CN107943061A - 一种基于机器视觉的模型汽车自动驾驶实验装置及方法 - Google Patents
一种基于机器视觉的模型汽车自动驾驶实验装置及方法 Download PDFInfo
- Publication number
- CN107943061A CN107943061A CN201810017439.3A CN201810017439A CN107943061A CN 107943061 A CN107943061 A CN 107943061A CN 201810017439 A CN201810017439 A CN 201810017439A CN 107943061 A CN107943061 A CN 107943061A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- image
- model automobile
- camera
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 8
- 238000002474 experimental method Methods 0.000 claims abstract description 17
- 238000009434 installation Methods 0.000 claims abstract description 9
- 230000005611 electricity Effects 0.000 claims abstract description 5
- 238000003708 edge detection Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 230000009191 jumping Effects 0.000 claims description 6
- 230000004888 barrier function Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 102100038077 CD226 antigen Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 101000884298 Homo sapiens CD226 antigen Proteins 0.000 description 1
- 101000670986 Homo sapiens Symplekin Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于机器视觉的模型汽车自动驾驶实验装置,包括:电机;舵机;摄像头,其通过摄像头支架固定在模型汽车前端;微控制器,其电联摄像头、电机和舵机;其中,摄像头支架包括:固定板,其固定在模型汽车前端,固定板具有过道,其具有多个卡槽;固定架,其顶部为圆球形,能够在过道内滑动并且与卡槽卡合固定;移动架,其与固定架通过插销可拆卸的套接;连接架,其与移动架底部固定连接,连接架两侧的连接臂设置连接臂通孔及连接臂导向槽,通过第一螺钉贯穿连接臂通孔将连接臂与摄像头固定连接,通过第二螺钉贯穿连接臂导向槽将连接臂与摄像头固定连接,并且第二螺钉可在连接臂导向槽内调整安装位置。本发明还公开了一种基于机器视觉的模型汽车自动驾驶实验方法。
Description
技术领域
本发明涉及汽车自动驾驶预研开发领域,具体涉及一种基于机器视觉的模型汽车自动驾驶实验装置及方法。
背景技术
随着汽车产业的快速发展,汽车逐渐成为人们出行的重要交工具,但伴随而来的是城市道路交通安全问题,居高不下的道路交通安全事故导致每年因交通事故造成的伤亡人数与日俱增。汽车安全与环境、人、车这三个因素息息相关。其中,人的因素最为重要,一旦人无法保持注意力,或者处理道路信息迟缓甚至错误,就可能会导致驾驶操作上的失误,甚至发生车祸。相关研究调查发现,驾驶人的行为能力在汽车驾驶过程中起到了决定性的作用,如果从交通事故中,去掉了“人”这一重要影响因素,那么道路交通安全事故数量将会有效减少。
随着电子和通信技术的高速发展,通过车载摄像设备获取前方行驶区域,对获取的图像进行检测分析,提取前方路况信息,然后智能控制转向舵机等执行机构,完成汽车的智能无人驾驶,正逐渐成为当前汽车工程领域研究的热点。
