1 整体设计

根据功能的不同，小车分为六部分：摄像头图像采集模块、电源模块、电机驱动模块、测速模块、舵机转向模块、辅助调试模块。图1是小车系统硬件模块框图。

图1 系统硬件模块图

（1） 摄像头图像采集模块

采用CMOS摄像头作为识别路径的传感器。此模块的主要作用是识别黑色引导线，工作原理为：摄像头的信号通过LM1881视频分离芯片向DG128产生行信号中断和场信号中断，以控制图像A/D值的采集；然后通过边沿提取算法提取出每行黑线的位置，通过提取连续段重新购建一帧图像的算法对整个图像进行处理。

（2） 驱动模块

Freescale公司生产的MC33886芯片是一款性能优良的直流电压驱动芯片。通过输入不同占空比的方波信号，可以在MC33886的输出端得到不同的电压，进而驱动电机，实现调速。

（3） 测速模块

采用光电耦合管和自制的码盘作为测速的传感器。光耦合管的输出信号经过555定时器组成的斯密特触发器整形得到一定频率的矩形波信号，再经过DG128的输入捕捉功能提取出小车的速度值。

（4） 舵机转向模块

为了保证小车在转弯过程中既能快速响应，又防止速度过快冲出跑道，利用汽车转向机构原理，把舵机的位置进行了提升。这样可以增大力矩，使小车快速响应，按照轨迹进行快速转弯。

2 图像采集及处理

2.1 图像采集

常用的摄像头视频输出信号是电视机的PAL制式。它的工作原理与电视机的工作原理相似：在一定分辨率下，每秒扫描25帧图像，每帧图像含有625行信息；分为奇、偶场，隔行扫描；总共每秒50场信号，每场有312.5行信息；从奇数行开始扫描，即依次扫描第1、3、5、7、9……当扫描完奇数场后，再开始扫描偶数场，构成一帧图像。

对图像的采集是根据摄像头的行信号和场信号对图像模拟量的采集。如图2所示，输出信号包括行同步信号、场同步信号、图像信号以及各种消隐信号。行同步信号代表一行的图像数据扫描开始，场同步信号代表一帧的图像数据扫描开始。要完成图像的正确采集，必须严格遵守时序的要求：当捕捉到一行信号时，开始对该行各点的模拟量进行采集，当下一行信号发生时表明该行采集完毕，需要对下一行的模拟量进行采集。

由于MC9S12DG128片内A/D采样频率的影响，每一行采集的点数受到了限制，在系统时钟倍频到24 MHz，A/D每次采集时间为2.3 μs的情况下，每一行图像的采集能达到34个点。这虽然远远小于摄像头本身的分辨频率，但在不使用2.8 mm广角镜头的前提下，仍能分辨出黑线，因此我们将数组列数设为34，同时每间隔6个摄像头行信号采集一次，一共有312个行信号，则一共可采集312/6=52行。去掉首尾干扰加大的行，选择采集46行，因此数组的行数为46。最终，设定的数组大小为：data_save1[46][34]，还原效果如图3所示。

图2 输出信号波形组成

图3 34列46行的二维数组还原效果

2.2 图像采集的处理方法

这里的黑色引导线以白色为衬底，因黑线和白色底板存在很多大灰度比，在图像信号上会形成相应高低不同的电压值。当检测到黑线时，图像信号中将形成一个“凹”形槽，图4中 凹槽处即是黑线在一行数据中的相对位置（26）。

图4 数组一行数据还原波形（一帧图像的某一行）

对图像每行数据的处理将得到每行图像中黑线的相对位置，即下面的行数据处理；而对每行图像中黑线的位置的综合分析将再现黑线的形状，即下面的帧数据处理。本设计将采集的模拟量数据存放在一个二维数组中，当完成对一行数据的采集后，就可以对该行的数据进行处理，即提取黑线的算法。在提取黑线上采用边沿提取法。该算法具有对黑线反应灵敏、准确度高、抗干扰能力强等特点。

