电子产品世界

摘要：本方案通过DMA进行摄像头与单片机之间的信息传输，采用大津法确定二值化阀值，进行图像分割，极大提高图像处理速度。本文主要介绍了中心线拟合、最小二乘法补边界线、特征点提取、十字元素与车库元素识别与处理等算法，使智能车更平稳快速通过多种赛道元素。

关键词：DMA；大津法；最小二乘法；特征点；十字元素

随着汽车保有量的不断攀升，交通拥堵、交通事故不断频发，越来越多的国家投入到智能网联汽车的研发，智能网联汽车多采用传感器融合方案，视觉传感器作为其中一种重要的传感器，进行图像采集。本文采用摄像头传感器进行图像采集，进行赛道元素特征识别，辅助智能车快速通过多种赛道元素，对于提高城市交通智能化有着重要意义。

1 摄像头传感器选取与安装

1.1 摄像头传感器选取

摄像头传感器是视觉检测的核心器件，信息量丰富，相较于电磁传感器，扫描距离更远，有利于提前进行路径规划。本方案采用龙邱神眼摄像头 MT9V034 作为图像传感器 , 为灰度数字摄像头，只需 3.3 V 供电，分辨率为 120×188，具有高动态成像、超低功耗等多种优 点，该摄像头采用 8 位并行输出，故像素点灰度值范围为 0 ～ 255。

结合智能小车循迹特点，一般会将分辨率设置为 80×60，即可获取赛道图像处理所需数据。高分辨率，图像会更清晰，但数据量增加，传输时间延长，影响图像处理效率，如果再打开串口使用上位机，有机发光半导体（organic electroluminescence display, OLED）屏上图像会延迟，帧率降低，也不便于调试。一般会降低分辨率提高帧率，但也会考虑算法性能，应注重单片机处理速度与图像刷新速度协调。

1.2 摄像头传感器安装

智能小车采用后轮驱动，为避免车模抖动，应让质心靠后，提高小车抓地力，同时还要保证摄像头尽量靠前，采取到更多有效数据，故将摄像头放在车模中部，关于车轴对称。为减轻整车重量，选用空心碳素纤维管作为固定件，并用哥俩好胶水固定摄像头角度，方便调试。

将摄像头正装，OLED 屏幕上图像显示顺序，从上到下依次为 0 ～ 59 行，从左到右依次为 0 ～ 79 列，一般小车前进时，近处图像位于最大行处，远处图像位于 0 行处。

2 图像传输

本方案采用 DMA( 直接存储器访问，Direct Memory Access) 进行数据传输，DMA 可以进行高速数据传输，通过 DMA 控制器，可以将摄像头等外设单元采集的数据直接传输到我们的内存中，只有数据传输开始、结束时才会与 CPU（中央处理器）交流，传输过程中，CPU 可以专心进行图像处理；普通数据传输方式，每一个数据传输都需要依赖 CPU 进行，极大占用 CPU 资源。DMA 传输，极大提高了单片机处理效率，故我们采用 DMA 进行数据传输。

FRM 为场中断，每当 FRM 管脚连接的 IO 口检测到一个沿变化，摄像头和单片机之间开始传输一副图像数据；LINE 为行中断，每当 LINE 管脚连接的 IO 口检测到一个沿变化，摄像头和单片机之间开始传输一行数据；PIX 为像素时钟，每当 PIX 管脚连接的 IO 口检测到一个沿变化，摄像头和单片机之间开始传输一个数据。需要采集一副图像时，会先读取到一个场信号，连续两个场信号之间为一副完整图像，当读取到一个场信号后，会连续读取到 120 个行信号，每两个行信号间，会连续读取到 188 个点信号。获得一个场中断后，开始将图像的每一行数据存入数组，并开始进行行累加计数，当计数达到 120 行后，会获得下一个场中断，一副图像采集完毕，及时将行累加计数器清 0，并置场结束标志位，开始进行数据处理。

