基于OV7620智能车的路径识别及控制策略

王立玲，王建成，白跃

（1.河北大学 电子信息工程学院，河北 保定 071002 2.东北大学 信息科学与工程学院，辽宁 沈阳 110819）

汽车工业蓬勃发展，家庭汽车数量剧增，对道路安全和驾驶安全的要求更高.交通压力日益显著.因此智能汽车的研究成为时代发展的需求.路径识别跟踪技术和快速、稳定的控制策略标志着汽车智能化发展水平.本论文将图像采集硬件、图像采集及处理、路径识别和控制策略进行阐述，最终实现一套能够自主识别路线，并且可以快速、稳定行驶的智能车软硬件系统.

1 图像采集硬件系统

智能车的总体运动过程是：摄像头采集赛道信息，通过I／O 口输入到单片机，经过特定的程序算法提取出赛道的信息，通过对不同路径的识别，产生不同的控制信号，进而控制舵机的转角和电机的转速，从而影响智能车的运动路径.

图1 LM2940外围电路Fig.1 Peripheral circuit of LM2940

CMOS摄像头较CCD 摄像头功耗低，由于舵机和电机控制突变引起的电压变化对摄像头图像质量影响小，CMOS摄像头供电简单只需要5V 的电源电压，而CCD 摄像头功耗大，供电复杂需要采用DC－DC 升压到12V.CMOS摄像头相对于CCD 来说图像的刷新频率高，但是CMOS摄像头的感光度低，动态效果差，清晰度较差.综合以上情况选用OV7620的CMOS摄像头［3］.

摄像头对电源要求比较高，为了获得稳定的图像给摄像头供电的电源文波要小，电源容量要大.综合以上要求选用纹波小、低压差、线性度好的LM2940，其外围电路如图1所示.

2 图像采集软件系统

本文设计的竞速智能车系统通过数字摄像头OV7620进行道路信息采集，图像采集与处理至关重要，为后续的转向与速度控制提供必要的前提.

利用原始图像信息提取出路径信息，计算出智能车在道路上的偏移量，进而转化为舵机输出值，又增加了路径识别算法，从而能够使智能车在道路上沿最短路径行驶，改善了智能车转向特性.

2.1 摄像头图像信息采集

OV7620摄像头每秒钟30帧画面，每帧画面分为奇场和偶场，在每场的开始有一个脉冲.用微控制器的外部捕捉功能检测每场图像的起始.当场中断到来时需要将行计数器置为0以便读取新一场的数据，同时还需要读取脉冲累加器中的数据，以判断当前智能车的速度值，关闭场中断等待行中断的响应［5］.

与场中断类似，为了区分行与行之间的数据在每行的开始会有一个行中断脉冲信号.在行中断中要完成图像灰度值得读取.在采集完最后一行数据之后再对数据进行分析处理，每一个像素信号用相应灰度值进行表示，而灰度值为一个八位二进制数据，即0到255之间的值，通常情况下白色的赛道灰度值较大，黑色的边沿灰度值较小，通过灰度值的不同来提取赛道边缘信息［6］，图像信号采集作为整个控制算法的基础，具有非常重要的地位，同时也是智能车软件设计的一个技术难点.其设计得好坏与否，直接关系到智能车的整体性能.此智能车以OV7620作为主传感器，以红外对管作为辅助传感器对赛道的信息进行采集.图像采集流程如图2所示.OV7620把赛道的亮暗程度转化成像素的灰度值，并通过数据总线传送给单片机.单片机将采集的原始图像的灰度值存储到自身的RAM 中，由于单片机的内部RAM 和处理速度的限制并不是将所有的像素灰度值都存储下来，而是选取特定的行，每行读取184个灰度值.这些行是通过实际标定选取的，对应实际空间的行间距是相等的（标定方法见2.3）.

2.2 图像处理算法

采集到了原始图像并不代表完成了图像的处理，还需要提取其中的有用信息将图做像压缩处理，即提取路径引导线信息.路径引导线信息主要包括路径中心位置、路径曲率、路径类型、智能车所在位置等.

由于摄像头安装的高度及角度问题使得采集到的道路图像具有较大的梯形失真，表现为“近大远小”.为了还原路径的真实信息，本文采用逆透视变换的方法解决梯形失真［6］.逆透视变换的基本思想是将摄像头采集到的图像像素点（u，v）（u表示行数，v表示列数），转换为现实坐标系下的（x，y）（x 表示横向偏移量，y 表示纵向距车头距离）.