图5表示的是光线比较好的情况下，A/D采集一帧中一行图像的数值结果，即二维数组中的某一行数据。小圆点的纵坐标表示A/D采集值，横坐标表示采集点在二维数组该行中的相对位置。

图5 黑线位置提取

边沿提取法，即通过程序检测到上述图形的上升沿和下降沿，然后通过上升沿和下降沿的位置求出黑线的位置。边沿提取算法流程：

① 通过i控制循环语句不断检测上升沿或下降沿。当第i个点的A/D值与第i+2个点的A/D值之差大于设定的阈值时，表明出现了下降沿，这时读取i的值。

② 一旦出现了下降沿，就开始不断地判断第i+2个点的A/D值与第i个点的A/D值之差是否大于设定的阈值。如果大于则表明检测到了上升沿，这时也读取i的值。通过2次i的值，便能够求得黑线对应的点是第几个点，进而求出黑线与小车轴线的相对位置。其提取流程如图6所示。

图6 边沿提取算法流程

通过判断下降沿位置和上升沿位置，来计算黑线的相对位置，并通过判断上升沿之后的数据是否满足相差不大于阈值来减小误差，以精确计算黑线的相对位置。

在光线比较好的情况下，简单地运用上述算法即可求得比较准确的相对位置，此时也不需要对阈值进行动态调整。当受到太阳光或其他比较强烈的光线影响时，就需要设置动态阈值。图7为光线不理想时图像的一种情况。

图7 光线不理想时的图像示意图

光线不好的情况下，采集的图像通常会出现图7中凸起的情形，这时，黑线提取算法的出错几率会大大增加。为了避免这种情况，可以根据图像的变化趋势将阈值附加上一个修正值。如图7，在进行下降沿检测时，可以在预先设定的阈值上减去一个数值，以克服凸起处的变形造成实际阈值的变小；上升沿检测时，可以在预先设定的阈值上加上一个数值，克服图像呈上升趋势带来的阈值变大。修正值的计算可以大致采用下式：

2.3 图像帧数据的处理

经过黑线提取算法得到每一行黑线的位置，并存在一个一维数组里，通过这个数组就可以粗糙地控制小车转向。但摄像头可能会将黑线以外的其他物体错误识别成黑线，直接使用数组不能满足稳定性的要求，还需要对数组的数据进行进一步的处理，把干扰图像滤除，即这里所说的帧数据的处理。

在帧数据处理上采用提取连续段的方法，将图像中错误的数据去除掉。图8是把干扰图像误当成黑线的情况，虚线代表实际的黑线位置。

图8 帧处理算法

连续段提取算法的流程大致为：

① 通过程序将图像中连续的段提取出来，提取的方法即通过i控制循环语句不断检验（Yi+1－Yi）的值是否大于设定的阈值。如果小于则表明第i个点和前面各点是连续的，否则和前面各点不连续。如图能够提取出3个连续的段，即连续段1、连续段2、连续段3。

② 判断连续段的可靠性，判断的依据是连续段中的点越多表明该连续段越可靠，如图8，显然连续段1和连续段3比连续段2可靠。将可靠性好的段作为可用段，可靠性差的段作为不可用段。

③ 排除不可用段，将可用段连接起来形成一个大段。最后采用插补法，将不可用段归算到这个大段中。

用该方法得到的归算后的“大段”给下面循迹算法提供了依据。图像处理的稳定性，是小车循迹稳定性的前提条件。实验表明，该算法能够很好地满足稳定性的要求。

3 小车循迹算法

由于选用的摄像头的照射宽度比较小，使得算法上很难对赛道进行大面积的分析，因此循迹上，算法应该以适应性强为主。在舵机转向上采用3个变量来控制舵机的值：part_1、part_2、part_3。part_1对应图像的斜率，它是控制转向的主要变量；part_2对应小车相对于黑线的位置，是控制转向的辅助变量，它的目的是为了防止小车偏离引导线；part_3对应于转向的超前校正，它由图像前端的斜率求得。

part_1、part_2、part_3的计算子函数程序为：

void photo_access（void）{

unsigned char i;

long item_1=0;

int item_2=0,item_3=0,item_4=0;

static unsigned int out_degree_temp=0xffff;

