點(diǎn)局部范圍內(nèi)各點(diǎn)與結(jié)構(gòu)元素中對應(yīng)點(diǎn)的灰度值之差，并選取其中的最小值作為該點(diǎn)的腐蝕結(jié)果。經(jīng)腐蝕運(yùn)算后，圖像邊緣部分具有較大灰度值點(diǎn)的灰度會降低，因此邊緣會向灰度值高的區(qū)域內(nèi)部收縮。膨脹運(yùn)算也是逐點(diǎn)進(jìn)行的，計(jì)算該點(diǎn)局部范圍內(nèi)各點(diǎn)與結(jié)構(gòu)元素中對應(yīng)點(diǎn)的灰度值之和，并選取其中的最大值作為該點(diǎn)的膨脹結(jié)果。經(jīng)膨脹運(yùn)算后，邊緣會向灰度值低的區(qū)域延伸。2、腐蝕膨脹處理運(yùn)算結(jié)構(gòu)元素是圖像數(shù)學(xué)形態(tài)學(xué)的基本算子，所有關(guān)于圖像形態(tài)學(xué)的處理都由它來完成。如何選取運(yùn)算結(jié)構(gòu)元素，直接影響到圖像處理的效果和質(zhì)量。結(jié)構(gòu)元素的大小可視圖像的目標(biāo)體灰度均勻情況和噪聲情況而定：目標(biāo)體輪廓不清晰，應(yīng)選用較小的結(jié)構(gòu)元素；噪聲顆粒較大，應(yīng)選用較大的結(jié)構(gòu)元素。一般來說，結(jié)構(gòu)元素的尺寸要明顯小于目標(biāo)圖像的尺寸。經(jīng)多次試驗(yàn)，我們選用4×4的圓形結(jié)構(gòu)元素對灰度圖進(jìn)行腐蝕膨脹處理。（1）腐蝕處理（4-8）利用式(4-8)對灰度圖像進(jìn)行灰值腐蝕運(yùn)算次，得到圖像。其中，，為控制系數(shù)（，其中為縮微智能車輛當(dāng)前行駛速度，單位為米/秒，；為縮微智能車輛靜止?fàn)顟B(tài)時所采集的圖像中車道線的寬度）。我們使用，。（2）膨脹處理（4-9）利用式(4-9)對圖像進(jìn)行灰值膨脹運(yùn)算次，得到圖像，其中。對圖8所示圖像進(jìn)行腐蝕膨脹處理后得到去除車道線的背景圖像。3、濾光處理按式（4-10）對圖8和圖9進(jìn)行差運(yùn)算，得到濾光處理后的車道線圖像，如圖4.8(b)所示：(4-10)式中，為車道線圖像，為原圖像的灰度圖像，為背景圖像。經(jīng)濾光處理后的灰度圖像，不僅保存了原灰度圖像的道路標(biāo)識線的特征，而且去除了地面強(qiáng)反光帶來的干擾。4.2.3二值化與邊緣提取我們采用大津法確定圖像的動態(tài)閾值，其流程圖如圖4.7所示。圖4.7大津算法流程圖而后我們采用Canny邊緣檢測[56]來對二值化后的圖像進(jìn)行邊緣提取，其基本思想是采用二維高斯函數(shù)的任意方向上的一階方向?qū)?shù)為噪聲濾波器，通過與圖像卷積進(jìn)行濾波，然后對濾波后的圖像尋找局部梯度最大值，并以此來確定圖像的邊緣，它具有穩(wěn)定性好、實(shí)時性高的特點(diǎn)。4.2.4基于PPHT的車道線提取得到邊緣提取的圖像后，我們對其進(jìn)行PPHT（改進(jìn)的概率霍夫變換）處理，便可以得到我們所需要的車道線。PPHT算法的具體步驟如下[57]：（1）將參數(shù)空間均分為多個小區(qū)間，每個區(qū)間對應(yīng)一個累加器，其初始值為零；將檢測到的所有邊緣點(diǎn)放到待處理邊緣點(diǎn)集；（2）檢測待處理邊緣點(diǎn)集是否為空，是則算法結(jié)束；否則隨機(jī)從待處理邊緣點(diǎn)集中取一像素點(diǎn)，投射到參數(shù)空間，在各個值下計(jì)算相應(yīng)的值，對應(yīng)的累加器加1；（3）從待處理邊緣點(diǎn)集中刪除所取的點(diǎn)；（4）判斷更新后的累加器值是否有大于閾值，否則回到第2步；（5）由上一步得到的值大于的累加器對應(yīng)的參數(shù)確定一條直線，刪除待處理點(diǎn)集中位于該直線上的點(diǎn)，此累加器清零；（6）回第2步。最終以所得線段的兩端點(diǎn)來確定概率霍夫變換所得線段。此時便可以根據(jù)線段得到小車的行駛路徑，如圖4.8所示圖4.8車道線檢測圖像4.3交通燈識別由于縮微交通環(huán)境中交通燈規(guī)格較小，對背景圖像及光線等干擾信息較敏感，真實(shí)環(huán)境下的交通燈檢測算法易導(dǎo)致交通標(biāo)志的誤檢測或漏檢測，不能在縮微交通環(huán)境中發(fā)揮很好的作用。