发明内容
本发明设计开发了一种基于机器视觉的模型汽车自动驾驶实验装置,本发明的发明目的是通过设置摄像头支架,能够解决多角度便捷调节进行对道路前方进行摄像的问题。
本发明设计开发了一种基于机器视觉的模型汽车自动驾驶实验方法,本发明的发明目的是通过对摄像头采集前方道路的图像进行处理进行自动驾驶的问题。
本发明提供的技术方案为:
一种基于机器视觉的模型汽车自动驾驶实验装置,包括:
电机;
舵机;
摄像头,其通过摄像头支架固定在所述模型汽车前端;
微控制器,其电联所述摄像头、所述电机和所述舵机;
其中,所述摄像头支架包括:
固定板,其固定在所述模型汽车前端,所述固定板具有过道,其具有多个卡槽;
固定架,其顶部为圆球形,能够在所述过道内滑动并且与所述卡槽卡合固定;
移动架,其与所述固定架通过插销可拆卸的套接;
连接架,其与所述移动架底部固定连接,所述连接架两侧的连接臂设置连接臂通孔及连接臂导向槽,通过第一螺钉贯穿所述连接臂通孔将所述连接臂与所述摄像头固定连接,通过第二螺钉贯穿所述连接臂导向槽将所述连接臂与所述摄像头固定连接,并且所述第二螺钉可在所述连接臂导向槽内调整安装位置。
优选的是,所述连接架上侧的连接板设置连接板通孔及连接板导向槽,通过第三螺钉贯穿所述连接板通孔将所述连接板与所述移动架固定连接,通过第四螺钉和第五螺钉贯穿所述连接板导向槽将所述连接板与所述移动架固定连接,并且所述第四螺钉和第五螺钉可在所述板导向槽内调整安装位置。
优选的是,所述固定架和移动架均具有多个插销孔。
优选的是,所述导向槽设置为2个。
优选的是,还包括:
圆柱弹簧,其设置在所述固定板与所述模型汽车之间。
优选的是,所述微控制器为KL25芯片;以及
所述摄像头为彩色或者黑白图像传感器。
一种基于机器视觉的模型汽车自动驾驶实验方法,包括如下步骤:
摄像头采集前方实验道路图像,并且将采集的灰度图像数据传输到微控制器内存缓冲区;
根据数字摄像头采集到的原始灰度图像数据,对所述原始灰度图像数据进行中值滤波进行图像降噪,然后将其二值化转换为黑白二值图像,最后进行黑白图像的边缘检测与识别,依据识别结果来判断实验道路元素后控制舵机和电机来调节模型汽车行驶方向和速度;
其中,如果探测到前方有车辆或者障碍物时,发出蜂鸣器报警声,做出主动安全措施。
优选的是,所述采用中值滤波进行图像降噪过程包括:
将图像邻域中的像素按照灰度级进行排序,然后选择该组的中间值作为输出像素值:g(x,y)=median{f(x-i,y-j)},(i,j)∈W;
其中,g(x,y)和f(x-i,y-j)分别为输出和输入的图像灰度值,W为窗口模板。
优选的是,所述二值化的过程包括如下步骤:
步骤一、计算待处理图像的最大灰度值Fl和最小灰度值Fh,并假定初始经验阈值为:
步骤二、基于所述阈值M0将图像判定为前景和背景,分别计算两者的平均灰度值Sf和Sb:
步骤三、令如果fi=fi+1,则取fi为阈值,并且以此阈值进行二值化,否则再对所述步骤二进行迭代。
优选的是,进行黑白图像的边缘检测与识别包括如下步骤:
步骤一、从图像第1行左边缘基准点开始搜索,若从白跳变到黑,则搜索到白黑跳变点,此时保存该像素点的索引值;若未搜索到白黑跳变点,则保存图像最左端像素点索引值;
步骤二、从图像第1行右边缘基准点开始搜索,若从白跳变到黑,则搜索到白黑跳变点,此时保存该像素点的索引值;若未搜索到白黑跳变点,则保存图像最右端像素点索引值;
步骤三、左右边缘基准点搜索完毕,若找到了左边缘基准点,则下一次循环在该左边缘基准点的5个像素点范围内向左追踪,得到下一行的左边缘基准点;
步骤四、左右边缘基准点搜索完毕,若找到了右边缘基准点,则下一次循环在该右边缘基准点的5个像素点范围内向右追踪,得到下一行的右边缘基准点;
其中,不断循环所述步骤三和所述步骤四,根据道路左右边缘趋势进行不断跟踪,提取出图像中道路的左右边缘。
本发明与现有技术相比较所具有的有益效果:
1、通过摄像头支架的安装使摄像头对前方道路的拍摄位置调整更为灵活,能够方便、快捷的调整竖直和水平拍摄角度,并且通过圆柱弹簧的设置使车辆在行驶过程中的颠簸对摄像头具有更好的保护性,延长其使用寿命;