图2 图像采集流程Fig.2 Flow chart of image acquisition

识别路径引导线常用的方法主要有阈值法和边缘检测法.边缘检测法在图像受到光照等影响时表现较为稳定［6］，综合实际硬件条件和实时性考虑，本文采用边沿跟踪检测算法.

为了解决边沿检测法效率低的问题，本文将单纯的边沿检测法改进为跟踪边沿检测法.由于黑色的引导线是2条相距45cm 的连续的曲线，用摄像头对其采样后相邻2行的边沿的位置相差不大.可以利用前1行或2行边沿的水平位置来推算下一行边沿所在的大概的位置，并在预测的位置进行搜索即可.这样一来可以大大地提高边沿检测法的效率，减轻了单片机负担为单片机处理数据节省了大量的宝贵时间.

图3 边沿跟踪流程Fig.3 Flow chart of edge tracking

路径提取算法如下：

1）按照上述方法进行图像信息的采集；

2）寻找基准行时，因为近处的黑线稳定，有效信息量大，远处黑线信息量少，所以采用由近及远的办法寻找基准行［9］；

3）由黑色的引导线的连续性，根据基准行黑线位置判断出黑线的趋势，推断出下一行的黑线大概位置，确定出扫描范围，避免整行逐点扫描，节省时间.边沿跟踪检测流程图如图3所示.

寻找左（右）基准行：从前5行的中间向右（左）寻找下降沿（对应的灰度值由大突然变小，并且差值大于一定的阈值）.当存在连续的2行找到下降沿并且下降沿的水平距离小于18个像素点时便认为找到了左（右）基准行，记录下左（右）基准行与下降沿的水平位置.

在寻找到基准行后左（右）边沿跟踪：从左（右）开始向下1行需找下降沿，寻找的范围是前一行下降沿左右像素点，找到下降沿，记录水平位置（像素水平坐标），跟踪寻找后面一行的下降沿.

2.3 图像采集标定

根据标定从图像的240行中采集40行数据，每隔实际距离的3cm采集1行，从而前瞻达到120cm，足以满足控制的需要.其中标定的方法是：在跑道上每隔3cm 用黑色胶带做标记，将智能车放在跑道中间，然后用摄像头逐行采集，记录各个标记所对应的行数，所记录的40个数据便是用来控制所需采集的行数，通过标定可利用这些准确的信息去识别不同的赛道并且很方便地利用各段路径信息去控制智能车的转向与速度.

图4 标定示意Fig.4 Schematic diagram of calibration

根据大量的实验采集数据统计与调试，当左边有效行和右边有效行中所在共同的行数大于6时，将2条黑导引线进行归中处理，即计算出中心导引线，否则根据一般去控制，利用信息量多的一边去控制转向与速度，将所采集的40行数据进行分段求斜率并且根据智能车在跑道上位置动态地求偏移量，根据这些数据我们足以将各种路径区分开来，进而更好地去控制.

3 智能车控制策略

3.1 舵机控制策略

图5 队列加权求平均值流程Fig.5 Flow chart of weighted averages of queue

对于舵机的控制，为了让智能车能够在小S 和直道等各种路径上运行平稳，平滑的通过，选择了变参数PD 控制.这对优化路径起到了关键的作用.

直道和小S弯，选择较小的KP和KD.这样可以使舵机不会因较小的位置偏差而抖动，使智能车在通过这2种路径时能较平稳快速的通过.

由直道进入弯道，选择适中的KP和较大的KD，在进入弯道时偏差变化率较大，KD起较大的控制作用，加大KD可以使智能车沿内切路径行驶.

大S路径，此时存在连续的转弯，位置偏差和偏差变化率都比较大，因此选择适中的KP，KD，再配合120cm 的前瞻，可以很好地实现智能车以最短路径行驶.

另外，为了转向的平滑性，本文采用5次的位置偏差以队列形式进行舵机转向控制.把连续5个位置偏差值看成一个长度固定为5队列，采样到一个新数据放入队尾，并扔掉原来队首的一个数据（先进先出原则）.越接近现在时刻的数据，权重取得越大.把队列中的5个数据进行加权平均运算，就可获得新的滤波结果，如图5所示.特点是给予新采样值的权重越大，则灵敏度越高，但转向平滑度越差.优点是适合采样周期较短的系统，改变权重即可调整灵敏度［10］.

3.2 速度控制策略

本文采用了bang－bang和PID 相结合的方式进行速度控制，如图6.当速度误差绝对值小于10%时采用PID 控制；当速度误差绝对值大于10%时采用Bang－Bang 控制.基于增量式PID 算法的在电机调速领域的优越性，电机控制的PID 部分采用增量式PID 控制算法，经过一段时间的摸索，本文选择了带死区的改进PID 控制算法，并且采用工程整定法调试出了稳定的PID 参数，使智能车快速、稳定、准确地达到预设定的速度.