同時，已有的交通燈檢測方法都僅僅是在圖像序列中檢測出交通燈，并未對自主駕駛車輛在檢測到交通燈后的響應(yīng)做進(jìn)一步的闡述。同時為了實(shí)現(xiàn)縮微交通環(huán)境下智能車對交通燈的準(zhǔn)確響應(yīng)，本文提出了基于斑馬線檢測的縮微智能車在十字路口的交通燈自主響應(yīng)策略。首先，在HSV顏色空間利用顏色信息和形狀特征檢測交通燈；其次，運(yùn)用形態(tài)學(xué)方法去除光照影響，利用最大類間方差法實(shí)現(xiàn)圖像二值化，從二值圖像檢測斑馬線輪廓；最后，將兩種檢測算法進(jìn)行融合，實(shí)現(xiàn)縮微車在十字路口對交通燈的準(zhǔn)確響應(yīng)。4.3.1紅綠燈檢測 縮微交通環(huán)境中，安裝在車輛前方用于獲取環(huán)境信息的攝像頭獲取到用于交通燈識別的圖像大小為320*240，交通燈按真實(shí)交通環(huán)境大小1：10比例縮微，圖像中交通燈的區(qū)域較小。由于顏色信息容易受光照等因素的影響，路燈、地面反光等會對交通燈的識別會產(chǎn)生嚴(yán)重的干擾?？s微車攝像頭固定后，除了抖動影響外，交通燈出現(xiàn)在一個相對固定的范圍內(nèi)，本文在感興趣區(qū)域內(nèi)基于顏色信息和形狀特征進(jìn)行交通燈檢測。1、圖像分割由于RGB顏色空間受光照變化的影響較大，與人眼對顏色的感知差距比較大，不適合彩色圖像的分割；HSV顏色空間對顏色的描述更符合人類對顏色的視覺理解，反映了人的視覺對顏色的感知。HSV空間的各個分量相互獨(dú)立，對于同一顏色屬性物體，具有比較穩(wěn)定的數(shù)值變化范圍。本文采用HSV顏色空間進(jìn)行圖像分割[58][59]。在實(shí)驗(yàn)中選取，，從圖像中提取紅色像素。其中，，分別為區(qū)域圖像色調(diào)的最小閩值和最大閾值，為區(qū)域圖像飽和度的最小閾值。為區(qū)域圖像亮度的最小閾值。對符合條件的像素標(biāo)記為“1”，不符合條件的像素標(biāo)記為“0”，顏色分割后得到的二值圖像如圖4.9(b)所示。二值化后的圖像有很多交通燈候選區(qū)域，經(jīng)過多次實(shí)驗(yàn)測試，在感興趣區(qū)域內(nèi)進(jìn)行交通標(biāo)志檢測（如圖4.9(c)中紅色矩形區(qū)域）。2、交通燈檢測縮微交通環(huán)境中，交通燈在形狀上有顯著的特征，紅綠燈的輪廓以近似為圓的紅色（綠色）邊緣包含白色高亮區(qū)域。顏色分割后的二值化圖像中交通燈的候選區(qū)域?yàn)榘咨珗A環(huán)。在感興趣區(qū)域以8-聯(lián)通的方式連接候選區(qū)域中的像素點(diǎn)進(jìn)行輪廓檢測，避免了角點(diǎn)檢測方法和霍夫找圓方法對非閉合輪廓檢測不準(zhǔn)確的缺陷。每個候選區(qū)域都有長寬比、面積、圓形度、顏色比等屬性，這些屬性可以過濾掉一部分干擾信息[60]。本文選擇候選區(qū)域的長寬比、面積以及顏色比來過濾干擾信息。公式（4-11）為顏色比計(jì)算公式，公式（4-12）為長寬比計(jì)算公式。(4-11)其中為候選區(qū)域中的紅色比例，，，為候選區(qū)域中各種顏色的數(shù)目。實(shí)驗(yàn)中的值設(shè)置為0.7。(4-12)其中為候選區(qū)域的長寬比，，分別為候選區(qū)域的高和寬，實(shí)驗(yàn)中設(shè)置。實(shí)驗(yàn)證明，經(jīng)過面積、長寬比及顏色比過濾后，對交通燈的檢測效率能達(dá)到90%以上（圖4.9(c)綠色矩形區(qū)域即紅燈檢測結(jié)果）。由于交通燈規(guī)格較小，受周圍環(huán)境影響，會造成交通燈的誤檢測，對縮微車的自主駕駛行為造成影響。本文以下內(nèi)容將重點(diǎn)介紹一種基于數(shù)學(xué)形態(tài)學(xué)的斑馬線識別方法實(shí)現(xiàn)縮微車對交通燈的準(zhǔn)確響應(yīng)。圖4.9交通燈檢測4.3.2斑馬線檢測縮微車在縮微交通環(huán)境中自主駕駛，在十字路口檢測到紅燈時需準(zhǔn)確停車，要求車身不能超過停止線。