基于OpenMV的智能“尋的”小車控制系統

李成勇， 譚寒鐘， 王 莎， 胡晶晶

(重慶工程學院 電子信息學院，重慶 400056)

1 引 言

近年來，隨著科技的不斷進步，無人控制技術逐步成熟，無人控制的智能小車自動行駛成為人們關注的熱點[1]。隨著人工智能和自動化技術的迅速發展,各種高科技以及前沿技術廣泛應用于智能小車領域,使智能小車越來越多樣化[2]。無人駕駛汽車將物聯網、人工智能等頂尖新科技與傳統汽車技術相結合，汽車行業正在進行全新的改革，現在還處于嘗試階段，并沒有建立規范化、標準化、完整的理論知識體系，因此自動駕駛技術探索之路還在進行中。自動駕駛技術是將相關車載傳感器、控制器、執行器等結合，旨在讓人解放雙手，享受生活。從技術方面來講，自動駕駛汽車可以分為兩大發展方向：(1)駕駛輔助系統；(2)無人駕駛系統。其中，無人駕駛系統是主要研究方向，安全輔助駕駛是智能交通的重要研究方向。近20多年來，安全輔助駕駛是無人駕駛系統的研究創新方向之一，它主要由控制器、傳感器、顯示器、攝像頭等元器件制造而成。在模擬情景下，小車行駛在路上，攝像頭根據路況實時采集、更新行駛過程中車體與車道標識線的距離，通過一系列處理后將信息傳遞給單片機、傳感器，若此時行駛路徑發生偏移，便能在0.5 s的時間內由控制器發出警報，提前警示駕駛員，為駕駛員預留更多的反應時間與空間。安全輔助駕駛的研究方向多基于視覺攝像頭，但是無論從國外研究現狀還是國內研究技術水平來看，通過視覺方式實現車道偏移預警功能，在很大程度上受當地氣候環境影響和光照突變的影響。

本文設計一種采用OpenMV作為主控的基于機器視覺的循跡避障智能小車系統，能夠從標記的指定位置出發，迅速找尋規定場內隨機點亮的信號表示燈。該系統能夠自動循跡，找尋規定場內隨機點亮的信號燈，遇到障礙物時可自動避障。

2 系統方案的選擇與描述

2.1 速度控制算法設計

實現智能小車的速度控制算法有兩種，分別為PID(比例-積分-微分控制器)控制算法與比例控制算法[3]。其中比例算法實現較為簡單，算法中的比例系數容易求解及操作，設計過程簡單明了。在本系統的設計應用中，信號表示燈的個數不定，位置布局不固定，比較靈活，并且隨機點亮信號燈容易導致比例算法中的比例系數很難調整，易造成智能小車擺動幅度大，平衡性差，造成智能小車翻車的概率大幅增加。PID算法可以明顯改善上述缺點，使用積分與微分控制器的調節，使其離散值保持在一定區間內。因此，比例系數設置更為容易[4]。

本設計中的速度控制采用PID算法，可以實現智能小車有效靈活地加、減速。

2.2 障礙物識別算法設計

智能小車在行駛過程中可能會不定期地遇見障礙物，通過設計障礙物識別算法辨別障礙物，可使智能小車曲線行駛避開障礙物。在局部特征點檢測快速發展階段，人們對于特征的認識也越來越深入，近幾年許多學者提出的特征點檢測算法及其改進算法也愈來愈多，在眾多的算法中涌現出眾多佼佼者。在本系統中，利用FAST(Features from Accelerated Segment Test)算法[5-6]在灰度圖下對障礙物進行特征提取，然后進行障礙物識別。FAST算法在某像素與其周圍領域內足夠多的像素點相差較大，則該像素可能是角點，通過不斷地比較進行特征點檢測。同時，在障礙物識別中加入模板匹配(NCC算法)[7-10]，進一步提高識別障礙物的精確度，雙重算法的使用能夠達到高精度、高效率識別的目的。

2.3 障礙物測距算法設計

實現障礙物測距的方法較多，有單目視覺障礙物測距[11]、激光雷達障礙物測距[12]、激光測距[13]等方法。其中激光雷達障礙物測距方式價格較高，智能小車載重增大，對于本系統來說不實用，而激光測距方式發出的光線會對OpenMV識別造成偏差，智能小車在行駛過程中受到影響。單目視覺測距算法可以很好地彌補上述方法的不足，單目測距根據圖像攝取模塊焦距、圖像攝取模塊離地面高度以及障礙物底部在相平面上的位置，通過光學相似三角計算獲得障礙物距離，可以很好地完成本系統的實驗要求，在智能小車負重未增加的情況下，小車行駛效率進一步提高。

