CN103472824A - 一种基于摄像头的自动导航车的导航系统及方法 - Google Patents

Abstract

本发明公开一种基于摄像头的自动导航车的导航系统及方法，系统包括电源模块、单片机控制模块、图像采集模块、速度检测模块、舵机控制模块和电机驱动模块；所述图像采集模块主要由摄像头、视频分离电路和A/D转换器构成，用于采集路径信息，并进行信息转换，获得单片机能够识别的数据信息。方法通过对输入原始图像进行预处理，对轨道中的黑线进行检测，确定前进方向，并配合速度控制模块，舵机控制模块，电机控制模块实现智能车的自动导航。经验证该套算法能有效的检测出轨道中黑线，在实际运行时有较好的实时性，准确性，鲁棒性。

Description

一种基于摄像头的自动导航车的导航系统及方法

技术领域

本发明涉及一种基于摄像头的自动导航车的导航系统及方法，具体涉及到图像处理的多种方法，适用于在有引导线的轨道中，自动导航智能车。 

背景技术

智能导航车是一种以电池为动力，装有非接触导向装置的无人驾驶自动化搬运车辆。该车视觉导引控制是利用CCD传感器采集路面上条带状路径标线的图像信息，由计算机处理后识别出路径，然后根据车辆与路径标线之间的相对位置偏差控制车辆的运行方向，保证导航车沿着路径标线运行。相比其他传统的导引方式，视觉导引引导路径的设置和变更具有简单方便、成本低和易维护的优点。 

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于摄像头的自动导航车系统及方法。 

技术方案：一种基于摄像头的自动导航车的导航系统，包括电源管理模块、单片机控制模块、图像采集模块、速度检测模块、舵机控制模块和电机驱动模块。 

图像采集模块主要由摄像头、视频分离电路和A/D转换器构成，用于采集路径信息，并进行信息转换，获得单片机能够识别的数据信息。 

单片机控制模块是系统的核心，它接收图像采集模块和测速检测模块采集的数据，进行数据处理，提取道路信息，根据道路信息驱动舵机控制模块和电机控制模块驱动舵机和电机，实现智能车的方向控制和速度控制。 

速度检测模块使用旋转编码器测速，并进行速度反馈，形成闭环控制系统。 

电源模块由几路相互独立的稳压电源构成，为上述模块提供需要的电压环境。 

图像采集模块采用的模拟CCD摄像头每秒扫描25幅图像，每幅又分为奇偶两场，采用的视频分离电路是LM1881视频同步信号分离芯片。 

所述电机控制模块和舵机控制模块，采用的是全桥驱动器TD340驱动，由4只MOSFET搭建的H桥式电路，功耗低，稳定性强。 

一种基于摄像头的自动导航车的导航方法，包括如下步骤： 

步骤1，初始化设置，设定自动导航车运行速度、方向等参数，打开中断。 

步骤2，采集整幅图像，关闭CCD中断，对整幅图像进行AD转换和图像处理，提取指引线信息，确定指引线坐标位置。 

步骤3，开CCD中断，利用单片机处理提取的道路信息，用于舵机控制和速度控制，同时处理下一场图像。 

利用最大类方差的方法确定最佳阈值，从图像中分离出黑色指引线，图像二值化关键是阈值的确定，可根据下列的阈值处理来进行： 

$f_t(x,y)=\left\{\begin{array}{c}1,f(x,y)\&GreaterEqual;t\\ 0,f(x,y<t)\end{array}\right.$

通常用最后的二值图像中值为1的部分表示图形，值为0的部分表示背景；选择判别分析法确定最佳阈值t，判别分析法确定最佳阈值的准则，是使进行阈值处理后分离的像素类之间的类间方差最大；判别分析法只需计算直方图的0阶矩和1阶矩；设图像总像素数为N，灰度值为i的像素数为Ni，则至灰度级K的灰度分布的0阶矩，一阶矩分别为： 

$\mathrm{\&omega;}\left(k\right)=\underset{i=0}{\overset{k}{\mathrm{\&Sigma;}}}\frac{N_i}{N},\mathrm{\&mu;}\left(k\right)=\underset{i=0}{\overset{k}{\mathrm{\&Sigma;}}}\frac{i\&times;N_i}{N}$