傳統(tǒng)方法是通過檢測停止線來實(shí)現(xiàn)這一目標(biāo)，停止線的檢測通過對灰度圖像進(jìn)行閾值處理，利用霍夫變換從二值圖像中找出與車道線垂直的白線作為停止線。但以光照為主的外部干擾使得閾值的選擇非常困難，易造成停止線的誤檢測或漏檢測。本文提出了一種十字路口斑馬線檢測算法。首先，利用數(shù)學(xué)形態(tài)學(xué)方法去除光照的影響；其次，根據(jù)道路斑馬線由一組黑白交替、等間隔的條形帶構(gòu)成的特征，從圖像中找出條形輪廓，找出每個輪廓的特征點(diǎn)；最后，計(jì)算在感興趣區(qū)域中點(diǎn)集的個數(shù)判定是否為斑馬線。1、濾光處理從攝像頭獲取的車道信息圖像中，前景車道信息和背景的差異較大，且灰度圖像的處理速度比較快，對斑馬線的檢測在灰度圖像中進(jìn)行。由于光照不均勻和地面發(fā)光等的影響，易造成誤檢測或漏檢測，為了去除光照影響，本文利用數(shù)學(xué)形態(tài)學(xué)對其進(jìn)行濾光處理[55]。按式(4-13)，利用灰度圖的腐蝕和膨脹運(yùn)算得到背景圖像，再用原灰度圖像和背景圖像做差值運(yùn)算。背景干擾信息有效衰減，前景信息被突顯出來，得到只包含車道信息的光照無關(guān)圖（圖4.10（b）所示），有效的減小光照的影響。(4-13)其中，為去除光照影響的光照無關(guān)圖，為受光照影響的灰度圖，為經(jīng)過腐蝕膨脹的背景圖像。圖4.10斑馬線檢測2、輪廓提取灰度圖像濾光處理后，利用最大類間方差法[61]閾值處理，從圖4.10(c)和4.10(d)可以看出，經(jīng)過濾光處理的圖像能夠有效的去除光照的影響。對二值圖像進(jìn)行輪廓提取，找出各個輪廓的矩形邊界。由于斑馬線檢測的有用信息位于圖像的下半部分，且符合斑馬線特征的輪廓的矩形的長寬比符合一定的比例。根據(jù)這些約束條件，去除一些干擾信息，從中提取出符合斑馬線形狀特征的一系列輪廓（圖4.10(e)紅色矩形區(qū)域），并以矩形的中心點(diǎn)為輪廓的特征點(diǎn)，構(gòu)成一個斑馬線特征點(diǎn)集。本文通過計(jì)算點(diǎn)集的個數(shù)來判定是否為斑馬線，若，則判定其為斑馬線。4.4錐形標(biāo)識別4.4.1圖像預(yù)處理在進(jìn)行錐形標(biāo)識別之前，首先要對采集到的圖像進(jìn)行預(yù)處理，主要包括圖像平滑處理、顏色空間轉(zhuǎn)化、二值化閾值分割和形態(tài)學(xué)去噪等。1、圖像平滑處理圖像的平滑處理的主要目的是為了減少圖像的噪聲。對于采集到的錐形標(biāo)圖像，由于場地等的原因，不可避免的存在許多噪聲，所以要先對圖像進(jìn)行平滑處理。進(jìn)行平滑處理的目的主要是保持錐形標(biāo)輪廓的清晰，同時能夠去除高頻噪聲[62][63]。中值濾波的基本思想是將數(shù)字圖像或數(shù)字序列中某一像素的值用該像素鄰域內(nèi)像素集合的中值替代。用表示像素點(diǎn)中值濾波后的像素值，一維序列表示n個領(lǐng)域像素點(diǎn)的值，中值濾波法可表由公式(4-14)所示：(4-14)取n=9即像素點(diǎn)的3*3領(lǐng)域內(nèi)的9個像素作為集合，值則是九個像素點(diǎn)排序后的中間值[64]。2、圖像分割由于單一的顏色空間并不能很好的從攝像頭采集的環(huán)境圖像中很好的分割出含有錐形標(biāo)的感興趣區(qū)域，采用RGB顏色空間和HSV顏色空間相結(jié)合的方法進(jìn)行圖像分割，避免單一的顏色空間光線敏感的問題和固定閾值在圖像分割中魯棒性差的問題。由于錐形標(biāo)的顏色是紅白兩色，經(jīng)過分析發(fā)現(xiàn)背景和錐形標(biāo)的像素的值間存在很大的差別：背景色的值與值相差不大，而錐形標(biāo)紅色部分的值與值相差很大，所以在圖像預(yù)處理時用值作為一個閾值進(jìn)行圖像分割。對符合條件的像素標(biāo)記為“1”，不符合條件的像素標(biāo)記為“0”，顏色分割后得到的二值圖像如圖4.11(b)所示。對二值化后的圖像進(jìn)行腐蝕處理，后進(jìn)行膨脹處理，以達(dá)到填平輪廓缺口，去除突出毛刺的目的。腐蝕膨脹結(jié)果如圖4.11（c）所示。