沈中坤，徐勁節(jié)

（南京信息工程大學(xué) 電子與信息工程學(xué)院，江蘇南京，210000）

0 引言

傳統(tǒng)的智能小車巡線通常采用光電傳感器一類的解決方案，但近年來機(jī)器視覺技術(shù)的飛速發(fā)展，傳統(tǒng)的模擬圖像處理方式升級為嵌入式視覺處理模塊，本課題受此啟發(fā)，設(shè)計了以O(shè)penMV視覺模塊為主，以MPU6050角度傳感器為輔的小車系統(tǒng)。

1 OpenMV視覺模塊對于復(fù)雜道路信息的處理

1.1 基于灰度平均值的十字路口識別方法

1.1.1 灰度平均值識別十字路口的原理

利用OpenMV進(jìn)行顏色識別與圖像二值化，可以提取圖像中目標(biāo)顏色并輸出圖像中的灰度平均值。本課題根據(jù)此算法識別十字路口。

(1)首先對道路顏色進(jìn)行識別，道路顏色識別的關(guān)鍵在于閾值（THRESHOLD）的選取，其中THRESHOLD=(min L,maxL,minA,minB,maxB)，元組里面的數(shù)值分別是LAB（L代表明度，A代表從綠色到紅色的分量，B代表從藍(lán)色到黃色的分量）的最大值和最小值。根據(jù)閾值即可確定需識別的顏色。例如在圖1中，圖1(a)為拍攝的RGB圖像，設(shè)定閾值THRESHOLD為(26, 60, 12, 72, -21, 53)，該值為紅色閾值，對圖像進(jìn)行二值化處理，得到黑白效果圖。二值化后的圖像如圖1(b)所示，原圖像中紅色被提取出來。同理，分別設(shè)置THRESHOLD為綠色閾值或藍(lán)色閾值，對應(yīng)顏色均可被提取出來。

圖1 道路顏色識別示例

(2)隨后計算圖像的灰度平均值，根據(jù)灰度平均值的大小判斷十字路口是否出現(xiàn)在OpenMV拍攝的畫面中。若灰度平均值達(dá)到目標(biāo)值，即對十字路口識別成功，同時根據(jù)灰度平均值的大小判斷小車前端到十字路口的距離?；叶绕骄档拇笮∨c車前端到十字路口的距離關(guān)系如圖2所示。當(dāng)十字路口開始出現(xiàn)在OpenMV拍攝的圖像中時，圖像的灰度平均值會隨著小車前端到十字路口距離的減小逐漸增大，當(dāng)距離減小到12.5cm時，灰度平均值將達(dá)到最大。之后十字路口會在圖像中逐漸消失，同時灰度平均值也逐漸減小至初始值。

圖2 經(jīng)過十字路口時灰度平均值變化圖

1.1.2 算法設(shè)計

設(shè)定目標(biāo)顏色的閾值，提取目標(biāo)顏色，調(diào)用sensou.snapshot().binary()函數(shù)，將圖像二值化，調(diào)用img.get_statistics()函數(shù)返回二值化圖像的灰度平均值。得到灰度平均值后，判斷該值是否在目標(biāo)范圍內(nèi)。若在，說明十字路口已出現(xiàn)在圖像中，則可向單片機(jī)發(fā)送指令。同時，根據(jù)灰度平均值的大小判斷小車距離目標(biāo)十字路口的距離。

1.2 基于泰爾森線性回歸的巡線方法

1.2.1 泰爾森線性回歸巡線方法基本原理

在使用泰爾森線性回歸之前，需先設(shè)置目標(biāo)道路的顏色閾值，將圖像二值化，利用最小二乘法對圖像中所有閾值像素進(jìn)行線性回歸計算，以達(dá)到識別直線的目的。當(dāng)識別到直線時，使用泰爾森線性回歸算法計算圖像中所有閾值像素的斜率的中位數(shù)。之后返回一個直線對象（image.line），由霍夫變換得到該直線的兩個參數(shù)，分別為角度值（line.theta）和偏離值（line.rho），將該直線與垂直在畫面中央直線對比，得到角度誤差(theta.error)與偏離誤差(rho.error)。圖3為小車左偏時OpenMV拍攝的道路偏置情況，此時角度誤差為21°，偏離誤差為37mm。