2、本发明通过对前方道路图像进行处理实现自动驾驶使本发明可以工作在通用的车模竞赛、测试、实验道路上,本发明具有体积小、成本低、智能性高、自动驾驶可靠性高等特点,可应用于模型汽车自动驾驶、模型汽车前向防碰撞预警、模型汽车车道偏离检测等高级驾驶辅助(ADAS)方面,为真实交通道路上的汽车无人驾驶领域做预研。
附图说明
图1为本发明所述的摄像头支架的结构示意图。
图2为本发明所述的摄像头支架中的固定板的结构示意图。
图3为本发明所述的摄像头支架中的连接架的左视图。
图4为本发明所述的摄像头支架中的连接架的俯视图。
图5为本发明总体架构框图。
图6为本发明数字摄像头接口电路原理图。
图7为本发明的电机驱动电路原理图。
图8为本发明嵌入式软件模块框图。
图9为本发明嵌入式软件程序流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
针对我国频发的道路交通安全事故等问题,本发明的目的是提供一种基于机器视觉的模型汽车自动驾驶实验装置;本装置包括微控制器、电源供电电路、数字摄像头采集电路、电机驱动电路等;装置以先进的微控制器KL25为硬件平台核心,将数字摄像头安装固定在模型汽车前端,实时采集前方道路视频图像,送微控制器进行图像预处理(滤波、二值化等)、实验道路边缘检测和识别等,依据识别结果来判断直行道、弯道、十字路口、圆环道路等实验道路元素,同时智能控制舵机和电机来调节模型汽车行驶方向和速度,若探测到前方有车辆或者障碍物时,能及时发出蜂鸣器报警声,做出有利的主动安全措施,实现模型汽车的智能自动驾驶。
如图1~3所示,本发明还包括用于安装数字摄像头的摄像头支架,其主体包括固定板110、固定架130、移动架131和连接架140;其中,固定板110固定在模型汽车前端,固定板110具有过道111,过道111具有多个卡槽,固定架130顶部为圆球形,能够在过道111内滑动并且与过道111的卡槽卡合固定,移动架131与固定架130通过插销132可拆卸的套接,连接架140与移动架131底部固定连接,连接架140两侧的连接臂设置通孔及导向槽143,通过第一螺钉141贯穿通孔将连接臂与数字摄像头固定连接,通过第二螺钉142贯穿导向槽143将连接臂与摄像头固定连接,并且第二螺钉142可在所述导向槽143内自由调整安装位置,以实现调整数字摄像头与连接架140两侧连接臂之间的相对夹角,从而使得数字摄像头可以在竖直方向上调整角度,角度调整之后,拧紧第一螺钉141和第二螺钉142将数字摄像头固定。
如图4所示,在另一种实施例中,连接架140上侧的连接板还具有通孔及导向槽146、147,导向槽146和导向槽147沿通孔中心对称设置,通过第三螺钉144贯穿通孔将连接板与移动架131固定连接,通过第四螺钉145贯穿导向槽146将连接板与移动架131固定连接,通过第五螺钉146贯穿导向槽148将连接板板与移动架131固定连接,并且第四螺钉145、第五螺钉146可在导向槽147、148内自由调整安装位置,以实现调整移动架131与连接架140的相对夹角,从而使得连接架140可以在水平方向上调整角度,角度调整之后,拧紧第三螺钉144、第四螺钉145和第五螺钉146将连接架140固定。
在另一种实施例中,还包括:圆柱弹簧120,其设置在固定板110与模型汽车之间。
在另一种实施例中,固定架130和移动架131均具有多个插销孔,通过多个插销孔的设置使本发明的数字摄像头在竖直方向上具有多个可以调节的安装位置。
如图5所示,是本发明的总体架构框图。包括微控制器最小系统电路、电源供电电路、数字摄像头采集电路、电机驱动电路等。装置以先进的微控制器KL25为硬件平台核心,将数字摄像头安装固定在模型汽车前端,实时采集前方道路视频图像,送微控制器进行图像预处理(滤波、二值化等)、实验道路边缘检测和识别等,依据识别结果来判断直行道、弯道、十字路口、圆环道路等实验道路元素,同时智能控制舵机和电机来调节模型汽车行驶方向和速度,若探测到前方有车辆或者障碍物时,能及时发出蜂鸣器报警声,做出有利的主动安全措施,实现模型汽车的智能自动驾驶。
微控制器采用飞思卡尔半导体(Freescale)公司生产KL25芯片。