圖4.11錐形標(biāo)圖像預(yù)處理4.4.2錐形標(biāo)匹配經(jīng)過以上圖像處理步驟，錐形標(biāo)紅色錐體已被完整提取。由于每個錐形標(biāo)都有上下兩個紅色錐體，且類似圖4.11(a)中的紅色障礙物也被同時提取，因此很難確定哪兩個紅色區(qū)域組成一個錐形標(biāo)。根據(jù)錐形標(biāo)兩個紅色錐體之間的關(guān)系（面積差異小，兩個紅色錐體中心點(diǎn)的橫坐標(biāo)基本一致，縱坐標(biāo)差值較?。梢源_定由哪兩個兩紅色區(qū)域組成一個完整的錐形標(biāo)。基于特征匹配的跟蹤算法，使用目標(biāo)特征跟蹤任務(wù)，然后采用適當(dāng)?shù)钠ヅ渌惴?，完成匹配。在特征匹配中，選取的特征量應(yīng)具有相對的穩(wěn)定性和可分性，在盡可能保證識別精度與可靠性的前提下，減少特征數(shù)目，以達(dá)到有效的識別。選取特征時要滿足三個要求：特征在同類間差別小，不同類間差別大；特征間不相關(guān)；特征數(shù)量少[65]。本文用到了基于特征匹配的算法，先初始化面積的范圍S∈200,1000，輪廓中心點(diǎn)的橫坐標(biāo)之差的范圍fabs(X)∈0,10，縱坐標(biāo)之差的范圍fabs(Y)∈計(jì)算出每個輪廓的面積，用一個二維數(shù)組記錄每個輪廓中心點(diǎn)的橫坐標(biāo)，縱坐標(biāo)，去除面積不滿足初始化范圍的輪廓。像圖4.11(c)中小車的面積明顯不在范圍之內(nèi)，所以被去除，剩下八個輪廓，作倆倆匹配，如果它們的橫坐標(biāo)之差的絕對值滿足初始化范圍，同時它們的縱坐標(biāo)之差的絕對值滿足初始化范圍，則認(rèn)為兩個紅色塊成功匹配成一個錐形標(biāo)。然后用一條直線把兩個紅色塊的中心點(diǎn)連起來，則為一個完整的錐形標(biāo)。此算法在匹配時，速度快，效率高，匹配次數(shù)少（如果有N個錐形標(biāo)，則有2*N個紅色塊，匹配次數(shù)為(2N-1)2，N一般很小，本文中N=4）。匹配流程如圖4.12所示，匹配結(jié)果如圖4.13(b)所示，匹配規(guī)則如式（4-15）所示。圖4.12匹配流程圖（4-15）其中P表示是否匹配成功，1表示匹配成功，0表示匹配不成功，，表示第個紅色塊中心點(diǎn)的橫坐標(biāo)與縱坐標(biāo)，，表示第個紅色塊中心點(diǎn)的橫坐標(biāo)與縱坐標(biāo)。4.4.3虛擬車道線由于智能車的正常行駛都是以尋找到的車道線為前提條件的。要使智能車根據(jù)錐形標(biāo)的擺放位置來行駛，需要將兩兩相鄰錐形標(biāo)擬合為一條直線，引導(dǎo)縮微智能車沿線行駛。利用式(4-16)、式(4-17)，如圖21所示通過最小二乘法進(jìn)行多個錐形標(biāo)擬合，擬合出一個正確的直線。（4-16）（4-17）圖4.13錐形標(biāo)匹配將擬合出的線可以作為車道的邊沿線，我們的作品通過實(shí)時擬合，通過控制舵機(jī)加以配電機(jī)的動力，可以正確的按照錐形標(biāo)擺放的路線進(jìn)行巡線行駛。4.5限速標(biāo)志檢測對于限速標(biāo)志，因其顏色和形狀比較單一，系統(tǒng)采用基于顏色-形狀特征的限速標(biāo)志定位方法進(jìn)行限速標(biāo)志的定位。盡管限速標(biāo)志的顏色形狀非常固定，但在縮微交通環(huán)境中，由于由于攝像角度、光線、天氣、遮擋物等條件的不同（圖4.14所示），并不能以標(biāo)準(zhǔn)的圓形或者標(biāo)準(zhǔn)的紅色來進(jìn)行定位和特征提取，需要使用一系列的圖像處理或者其他擬合算法來進(jìn)行近似。圖4.14影響標(biāo)志定位的各種因素對限速標(biāo)志識別一般分為兩個步驟：限速標(biāo)志的定位和限速標(biāo)志的識別。其中限速標(biāo)志的定位是為了在圖像中找到可能存在的標(biāo)志的位置和大小，限速標(biāo)志識別則是判斷定位的區(qū)域中是否有標(biāo)志以及是什么標(biāo)志。在限速標(biāo)志定位中，若圖像中沒有任何類似限速標(biāo)志的區(qū)域，則不再進(jìn)行標(biāo)志的識別；若圖像中有類似標(biāo)志的區(qū)域，則計(jì)算標(biāo)志的準(zhǔn)確位置和大小，并進(jìn)行特征提取，為特征識別做好準(zhǔn)備。