圖3 小車左偏

1.2.2 算法設(shè)計

設(shè)置目標(biāo)道路閾值（THRESHOLD），將圖像二值化，調(diào)用泰爾森線性回歸函數(shù)image.get_regression()，得到目標(biāo)道路的角度值（line.theta）和偏離值（line.rho），計算角度誤差與偏離誤差。

1.3 基于模板匹配的路標(biāo)識別方法

1.3.1 模板匹配識別路標(biāo)的基本原理

模板匹配采用的是歸一化互相關(guān)（NCC）算法，該算法將在圖像中找到與目標(biāo)模板匹配的圖像并返回其位置的邊界框元組（x，y，w，h）。x、y、w、h分別為其位置的左上角的x坐標(biāo)、左上角的y坐標(biāo)、寬度和高度。使用模板匹配法可識別與模板圖片大小和擺放角度基本一致的圖案。在本課題中，OpenMV可以識別左轉(zhuǎn)，右轉(zhuǎn)和直行的路標(biāo)，圖4中識別到的是直行路標(biāo)，直行路標(biāo)被黑色框框出。式（1）為NCC算法的計算公式，其中I為目標(biāo)圖像，T為模板圖像，模板大小為m*n。

圖4 路標(biāo)識別

1.3.2 算法設(shè)計

導(dǎo)入左轉(zhuǎn)、右轉(zhuǎn)和直行的圖片模板，將OpenMV拍攝的圖像轉(zhuǎn)為灰度圖，調(diào)用ing.find_template()函數(shù)，判斷圖像中是否存在與導(dǎo)入模板相匹配的圖像，若存在，判斷是左轉(zhuǎn)、右轉(zhuǎn)還是直行。識別成功后傳達(dá)指令給MSP430單片機(jī)。

2 小車系統(tǒng)

2.1 硬件設(shè)計

小車實物圖如圖5所示。小車以MSP430為控制芯片，控制芯片根據(jù)OpenMV視覺模塊的指令，執(zhí)行前進(jìn)、后退、轉(zhuǎn)向、停止指令；利用MPU6050角度傳感器控制每次轉(zhuǎn)向的角度。小車硬件設(shè)計示意圖如圖6所示。

圖5 小車實物圖

圖6 小車硬件設(shè)計示意圖

2.1.1 轉(zhuǎn)向舵機(jī)

舵機(jī)又稱為伺服電機(jī)，是一種帶有輸出軸的裝置。向伺服器發(fā)送一個控制信號時，輸出軸就可以轉(zhuǎn)到特定的位置。只要控制信號持續(xù)不變，伺服機(jī)構(gòu)就會保持軸的角度位置不改變。如果控制信號發(fā)生變化，輸出軸的位置也會相應(yīng)發(fā)生變化。舵機(jī)角度是由控制信號脈沖的持續(xù)時間決定的，這叫做脈沖編碼調(diào)制（PCM）。舵機(jī)的控制一般需要一個20ms左右的時基脈沖，該脈沖的高電平部分一般為0.5ms～2.5ms范圍，總間隔為2ms。脈沖的寬度將決定馬達(dá)轉(zhuǎn)動的距離。例如：1.5ms的脈沖，電機(jī)將轉(zhuǎn)向90度的位置（通常稱為中立位置）；1.0ms的脈沖，電機(jī)將轉(zhuǎn)45度的位置；2.0ms的脈沖，電機(jī)將135度的位置。舵機(jī)控制信號由MSP430單片機(jī)提供，單片機(jī)輸出不同的脈沖可控制舵機(jī)轉(zhuǎn)角。

2.1.2 MPU6050角度傳感器

MPU6050是6軸運動處理傳感器，它集成了 3 軸MEMS陀螺儀，3 軸MEMS加速度計，以及一個可擴(kuò)展的數(shù)字運動處理器DMP。用它可以測得小車x、y、z軸的傾角（俯仰角Pitch、翻滾角Roll、偏航角Yaw）。單片機(jī)通過 I2C 讀取到 MPU6050 的六個數(shù)據(jù)（三軸加速度 AD 值、三軸角速度 AD 值）經(jīng)過姿態(tài)融合后就可以得到 Pitch、Roll、Yaw角。在此課題中，MPU6050用來控制小車每次轉(zhuǎn)向的角度，因此僅需考慮偏航角。式（2）為MPU6050的偏航角(Yaw)的解算式，其中q0,q1,q2,q3是DMP輸出的四元數(shù)。