当K＝L-1时，ω(L-1)＝1;μ(L-1)＝μ_T，μ_T称为样本的平均熵值，设有M-1阈值:0≤k₁＜k₂＜....k_M-1≤L-1；将所有样本分为M个熵值的类 

C_j(C_j∈[k_j-1+1，....k_j];j＝1，2，L，M;k₀＝0，k_M＝L)，则各类C_j发生的概率ω_j和平均值为μ_j

$\left\{\begin{array}{c}{\mathrm{\&omega;}}_j=\mathrm{\&omega;}\left(k_j\right)-\mathrm{\&omega;}\left(k_{j-1}\right)\\ {\mathrm{\&mu;}}_j=\frac{\mathrm{\&mu;}\left(k_j\right)-\mathrm{\&mu;}\left(k_{j-1}\right)}{\mathrm{\&omega;}\left(k_j\right)-\mathrm{\&omega;}\left(k_{j-1}\right)}\end{array}\right.$

其中ω(0)＝0;μ(0)＝0，由此可得各类的类间方差为 

${\mathrm{\&sigma;}}^2=(k_1,k_2,.......k_{M-1})=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_j{({\mathrm{\&mu;}}_j-{\mathrm{\&mu;}}_T)}^2$

使上式的值最大的阈值组(k₁，k₂，.....k_M-1)，作为M值化的最佳阈值组；取M为 2，即分割成2类，则可由此求出判断指引线的最佳阈值。 

利用单片机接收图像采集模块和测速单元模块的数据，进行数据处理，形成闭环PID速度控制策略（具体流程如图2、图4所示），分别通过舵机控制模块和电机控制模块驱动舵机和电机，实现智能车的方向控制和速度控制； 

有益效果：与现有技术相比，本发明所提供的基于摄像头的自动导航车的设计方法，采用最大类方差提取阈值，能更有效的区分路径，根据环境的变化实时的改变二值化处理路径图像的阈值，使计算结果更加准确。 

附图说明

图1为本发明实施例的系统结构框图； 

图2为本发明实施例的方法流程图； 

图3为本发明实施例中视频分离电路的电路图； 

图4为本发明实施例中图像采集的流程图。 

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。 

如图1所示，基于摄像头的自动导航车系统主要包六大模块：电源管理模块、单片机控制模块、图像采集模块、速度检测模块、舵机控制模块和电机驱动模块。 

图像采集模块主要由摄像头、视频分离电路和A/D转换器构成，用于采集路径信息，并进行信息转换，获得单片机能够识别的数据信息。 

单片机控制模块是系统的核心，它接收图像采集模块和测速检测模块采集的数据，进行数据处理，运用如图4所示的控制策略，驱动舵机控制模块和电机控制模块，实现智能车的方向控制和速度控制。 

速度检测模块使用旋转编码器测速，并进行速度反馈，形成闭环控制系统。 

电源模块由几路相互独立的稳压电源构成，为上述模块提供需要的电压环境。 

如图2所示，为了实现对路径的检测：①首先单片机进行初始化设置，设定初始的参数，打开中断，采集完整幅图像，关闭CCD中断，对图像进行预处理，灰度化等操作，提取路径信息，利用最大类方差的方法确定最佳阈值；③打开 CCD中断，利用单片机控制模块提取的道路信息，为舵机控制模块和电机控制模块提供运行参数，同时采集下一幅图像。 

如图3所示，为了实现提取摄像头视频信号功能：选用LM1881视频同步信号分离芯片组件的视频分离电路。因为采用的是模拟CCD摄像头，每秒扫描25幅图像，每幅又分为奇偶两场，故每秒扫描50场图像。考虑到单片机控制模块的速度有限，选用LM1881视频同步信号分离芯片，该芯片可从摄像头信号中提取信号的时序信息，如行同步脉冲、场同步脉冲和奇、偶场信息等，并将它们转换成TTL电平直接输给单片机控制模块的中断口作控制信号之用。 