這里主要討論限速標(biāo)志的定位內(nèi)容。對于限速標(biāo)志言，使用顏色-形狀模型來進(jìn)行定位和提取時會采用以下四個步驟：彩色分割、邊緣提取、形狀分析、定位提取[66][67]。其中彩色分割的作用是為了找到圖片中的紅色像素，從而進(jìn)一步找到可能是限速標(biāo)志的區(qū)域。邊緣提取是為第三個步驟找圓做準(zhǔn)備，邊緣提取過程會大大減少目標(biāo)像素的個數(shù)，降低找圓的計(jì)算難度。形狀分析主要是對找到的邊緣進(jìn)行處理，找到具有某種固定形狀的邊緣信息，以確定標(biāo)志所在位置和標(biāo)志的大小。定位提取過程則是在確定標(biāo)志的位置和大小之后將標(biāo)志提取出來，并進(jìn)行特征提取，為下一步的特征分類做好準(zhǔn)備。4.5.1彩色分割彩色分割是圖像分割的一種，是根據(jù)顏色信息將圖像進(jìn)行分割的技術(shù)。目前彩色分割大多采用彩色空間轉(zhuǎn)換的方式進(jìn)行，本項(xiàng)目采用的是RGB到HSV的彩色模型轉(zhuǎn)換實(shí)現(xiàn)彩色分割。對于彩色分割來說，HSV三個分量中最重要的是H分量，即色調(diào)。色調(diào)表示的即是顏色的種類，因此要尋找圖片中的紅色像素，需要從H分量入手。根據(jù)H值的定義可以知道紅色（RGB（255，0，0）為標(biāo)準(zhǔn)紅色，空間轉(zhuǎn)換后H=0，S=255，V=255）的范圍在0度或360度附近。飽和度表示的是顏色的純度，為保證紅色的純度，必須保證S分量大于某個值。V表示的是亮度，盡管亮度并不直接與色彩直接相關(guān)，但是當(dāng)亮度太低時，對色彩的判斷會有很大的干擾，因此，像素的亮度也必須大于某個值。由此可以得出一個判斷某個像素是否為紅色的模型： (4-18)其中，h1、h2、s1、v1為四個閾值，一般情況下是根據(jù)經(jīng)驗(yàn)確定這些閾值。在模式識別中，可以根據(jù)各個閾值在訓(xùn)練集中尋找紅色像素的結(jié)果來判斷閾值是否適合。彩色分割的結(jié)果用一幅二值圖像表示，非紅色像素用0表示，紅色像素用255表示。圖4.15是當(dāng)公式（4-18）中h1=30，h2=330，4.5.2濾波降噪和邊緣檢測由于對象圖片經(jīng)過了第一步顏色分離是黑白二值圖片，其邊緣已經(jīng)非常明顯，因此選用何種方法進(jìn)行邊緣檢測對檢測結(jié)果并無太大影響，對邊緣檢測結(jié)果影響最大的反而是濾波降噪的過程。由于直接對彩色圖像進(jìn)行濾波需要對RGB三個分量分別進(jìn)行濾波，計(jì)算量比較大，而且會對彩色分割過程中的色彩的產(chǎn)生影響，所以濾波并不適合在原始彩色圖像中進(jìn)行，而應(yīng)在彩色分割所產(chǎn)生的二值圖像中進(jìn)行。腐蝕、膨脹、開運(yùn)算是形態(tài)學(xué)圖像處理中的概念。膨脹是在二值圖像中“加長”或“變粗”的操作。腐蝕是指二值圖像中“收縮”或“細(xì)化”的操作。因?yàn)楦g和膨脹是一對逆運(yùn)算，所以形態(tài)學(xué)開運(yùn)算先腐蝕后膨脹的做法對于較大（像素較多）的目標(biāo)基本上沒有影響，而對于較小的目標(biāo)影響較大。因此，在圖像中比結(jié)構(gòu)元素還要小的目標(biāo)，比如點(diǎn)、較細(xì)的線等受到的影響最大。在腐蝕的時候，點(diǎn)和細(xì)線會被完全腐蝕掉，膨脹時即無法復(fù)原。由此可得開運(yùn)算具備的功能是：1.完全刪除不能包含結(jié)構(gòu)元素的對象區(qū)域；2.平滑對象的輪廓，斷開狹窄的連接，去掉細(xì)小的突出部分。這些特點(diǎn)非常適合于尋找圓形目標(biāo)時的濾波，因?yàn)閳A形目標(biāo)不會有細(xì)小的突出部分和狹窄的連接，該過程對于我們尋找目標(biāo)并沒有太大的影響，反而一些較小的噪聲點(diǎn)或者噪聲線會被完全濾除，非圓形的干擾目標(biāo)也被適當(dāng)濾除。大大降低道路標(biāo)志定位算法的計(jì)算量。實(shí)際應(yīng)用中，為了濾掉面積較大的噪聲，會使用另外一種類似開運(yùn)算的算法。