对于不同的路径，如直道，小S弯、弯道，大S弯等，只有合理的速度给定，才能使智能车平稳安全地行驶.基本思想是根据前边的路径判断入弯减速，出弯加速，直道快速.由于车轮摩擦系数的限制，智能车不可能以直道的速度行驶通过弯道 速度过快车辆就会侧滑甚至翻车.这就要求在弯道时将速度给定减到一个安全的较低速度，而在直道或是小S弯道时把速度提升上来.实际上这样还不够，需要在舵机打到期望值以后在弯道内部开始加速，如果等到车身出弯以后进入直道再加速不免有些迟滞.根据之前路径的路况判断，在不同路径给以不同给定速度.如在直道的时候，让智能车瞬间达到一个较高于预设的速度，接着逐渐趋于预设速度，而弯道的时候则较平缓的达到预设的速度.

图6 速度控制策略框图Fig.6 Block diagram of the speed control strategy

4 结论

本系统采用CMOS摄像头OV7620进行路径信息采集，通过单片机数据IO接收摄像头采集信息进行路径识别，采用边沿跟踪图像检测算法进行道路信息识别，提出了变参数PD控制方法对舵机进行最优控制，使智能车沿着最优路径行驶，采用带死区的PID和bang－bang相结合的控制方法对智能车速度进行快速稳定的闭环控制.实验结果表明，本竞速智能车系统能够自主识别路线，沿任意给定路径快速、稳定地行驶全程.

［1］ 侯明，付兴建，吴迎年，等.基于LabVIEW VISA 智能车无线调试系统［J］.国外电子测量技术，2012（1）：67－69，88.HOU Ming，FU Xingjian，WU Yingnian，et al.Wireless debugging system of smart－car based on LabVIEW VISA［J］.Foreign electronic measurement technology，2012（1）：67－69，88.

［2］ 卓晴，黄开胜，邵贝贝.学做智能车—挑战飞思卡尔杯［M］.北京：北京航空航天大学出版社，2007：1－18.

［3］ 黄开胜，陈宋.汽车理论与智能模型车机械结构调整方法［D］.北京：清华大学汽车安全与节能国家重点实验室，2006.HUANG Kaisheng，CHEN Song.The theory of automobile and adjustment method of intelligent model car mechanical structural［D］.Beijing：Tsinghua University，State Key Laboratory of automotive safety and energy，2006.

［4］ 安鹏，马伟.使用S12单片机控制舵机［D］.北京：清华大学工程物理系，2007.AN Peng，MA Wei.Using single－chip S12control servo［D］.Beijing：Department of Engineering Physics，Tsinghua University，2007.

［5］ 李晨，宓超.基于飞思卡尔单片机MC9S12XS128的智能车设计［J］.上海海事大学学报，2012，33（1）：82－84.LI Chen，MI Chao.Design of intelligent vehicle based on freescale single－chip MC9S12XS128［J］.Journal of Shanghai Maritime Univeristy，2012，33（1）：82－84.

［6］ 吴振宇，赵亮，冯林.基于分数阶PID 控制器的智能车控制［J］.控制工程，2011，03：401－404.WU Zhenyu，ZHAO Liang，FENG Lin.Control of intelligent vehicle based on fractional order PID［J］.Control engineering，2011，03：401－404.

［7］ 张晓炜，杨锦，王建.第四届全国大学生智能汽车邀请赛技术报告［R］.西安：西安交通大学，2009：32－36.ZHANG Xiaowei，YANG Jin，WANG Jian.The fourth national university intelligent vehicle tournament technical report［R］.Xi'an：Xi'an Jiao Tong University，2009：32－36.

［8］ 田瑶，刘晓邦，瞿少成，等.基于CCD 摄像头的智能小车系统的研制［J］.电子测量技术，2010，33（6）：106－109.TIAN Yao，LIU Xiaobang，QU Shaocheng，et al.Research on a smart car system based on CCD camera［J］.Electronic measurement technology，2010，33（6）：106－109.

［9］ 贺亮亮，谢剑桥，周沈刚.第六届全国大学生智能汽车邀请赛技术报告［R］.北京：北京科技大学，2010：18－21.HE Liangliang，XIE Jianqiao，ZHOU Shengang.The sixth national university intelligent vehicle tournament technical report［R］.Beijing：University of Science and Technology Beijing，2010：18－21.

［10］ 宋寿鹏.数字滤波器设计及工程应用［M］.镇江：江苏大学出版社，2009：65－78.