一種非均勻行采集的智能車路徑識別算法

　　斷點修補

　　由于光線的不均勻或路徑中出現較大的干擾，可能會出現部分行采集不到引導線的情況，從而出現斷點。而且交叉道路的圖像經過上述方法處理后也會出現斷點的情況，因此有必要加入斷點修補環節，對路徑進行縱向濾波。

　　根據引導線的連續性，路徑坐標不應該出現突變的情況，也就是引導線的一階導數應該是連續的，即引導線的斜率不會發生突變。根據這個特性，斷點修補的方法步驟如下：

　　(1)求出第i行與第2i−行的路徑坐標之差

　　(2)求出第1i−行與第3i−行的路徑坐標之差

　　(3)求出Dposition[1]與Dposition[2]之差的絕對值

　　(4)若Adposition大于4，則

　　通過該算法，道路圖像斷點區域得到了修復，引導線從首點到末點之間形成了一條連通的曲線，這種斷點修補方法滿足了智能車提取引導線趨勢的要求。

　　縱向濾波

　　對于某些跳變不大的干擾行，雖然不會影響對路徑整體趨勢的判斷，但其對后續控制模塊的計算會產生較大影響。當控制行坐標突變時，勢必會造成舵機的抖動，智能車速度較快時甚至會導致車體脫離引導線，因此加入縱向濾波環節對路徑進行平滑很有必要。

　　縱向濾波采用中值濾波的思路，具體方法為：判斷該行路徑坐標若在其前一行和后一行的同一側，即該行坐標同時大于或同時小于其前一行和后一行坐標，則賦予該行坐標為其前一行和后一行坐標的平均值。

　　導航參數獲取

　　經過路徑提取后，得到引導線在圖形坐標系下的坐標(u,v)，然后通過式(3)、(4)得到引導線的世界坐標(x ,y )，通過最小二乘法進行曲線擬合，便得到引導線的曲線方程。對于直線模型y=kx+b，可運用斜率 k和截距b作為導航參數對車體進行控制[7];對于曲線模型，可得到彎道的曲率半徑和橫向偏差作為導航參數對車體進行控制。

　　實驗結果分析

　　采集方案實驗

　　攝像頭采集的圖像如圖6所示，a為均勻行采集效果，b為按表1分布行數采集的效果。由圖可以看出，非均勻行采集的圖像更接近實際圖像，對引導線曲率的計算更加準確，為智能車控制決策模塊提供了更加精確地引導線信息。而且，由圖還可看出通過非均勻行采集，相對提高了攝像頭的

　　圖7 有斷點彎道

　　圖8 十字交叉道路前瞻性，為進一步提高智能車的速度打下了基礎。

　　路徑識別實驗

　　攝像頭獲取的彎道圖像如圖7a所示，由于光線的影響，中間部分出現了斷點，經斷點修復和中值濾波后得到的圖像分別如圖7c和7d所示，道路圖像斷點區域得到了修復，引導線從首點到末點之間較平滑，據此可獲得路徑的精確導航參數。

　　十字交叉道路是智能車導航中較常見的路況，同時也是路徑識別中比較復雜的內容。如圖8a所示的十字交叉道路經路徑識別后得到的引導線如圖8d所示，可以將交叉線完全濾除。

　　結語

　　本文基于黑白攝像頭設計了圖像采集系統，為消除圖像畸變，提出了非均勻行采集的采集方案。圖像處理時，首先在行中斷中對單行數據進行了橫向濾波和邊緣檢測，并提取了該行路徑坐標;然后在場中斷中，根據引導線的連續性對整場數據進行了縱向濾波，對整場路徑進行了平滑，并提取出了引導線的精確導航參數，為下一步進行車體控制提供了信息。實驗結果表明，該算法能精確提取路徑信息，且可靠性和抗干擾性強，數據處理速度快，完全滿足智能車實時性的要求。