即對圖像使用一種結(jié)構(gòu)元素進(jìn)行多次腐蝕，然后進(jìn)行同樣次數(shù)的膨脹，以達(dá)到濾除較大面積噪聲的目的。邊緣是圖像最基本的特征之一，并且由于邊緣特征對于圖像的幾何變化、灰度變化以及光照變化都不敏感，因此可以為物體檢測提供穩(wěn)定、有用的信息。系統(tǒng)采用Canny算子進(jìn)行邊緣檢測[56]。使用Canny算子進(jìn)行邊緣檢測分為以下幾個步驟：Step1.使用高斯濾波器平滑圖像，以減少噪聲；Step2.用一階偏導(dǎo)有限差分計(jì)算梯度幅值和方向；Step3.對梯度幅值進(jìn)行非極大值抑制；Step4.用雙閾值算法檢測和連接邊緣。下圖是降噪并進(jìn)行邊緣提取后的圖片：圖4.15顏色分割和邊緣檢測4.5.3基于Hough變換的形狀分析道路標(biāo)志顯著的形狀特征為道路標(biāo)志的識別提供了方便，限速標(biāo)志的紅色圓圈也成了識別限速標(biāo)志的重要特征之一。在經(jīng)過彩色分割和邊緣提取后，只要尋找圓形輪廓即可認(rèn)為該圓形輪廓很有可能是限速標(biāo)志標(biāo)志性的紅色圓環(huán)，為進(jìn)一步的識別提供依據(jù)。并且由圓形輪廓的位置和大小可精確的描述限速標(biāo)志的位置和大小，由此可見，形狀分析是圖像預(yù)處理中非常重要的一個步驟。目前圓形的判別方法主要有Hough變換[68]、圓度檢測[69]和模板匹配[70]的方法。系統(tǒng)主要使用Hough變換找圓。Hough變換的實(shí)質(zhì)是將圖像空間內(nèi)具有一定關(guān)系的像元進(jìn)行聚類，尋找能把這些像元用某一解析形式聯(lián)系起來的參數(shù)空間累積對應(yīng)點(diǎn)。在參數(shù)空間不超過二維的情況下，這種變換有著理想的效果。但是，一旦參數(shù)空間增大，計(jì)算量便會急劇上升，同時耗費(fèi)巨大的存儲空間，耗時也隨之猛增。Hough變換檢測圓形的基本過程可以描述為：Step1.將Hough變換的參數(shù)空間初始化為0；Step2.對圖像中的點(diǎn)，對所有通過該點(diǎn)的圓的參數(shù)進(jìn)行累加統(tǒng)計(jì)；Step3.統(tǒng)計(jì)完后，參數(shù)空間的幅值點(diǎn)的參數(shù)即為檢測結(jié)果。描述圓形需要三個獨(dú)立的參數(shù)，即圓心(x0，y(4-19)對于具有三維搜索空間的Hough變換，首要考慮的計(jì)算量和存儲空間。對于限速標(biāo)志識別，可以通過實(shí)際情況限制參數(shù)來降低計(jì)算量。對于半徑小于7個像素的圓形標(biāo)志，其內(nèi)部的數(shù)字已經(jīng)很難認(rèn)清，使用分類器進(jìn)行識別的錯誤概率很大，因此半徑小于7的圓形不必檢測。對于分辨率為640×480（大多數(shù)攝像頭支持的分辨率）的圖片限速標(biāo)志半徑大于100像素時，限速標(biāo)志離攝像頭的距離已經(jīng)太近，若在之前仍未檢測到，距離更近時也不可能檢測到。所以我們對r限制為（7<r<100，單位：像素），只檢測整型r值，其步長為1。若圓心處于圖像的外部，則表示限速標(biāo)志只有部分處在圖像內(nèi)，對檢測有很大的影響，因此圓心的范圍為：0<x0<640;0<y0Hough變換的優(yōu)點(diǎn)是抗噪性好，不受圖像的幾何變形和旋轉(zhuǎn)變形的影響，可以連接共圓的短弧線，缺點(diǎn)是沒有考慮空間的鄰近性，對于圖像中明顯獨(dú)立的兩個部分也能連接起來，產(chǎn)生一組圓的參數(shù)，給定位帶來不準(zhǔn)確性。其最大的缺陷還在于算法的時間復(fù)雜度和空間復(fù)雜度。4.5.4特征提取對于限速標(biāo)志特征提取可以直接將原始圖像進(jìn)行降維并轉(zhuǎn)換為二值圖像，并從中提取出限速標(biāo)志的數(shù)字部分。根據(jù)彩色分割和形狀分析的結(jié)果（紅色圓圈）的信息將限速標(biāo)志提取出來。提取過程如下：假設(shè)形狀分析找到的圓的圓心為坐標(biāo)為（x0，y0），半徑為r，則在原始圖片上以圓二值化處理。二值化處理是為了區(qū)分?jǐn)?shù)字（黑色）和背景（白色），因此紅色像素不應(yīng)該計(jì)算在內(nèi)。