如图6所示,为数字摄像头与微控制器的接口电路图,所述数字摄像头采用的是OV7620型号CMOS彩色/黑白图像传感器,对于汽车自动驾驶领域的模型汽车预研,其实验路面是白色的,道路两边用黑色模拟路基,因此只关心道路图像的灰度值。微控制器(U0)与摄像头(P5)之间采用14根导线连接。其中摄像头(P5)通过引脚(5V)连接5V电源,用于为摄像头工作提供电源;摄像头(P5)通过引脚(GND)连接微控制器(U0)的引脚(GND),用于系统共地;摄像头(P5)通过引脚(SCL、SDA)连接微控制器(U0)的引脚(PTC10、PTC11),用于微控制器(U0)配置摄像头相关属性的寄存器;摄像头(P5)通过引脚(PCLK)连接微控制器(U0)的引脚(PTA16),用于微控制器(U0)控制摄像头像素采集的时钟输出;摄像头(P5)通过引脚(HREF)连接微控制器(U0)的引脚(PTA17),用于微控制器(U0)触发行中断来控制读取摄像头采集到的一行图像像素灰度数据;摄像头(P5)通过引脚(VSY)连接微控制器(U0)的引脚(PTA1),用于微控制器(U0)触发场中断来控制读取摄像头采集到的一帧图像像素灰度数据;摄像头(P5)通过引脚(Y0-Y7)连接微控制器(U0)的引脚(PTD0-PTD7),用于微控制器(U0)将像素灰度数据读取到内存缓冲区。
如图7所示,是电机驱动电路原理图,所述电机驱动电路包括:电机(B1、B2)采用RN-260型号的直流电机,电机驱动芯片(T1-T4)使用BTN7960型号的半桥驱动芯片。采用74LVC245型号的总线驱动芯片(U7),提高信号驱动能力,同时隔离电机驱动芯片(T1-T4)和微控制器(U0)。电机驱动芯片(T1、T2)的引脚(OUT、OUT)连接电机(B1)的引脚(+、-),电机驱动芯片(T1、T2)的引脚(IN、IN)连接总线驱动芯片(U7)的引脚(A0、A1),总线驱动芯片(U7)的引脚(B0、B1)连接微控制器(U0)的引脚(PTA4、PTA5),用于微控制器(U0)控制驱动电机(B1)转动;电机驱动芯片(T3、T4)的引脚(OUT、OUT)连接电机(B2)的引脚(+、-),电机驱动芯片(T3、T4)的引脚(IN、IN)连接总线驱动芯片(U7)的引脚(A2、A3),总线驱动芯片(U7)的引脚(B2、B3)连接微控制器(U0)的引脚(PTC8、PTC9),用于微控制器(U0)控制驱动电机(B2)转动。
如图8所示,是嵌入式软件模块框图,所述嵌入式软件程序包括6大模块:系统初始化模块、数字摄像头采集模块、道路图像预处理模块、道路边缘检测和识别模块、智能控制汽车方向和速度模块、前向防碰撞预警模块等。
如图9所示,本发明还公开了一种基于机器视觉的模型汽车自动驾驶实验方法,其通过嵌入式软件实现,所述系统嵌入式软件程序的具体实现步骤为:
微控制时钟初始化,中断配置,摄像头、舵机、电机初始化;
数字摄像头采集前方实验道路图像,通过场和行中断服务程序,将采集的灰度图像数据传输到微控制器内存缓冲区;
根据数字摄像头采集到的原始灰度图像数据,首先进行中值滤波进行图像降噪,然后将其二值化,转换为黑白二值图像,接着进行黑白图像的边缘检测与识别,依据识别结果来判断直行道、弯道、十字路口、圆环道路等实验道路元素,同时智能控制舵机和电机来调节模型汽车行驶方向和速度,若探测到前方有车辆或者障碍物时,能及时发出蜂鸣器报警声,做出有利的主动安全措施,实现模型汽车的智能自动驾驶。
所述道路图像预处理模块中,采用中值滤波对采集的原始灰度图像进行降噪处理,中值滤波是一种非线性图像平滑方法,其能够很好的滤出脉冲噪声同时又能够保护道路图像的路基边缘;其工作原理是:将图像邻域中的像素按照灰度级进行排序,然后选择该组的中间值作为输出像素值:
g(x,y)=median{f(x-i,y-j)},(i,j)∈W;
其中,g(x,y)和f(x-i,y-j)分别为输出和输入的图像灰度值,W为3×3窗口模板。
所述道路图像预处理模块中,采用最佳阈值迭代法对滤波后的灰度图像进行二值化预处理,先假定一个经验阈值,然后计算在该阈值下的前景和背景的中心值,当前景和背景中心值得平均值和假定的阈值相同时,则迭代中止,并以此值为阈值进行二值化;其工作原理为:
(1)求出待处理视频图像的最大和最小灰度值,分别标记为Fl和Fh,并假定初始经验阈值为:
(2)基于阈值M0将图像判定为前景和背景,分别计算两者的平均灰度值Sf和Sb
式中,h(f)是灰度值f所对应的像素点的个数,f取值范围0-255;
(3)令如果fi=fi+1,则取fi为求得的阈值,并且以此阈值进行二值化,否则转(2)继续进行迭代。