图4为图像采集的流程图，因为同步信号，尤其是行同步信号，维持时间短，且需要及时响应，因此行同步信号和场同步信号均采用中断输入单片机控制模块。这样，整个图像的采集则有场同步中断和行同步中断的服务程序完成。经测试，将单片机总线频率超频至80Mhz后，在一行53us的有效时间内可以采集约140个有效数据点，为了保证横向分辨率且考虑到采集速率限制，每行最终采集132个点。对于纵向分辨率，要求不是很高，但为了能准确检测起跑线，其一段距离内（至少为直道上小车在一个控制周期内最快速度行驶的距离）的分辨率应小于25mm（起跑线宽度）。最终共采集40行，具体采集的行经标定后存在一个数组中，供采集时参考。 

本文为了分析图像的特征，需要从图像中分离出黑色指引线，从而指引车辆前进的方向。图像函数f(x，y)二值化关键是阈值的确定，可根据下列的阈值处理来进行 

$f_t(x,y)=\left\{\begin{array}{c}1,f(x,y)\&GreaterEqual;t\\ 0,f(x,y<t)\end{array}\right.$

通常用最后的二值图像中值为1的部分表示图形，值为0的部分表示背景。选择判别分析法确定最佳阈值t，判别分析法确定最佳阈值的准则，是使进行阈值处理后分离的像素类之间的类间方差最大。判别分析法只需计算直方图的0阶矩和1阶矩。设图像总像素数为N，灰度值为i的像素数为N_i，则至灰度级K的灰度分布的0阶矩，一阶矩分别为 

$\mathrm{\&omega;}\left(k\right)=\underset{i=0}{\overset{k}{\mathrm{\&Sigma;}}}\frac{N_i}{N},\mathrm{\&mu;}\left(k\right)=\underset{i=0}{\overset{k}{\mathrm{\&Sigma;}}}\frac{i\&times;N_i}{N}$

当K＝L-1时，ω(L-1)＝1;μ(L-1)＝μ_T，μ_T称为样本的平均熵值。设有M-1阈值：0≤k₁＜k₂＜....k_M-1≤L-1。将所有样本分为M个熵值的类 

C_j(C_j∈[k_j-1+1，....k_j];j＝1，2，L，M;k₀＝0，k_M＝L)，则各类C_j发生的概率ω_j和平均值为μ_j

$\left\{\begin{array}{c}{\mathrm{\&omega;}}_j=\mathrm{\&omega;}\left(k_j\right)-\mathrm{\&omega;}\left(k_{j-1}\right)\\ {\mathrm{\&mu;}}_j=\frac{\mathrm{\&mu;}\left(k_j\right)-\mathrm{\&mu;}\left(k_{j-1}\right)}{\mathrm{\&omega;}\left(k_j\right)-\mathrm{\&omega;}\left(k_{j-1}\right)}\end{array}\right.$

其中ω(0)＝0;μ(0)＝0，由此可得各类的类间方差为 

${\mathrm{\&sigma;}}^2=(k_1,k_2,.......k_{M-1})=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_j{({\mathrm{\&mu;}}_j-{\mathrm{\&mu;}}_T)}^2$

使上式的值最大的阈值组(k₁，k₂，.....k_M-1)，作为M值化的最佳阈值组。取M为2，即分割成2类，则可由此求出判断指引线的最佳阈值。以上动态阈值的计算方法使道路识别更加精确，经验证取得良好的实验效果。该系统具有实时，稳定，准确，成本低廉等优点。 

Claims (8)

1.一种基于摄像头的自动导航车的导航系统，其特征在于：包括电源模块、单片机控制模块、图像采集模块、速度检测模块、舵机控制模块和电机驱动模块；所述图像采集模块主要由摄像头、视频分离电路和A/D转换器构成，用于采集路径信息，并进行信息转换，获得单片机能够识别的数据信息。

2.如权利要求1所述的基于摄像头的自动导航车的导航系统，其特征在于：所述单片机控制模块接收图像采集模块和测速检测模块采集的数据，进行数据处理，提取道路信息，根据道路信息使舵机控制模块和电机控制模块驱动舵机和电机，实现智能车的方向控制和速度控制。