3 图像预处理

因选用的摄像头传感器为灰度传感器，无需额外进行图像灰度化，本方案主要采用阀值分割法进行图像分割。阀值的确定是阀值分割法的核心，常见的阀值分为：静态阀值和动态阀值 ^[2] ，静态阀值容易受到环境光线影响，对不同环境的赛道适应力较差；动态阀值抗干扰性强，对光照变化不敏感。为更好地适应不同赛道环境变化，本方案采用大津法确定动态阀值。大津法（OTSU），利用统计学方法，让计算机在每一张图片上都自适应的根据图片整体亮度确定阈值，单片机在不同环境下都能自适应找到不同的分割阈值，每一张图片的阈值都不一样，受图像亮度和对比度的影响小，但对噪声非常敏感。一般采集的灰度直方图会存在两个峰值，两峰之间存在一个谷底，而大津法的阈值即为峰谷对应的灰度值。

3.1 大津法算法原理

假设灰度直方图中某一灰度值 i 恰为峰谷，以此为 阀值 Threshold 进行图像分割 , 将一幅图像中所有像素分成前景和背景两部分，前景即为白色，背景即为黑色，验证类间方差是否最大。为优化算法性能，对传统类间方差计算式作出变式，得到公式 1，通过下式计算类间方差值：

在所有灰度值中使类间方差值最大的灰度值即为二值化分割阀值 Threshold。

3.2 大津法算法逻辑与优化

3.2.1 算法逻辑

循环 0 ～ 255 个灰度值，记录每一个灰度值对应的类间方差值，将其与已知的最大类间方差值比较，记录两者间最大值，并进行循环计数，当循环计数值达 256 次，即可确定此时最大类间方差值对应的灰度值为二值化阀值 Threshold。

3.2.2 算法优化

如果是固定赛道，可以多次试运行大津法算法，记录对应多种赛道元素的二值化阀值，可以得到一个灰度值范围，比如 70 ～ 140, 缩小灰度值遍历范围，提高算法效率。赛道上光线一般比较均匀，当一幅图像中包含噪声和非均匀光照时，可能会造成大津法阀值不准确，而赛道图像中部分元素灰度差别大，特别是可能会遇到上帝之光的干扰，使部分赛道光照与正常赛道光照差异较大，可以采集赛道时，隔行隔列采集，以此形成的灰度直方图，可以有效减少噪声和非均匀光照；面对上帝之光，也可以尝试部分区域求大津的方法，只对赛道前半部分用大津法求二值化阀值，对图像后半部分舍弃，因为小车往往需要近处图像进行数据处理，及时进行赛道循迹，舍弃远处图像数据，可以使图像二值化数值更接近于赛道近处值，效果更好。也可将赛道划分为远近两个区域，对其分别大津法求阈值，并分别加权求出更理想的二值化阈值。

一般情况下，赛道光照强，二值化动态阈值会更大，对于光斑等干扰，不易找到合适阈值，可以安装滤光片等光学元器件改善。

3.3 二值化

遍历赛道所有像素点灰度值，如果某一像素点灰度值大于二值化阈值，则置为白点 1，如果灰度值小于二值化阈值，则置为黑点 0。

4 图像处理

4.1 中线拟合与偏差

因为摄像头采集到的近处图像实际中线 ^[4] 与赛道理想中线接近，远处图像可能两者差别比较大，所以我们一般选择从近处到远处开始扫线。从底部第 59 行的理想中线位置第 40 列开始向左向右两方向分别扫线，找到黑白跳变点，记录左右边界点位置。