所述道路边缘检测和识别模块中采用的跟踪边缘检测算法对16行80列(16X80)大小的图像进行道路边缘检测和识别,该算法有较强的抗干扰性,能有效的消除垂直交叉黑色道路边缘的干扰,始终跟踪道路边缘,同时该算法时间复杂度低,运算效率高;其工作原理是:
(1)从图像第1行左边缘基准点开始搜索,若从白跳变到黑,则搜索到白黑跳变点,此时保存该像素点的索引值为zuoPosition;若未搜索到白黑跳变点,则保存图像最左端像素点索引值(该值为0)为zuoPosition;
(2)从图像第1行右边缘基准点开始搜索,若从白跳变到黑,则搜索到白黑跳变点,此时保存该像素点的索引值为yuoPosition;若未搜索到白黑跳变点,则保存图像最右端像素点索引值(该值为79)yuoPosition;
(3)左右边缘基准点搜索完毕,若找到了左边缘基准点,则下一次循环在该左边缘基准点附近(5个像素点范围内)向左追踪,得到下一行的左边缘基准点;
(4)左右边缘基准点搜索完毕,若找到了右边缘基准点,则下一次循环在该右边缘基准点附近(5个像素点范围内)向右追踪,得到下一行的右边缘基准点;
不断循环(3)和(4),根据道路左右边缘趋势进行不断跟踪,提取出图像中道路的左右边缘。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.一种基于机器视觉的模型汽车自动驾驶实验装置,其特征在于,包括:
电机;
舵机;
摄像头,其通过摄像头支架固定在所述模型汽车前端;
微控制器,其电联所述摄像头、所述电机和所述舵机;
其中,所述摄像头支架包括:
固定板,其固定在所述模型汽车前端,所述固定板具有过道,其具有多个卡槽;
固定架,其顶部为圆球形,能够在所述过道内滑动并且与所述卡槽卡合固定;
移动架,其与所述固定架通过插销可拆卸的套接;
连接架,其与所述移动架底部固定连接,所述连接架两侧的连接臂设置连接臂通孔及连接臂导向槽,通过第一螺钉贯穿所述连接臂通孔将所述连接臂与所述摄像头固定连接,通过第二螺钉贯穿所述连接臂导向槽将所述连接臂与所述摄像头固定连接,并且所述第二螺钉可在所述连接臂导向槽内调整安装位置。
2.如权利要求1所述的基于机器视觉的模型汽车自动驾驶实验装置,其特征在于,所述连接架上侧的连接板设置连接板通孔及连接板导向槽,通过第三螺钉贯穿所述连接板通孔将所述连接板与所述移动架固定连接,通过第四螺钉和第五螺钉贯穿所述连接板导向槽将所述连接板与所述移动架固定连接,并且所述第四螺钉和第五螺钉可在所述板导向槽内调整安装位置。
3.如权利要求1或2所述的基于机器视觉的模型汽车自动驾驶实验装置,其特征在于,所述固定架和移动架均具有多个插销孔。
4.如权利要求3所述的基于机器视觉的模型汽车自动驾驶实验装置,其特征在于,所述导向槽设置为2个。
5.如权利要求4所述的基于机器视觉的模型汽车自动驾驶实验装置,其特征在于,还包括:
圆柱弹簧,其设置在所述固定板与所述模型汽车之间。
6.如权利要求5所述的基于机器视觉的模型汽车自动驾驶实验装置,其特征在于,所述微控制器为KL25芯片;以及
所述摄像头为彩色或者黑白图像传感器。
7.一种基于机器视觉的模型汽车自动驾驶实验方法,其特征在于,包括如下步骤:
摄像头采集前方实验道路图像,并且将采集的灰度图像数据传输到微控制器内存缓冲区;
根据数字摄像头采集到的原始灰度图像数据,对所述原始灰度图像数据进行中值滤波进行图像降噪,然后将其二值化转换为黑白二值图像,最后进行黑白图像的边缘检测与识别,依据识别结果来判断实验道路元素后控制舵机和电机来调节模型汽车行驶方向和速度;
其中,如果探测到前方有车辆或者障碍物时,发出蜂鸣器报警声,做出主动安全措施。
8.如权利要求7所述的基于机器视觉的模型汽车自动驾驶实验方法,其特征在于,所述采用中值滤波进行图像降噪过程包括:
将图像邻域中的像素按照灰度级进行排序,然后选择该组的中间值作为输出像素值:g(x,y)=median{f(x-i,y-j)},(i,j)∈W;
其中,g(x,y)和f(x-i,y-j)分别为输出和输入的图像灰度值,W为窗口模板。
9.如权利要求8所述的基于机器视觉的模型汽车自动驾驶实验方法,其特征在于,所述二值化的过程包括如下步骤:
步骤一、计算待处理图像的最大灰度值Fl和最小灰度值Fh,并假定初始经验阈值为:
步骤二、基于所述阈值M0将图像判定为前景和背景,分别计算两者的平均灰度值Sf和Sb:
<mrow>
<msub>
<mi>S</mi>
<mi>b</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>f</mi>
<mo>=</mo>
<msub>
<mi>F</mi>
<mi>l</mi>
</msub>
</mrow>
<msub>
<mi>M</mi>
<mn>0</mn>
</msub>
</munderover>
<mi>f</mi>
<mo>&CenterDot;</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>f</mi>
<mo>=</mo>
<msub>
<mi>F</mi>
<mi>l</mi>
</msub>
</mrow>
<msub>
<mi>M</mi>
<mn>0</mn>
</msub>
</munderover>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
<mrow>
<msub>
<mi>S</mi>
<mi>f</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>f</mi>
<mo>=</mo>
<msub>
<mi>M</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>F</mi>
<mi>h</mi>
</msub>
</munderover>
<mi>f</mi>
<mo>&CenterDot;</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>f</mi>
<mo>=</mo>
<msub>
<mi>M</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>F</mi>
<mi>h</mi>
</msub>
</munderover>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
步骤三、令如果fi=fi+1,则取fi为阈值,并且以此阈值进行二值化,否则再对所述步骤二进行迭代。
10.如权利要求9所述的基于机器视觉的模型汽车自动驾驶实验方法,其特征在于,进行黑白图像的边缘检测与识别包括如下步骤:
步骤一、从图像第1行左边缘基准点开始搜索,若从白跳变到黑,则搜索到白黑跳变点,此时保存该像素点的索引值;若未搜索到白黑跳变点,则保存图像最左端像素点索引值;
步骤二、从图像第1行右边缘基准点开始搜索,若从白跳变到黑,则搜索到白黑跳变点,此时保存该像素点的索引值;若未搜索到白黑跳变点,则保存图像最右端像素点索引值;
步骤三、左右边缘基准点搜索完毕,若找到了左边缘基准点,则下一次循环在该左边缘基准点的5个像素点范围内向左追踪,得到下一行的左边缘基准点;
步骤四、左右边缘基准点搜索完毕,若找到了右边缘基准点,则下一次循环在该右边缘基准点的5个像素点范围内向右追踪,得到下一行的右边缘基准点;
其中,不断循环所述步骤三和所述步骤四,根据道路左右边缘趋势进行不断跟踪,提取出图像中道路的左右边缘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810017439.3A CN107943061A (zh) | 2018-01-09 | 2018-01-09 | 一种基于机器视觉的模型汽车自动驾驶实验装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810017439.3A CN107943061A (zh) | 2018-01-09 | 2018-01-09 | 一种基于机器视觉的模型汽车自动驾驶实验装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107943061A true CN107943061A (zh) | 2018-04-20 |
Family
