基于摄像头的无人驾驶车辆的道路检测

许耀华，王文宇，宋文凤

（长安大学汽车学院，陕西 西安 710021）

引言

无人驾驶技术[1]。已经成为汽车行业的热门话题，为了促进该技术的进步，“全国大学生智能汽车竞赛”邀请大学生们以模型车为平台，制作一辆能在特定赛道上自主寻迹的智能车[3]来参赛。早些年，大家用飞思卡尔公司的 16位芯片XS128[4]作为智能车的控制芯片，但由于处理速度不够，严重影响智能车的行驶速度，现在都普遍使用 32位处理芯片了。除了使用摄像头[5]作为主传感器以外，还可以使用电感来检测铺设在车道上的通电导线[6]，或者使用光电传感器等作为感知外界环境的传感器，但摄像头传感器有明显的优势，它采集到的信息量更大，有利于后期分析，同时其前瞻最远，能达到1m以上，这为智能车高速行驶提供了保障。

1 微控制器与摄像头

微控制器就是智能车的“大脑”，它必须要有足够的硬件资源和强大的计算能力。MK60DN512ZVLQ10芯片是飞思卡尔公司推出的一款基于ARM Cortex-M4内核的32位微控制器，其有144个引脚，采用LQFP封装，且有丰富的可与外部设备相连的接口，在我们的智能车上用到的主要模块有：DMA（Direct Memory Access）模块，用来接收摄像头的信号数据；PWM（Pulse Width Modulation）模块，用来输出信号控制舵机转向以及电机驱动；PIT（Periodic Interrupt Timer）模块，用于设定时间以触发中断程序；UART（Universal Asynchronous Receiver and Transmitter）模块，用来实现微处理器和上位机的数据通讯，方便调试程序。

摄像头就好比智能车的“眼睛”，它为微控制器提供当前的道路信息，可将采集到的图像信息实时的传给微控制器进行处理。OV7620是CMOS数字摄像头，供电电压低，只需要 5V，且功耗较低。OV7620的引脚主要有场中断信号VSYNC引脚：用来判断是否一幅图像已经开始；行中断信号HREF引脚：用来判断是否是一行图像的开始；数据输出口Y0-Y7引脚：用来输出摄像头的图像像素数据；PLCK像素同步信号引脚：一个周期表示一个点的像素值传到Y0-Y7引脚；电源5V引脚和接地GND引脚为摄像头供电。

图1 OV7620与K60的接口电路图

OV7620与K60的引脚连接如图1所示，行场及像素中断信号分别于 K60的外部中断触发引脚 PTB3、PTA5和PTE5，数据输出口 Y0-Y7引脚接到 K60的普通 IO口PTD0-PTD7。

2 道路图像的采集

为了减少外界环境的影响以及提高智能车的识别效率，我们采用蓝底白道黑边的道路供智能车行驶。如图2所示。

图2 智能车行驶的道路

摄像头采集的图像信息是用二维阵列表示的，其中二维阵列的每个元素表示图像的一个像素点的灰度值。对于OV7620摄像头，我们可以根据场中断信号 VSYN、行中断信号HREF、像素中断信号PCLK的波形来采集图像信息。用示波器查看以上三个中断信号的波形，可以看到它们的时序关系如图3所示。

可以测得以上三个信号的周期分别是 16.48ms、63.58us（只有高电平表示像素点的灰度值输出，大约占时47.4us）、73ns。因为1s/16.48ms =60.6，16.48ms/63.58us=259，47.4us/73ns=649，所以 OV7620摄像头的分辨率可以达到标称的640*240，同时其帧率为60帧/s。

图3 OV7620中断信号时序关系图

针对智能车的图像采集来说，60帧/s的帧率是足够的，但640*240的分辨率包含的数据太多，会增加微处理器的计算量，在保证图像清晰度的前提下，我们使用320*200的分辨率就够了。对于行数，我们采用隔行采集的方法，可以在原有的640行里只将320行的数据存到微处理器；对于列数，我们根据像素中断信号PCLK，将每行的前20个和后20个数据都舍弃，只存储中间的200个数据即可。这样就可以采集到合适大小的道路灰度图像，如下图4所示：

