一種多優先級三線制賽道檢測判斷算法

邱 航

(南京工程學院工業中心，江蘇南京 211167)

一種多優先級三線制賽道檢測判斷算法

邱 航

(南京工程學院工業中心，江蘇南京 211167)

本文提出了一種新的多優先級三線制賽道數據檢測判斷算法.該算法利用攝像頭采集到的實際賽道數據，利用不同的檢測優先級以三線方式對賽道進行分段檢測，同時完成對賽道前瞻，車頭位置以及航跡路徑的檢測.該方法占用系統資源極少，計算簡單，有非常高的響應速度和判斷穩定性.在實際比賽過程中起到了重要作用.

三線制；賽道檢測；多優先級

1 引言

目前汽車智能控制正朝著自動化無人駕駛的趨勢發展，無人化的進程越來越快.在歷屆“飛思卡爾”智能車設計大賽中，各個高校都涌現出一批杰出的攝像頭控制賽車，同時也提出了許多相應的圖像數據處理算法用以規劃小車航跡.但是這些算法在完成功能的同時也兼具了一定的缺陷[1]，如計算量過大，數據受到系統噪聲影響而導致計算誤差，形狀類似的賽道信息無法準確區分等情況[2].針對這些問題，本文提出了一種多優先級三線賽道檢測判斷算法.

2 三線賽道檢測算法分析

傳統的攝像頭賽道預判方法通常利用在一定光強照射下對賽道的白色跑道區域和黑色定位邊緣區域進行區分，利用二值化的處理方法提取出有效的賽道區域從而規劃智能車的航跡.

這種方法的缺陷在于每次統計賽道信息時必須將所有的賽道數據都進行計算才能夠準確地規劃智能車航跡，計算量十分巨大，對于使用單片機為控制和計算核心的系統來說，會占用相當大的系統時間，致使系統響應變慢，無法讓智能車在高速下進行各種運動變換操作.

2.1 改進的賽道數據二值化方法研究

多優先級三線賽道檢測判斷算法的核心思想如下圖1所示：

圖1 三線賽道檢測算法功能示意圖

在圖1中，在攝像頭采集到的有效的圖像區域內構建三根平行檢測線，以梯形的形狀貼合攝像頭傾斜視場下賽道的實際情況.其中，標記“1”號線用于對賽道前瞻進行預判，其處理結果直接表明智能車下一步將要面對的賽道情況，從而作出是否打角轉彎的判斷操作.標記“3”號線反應當前車頭位置，該位置的優先級低于“1”號線，在賽道前瞻判斷結束后，由“3”號線決定車輛的精確打角幅度并實時跟蹤車輛位置，確保車輛不會沖出賽道.標記“2”號線優先級最低，在車輛運行過程中，用以對“1”、“3”號線的沖突命令作出投票判斷，以決定車輛的運動姿態服從哪一個檢測線的指令.該算法的詳細運行方法如下：當車輛進入賽道后，首先需要對所采集到的圖像進行簡單的濾波去噪處理，以剔除椒鹽噪聲對賽道判斷帶來的信號干擾.我們采用的是3×3的中值濾波算法，濾波之后能夠有效的剔除圖像上的椒鹽噪聲，使賽道檢測時的二值化過程更加穩定.

智能車始終保持連續運動狀態，因此攝像頭所采集的圖像的灰度值也在變化，如果在光強較強的地方時，整體像素點的灰度值多會提高.若用定值閾值進行判斷時勢必會出現錯誤，因此本小組使用動態閾值判斷方法來適應根據光強變化調整圖像的灰度動態范圍分布，保證二值化過程的準確進行.閾值選取的思想是：選取攝像頭近端的一行數據，以冒泡法求出這一行像素點的最大灰度值white以及最小灰度值dark，利用式(1)給出該行數據的灰度漂移范圍dif，然后乘以閾值補償系數coeff來完成最終閾值的確定.

(1)

(1)式中，threshold表示最終確定的圖像二值化閾值.在不同的光強照射下，攝像頭采集到的每幀圖像灰度的動態范圍會發生不斷的整體偏移，其灰度最大最小值會不斷地發生變化，但是其動態范圍卻幾乎不怎么變，如圖2所示：

圖2 不同光強照射下圖像灰度動態范圍直方圖分布示意圖

如圖2所示，當光照較弱時，圖像灰度整體偏向于低灰度區域，此時圖像整體較暗.當光照適中時，圖像灰度基本處于直方圖中間區域，此時人眼觀察圖像最為合適.當光照過強時，圖像灰度基本處于直方圖高灰度區域，此時大部分數據接近飽和，圖像整體較亮.因此我們首先求出每幀數據中灰度動態范圍的相對變化量dif，然后乘以閾值補償系數coeff來確定每幀圖像的二值化閾值大小.閾值補償系數的作用是為了防止在一些光線照射十分不均勻的位置處，動態范圍不僅發生平移，而且發生了拉伸變化時，用以修正閾值使其不會突然出現畸變的作用.經過實際的測試，該系數選用0.75時圖像效果最佳，如圖3所示.