ID=61937551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810017439.3A Pending CN107943061A (zh) | 2018-01-09 | 2018-01-09 | 一种基于机器视觉的模型汽车自动驾驶实验装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107943061A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108458881A (zh) * | 2018-05-30 | 2018-08-28 | 辽宁工业大学 | 一种可调整支架和模拟驾驶实验平台 |
CN109145852A (zh) * | 2018-08-31 | 2019-01-04 | 辽宁工业大学 | 一种基于眼睛睁闭状态的驾驶员疲劳状态识别方法 |
CN109740532A (zh) * | 2018-12-29 | 2019-05-10 | 河海大学常州校区 | 一种基于圆环道路的路径识别及中线优化方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5555312A (en) * | 1993-06-25 | 1996-09-10 | Fujitsu Limited | Automobile apparatus for road lane and vehicle ahead detection and ranging |
CN102156868A (zh) * | 2011-03-31 | 2011-08-17 | 汉王科技股份有限公司 | 图像二值化方法和装置 |
CN105204501A (zh) * | 2015-09-28 | 2015-12-30 | 邹海英 | 基于电子轨道的高速无人驾驶车辆及系统 |
CN106023180A (zh) * | 2016-05-17 | 2016-10-12 | 李迎春 | 一种非结构化道路rgb熵分割方法 |
CN205905909U (zh) * | 2016-07-29 | 2017-01-25 | 深圳市环视通数字技术开发有限公司 | 车载摄像头的支架结构 |
CN107146247A (zh) * | 2017-05-31 | 2017-09-08 | 西安科技大学 | 基于双目摄像头的汽车辅助驾驶系统及方法 |
CN207650652U (zh) * | 2018-01-09 | 2018-07-24 | 辽宁工业大学 | 一种基于机器视觉的模型汽车自动驾驶实验装置 |
-
2018
- 2018-01-09 CN CN201810017439.3A patent/CN107943061A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5555312A (en) * | 1993-06-25 | 1996-09-10 | Fujitsu Limited | Automobile apparatus for road lane and vehicle ahead detection and ranging |
CN102156868A (zh) * | 2011-03-31 | 2011-08-17 | 汉王科技股份有限公司 | 图像二值化方法和装置 |
CN105204501A (zh) * | 2015-09-28 | 2015-12-30 | 邹海英 | 基于电子轨道的高速无人驾驶车辆及系统 |
CN106023180A (zh) * | 2016-05-17 | 2016-10-12 | 李迎春 | 一种非结构化道路rgb熵分割方法 |
CN205905909U (zh) * | 2016-07-29 | 2017-01-25 | 深圳市环视通数字技术开发有限公司 | 车载摄像头的支架结构 |
CN107146247A (zh) * | 2017-05-31 | 2017-09-08 | 西安科技大学 | 基于双目摄像头的汽车辅助驾驶系统及方法 |
CN207650652U (zh) * | 2018-01-09 | 2018-07-24 | 辽宁工业大学 | 一种基于机器视觉的模型汽车自动驾驶实验装置 |
Non-Patent Citations (2)