2.2 算法設(shè)計

2.2.1 巡線控制算法

小車巡線的過程中采用PID控制算法。PID即：Proportiona（l比例）、Integra（l積分）、Differentia（l微分）的縮寫。PID控制算法是結(jié)合比例、積分和微分三種環(huán)節(jié)于一體的控制算法，它是連續(xù)系統(tǒng)中技術(shù)最為成熟、應(yīng)用最為廣泛的一種控制算法。連續(xù)控制系統(tǒng)的理想PID控制規(guī)律為式（3），式中 u(t)為PID控制器的輸出信號；e(t)為誤差函數(shù)；KP為比例調(diào)節(jié)系數(shù)；KI為積分調(diào)節(jié)系數(shù)；KD為微分調(diào)節(jié)系數(shù)。

在本課題中，巡線時的誤差有角度誤差(theta.error)與偏離誤差(rho.error)。因此我們利用舵機(jī)對角度誤差(theta.error)進(jìn)行修正，利用后輪差速的方法對偏離誤差(rho.error)進(jìn)行修正。算法實現(xiàn)如下：式（4）中的error為誤差量；total_error為誤差累積量，式（5）中的u為PID算法的輸出。

根據(jù)PID算法輸出的結(jié)果，調(diào)整舵機(jī)的轉(zhuǎn)角和后輪的轉(zhuǎn)速，實現(xiàn)巡線功能。

2.2.2 轉(zhuǎn)向控制算法

小車在十字路口轉(zhuǎn)向時，利用MPU6050角度傳感器控制小車的轉(zhuǎn)向角度。為了簡化算法我們將傳感器固定在車頭。同樣采用PID控制算法，轉(zhuǎn)向時誤差量error的表達(dá)式為式（7），其中Target_Angle為目標(biāo)轉(zhuǎn)向角度，Yaw為實時偏航角，Yaw0為轉(zhuǎn)向前的偏航角。

2.2.3 整車算法

設(shè)定目標(biāo)道路的顏色閾值，當(dāng)OpenMV視覺模塊識別到目標(biāo)道路時，發(fā)送啟動指令，MSP430單片機(jī)啟動小車，OpenMV持續(xù)巡線，保持小車前進(jìn)方向與道路方向一致。當(dāng)OpenMV識別到十字路口時，啟動轉(zhuǎn)向程序，OpenMV開始識別路標(biāo)，如需轉(zhuǎn)向，MPU6050角度傳感器將控制小車轉(zhuǎn)向90°，轉(zhuǎn)向完成后OpenMV再次識別直線道路，擺正小車姿態(tài)，以此循環(huán)直至終點。系統(tǒng)算法流程圖如圖7所示，小車行駛示意圖如圖8所示。

圖7 系統(tǒng)算法流程圖

圖8 小車行駛至①號點的示意圖

3 系統(tǒng)測試

小車行駛示意圖如圖8所示，對圖中每個目標(biāo)點均進(jìn)行超過30次的測試，測試結(jié)果如圖表1所示。

表1 不同目標(biāo)點的測試結(jié)果

由表1可知，小車前往行駛路線較為簡單的目標(biāo)點時，成功率達(dá)到100%，前往所有目標(biāo)點的成功率均可達(dá)到95%。①號點和⑥號點少次失敗的原因為：較短時間內(nèi)連續(xù)轉(zhuǎn)彎時的系統(tǒng)可能會出現(xiàn)故障?？梢酝ㄟ^降低速度來避免。

4 結(jié)語

本系統(tǒng)基于OpenMV視覺模塊和MPU6050角度傳感器，實現(xiàn)了巡線功能、十字路口識別功能、路標(biāo)識別功能。小車采用了簡單普遍的人工智能技術(shù)，具有硬件穩(wěn)定，算法可靠的特點。在全球疫情的大背景下，智慧尋路小車在防疫工作中大有可為，這也是我們研究本課題的初衷。有點遺憾的是在本系統(tǒng)中沒有采用道路顏色閾值自適應(yīng)的辦法，光線的明暗變化可能造成OpenMV視覺模塊的識別偏差，閾值自適應(yīng)將會是我們下一階段的研究方向。