3.如权利要求1所述的基于摄像头的自动导航车的导航系统，其特征在于：所述速度检测模块使用旋转编码器测速，并进行速度反馈，形成闭环控制系统。

4.如权利要求1所述的基于摄像头的自动导航车的导航系统，其特征在于：所述电源管理模块由几路相互独立的稳压电源构成，分别为单片机控制模块、图像采集模块、速度检测模块、舵机控制模块和电机驱动模块提供需要的电压环境。

5.如权利要求1所述的基于摄像头的自动导航车的导航系统，其特征在于：所述图像采集模块采用的模拟CCD摄像头每秒扫描25幅图像，每幅又分为奇偶两场，图像采集模块采用的视频分离电路是LM1881视频同步信号分离芯片。

6.如权利要求1或2所述的基于摄像头的自动导航车的导航系统，其特征在于：所述电机控制模块和舵机控制模块，采用的是全桥驱动器TD340驱动，由4只MOSFET搭建的H桥式电路。

7.一种基于摄像头的自动导航车的导航方法，其特征在于，包括如下步骤：

步骤1，初始化设置，设定参数，打开中断；

步骤2，采集整幅图像，关闭CCD中断，对整幅图像进行AD转换和图像处理，提取指引线信息，确定黑线位置；

步骤3，开CCD中断，利用单片机处理提取的道路信息，用于舵机控制和速度控制，同时处理下一场图像。

8.如权利要求7所述的基于摄像头的自动导航车的导航方法，其特征在于，利用最大类方差的方法确定最佳阈值，从图像中分离出黑色指引线，图像二值化关键是阈值的确定，可根据下列的阈值处理来进行：

$f_t(x,y)=\left\{\begin{array}{c}1,f(x,y)\&GreaterEqual;t\\ 0,f(x,y<t)\end{array}\right.$

通常用最后的二值图像中值为1的部分表示图形，值为0的部分表示背景；选择判别分析法确定最佳阈值t，判别分析法确定最佳阈值的准则，是使进行阈值处理后分离的像素类之间的类间方差最大；判别分析法只需计算直方图的0阶矩和1阶矩；设图像总像素数为N，灰度值为i的像素数为Ni，则至灰度级K的灰度分布的0阶矩，一阶矩分别为：

$\mathrm{\&omega;}\left(k\right)=\underset{i=0}{\overset{k}{\mathrm{\&Sigma;}}}\frac{N_i}{N},\mathrm{\&mu;}\left(k\right)=\underset{i=0}{\overset{k}{\mathrm{\&Sigma;}}}\frac{i\&times;N_i}{N}$

当K＝L-1时，ω(L-1)＝1;μ(L-1)＝μ_T，μ_T称为样本的平均熵值，设有M-1阈值:0≤k₁＜k₂＜....k_M-1≤L-1；将所有样本分为M个熵值的类

C_j(C_j∈[k_j-1+1，....k_j];j＝1，2，L，M;k₀＝0，k_M＝L)，则各类C_j发生的概率ω_j和平均值为μ_j

$\left\{\begin{array}{c}{\mathrm{\&omega;}}_j=\mathrm{\&omega;}\left(k_j\right)-\mathrm{\&omega;}\left(k_{j-1}\right)\\ {\mathrm{\&mu;}}_j=\frac{\mathrm{\&mu;}\left(k_j\right)-\mathrm{\&mu;}\left(k_{j-1}\right)}{\mathrm{\&omega;}\left(k_j\right)-\mathrm{\&omega;}\left(k_{j-1}\right)}\end{array}\right.$

其中ω(0)＝0;μ(0)＝0，由此可得各类的类间方差为

${\mathrm{\&sigma;}}^2=(k_1,k_2,.......k_{M-1})=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_j{({\mathrm{\&mu;}}_j-{\mathrm{\&mu;}}_T)}^2$

使上式的值最大的阈值组(k₁，k₂，.....k_M-1)，作为M值化的最佳阈值组；取M为2，即分割成2类，则可由此求出判断指引线的最佳阈值。

Images