其中，圖3(1)為補償系數設為0.85時的二值化效果，圖3(2)為補償系數設為0.75時的二值化效果.可以看出，補償系數設為0.85時雖然能夠真實的還原圖像中大部分的亮暗區域，并進行二值化操作，但是過多的亮區域在智能車高速行駛中會造成賽道邊緣不清晰等賽道誤判現象，如圖中紅色標識所示，從而大大降低智能車運行的穩定性.而補償系數設為0.75時可以看出，只有賽道區域被進行了二值化，其他亮度不及賽道但又高于背景的無效場景信息也同時被剔除，保證智能車的航跡判斷準確不出錯.

2.2 三線賽道檢測算法研究

當賽道準確提取出后，“1”號線開始工作.由于“1”號線位于最前方，代表了賽道前瞻判斷，檢測時，從“1”號線的中間像素位置開始向白色賽道兩邊逐像素點進行連續電平檢測判斷，直到出現明顯的黑白電平翻轉時，認為檢測到賽道邊緣，此時計算中間像素到兩側翻轉處像素的相對距離，若距離相等或在一個較小的差值范圍內時，則認為前瞻賽道保持在直道中.該方法簡單易行，并且對彎道或者車輛在直道中位置不是保持正前方時都能夠及時地作出判斷并發出打角指令，如下圖4所示：

圖4 兩種不同的賽道前瞻檢測示意圖

圖4(1)為車輛前瞻進入彎道的情況，此時智能車仍然在直道中，但是前瞻已經進入彎道.因此“1”號線在檢測時，只能在一側檢測到黑色的邊沿，而另一側則無法檢測到.說明賽道即將偏離直道，需要開始進行打角操作.圖4(2)為車輛在直道中行駛方向偏離正中的情況，此時“1”號線的檢測結果與彎道情況類似，同樣為丟失一側道路邊緣，因此也會作出向一側的打角操作，使智能車后續的行駛方向回到道路正中.

“1”號線的檢測結果會向系統發出打角操作的指令，“3”號線接收到該指令后會根據自身當前對道路的判斷，決定是否接收該指令以及接收該指令時判斷車輛偏離中線多少距離.其檢測方法與“1”號線方法基本相同，但是由于“3”號線的位置離車頭最近，因此其能夠最準確地反映車輛當前的位置信息.其計算得出的結果也最真實準確.其偏離中線的位置判斷方法如下式：

(2)

(2)式中，Drift為前后兩幀圖像中“3”號檢測線計算出的車輛在賽道中發生的實際偏移值，D1為前一幀圖像中車頭距賽道邊緣的位移，D2為后一幀圖像中車頭距賽道邊緣的位移.根據(2)式的計算，當車輛發生偏移時，“3”號線只有一側能夠檢測到賽道邊緣，而另一側則無法檢測到，因此可以認為此時車輛更靠近能夠檢測到賽道的一邊.此時用當前計算得到的中間像素位置距離邊緣翻轉像素的位置之差與車輛位于賽道中間時的位置之差進行取差操作，就能夠準確地算出車輛當前的中線偏離標準中線多少距離，從而根據“1”號線發出的打角操作命令決定車輪向某一側拐多少角度，使車輛沿著正確的軌跡行駛.如圖5所示.

圖5 車頭賽道偏移量檢測

在智能車的行駛過程中，會出現“1”、“3”號線命令無法統一的情況，如圖6所示：

圖6

在圖6中，“1”號線剛剛進入彎道，已經發出打角命令，而實際上此時車輛尚未完全進入彎道，若此時拐彎則極易出現車輪出界犯規現象.此時“3”號線根據(2)式的計算得出車頭仍在直道內，因此拒絕“1”號線發出的打角命令.若“1”、“3”號檢測線無法裁定車輛的行駛狀態，則由“2”號線按照(2)式進行檢測，三根檢測線同時進行投票操作，最終確定車輛下一步的行駛方式，因此可以保證車輛在賽道中準確無誤地沿著賽道行駛.該方法由于利用了攝像頭能夠采集大量賽道數據的優勢，因此對賽道中加入障礙物的檢測也能夠準確有效地完成判斷，如圖7所示：

圖7 賽道中加入障礙物的檢測路徑規劃

在圖7中，賽道一側加入了明顯的障礙物，此時三線檢測能夠自動計算出障礙物的位置并重新描繪賽道中線軌跡，從而為賽車正確繞過障礙物設置路徑，保證賽車順利通過障礙物.

3 結論

本文提出了一種新的多優先級三線賽道檢測判斷算法.該算法提出了利用攝像頭數據量大的優勢，設計三根不同優先級的檢測線分別處理圖像數據.利用三根檢測線不同的優先級，分別檢測賽車在賽道上的前瞻判斷、中線判斷以及決定賽車的行駛狀態.該算法具有計算量小、占用系統資源少和響應速度快的優勢，能夠在短時間內快速的對賽道狀態以及賽車行駛方式作出反應，保證了賽車在賽道上穩定、快速地運行.

[1]艾寧，瞿少成，劉冬，等.基于CCD攝像頭的智能車路徑識別及跟蹤研究[J].電子測量技術，2009(8).

[2]王榮本,游峰,崔高健，等.基于計算機視覺高速智能車輛的道路識別[J].計算機工程與應用,2004(26).

(責任編輯 張建軍)

2014-10-10

邱 航，女，安徽宣城人，南京工程學院工業中心講師，碩士.

TN919.8

A

1671-1696(2014)11-0009-03