2.4 信號燈紅外識別算法設計

在本系統中實現信號燈識別采用顏色追蹤算法，該算法可以準確識別到點亮的信號燈。顏色追蹤算法信息全面，對全幅圖像、所有的顏色均會進行搜索，搜索目標顏色的精確度會進一步提高。其中由查找X、Y上最小寬度的像素方式，同時設置面積閾值，如果色塊面積小于閾值設定值則會被過濾掉，大于等于設定的面積閾值則會保留。所以，通過設置點亮時的顏色閾值與面積閾值則可對其追蹤。

3 理論分析與設計

3.1 速度控制算法的理論分析

智能小車行駛過程中，本系統中的速度控制可由PID算法對電機進行控制。PID控制系統原理圖如圖1所示。

圖1 PID控制系統原理圖Fig.1 Schematic diagram of PID control system

在該算法中，r(t)為輸入,y(t)為實測值,e(t)為偏差信號,其中關系如式(1)所示：

e(t)=r(t)-y(t)

.

(1)

輸出為一種線性組合規律，該規律由偏差信號的比例、積分、微分決定，具體由式(2)表示：

(2)

式中：Kp是比例系數；Ti是比例積分常數；Td是微分時間常數。

3.2 障礙物識別算法的理論分析

本系統中障礙物識別算法的核心算法為FAST算法和模板匹配算法(NCC算法)。其中，FAST算法速度快，在攝入的圖像以像素p為中心半徑為r，同時檢測其像素點數。設置p點為候選點，同時定義閾值，這些像素點與像素p比較，若絕對值均小于閾值，則p點不是特征點；若超過閾值則進行下一步考察。以此類推計算出超過閾值的像素點個數，若至少有半數像素點超過設置閾值，則是特征點；否則，直接過濾。

對圖像進行非極大值抑制，計算特征點處的FAST得分值(score值，也即s值)，判斷以特征點p為中心的一個鄰域內，如果有多個特征點，判斷每個特征點的s值，若p是鄰域所有特征點中響應值最大的則保留；否則抑制。

如果鄰域內只有一個特征點，保留并對其得分進行計算，計算公式如式(3)所示：

(3)

式中，V表示所得到的分數，t表示閾值。

NCC算法是一種歸一化相關匹配法，是基于圖像灰度信息的匹配方法。

NCC算法計算原理公式如式(4)所示。

(4)

可根據積分圖像提前計算出任意窗口大小和與平方和，式(4)中uf表示帶檢測圖像，ur表示參考模板圖像的窗口均值。在積分圖像建立起窗口下的待檢測圖像與模板圖像的和平方，以及交叉乘積5個積分圖索引后就完成了預計生成。通過索引表查詢計算結果，NCC就實現了線性時間的復雜度計算。

3.3 障礙物測距算法的理論分析

小車在運行過程中，障礙物測距可通過單目視覺測距算法測量。單目視覺測距算法原理圖如圖2所示。

圖2 單目視覺測距原理框圖Fig.2 Schematic diagram of monocular visual distance measurement

單目測距算法中，Hm、Rm為障礙物真實值，Apix、Bpix為攝像頭中的圖像，其關系可推演得出。在左邊的攝像頭里的幾何關系可得出式(5)與式(6)：

(5)

(6)

由公式(5)和(6)可推理出公式(7)：

(7)

原理框圖中真實環境中的集合關系，可得出式(8)：

(8)

將公式(8)代入公式(7)，可得出結論公式(9)：

(9)

3.4 信號燈紅外識別算法分析

小車在追蹤點亮的信號表示燈，采用顏色追蹤算法。點亮的信號燈與未點亮的信號燈在顏色上存在差異，本系統通過該點不同而設計顏色追蹤算法。

顏色追蹤算法搜集信息全面，精度高，在施行過程中出錯的概率大幅降低。該算法利用機器視覺中需要識別的顏色進行追蹤，在RGB下對點亮的信號燈進行閾值設定，設定需要追蹤物體的顏色后，則該顏色在此種環境狀態下能夠在設定的閾值范圍內識別。不僅如此，還通過設計面積閾值，對顏色面積進行判斷識別，其中由查找X、Y上最小寬度的像素方式，同時設置面積閾值，如果色塊面積小于閾值設定值則會被過濾掉，大于等于設定的面積閾值則會保留，這樣可排除外界因素干擾。當兩者同時識別后驅動小車對目標進行追蹤。

4 電路與程序設計

4.1 硬件設計

首先通過OpenMV攝像頭系統進行圖像采集，然后將圖像信息數據送傳至擁有STM32F427的OpenMV系統進行顏色追蹤、模板匹配、測距、特征點檢測等處理，然后驅動智能小車的電機。循跡避障智能小車系統框圖如圖3所示。