以向左扫线为例，当向左扫线找到一点 H 的值同其左边一点 J 的值差值为 1 时，再以 H 点向左间隔 3 个点找到点 K，计算点 K 同其左边一点 L 的差值为 0 时，继续以 K 点向左间隔 3 个点找到点 M，计算点 M 同其左边一点 N 的差值为 0 时，即可判断找到第 59 行左边界点，将其计入一个大小为 60 的左线数组，这种方法有效避免了噪声、光斑对边界点提取的影响。同理获得第 59 行右边界坐标，左边界坐标与右边界坐标求和后除以 2，即为当前赛道第 59 行实际中点坐标，并将其存入中线数组。

向左扫线找左边界原理如图 1 所示。

图1 找左边界原理图

继续以第 59 行实际中点坐标为起始点开始进行第 58 行左右扫线，因为部分赛道如果选取理想中点第 40 列作为下一行左右扫线起始点，可能理想中线正好位于黑色区域，左右两边扫线遇到的都是黑点，黑白跳变点位置同扫线起始点间隔较远，连贯性不好，极大地浪费 CPU 性能，不利于小车快速巡线。同理进行 For 循环向上迭代求中线，直到扫线完 60 行，将各行中点连接，即为实际中线。

用右边界数组减左边界数组，可以得到赛道宽度。从起始点第 59 行第 40 列的像素开始，向上扫线，找到白黑跳变点，用图像总行数减去白黑跳变点的值即为赛道长度；在某些特定元素判断中，可以使用赛道宽度、赛道长度作为辅助判断，识别特定元素。

选取一个控制行，控制行与实际中线、理想中线交点分别为 O、P，计算两点差值作为偏差，乘以比例项系数 Kp, 作为 PWM 一部分用于小车转向控制。也可以计算多行偏差，对远处偏差赋予低权重，近处偏差赋予高权重，进行累加作为最终偏差，为进一步提高车速，可以针对不同赛道元素，对多行不同区域分别赋予不同的权重。控制行的选取需要综合考虑车速、摄像头前瞻位置等，一般车速越快，控制行数值选取越小。

4.2 丢线处理

对于部分特殊赛道或者当小车偏离赛道理想中线时，可能无法找到边界线。当出现单边丢线时，根据不同赛道元素，有多种处理方法，以左边丢线为例，可以将图像左边框线规定为黑点 0，当算法向左扫线检测到只有第 0 列有黑点 0 的时候，即判定该点为左边界点；也可以选择找到某一特殊点，比如拐点，利用拐点和其他已知点进行补线，一般采用最小二乘法 ^[5] 补线处理赛道元素。可以找到左边界丢线前的 5 个左边界点，利用公式 2 和公式 3 计算出拟合直线的 K 和 B，将丢线后的行数依次作为纵坐标带入公式 4 计算出横坐标，补齐左边界。

当出现双边丢线时，一般是处于特殊元素十字路口处，可以选择存储历史数组的方法，用之前的实际中线数据过特殊元素。也可以选择通过左右拐点等同时补线，通过两边界丢线处附件已知的 5 个边界点分别拟合出两条直线，补全左右边界。为降低算法复杂度，也可以直接使用丢线前几行的赛道进行直接补线，因车速、电池电量等情况，可能会不稳定。

4.3 特征点

图2 特征点标注图

图 2 中：A 点为左下拐点、B 点为右下拐点、C 点为左上拐点、D 点为右上拐点、E 点为起始行左边界、 F 点为起始行右边界。

正常直道的边界线斜率为定值，当存在拐点时，如图 2 标注所示，边界线斜率会在拐点前后发生突变，A 为左下拐点，在 A 点下方的左边界线为固定斜率的右倾直线，当从下往上扫线找边界求中线时，突然发现 A 点上方的左边界斜率急剧变缓，自 A 点开始向左接近水平生长。

B 为右下拐点，在 B 点下方的右边界线为固定斜率的左倾直线，当从下往上扫线找边界求中线时，突然发现 B 点上方的右边界斜率急剧变缓，自 B 点开始向右接近水平生长；

