一种非均匀行采集的智能车路径识别算法

为尽可能减小误分割的概率，增强智能车的抗光线变化干扰能力，本文采用动态阈值对每一行图像进行分割，根据上一行的图像数据确定下一行的阈值，阈值T的确定方法为[6]：

　　式中，bm和tm分别为背景和目标区域平均灰度值。

　　这里先取图像灰度范围的中值作为第一行的初始值，然后迭代求得各行的值。具体迭代步骤如下：

　　(1) 求出第一行图像中的最大灰度值maxZ和最小灰度值minZ;

　　(2) 求出第一行的初始阈值T0=(maxZ+minZ)/2，给定迭代时新旧阈值的允许接近程度ε=5;

　　(3) 求出第一行图像中灰度值Z≥T1的所有像素点的数量bn、累加和bS以及灰度值Z< T1的所有像素点的数量tn、累积和tS;

　　(4) 计算确定第一行阈值

(5) 转至步骤(3)，求出第i行阈值Ti，如果则Ti为最终阈值，否则，Ti =Ti-1。

　　边缘检测

　　边缘是目标与背景相邻区域之间灰度值不连续的结果，边缘检测是所有基于边界的图像分割的第一步。本系统的引导线与地板的色差较大，反映在数据中就是灰度值差别较大，引导线与地板间的边沿较明显，如图5所示，因此对边缘进行检测较容易且可靠性高。

　　边缘检测的思路是：确定一阈值，对采集的单行图像数据逐点进行扫描，若灰度值小于阈值，则判断该点为黑点，即检测到引导线左边缘，继续扫描，若灰度值大于给定阈值，则该点为白点，将该点作为引导线右边缘。右边缘和左边缘的横坐标之差为引导线的宽度，其平均值即为引导线的中心横坐标值。

　　由于图像数据中可能存在着未被滤出的噪声点，通过以上算法不可避免地会将一些噪声点识别为引导线。从而可能在一行数据中存在多段黑线，根据路径的连续性特性对路径进行提取可提高引导线识别的可靠性。提取路径的过程如下。

　　(1)如果该行中没有检测到黑线，则该行为纯白或纯黑行，将路径坐标置为零，同时将无效行标志置位。若该行为一场的第一行，则将无效场标志置位。

　　(2)如果检测到一段黑线，若黑线宽度大于设定的先验值，则将该黑线段的中心坐标作为该行的路径中心坐标，否则将该行设为无效行。

　　(3)如果检测到两段黑线，若该行为一场的第一行，则该行的路径坐标不变，即保持上一场该行的路径坐标;否则，分别判断两段黑线与上一行路径坐标的距离，取距上行较近的黑线中心为该行路径坐标。

　　(4)如果检测到更多黑线，则该行无效，将路径坐标置为零，同时将无效行标志置位。

　　整场数据处理

　　道路图像经过单行路径提取以后，横向的单点噪声已经消除，但是对于部分宽度较大的干扰却无法滤除，这样提取出来的路径在某些行就发生了跳变。为了得到准确的引导线参数，为后续的控制模块提供精确的导航参数，需要在整场图像采集完毕之后，对提取的路径进行纵向的平滑。

断点修补

　　由于光线的不均匀或路径中出现较大的干扰，可能会出现部分行采集不到引导线的情况，从而出现断点。而且交叉道路的图像经过上述方法处理后也会出现断点的情况，因此有必要加入断点修补环节，对路径进行纵向滤波。

　　根据引导线的连续性，路径坐标不应该出现突变的情况，也就是引导线的一阶导数应该是连续的，即引导线的斜率不会发生突变。根据这个特性，断点修补的方法步骤如下：

　　(1)求出第i行与第2i−行的路径坐标之差

(2)求出第1i−行与第3i−行的路径坐标之差

(3)求出Dposition[1]与Dposition[2]之差的绝对值

(4)若Adposition大于4，则

通过该算法，道路图像断点区域得到了修复，引导线从首点到末点之间形成了一条连通的曲线，这种断点修补方法满足了智能车提取引导线趋势的要求。

　　纵向滤波

　　对于某些跳变不大的干扰行，虽然不会影响对路径整体趋势的判断，但其对后续控制模块的计算会产生较大影响。当控制行坐标突变时，势必会造成舵机的抖动，智能车速度较快时甚至会导致车体脱离引导线，因此加入纵向滤波环节对路径进行平滑很有必要。

　　纵向滤波采用中值滤波的思路，具体方法为：判断该行路径坐标若在其前一行和后一行的同一侧，即该行坐标同时大于或同时小于其前一行和后一行坐标，则赋予该行坐标为其前一行和后一行坐标的平均值。

　　导航参数获取

　　经过路径提取后，得到引导线在图形坐标系下的坐标(u,v)，然后通过式(3)、(4)得到引导线的世界坐标(x ,y )，通过最小二乘法进行曲线拟合，便得到引导线的曲线方程。对于直线模型y=kx+b，可运用斜率 k和截距b作为导航参数对车体进行控制[7];对于曲线模型，可得到弯道的曲率半径和横向偏差作为导航参数对车体进行控制。

　　实验结果分析

　　采集方案实验

摄像头采集的图像如图6所示，a为均匀行采集效果，b为按表1分布行数采集的效果。由图可以看出，非均匀