圖3 循跡避障智能小車系統框圖Fig.3 Block diagram of tracking obstacle avoidance intelligent vehicle system

OpenMV攝像頭可以實現物體在動態特征下無接觸遠距離測量，是光測量的一種有效應用。OpenMV攝像頭電路結構如圖4所示。

圖4 OpenMV攝像頭電路結構Fig.4 Circuit structure of OpenMV camera

電源管理模塊選擇有3種方案：鋰電池、鎳鎘電池、鎳氫電池?？刂葡到y各個部件都需要合適且比較穩定的電壓，電源電壓大小和能量要充足，才能保證系統在行駛時的穩定性。因此選擇12 V的鋰電池，電源管理圖如圖5所示。

圖5 電源管理圖Fig.5 Power management diagram

電機驅動模塊選擇12 V的ASLONG-JGB37微型直流減速電機。根據電池供電的不同，電機的轉速也不同，而該電機轉速可調。帶減速的電機加上了減速箱，降低了轉速，增強了扭力。

4.2 軟件設計

首先對系統進行初始化，攝像頭系統將會進行圖像采集，如果采集到圖像，攝像頭系統將采集到的圖像數據送傳至OpenMV進行處理。若檢測到點亮的信號表示燈，調整轉角，系統會對點亮后的信號表示燈進行顏色追蹤。若在追蹤過程中檢測到障礙物，系統將會對障礙物進行測距，同時調整轉角，驅動電機使小車曲線行駛，避免觸碰障礙物；若未檢測到障礙物，驅動小車前進，此時小車將會直線行駛。通過控制PWM口的信號輸出可以實現輪速的控制, 主程序流程如圖6所示。

圖6 主程序流程圖Fig.6 Flow chart of main program

5 測試方案與測試結果

5.1 測試方案

當檢測到點亮的信號表示燈時，左右車輪高速轉動, 小車直行，完成滅燈任務；當檢測到障礙物坐標出現在圖像中的左邊時，智能小車左輪高速正轉, 右輪低速正轉, 實現右轉，避開障礙物，然后通過檢測點亮的信號表示燈繼續追蹤，完成滅燈任務; 當檢測到障礙物坐標出現在圖像中的右邊時，右輪高速正轉, 左輪低速正轉, 實現左轉，避開障礙物，然后通過檢測點亮的信號表示燈繼續追蹤，完成滅燈任務。如果未檢測到點亮的信號燈，智能小車通過右輪高速正轉, 左輪低速正轉, 實現差速控制左轉尋找場內隨機點亮的信號燈。

5.2 測試結果及分析

按照上述設計方案，完成的循跡避障智能小車控制系統模型，在規定時間內需要從指定位置出發，智能小車快速找尋規定場內的隨機點亮的信號表示燈，當智能小車進入到點亮的信號表示燈的規定范圍內時，信號燈會自動熄滅。此時，下一處的信號燈將會隨機點亮，智能小車再一次需要完成滅燈，每個燈被滅后可能再次被點亮。如此，在規定時間內完成滅燈任務，同時統計滅燈個數。循跡避障智能小車測試實驗過程如圖7所示。 循跡避障智能小車測試數據如表1所示。

圖7 循跡避障智能小車滅燈實驗圖Fig.7 Experiment diagram of tracking obstacle avoidance intelligent vehicle lamp extinction

表1 小車滅燈測試數據Tab.1 Test data of car lights out

根據不同距離 OpenMV攝像頭返回的數據，計算出當前信標燈對應小車的坐標值， OpenMV 攝像頭測試數據如表2所示。

表2 OpenMV攝像頭測試數據Tab.2 Test data of OpenMV camera

根據表1、表2測試數據，可以得出以下結論：在300 s時間內，平均滅燈個數超過50個，說明本系統具有可行性，小車能夠精確識別點亮的信號表示燈；通過 OpenMV攝像頭得到的左中右坐標值，誤差值在1 cm范圍內，說明系統可準確通過攝像頭數據識別障礙物并進行測距；小車能夠進行左中右坐標值位置測量，說明系統能夠在追蹤及滅掉點亮的信號燈過程中避開障礙物；小車在2，4，6 m位置處得到坐標值，說明系統能準確地驅動小車前進，完成滅燈。本系統達到設計要求。

6 結 論

本文提出的基于OpenMV智能“尋的”小車控制系統采用OpenMV攝像頭系統完成圖像數據的采集，通過將圖像數據送傳至OpenMV系統進行處理，完成對點亮的信號表示燈的追蹤，達到了避開障礙物的設計要求。該系統采用FAST特征點檢測、NCC模板匹配、PID控制、單目視覺測距等算法，處理速度更快，精度高，數據精確，負載輕，小車實驗測試數據差值小，幾乎可以忽略，系統穩定，達到設計的預期效果。