同理可知，C 为左上拐点，在 C 点下方的左边界线自右向左接近水平生长，斜率较小，在 C 点上方的左边界斜率急剧变大；D 为右上拐点，在 D 点下方的右边界线自右向左接近水平生长，斜率较小，在 D 点上方的右边界线斜率急剧变大。

4.4 十字路口处理

4.4.1 正入十字路口

当左右扫线找到左下拐点 A、右下拐点 B，且从左下拐点向上隔行扫描 2 行，发现下拐点上方白点数目大于某一设定值时，即可判定正入十字。

十字路口下拐点上方有多行空白行，发生丢边现象，需要找特征点，使用最小二乘法构造边界线。左右巡线找到左下拐点 A、右下拐点 B、左上拐点 C、右上拐点 D, 利用斜截式分别构造线段 AC、BD，补出拐点空白行的左右边界线，再利用左右边界线求和除以 2 作为实际中线。正入十字元素补线图如图 3 所示。

图3 正入十字元素补线图

进入圆环后，可以正常扫线找到左右边界，出环后，用相同方法补线出十字路口。

4.4.2 斜入十字路口

以左斜进入十字路口为例，当左右扫线找到左下拐点 A、右上拐点 D，判定为斜入十字。

十字路口下拐点上方有多行空白行，发生丢边现象，需要找特征点，使用最小二乘法构造边界线。左右扫线找到左下拐点 A、左上拐点 C、右上拐点 D, 利用斜截式构造线段 AC，作为左下拐点上方空白行的左边界；取右上拐点 D 点后方 5 个边界点，利用最小二乘法反向补线，从第 59 行作为纵坐标代入最小二乘法拟合右边界线，循环到 y 取值为 D 点纵坐标，补出丢失的右上拐点下方的右边界，再利用左右边界线求和除以 2 作为实际中线，斜入十字元素补线图如 4 所示。

4.5 车库元素处理

以右入车库为例，车库有比较明显的特点：左边界为直线，右边界丢线，可以找到右下拐点 B，空白行上方存在斑马线。

先找到右下拐点 B，右下拐点 B 上方存在空白行，继续向上扫线，从右向左扫线，找到白黑跳变点，跳变点计数，继续扫线，发现黑白跳变点，计算两者差值，发现在某一范围，对从右向左循线沿途中遇到的所有跳变点计数，发现大于某一阈值，同时满足上述条件，即判定为车库元素。

找到右下拐点 B 后，B 点横坐标减去赛道宽度，即确定到 Z 点坐标，因斑马线总宽度小于赛道宽度，所以可以找到右上拐点 D 点，用最小二乘法构造线段 ZD，通过线段 ZD 加上最近处赛道一半构造出实际中心线，小车沿实际中心线顺利入库。车库元素补线图如 5 所示。

5 结语

本方案主要通过 DMA 传输数据、大津法分割图像，提高单片机处理性能；寻找赛道元素特征点，拟合赛道中线，并对特殊元素进行识别与处理，使智能车更平稳快速通过多种赛道元素，达到了设计要求。

参考文献：

[1] 符晓明.基于ADSP-BF60x网络通信的DMA配置模式及中断方法实现[J].中国计量,2018(03):109-110+112.

[2] 巴德凯.自适应图像分割及并行挖掘方法的研究与实现[D].北京:北方工业大学,2016.

[3] 孙少林,马志强,汤伟.灰度图像二值化算法研究[J].价值工程,2010,29(05):142-143.

[4] 蔡栩嘉,刘海刚,陈冠成,李勇祥,庄越.摄像头智能小车设计与控制算法研究[J].工业控制计算机,2018,31(12):98-101.

[5] 徐翔,王琪,高进可,秦海亭,张钰洁.智能车车道识别与图像处理[J].自动化技术与应用,2020,39(07):91-95.

(注：本文转载自必威娱乐平台 2022年7月期)

关键词： 202207 DMA 大津法 最小二乘法 特征点 十字元素