因?yàn)楹诎變煞N顏色在R、G、B三個分量上都有很明顯的差異，所以以R分量的平均值作為閾值即可取得較好的二值化結(jié)果，二值化處理結(jié)果如圖4.16（b）。特征提取。特征提取首先要突出數(shù)字部分。找到數(shù)字的邊界，根據(jù)邊界提取數(shù)字圖4.16（c）。因?yàn)橛疫叺?對分類沒有貢獻(xiàn)所以截取數(shù)字的左邊部分（圖4.16（d））。將左邊部分劃分成7×5個小方塊并初始化一個7×5向量，計(jì)算每個小方塊內(nèi)部白色像素的比例，如果該方塊內(nèi)白色像素的比例大于整幅圖片中白色像素的比例，則對應(yīng)的7×5向量位置標(biāo)記為1（白色），否則標(biāo)記為0（黑色）（圖4.16（e））。(a)(b)(c)(d)(e)圖4.16特征提取由此，可以得到一個35維的二值向量，作為特征提取的結(jié)果。隨后加大樣本數(shù)量，對不同情況的樣本進(jìn)行識別提取之后建立樣本庫以進(jìn)行特征對比與識別，部分樣本如圖4.17所示：圖4.17部分特征集而在實(shí)際小車行駛的過程中隨時對攝像頭所拍攝圖像進(jìn)行特征提取和識別，提取出35維二值向量，用以和訓(xùn)練好的特征集一次檢測，如有符合的便輸出結(jié)果，如沒有符合便不輸出結(jié)果。4.6控制策略自主控制是智能駕駛的一個關(guān)鍵技術(shù)?？s微車通過攝像頭獲取圖像經(jīng)過一系列的圖像處理過程后，環(huán)境要素信息和車道線信息都被提取出來，接下來需要將這些圖像信息轉(zhuǎn)化成對車身的控制信息，這就是自主駕駛控制的主要任務(wù)。自主駕駛控制分為兩個步驟。首先需要根據(jù)前方車道線的類型和位置等信息計(jì)算出一條可行的行駛軌跡，這一過程稱為路徑規(guī)劃；得到行駛軌跡后，需要據(jù)此計(jì)算出車身每一時刻的控制信號，使智能車沿著期望的路徑行駛，這一過程為路徑跟蹤。4.6.1路徑規(guī)劃自主駕駛的路徑規(guī)劃分為兩類：全局路徑規(guī)劃和局部路徑規(guī)劃。全局路徑規(guī)劃要解決的是路徑的選擇問題，即在一張全局地圖上存在兩個點(diǎn)A和B，從A到B之間應(yīng)該經(jīng)過哪些路徑，進(jìn)行全局路徑規(guī)劃需要依賴于事先建立好的全局路徑地圖；局部路徑規(guī)劃是在行駛的過程中，通過傳感器系統(tǒng)不斷感知周圍環(huán)境信息和自身狀態(tài)的變化，根據(jù)前方的道路狀況確定如何進(jìn)行駕駛控制、紅綠燈響應(yīng)、避障的問題[12]。局部路徑規(guī)劃只需要利用攝像頭和其他傳感器獲取當(dāng)前區(qū)域內(nèi)的信息。智能車的主要目標(biāo)是在縮微交通環(huán)境中實(shí)現(xiàn)連續(xù)的自主行駛。為達(dá)到這個目標(biāo)，智能車只需要對局部環(huán)境做出正確處理。只要智能車能根據(jù)每個局部路況做出正確的駕駛操作，就能實(shí)現(xiàn)在整個場景中連續(xù)運(yùn)行。因此自主駕駛控制只要集中在局部路徑規(guī)劃上。常用的局部路徑規(guī)劃方法有人工勢場法、反向梯度法、環(huán)繞障礙法和基于傳感器信息及行為響應(yīng)方法等[12]。本文構(gòu)建的自主駕駛系統(tǒng)采用基于傳感器信息及行為響應(yīng)方法，模擬人類駕駛行為方式規(guī)劃運(yùn)動路徑。車輛自主行駛特征根據(jù)檢測的道路元素，如車道線、車輛、停止線、斑馬線、紅綠燈、行人、路面指示箭頭、交通指示牌、錐形標(biāo)、障礙物和道路隔離帶等不同而有所不同?？s微城市道路環(huán)境下的駕駛模式有：車道保持模式、轉(zhuǎn)彎模式、并道模式、路口模式、超車模式、迷失模式和緊急制動模式等七類[9]。車道保持模式：主要指車輛在同一車道內(nèi)沿著道路線行走，遇到車輛減速慢行，這是車輛自主駕駛中最基礎(chǔ)的模式。轉(zhuǎn)彎模式：路口檢測到路面指示箭頭后，且轉(zhuǎn)彎道路可通行，則進(jìn)入轉(zhuǎn)彎模式。轉(zhuǎn)彎模式中，不會觸發(fā)超車模式。并道模式：是指視野中存在車道減少的情況，與車道保持模式中的車輛控制有很大區(qū)別。