基于特征分类的智能汽车赛道元素识别算法

关键词：赛道模式识别电气工程智能

近些年, 智能汽车正以迅猛的速度发展, 其涵盖了工程控制、信息与通信、模式识别、传感技术、电气工程、计算机等多个学科, 是当下智能交通的中要解决方案之一[1]。智能汽车主要由赛道元素识别、方向控制及车速控制等多种策略构成, 赛道元素识别是实现智能汽车自主沿赛道运行的信息基础, 而获得范围广而精确的赛道信息是提高智能汽车运行速度的关键[2]。

一、现今智能汽车赛道识别的不足

现今的赛道识别算法一般是利用赛道边线的斜率、曲率等信息进行分析处理[3,4]。这种方法存在以下几个缺点。第一, 曲率或者斜率一般由几个或者多个点获得, 一旦选取的点存在较大误差或者是因抖动引入噪声干扰, 很可能导致曲率或者斜率发生极大的变化, 这对高速运行的智能汽车而言通常是致命的。第二, 曲率和斜率依靠赛道边线获得, 对不存在赛道边线, 或者赛道边线难以获取的图像就束手无策了, 例如现今智能汽车竞赛的赛道中经常出现地圆环、十字等特殊赛道元素。因此, 在愈加复杂的智能汽车赛道环境中, 这样的方法是落后的。

二、智能汽车赛道元素识别方案

(一) 智能汽车赛道元素分类

本文中通过将摄像头拍摄的赛道图像储存在SD卡内, 然后将其解压为二值化的图像。经过分析和长期的测试, 我们总结出赛道中出现的元素共有7类。如图1所示, 其包括:圆环赛道、十字赛道、弯道 (根据弯曲程度分为急弯、中弯、轻弯) 、直道、斜入十字赛道 (指智能汽车在进入十字赛道时车体发生倾斜) 、路障赛道和终点赛道。

(二) 赛道元素识别流程

在赛道元素的识别中, 很重要的一步就是边缘巡线算法, 实际上, 并不是所以赛道元素都需要进行巡线, 而无意义的巡线也将大大提高图像处理时间。本文针对现有的赛道元素, 设计了如图2的赛道元素识别方法。

若赛道图像中出现左右边线出现断层的情况, 我们将其归类为特殊赛道元素, 如:圆环、十字、斜入十字等。对于赛道图像中出现左右边线清晰、颜色跳变明显的情况, 我们将其归类为基础赛道元素, 如:直道、弯道、终点、路障等。为了提高算法的准确率和运行速率, 我们提出了以下两种处理原则。 (1) 为降低算法出错概率, 对赛道元素判别顺序进行排序。由于特殊赛道元素一般具有特征明显、不易与其他赛道元素出现共存、冲突的情况, 因此, 需要对特殊赛道元素进行优先识别, 在前者判断为“否”后, 才对特征较模糊的基础赛道元素进行识别。 (2) 为提高算法运行效率, 对赛道识别过程进行分级处理。这体现在两个方面, 其一, 对多个赛道元素进行判断时, 我们一旦判定其属于某个赛道元素, 那么就可以跳出之后的识别, 不再需要对所有赛道元素进行判断。其二, 对单个赛道元素而言, 其也具有多个特征。对此, 我们也采取分级策略, 即先判断该赛道元素最明显的特征, 若前者判断为“是”, 才对该赛道元素的其他特征进行判断, 否则跳出对该赛道元素的识别。

三、赛道元素识别算法

不同的赛道元素的特征是不一样的, 根据上文提到的分析方法, 其识别算法步骤如图3所示。

其中主要特征一般选取为图像中出现的该赛道元素“特有的”且对该赛道元素而言具有普适性的单色区域块;次要元素一般选取该赛道元素“拥有的”, 不具普适性的单色区域块。

(一) 一特殊赛道元素识别

以圆环为例。如图4, 由于圆环赛道具有环岛的特征, 因此其主要特征为图像中上区域 (1号区域) 的黑色圆体, 且其周围应被白色包围。其次要特征为图像中下部出现的白色区域块 (2号区域) 和图像中间横向的一段白色长条区域 (3号区域) 。

本算法寻找中心黑色圆形的算法如下:

(1) 对图像进行遍历, 寻找纵轴方向上出现白色-黑色-白色三种颜色跳变。以三种颜色跳变的中心点为横轴, 在其左右再次寻找白色-黑色-白色三种颜色跳变。确定圆环大致所在区域。 (2) 在圆环所在区域内部选取多条纵轴和横轴进行遍历, 确保圆环内部为黑色。同理, 在圆环区域外边缘选取多

(下转第129页)

(上接第127页)

条纵轴和横轴, 确保圆环外部被白色包围。 (3) 遍历黑色圆形以下横轴和纵轴区域, 确认其为白色。若算法执行到此处, 则可判断该图像中包含圆环赛道元素。

(二) 基础赛道元素识别

以弯道为例。如图5, 弯道赛道的主要特征在于其图像顶部一般会出现黑色截至的区域 (1号区域) , 黑色区域开始的行数我们将其定义为顶端行, 这在巡线算法中较易提取。此外, 弯道弯曲方向底部图像 (2号区域) 为白色, 与弯曲方向相反的赛道边界通常是黑色与白色的分界线 (3号区域) 。

本算法寻找弯道的方法如下:

(1) 基本的巡线算法为从图像底部往上寻找左右黑白跳变的区域, 以确定左右边线, 进而确定赛道中线位置。实际上, 基础巡线的过程就验证了弯道赛道2、3号区域所述的特征。 (2) 在基本的巡线算法的基础上, 加上对顶端行的搜索。当巡线搜索到顶端行以后, 再继续向上搜索左右边界是没有意义的。故此, 找到顶端行后跳出巡线算法。 (3) 弯道的弯曲程度由顶端行确定, 顶端行越接近图像底部, 弯道弯曲程度越高。至此, 赛道元素识别就结束了, 其他未提及的赛道元素也可根据以上分析方法进行分析。

四、结束语

本文分析了现有智能汽车竞赛中出现的7种赛道元素, 根据其特征分类为两种赛道元素——特殊赛道元素和基础赛道元素, 并在此基础上, 建立了具有一般性的赛道元素识别流程。该算法具有识别时间短、识别准确率高的特点。经过不断调试, 该算法识别准确率可以达到百分之百。在对算法进行分级处理后, 识别时间也从300ms降低至50ms以内。

摘要：随着智能汽车竞赛的发展, 智能汽车竞赛的赛道元素也越来越复杂。以往针对简单赛道元素的识别算法已经不再能适应如今复杂的赛道环境。本文通过对大量赛道图像的分析, 提出了一种基于特征分类的赛道元素识别的新方法。该赛道识别算法通过不断测试和修改, 具有识别时间短、识别准确率高的特点。

关键词：智能汽车,赛道元素,图像处理