图4 道路灰度图像

3 路径识别

路径识别就是根据摄像头传回来的图像信号，分析道路信息，进而计算出智能车的行驶轨迹。

常用的边缘检测算法主要有直接边缘检测算法和跟踪边缘检测法。

3.1 直接边缘检测算法

白色车道的像素值明显要大于蓝底黑边的像素值，所以可以根据实际环境设置一个合适的阈值，将原图像二值化成只有车道是白色，而其他背景全为黑的图片，如图6所示。基于二值化后的图像，采用逐点比较的方法，从最下面一行最左端的第一个数据点开始依次向右进行作差。如果第i个数据点与第i+1个数据点的差值等于255（黑白像素的差值），则把第i点的位置标记为a，如果差值为0，则继续向右进行。找出a的位置后继续向右做差比较，如果a+j个数据点与a+j-1数据点的差值等于-255，则把第a+j点的位置标记为b，如果差值为 0，则继续向右进行。那么左边界黑线的位置可以认为就是a，右边界黑线的位置可以认为就是b，则车道的中心坐标为(a+b)/2。直接边缘检测算法的缺点是要对每行的每个像素点都进行计算，这对于K60微控制器来说负荷比较大，占用过多的系统资源，不利于系统性能的发挥。算法示意图如图5所示。

图5 直接边缘检测法示意图

3.2 跟踪边缘检测算法

此算法由直接边缘检测算法简化而来。以左边缘为例，如果已经找到某行的左边缘，由于相邻两行的两侧边缘点都比较接近，那么在寻找下一行的左边缘时，就在上一行左边缘的附近进行寻找。跟踪边缘检测算法大大简化了直接边缘检测算法，不需要对每个像素点进行比较运算，算法简单实际，不需要对整幅图像进行处理，占用系统资源较少，有利于智能车性能的发挥。

3.3 十字边缘检测法

但是以上两种方法都需要对整幅图像进行检测，本文采用了一种比以上两种方法更简法的算法。根据算法检索点在图像中的位置将其称为“十字边缘检测法”，如图6所示。

图6 十字边缘检测法

“十字边缘检测法”的算法步骤为：

（1）从图像第0行的中心点依次向第1行，第2行…直到最后一行的中点进行检索，找到第一个黑点A，记A点所在的行为第a行；

（2）从a-n行(n由调试实验确定)的中心点向左检索，找到第一个黑点B，认为B点是左边缘的位置；

（3）从a-n行的中心向右检索，找到第一个黑点C，认为C点是右边缘的位置；

（4）找到 B，C两点在第 a-n行的中点，记作点 D，D=(B+C)/2；

（5）认为D点为智能车当前位置，D点与第a-n行的中点位置之差即为偏航量。

根据算出的偏航量计算智能车下一个周期的行驶方向。

如图7若发现A点所在行在足够远处，如第60行以上，则认为是小“S”弯或直道，舵机打舵量变小。

图7 直道和小“S”路径图

将要冲出跑道时。采用“十字边缘检测法”对图像进行检测，如图8若检测到A点非常近外，如20行以内，则舵机打舵量变大。

图8 即将冲出跑道时的图像

十字路口。当智能车将要行驶到十字路口时，会出两种情况。第一种是A点出现在足够远处，如图9，认为是直道或小“S”弯。第二种是A点没有出现在足够远处，但此时，B,C两点必然在图像的左右两端，舵机方向回正，智能车直行向前。其中第二种情况出现的概率非常小，只有进入十字路口之前方向没有调整好时才会出现。

图9 十字路口路径图

4 结束语

本文通过对摄像头智能车的路径识别进行研究，在传统的滤波和二值化的基础上，介绍了三种路径识别方法，包括计算效率非常高的“十字边缘检测法”，利用此识别算法能够极大的节省微处理器的资源，从而缩短了控制周期，提高智能车控制系统的实时性。在此基础上，我们完成了摄像头智能车的制作，如图10所示，基于上述算法的快速性，我们的智能车的最高速度能够达到 3.1m/s，平均车速能够达到2.59m/s。

图12 摄像头智能车

[1] Gao Y B, Cong J I, Han P W. Design of smart car system with came-rabased path recognition [J]. Journal of Lanzhou University of Tech-nology, 2013.

[2] Chen H, Xiong H. Hardware Design and Path Identification Algori-thm for Smart Track-keeping Car [J].Microcontrollers & Embed-ded Systems, 2010.

[3] Chen M Y, Sun S C, Wang H. The Design and Research of Tracing Smart Car Based on Image Recognition[J]. Journal of Chongqing University of Technology, 2013, 7(1).

[4] Nitzberg M, Shiota T. Nonlinear image filtering with edge and corner enhancement[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1992, 14(8)：826-833.

[5] Van Hall R C. Real time binarization of gray images： US, US 67384-96 B1[P]. 2004.

[6] Cumani A. Edge detection in multispectral images[J]. Cvgip Graphi-cal Models & Image Processing, 2010, 53(1)：40-51.