/*line_data_refined[i]内存储的数据为一帧图像数据处理后的黑线在每一行中的相对位置，“i”代表采集的第i行，总共有46行。

bottom为一帧图像归算后，整个连续段的最后一行；top为一帧图像归算后，整个连续段的首行*/

/*part_1求解*/

for（i=0,slope_photo=0;i<=bottom-top;i++） {

item_1+=i*line_data_refined[bottom-i];

item_2+=i;

item_3+=line_data_refined[bottom-i];

item_4+=i*i;

}

slope_photo_1=100*（item_1-（item_2*（long）item_3）/（bottom-top+1））/（item_4-（item_2*（long）item_2）/（bottom-top+1））;

part_1=slope_photo*gain_slope； //gain_slope为常系数/*part_2求解*/

for（i=bottom-4,sum=0;i<=bottom;i++）

sum+=line_data_refined[i];

temp=sum/5-17;

relative_near=temp-slope_photo_1*（65-bottom）/10;

if（relative_near>36） relative_near=36;

if（relative_near<-36） relative_near=-36;

part_2=（int）relative_near*gain_out; //gain_out为常系数

/*part_3求解*/

item_1=0;

item_2=0;

item_3=0;

item_4=0;

for（i=0;i<=9;i++） {

item_1+=i*line_data_refined[top+i];

item_2+=i;

item_3+=line_data_refined[top+i];

item_4+=i*i;

}

slope_photo_2=-100*（item_1-（item_2*（long）item_3）/10）/（item_4-（item_2*（long）item_2）/10）;

if（speed_now>20）temp=speed_now-20;

else temp=0;

//speed_now为小车目前速度

part_3=（（slope_photo_2-slope_photo_1）*temp/10）*

gain_advance/25;

//gain_advance为设置的参数

}

3.1 part_1的求取

通过求黑线对于小车的平均相对位置的方法来控制转向，但这种方法具有灵敏度不高、适应性不强、小车侧滑时容易出错等缺点；最终采用了通过最小二乘法求图像的斜率，再由斜率求part_1值的方法。part_1即控制小车转向的主要变量。

如图9所示，通过最小二乘法求斜率，运用公式如下：

图9 最小二乘法求斜率

3.2 part_2的求取

因为图像的最近端和小车的前轮轴线之间仍有不可忽略的距离，因此摄像头最近一行的数据不能反映小车相对于黑线的距离。这里仍然通过最小二乘法的方法将图像延长到小车前轮轴线上（如图9），这样就可以将最近一行的相对位置distance_photo归算为distance_near。distance_near的值虽然和实际值仍有些误差，但经过实验数据分析，distance_near的误差在影响小车稳定性上程度比较小，比重也很小；它的最大优点就是能够反映小车相对于黑线的实际位置。

在求出distance_near后，就可以进一步求出part_2的值：

part_2=k2×distance_near（k2为常数）

3.3 part_3的求取

因为舵机的滞后性对小车的性能有很大影响，速度越高，舵机滞后性带来的负面影响就越大，在进入弯道就会出现侧滑出跑道的情况。为了避免这种情况的发生和提高小车运行速度，需要对舵机的联动机构及前轮机械结构进行调整，或者采用编程的方法使小车提前转向。part_3的引入即是第2种方法。part_3作为一个附加的校正值加在舵机上，它的大小与速度有关系，同时又与图像前端的斜率slope_front（图9）有关。关于part_3的计算如下：

其中speed是小车的运行速度。

4 结论

本文以追求稳定性为前提，以提高小车行驶速度为目标，提出了一种抗干扰能力强的图像处理算法和一种通用性强、适应性强的小车循迹算法。