路口模式：車輛檢測到停止線或斑馬線后進(jìn)來路口模式。路口有紅綠燈和無線區(qū)域等，對應(yīng)車輛自主駕駛控制非常復(fù)雜。超車模式：超車模式是車輛交互重要部分。為確保車輛在該模式的安全，觸發(fā)該模式的條件較高。需同時滿足的條件有：前方車輛符合超車距離；左右有可超車的車道；超車方向無行駛車輛；在直道虛線處。迷失模式：主要是指視野中無可用于控制的有效道路線。該模式對于車輛控制的有干擾，長期迷失將轉(zhuǎn)化成緊急制動模式。緊急制動模式：緊急制動模式是在突發(fā)情況發(fā)生需要對車輛進(jìn)行緊急制動，如車輛逼撞應(yīng)急停車控制。上述的七種駕駛模式是涵蓋本文縮微城市道路環(huán)境實(shí)驗(yàn)平臺下車輛自主駕駛研究中的所有駕駛行為。車輛的自主駕駛行為模式根據(jù)檢測的道路信息在不斷改變，任意兩模式間的轉(zhuǎn)換必須滿足一定條件，圖4.18駕駛模式轉(zhuǎn)換圖描述各模式之間的轉(zhuǎn)換關(guān)系和轉(zhuǎn)換條件。其中迷失模式是一種瞬間駕駛模式，可以與任意其他元素之間轉(zhuǎn)換，不在轉(zhuǎn)換圖中描述。由于真實(shí)交通環(huán)境下的超車駕駛行為也只在道路環(huán)境允許的情況才發(fā)生，為提高仿真度，本文給出的超車模式觸發(fā)條件限制高。由圖可知，轉(zhuǎn)彎模式、并道模式和路口模式與超車模式之間不能直接轉(zhuǎn)化，符合真實(shí)道路交規(guī)。圖4.18智能車駕駛模式轉(zhuǎn)換4.6.2車道保持縮微車在自主駕駛的過程中，在沒有其他干擾的情況下，通常將注意力集中在前方道路的左右兩條車道線上，以兩條車道線的中心線作為行駛路徑。本系統(tǒng)局部路徑規(guī)劃采用相同的辦法。在4.2節(jié)詳細(xì)介紹了車道線檢測算法，并利用直線模得到車道線信息后，我們需要判斷車輛當(dāng)前所處于的狀態(tài)（直道或者彎道、高速或者低速、離車道線的距離和夾角等信息），然后根據(jù)這些狀態(tài)決策出下一次的控制命令。對于車輛的角度控制，我們以車為原點(diǎn)坐標(biāo)（圖4.19中點(diǎn)），車的正前方為Y軸來提取找到的車道線L1的斜率，并利用反正切求出此時與車輛的夾角，由于視野的問題，求出的角度QUOTEβ與實(shí)際車輛應(yīng)該行駛的角度QUOTEθ并不相同。經(jīng)多次實(shí)驗(yàn)，在車況最為理想的情況下QUOTEθ=0.7β。而小車可能離線很遠(yuǎn)或者很近，此時就需要一個控制系數(shù)來改變角度，即QUOTEθ=0.7βp。其中，QUOTEp=maxD-d∕maxD-min?D(4-20)式（4-20）中QUOTEmaxD為小車離線最遠(yuǎn)的可能距離，為小車離線最近的可能距離，為當(dāng)前小車離線的距離。經(jīng)實(shí)驗(yàn)測定QUOTEmaxD=220，QUOTEminD=110，所以最終得到的表達(dá)式：(4-21)圖4.19尋線示意圖對于車輛的速度控制，我們在式首先給出車輛的最大速度（QUOTEmaxSpeed）和最小速度（QUOTEminSpeed），而車輛在正常行使下和車道線的夾角一般處于45度（QUOTEmaxθ）到90度（）之間，所以速度可以根據(jù)夾角來插值得到：（4-22）（4-23）由式（4-22）和式（4-23）得到式（4-24）線性方程的QUOTEkk和b之后即可得出當(dāng)前行駛速度：（4-24）

五、縮微智能車系統(tǒng)測試縮微智能車自身裝載傳感器，實(shí)時獲取車輛所處的車道信息和環(huán)境信息，主處理器將采集到的路況數(shù)據(jù)經(jīng)過一系列的圖像處理及模式識別過程，實(shí)現(xiàn)車道線檢測、交通燈識別、錐形標(biāo)識別和限速標(biāo)志的識別等功能，最后都轉(zhuǎn)化為能被控制器所識別的控制車輛行駛的電機(jī)信息和舵機(jī)信息，實(shí)現(xiàn)縮微智能車在縮微交通環(huán)境中的自主駕駛。表5.1給出了縮微車輛在自主駕駛實(shí)驗(yàn)中的重要性能指標(biāo)參數(shù)，該性能參數(shù)在長時間實(shí)驗(yàn)運(yùn)行過程總結(jié)得到，每幀圖像處理平均周期大概33