Title |
---|
李浩然等: "数字图像轮廓特征提取过程研究", vol. 31, no. 11, pages 52 - 55 * |
谢毅: "基于DSP及机器视觉的道路识别与障碍物检测", pages 32 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108458881A (zh) * | 2018-05-30 | 2018-08-28 | 辽宁工业大学 | 一种可调整支架和模拟驾驶实验平台 |
CN109145852A (zh) * | 2018-08-31 | 2019-01-04 | 辽宁工业大学 | 一种基于眼睛睁闭状态的驾驶员疲劳状态识别方法 |
CN109145852B (zh) * | 2018-08-31 | 2022-06-17 | 辽宁工业大学 | 一种基于眼睛睁闭状态的驾驶员疲劳状态识别方法 |
CN109740532A (zh) * | 2018-12-29 | 2019-05-10 | 河海大学常州校区 | 一种基于圆环道路的路径识别及中线优化方法 |
CN109740532B (zh) * | 2018-12-29 | 2022-09-16 | 河海大学常州校区 | 一种基于圆环道路的路径识别及中线优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103500322B (zh) | 基于低空航拍图像的车道线自动识别方法 | |
CN105260712B (zh) | 一种车辆前方行人检测方法及系统 | |
CN103971097B (zh) | 一种基于多尺度笔画模型的车牌识别方法与系统 | |
CN109435942A (zh) | 一种基于信息融合的车位线车位识别方法及装置 | |
CN107943061A (zh) | 一种基于机器视觉的模型汽车自动驾驶实验装置及方法 | |
CN106919915A (zh) | 基于adas系统的地图道路标记及道路质量采集装置及方法 | |
CN105574518A (zh) | 人脸活体检测的方法和装置 | |
CN105740855A (zh) | 一种基于深度学习的前后车牌检测识别方法 | |
CN104590130A (zh) | 基于图像识别的后视镜自适应调节方法 | |
CN105046197A (zh) | 基于聚类的多模板行人检测方法 | |
CN105005999A (zh) | 一种基于计算机立体视觉面向导盲仪的障碍物探测方法 | |
CN105205785A (zh) | 一种可定位的大型车辆运行管理系统及其运行方法 | |
CN105426858A (zh) | 一种基于视觉和振动信息融合的地面类型辨识方法 | |
CN103472824A (zh) | 一种基于摄像头的自动导航车的导航系统及方法 | |
TWI611961B (zh) | 車道線影像分析方法、影像分析裝置及其電腦可讀取式媒體 | |
Møgelmose et al. | Learning to detect traffic signs: Comparative evaluation of synthetic and real-world datasets | |
CN106934380A (zh) | 一种基于HOG和MeanShift算法的室内行人检测和跟踪方法 | |
CN101706274A (zh) | 钢轨扣件系统螺母缺失自动检测装置 | |
CN105891220A (zh) | 一种路面标志线缺陷检测装置及其检测方法 | |
CN104881661A (zh) | 基于结构相似度的车辆检测方法 | |
CN103164958A (zh) | 车辆监控方法及系统 | |
CN112211145A (zh) | 一种用于扫路机半自动化扫路方法及装置 | |
CN103481842B (zh) | 一种车辆检测与跟踪模式的切换方法 | |
CN105913034A (zh) | 车辆识别方法、装置及车辆 | |
CN112149595A (zh) | 一种利用无人机检测车道线及车辆违规的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |