基于HSI模型的智能循迹车设计

更新时间:2024-01-17 作者:用户投稿原创标记本站原创 点赞:13434 浏览:58077

【摘 要】本文设计了一种基于HSI模型的智能循迹车,基于S3C6410控制器,以CMOS摄像头作为路径识别装置,通过图像特征实时提取路径信息,在HSI模型下结合饱和度S分量对色调H分量进行OTSU自适应阀值算法处理,实现任意路径识别与智能跟踪.实验证明,智能车能按照任意给定的彩色引导线高速稳定地行驶,实现了小车循迹跟踪运动,达到了较好的实时性、高效性和智能性.

【关 键 词 】智能车;HSI 图像处理;路径识别

0 引言

随着电子技术和智能控制技术的发展,智能车已经成为自动控制领域内的一个研究热点.自动循迹运输车作为一种移动机器人,主要应用于机场、仓库以及其他需要搬运设备的工况中.本智能车通过CMOS摄像头获取目标道路信息.同时结合当前的行驶状态智能地做出决策,对其行驶方向进行调整,从而实现准确快速跟踪道路的目的.设计要求运输车能自动地沿着一条任意给定的彩色带状引导线行驶,要求引导线颜色与地面颜色有明显的差距.

1.系统总体方案

智能循迹车结构框图如图1所示,采用S3C6410开发板作为系统的控制核心.S3C6410开发板搭载Linux3.0.1操作系统,移植了video4linux2(V4L2)视频设备驱动.由CMOS摄像头采集路径视频信号,将采集到的图片转换为HSI模型,在HSI模型下结合饱和度S分量对色调H分量进行OTSU算法处理,得到由引导线和地面背景组成的二值化图像;然后选取合适的点,采用最小二乘法拟合成一条直线,计算出运输车与引导线的夹角和偏移距离;最后将运输车与引导线的夹角和偏移距离这俩个参数通过串口传递给STM32运输车控制板,运输车控制板进行相应的计算,调整运输车的运行轨迹,实现自动循迹功能[1].

2.图像处理方法选择

对引导线的判断正确与否决定了运输车能否实现自动循迹功能,因此选择恰当的图像处理算法就至关重要,下面将分析三种图像处理算法.

2.1 先将彩转化成灰度图,再进行图像处理

对灰度图进行图像处理的算法主要有基于特征值的二值化,边缘检测等方法.这类方法要求地面颜色比较干净,前景和背景差距较大.但实际路面会无规律的泛白或者泛黑,对这种情况采取将彩转化成灰度图,再进行处理的方法显然是不可取的.

2.2 在HSI模型下直接对H分量进行OTSU算法处理.

2.2.1 介绍HSI模型.

HSI(Hue saturation intensity)颜色模型[2]把彩色信息表示为3种属性,分别是:色调,表示颜色的类型;饱和度,表示颜色的纯度;强度,表示亮度信息.从人的视觉系统看,人眼看到的任一色彩都是这3个属性的结合.HSI颜色模型中围绕轴的角度是色调H,用0度到360度表示,影响着人类的视觉判断;离开长轴的距离为饱和度S,即颜色的纯度,从0% 到完全饱和100%;长轴表示亮度I,从黑0%到白100%,体现了光线的明暗程度.HSI颜色空间具有与知觉一致的独立通道,能较好反映人对颜色的感知和鉴别能力[3].

2.2.2 最大类间方差法(OTSU).

OTSU的原理:通过自适应阀值,将图像分为前景和背景俩部分.当取最佳阀值时,前景和背景的差异应该是最大的.记前景与背景的分割阀值为t,前景所占比例为w0,平均灰度为u0;背景所占比例为w1,平均灰度为u1.则图像平均灰度值为:u等于 u0*w0+u1*w1.前景和背景图象的方差为:g等于w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)等于w0*w1*(u0-u1)*(u0-u1),当方差g最大时,前景和背景差异最大,此时选择的阀值就是最佳阀值.采用得到的阀值对图像进行二值化处理,灰度值大于该阀值的像素点设置为全白,灰度值小于该阀值的像素点设置为全黑[4].

实际情况中,路面的某些区域颜色呈现出来是非彩色的,即饱和度S分量特别低.这种情形下,它的H分量可能是任意值,有可能会与引导线的H分量相近.因此,直接对H分量进行OTSU算法处理效果不佳.

2.3 在HSI模型下结合饱和度S分量对色调H分量进行OTSU算法处理

考虑到需要消去饱和度S分量过低的路面部分对引导线的干扰,因此需要将色调H分量和饱和度S分量进行综合考虑.本设计首先排除饱和度S分量过低的部分,然后再对其它部分的色调H分量进行OTSU算法处理,最终得到了满意的处理效果.

3.系统软件详细流程

本系统软件流程图如图2所示.

3.1 摄像头采集地面信息

Video4Linux2(简称V4L2),是Linux中关于视频设备的内核驱动.本系统使用V4L2驱动,得到一幅RGB565格式的图片,图片的分辨率为320*240.

3.2 将RGB转化为HSI模型

因为我们要在HSI模型下进行图像处理,所以首先要将RGB格式的图片转换为HSI模型.

3.3 图像预处理,中值滤波

采集到的图像不可避免的会受到噪声干扰,所以有必要对采集到的图像进行预处理.常用的滤波算法主要有时域滤波和频率滤波俩种,频率滤波对本设计使用的处理器来说,运算量太大,考虑到系统性能,并不适用.所以采用时域滤波的方式.中值滤波是一种局部平均平滑技术,它依靠模板来实现,中值滤波的主要功能是将周围像素灰度值的差比较大的像素改为与周围像素值接近的值,所以采用中值滤波可以有效的消除孤立的噪声点.

3.4 在HSI模型下结合饱和度S分量对色调H分量进行OTSU算法处理

首先排除图片中饱和度S分量过低的部分,然后对图片的色调H分量进行OTSU处理,得到一幅二值化图像,前景为引导线,背景为地面.

3.5 提取中心线

考虑到系统的处理速度,对连续的前景区域,每隔10行取中点,然后通过最小二乘法将所有得到的点进行直线拟合,得到的图像就是引导线的中心线.

3.6 通过串口传递转角和偏移程度给运输车控制板

上述步骤中,已经得到了引导线的中心线,根据几何关系,引导线的中心线与图像Y轴的夹角就是运输车与引导线的夹角.中心线中点与它所在行的中点的距离就是运输车的偏移距离.S3C6410主控板通过串口将这俩个数据传递给运输车控制板.

3.7 运输车控制板控制运输车运行

运输车控制板接受到转角和偏移距离后,进行相应的计算,调整运输车的运行轨迹,实现自动循迹功能.

4.实验结果与分析

将本文提到的三种图像处理方法进行对比,结果如图3所示.

图3(a)为原图,图3(b)是将图3(a)转灰度图后,对灰度图进行OTSU算法处理得到的效果图.图3(c)是在HSI模型下对图3(a)的色调H分量直接进行OTSU算法处理得到的效果图.图3(d)是在HSI模型下结合饱和度S分量对图3(a)色调H分量进行OTSU算法处理得到的效果图.

图3(b)有大量的噪声点,处理效果非常不理想.图3(c)比图3(b)的效果略好,但仍有大量的噪声点.本文采用的图3(d)方法,能够很好的分割出引导线和无效背景俩部分,得到清晰的处理效果.

5.结语

本文介绍了基于HSI模型的智能循迹车的设计方案,系统在HSI模型下结合饱和度S分量对色调H分量进行OTSU算法分割图像以提取路径引导线.实验结果表明,设计的系统能够在任意彩色导引线上稳定、可靠地运行;能快速流畅地实现自主循迹;系统运行稳定、可靠,可以应用到智能机器人、自动化作业平台等领域,具有一定的实用性.

【参考文献】

[1]王子辉,叶云岳.基于 CMOS 传感器的智能循迹小车图像识别技术研究[J]. 传感技术学报,2009,22(4):484-488.

[2]章毓晋.图像处理与分析[M].北京:清华大学出版社,1999.


[责任编辑:曹明明]