基于OV7620摄像头的道路识别算法的研究与实现

邵俊嘉，张浩然，王俊童，张琳玉，买彩凤，刘文浩，任宏利，李润宇

（西北民族大学电气工程学院，兰州　730124）

1　引言

本项目的名称是“基于OV7620摄像头的道路识别算法的研究与实现”，采用32位微控制器MK60DN256ZVLL10单片机作为核心控制。OV7620摄像头完成的工作是采集道路条件，返回到单片机作为控制舵机转向的依据。K60芯片的端口用来输出PWM波控制电机的转速，完成平稳行车。并且使用编码器作为速度传感器，让智能车可以在无人为干预的情况下自主调速。我们根据上述想法将本设计的实现方案架设于该模型之上，即以MK60DN256ZVLL10主控模块、传感器模块、电源模块、电机驱动模块、速度检测模块和辅助调试模块六部分构成。

如果说智能车的机械结构和硬件系统决定了其的基本结构，那么控制软件就是智能车的灵魂，没有好的软件架构，再好的结构也不能让智能车跑起来。本次设计的智能车系统采用OV7620摄像头进行赛道识别，图像采集及校正处理就成了整个设计的核心内容。

2　算法基本流程

采集自OV7620摄像头的图像信息被划分成包含186*128个像素点的二值化矩阵，可以在上位机上以黑白图像的方式显示道路信息。由于外界灯光条件或者道路条件问题，我们所采集到的图像往往具有相当多的噪点，图像效果较差的情况下，就很难做到安全行车。因此，利用软件排除干扰的像素点，还原图像是我们必须要做的工作。

图1　程序流程与算法流程

3　原始图像的优化

近距离的选择性采集会引起图像产生了不必要的变形。这种变形是由我们自己的采集方式不够理想造成的，所以我们也可以很容易的还原。即采用了120度的广角镜头。但是这对于道路信息的判断会产生偏差，为了克服这种误差，我们特地对摄像头进行了标定，这样对于道路信息的判断，能够准确地选取前瞻量。

由图2可以看出，原始图像反映了安装在智能车上的摄像头直接看到的图像，这之中可以看出图像的变形，我们能够得知图像上的信息并不是道路的真实信息，图像上相邻两像素行间的实际距离会随着离摄像头的距离变化而变化。

为了方便对摄像头采到的图像信息进行处理，我们建立了一个横向坐标变换矩阵，通过乘以这样一个矩阵中对应的元素，能够得到每一个像素列间的实际距离。图3是经过矫正后的原始图像，可以看出它们都还原了真实赛道的信息。

图2　图像优化前

图3　图像优化后

4　搜线算法

单片机在得到如上矫正后的道路图像后，就会用搜线算法来对其进行处理，从而确定出赛道两边的黑线的具体位置，并计算出相对应的赛道中线，从而指导舵机转向和电机的加减速。搜线算法的基本思想如下：

（1）首先搜索左边线，左边线搜完之后再搜索右边线。

（2）由图像中心向左一定范围后开始逐点往左边搜索，具体的搜索方式是相邻点灰度值作差，当差值大于某一个阈值时，表明灰度发生了跳变，即是搜索到了黑线，将该行存入对应的存储矩阵，跳入下一行，重复步骤本步骤。

（3）如果连续几行都搜索到黑线后，将通过斜率预测的方法确定下一行黑线所在位置的范围，从而减少搜索的计算量。具体的方法即计算出前几行黑线所在点连成直线的斜率，从而延长直线与下一行相交，得到预测到的黑线位置。该过程将一直重复，直到出现某行搜索不到黑线或者搜索到图像尽头。

（4）当某行搜索不到黑线时，将启动虚线搜索的算法，同样是通过斜率预测，但是是通过隔3行扫描一个黑线。当连续几行搜索黑线后，再次进入连续斜率预测的搜索算法。

（5）当左边线搜索图像底部之后，将跳入右边线的搜索。

（6）搜线完毕后进行滤波处理，就得到了处理好的能够进行赛道分析的完整的矩阵。

5　结束语

世界的脚步迈向了人工智能，我们也越来越离不开身边的智能产品。作为一大趋势，我们利用模型模拟出来的智能车在一定程度上满足了我们开始提出的要求，在模拟道路上完成了安全的行驶。OV7620摄像头对于道路的检测与识别也在算法的调节下达到了高精准度。结合调试过程中出现的问题，不断尝试新的控制算法，以提高智能车的自适应性。让其稳定性和速度得以提高。

[1]卓晴，黄开胜，邵贝贝等编.学做智能车—挑战“飞思卡尔”杯.北京：北京航空航天大学出版社，2007.

[2]仲虎，陈明，周淋.第十届“飞思卡尔”杯全国大学生智能汽车竞赛技术报告[R].常熟理工学院，2015.

[3]赖鸣，袁龙，张亚军.第十二届全国大学生“恩智浦”杯智能汽车竞赛技术报告[R].重庆大学，2017.