最小二乘法在飞思卡尔智能车路径搜索中的应用

最新推荐文章于 2024-04-20 19:25:49 发布
最新推荐文章于 2024-04-20 19:25:49 发布
阅读量1.1w 收藏 275
点赞数 39
文章标签： C语言 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/XR528787067/article/details/52823356
版权

1、什么是最小二乘法

最小二乘法就是要使得观测点和估计点的距离的平方达到最小，我们可以使用一些已知的离散的点，拟合出一条与这些离散点最为接近的曲线，从而可以分析出这些离散点的走向趋势。


如图所示是一个线性拟合，红色的线代表观测点与估计点的距离，使得这些距离的平方和最小这样就是最小二乘法。


2、最小二乘法的推导过程（学霸请忽略，学渣直接看推导结果）



3、如何将最小二乘法应用到飞思卡尔智能车的路径搜索上

在智能车比赛中对时间的实时性要求比较高，如果对摄像头采集到的一整幅图像进行完整的扫描需要耗费非常大的时间和资源，因此对于图像的识别算法至关重要，如何用尽可能少的时间和资源从图像中提取出有效的路径信息成为一个难点。我路径搜索算法如下：

1、图像底部开始，前面十行采用从中间往两边查找左右边线，找不到的用图像的左右边缘点代替

2、使用左右边线之和除以二作为路径中线

3、超过十行的，先使用搜索出的前十行的左右边线进行最小二乘法拟合出曲线的轨迹方程算出接下来的点可能出现的位置

4、在拟合出来的位置的左右 n 个点的范围内寻找目标点，找不到的使用出来的点代替

5、使用左右中线之和除以二作为路径中线

具体代码如下（无删减，自行理解这看）：

/* image_control.c */

#include "image_control.h"
#include "main.h"

#define	IMG_BLACK		0
#define	IMG_WHITE		255
#define FIND_CENTER		0
#define FIND_LEFT		1
#define FIND_RIGHT		2
#define CENTER_POINT	IMAGE_W/2

int16 centerLine[IMAGE_H+1] = {0};			// 最后一个元素用来记录转向点对应的行数
int16 leftLine[IMAGE_H] = {0};
int16 rightLine[IMAGE_H] = {0};

static uint8 leftFindFlag;				// 用来标记左黑线是否找到
static uint8 rightFindFlag;				// 用来标记右黑线是否找到

static int16 leftCount;
static int16 rightCount;
static int16 findLine;

int16 createPoint(int type, int line);

int16 *findCenterLine(uint8 (* image)[IMAGE_W])
{
	int8 temp, tmp;
	// 前十行从中间往两边查找
	for(findLine = IMAGE_H-1; findLine > IMAGE_H-11; findLine--)
	{
		leftFindFlag = 0;
		rightFindFlag = 0;
		for(temp = 0; temp < CENTER_POINT; temp++)
		{
			// 寻找左黑线
			if(leftFindFlag == 0
			&& image[findLine][CENTER_POINT-temp-1] == IMG_BLACK
			&& image[findLine][CENTER_POINT-temp] == IMG_WHITE
			&& image[findLine][CENTER_POINT-temp+1] == IMG_WHITE
			&& image[findLine][CENTER_POINT-temp+2] == IMG_WHITE)
			{
				leftLine[findLine] = CENTER_POINT-temp-1;
				leftFindFlag = 1;
			}
			// 寻找右黑线
			if(rightFindFlag == 0
			&& image[findLine][CENTER_POINT+temp] == IMG_BLACK
			&& image[findLine][CENTER_POINT+temp-1] == IMG_WHITE
			&& image[findLine][CENTER_POINT+temp-2] == IMG_WHITE
			&& image[findLine][CENTER_POINT+temp-3] == IMG_WHITE)
			{
				rightLine[findLine] = CENTER_POINT+temp;
				rightFindFlag = 1;
			}
			if(leftFindFlag == 1 && rightFindFlag == 1)
				break;
		}
		// 对未找到的黑线进行补全
		if(leftFindFlag == 0)
			leftLine[findLine] = 0;
		if(rightFindFlag == 0)
			rightLine[findLine] = IMAGE_W-1;
		// 对中线进行赋值
		centerLine[findLine] = (leftLine[findLine]+rightLine[findLine])/2;
	}
	
	// 十行后根据前面行位置查找黑线
	for(findLine = IMAGE_H-11; findLine >= 0; findLine--)
	{
		leftFindFlag = 0;
		rightFindFlag = 0;
		// 预测下一行黑线位置
		leftCount = createPoint(FIND_LEFT, findLine);
		rightCount = createPoint(FIND_RIGHT, findLine);
		//leftCount = (2 * leftLine[findLine+1] - leftLine[findLine+2]);
		//rightCount = (2 * rightLine[findLine+1] - rightLine[findLine+2]);
		
		/* 在预测点的左右 FIND_COUNT 个点查找黑线位置 */
		// 寻找左黑线
		for(temp = 0; temp < FIND_COUNT*2+1; temp++)
		{
			if(leftFindFlag != 0)
				break;
			else if((leftCount-temp+FIND_COUNT)+3 > IMAGE_W-1)
				continue;
			else if((leftCount-temp+FIND_COUNT) < 0)
				break;
			else if(image[findLine][leftCount-temp+FIND_COUNT] == IMG_BLACK
			&& image[findLine][leftCount-temp+FIND_COUNT+1] == IMG_WHITE
			&& image[findLine][leftCount-temp+FIND_COUNT+2] == IMG_WHITE
			&& image[findLine][leftCount-temp+FIND_COUNT+3] == IMG_WHITE)
			{
				leftLine[findLine] = leftCount-temp+FIND_COUNT;
				leftFindFlag = 1;
			}
		}
		// 寻找右黑线
		for(temp = 0; temp < FIND_COUNT*2+1; temp++)
		{
			if(rightFindFlag != 0)
				break;
			else if((rightCount+temp-FIND_COUNT)-3 < 0)
				continue;
			else if(rightCount+temp-FIND_COUNT > IMAGE_W-1)
				break;
			else if(image[findLine][rightCount+temp-FIND_COUNT] == IMG_BLACK
			&& image[findLine][rightCount+temp-FIND_COUNT-1] == IMG_WHITE
			&& image[findLine][rightCount+temp-FIND_COUNT-2] == IMG_WHITE
			&& image[findLine][rightCount+temp-FIND_COUNT-3] == IMG_WHITE)
			{
				rightLine[findLine] = rightCount+temp-FIND_COUNT;
				rightFindFlag = 1;
			}
		}
		
		// 补全未找到的左右黑线
		if(leftFindFlag == 0)
			leftLine[findLine] = leftCount;
		if(rightFindFlag == 0)
			rightLine[findLine] = rightCount;
		
		/* 查找中线 */
#if (FIND_TYPE == TYPE_1)				
		
		// 补全未找到的左右黑线
		// if(leftFindFlag == 0)
		// 	leftLine[findLine] = leftCount;
		// if(rightFindFlag == 0)
		// 	rightLine[findLine] = rightCount;
		
		/* 对中线进行赋值 */
		centerLine[findLine] = (leftLine[findLine]+rightLine[findLine])/2;
		if(centerLine[findLine] <= 0)
		{
			centerLine[findLine] = 0;
			break;
		}
		else if(centerLine[findLine] >= IMAGE_W-1)
		{
			centerLine[findLine] = IMAGE_W-1;
			break;
		}		
#else		
		// 补全未找到的左右黑线
		// if(leftFindFlag == 0)
		// 	leftLine[findLine] = (leftCount < 0) ? 0 : ((leftCount > IMAGE_W-1) ? IMAGE_W-1 : leftCount);
		// if(rightFindFlag == 0)
		// 	rightLine[findLine] = (rightCount < 0) ? 0 : ((rightCount > IMAGE_W-1) ? IMAGE_W-1 : rightCount);
		
		/* 对中线进行赋值 */
		// 左右黑线都存在则取左右黑线中值作为黑线值
		if(leftLine[findLine] > 0 && rightLine[findLine] < IMAGE_W-1)
			centerLine[findLine] = (leftLine[findLine]+rightLine[findLine])/2;
		// 左黑线超出范围
		else if(leftLine[findLine] <= 0 && rightLine[findLine] < IMAGE_W-1)
		{
			// 根据右黑线的偏移量来确定中线
			temp = centerLine[findLine+1] + (rightLine[findLine] - rightLine[findLine+1]);
			// 根据最小二乘法补全中线
			//temp = createPoint(FIND_CENTER, findLine);
			if(temp <= 0)
			{
				// 中线超出范围则跳出循环，记录该行为转向行
				centerLine[findLine] = 0;
				break;
			}
			else
				centerLine[findLine] = temp;
		}
		// 右黑线超出范围
		else if(leftLine[findLine] > 0 && rightLine[findLine] >= IMAGE_W-1)
		{
			// 根据左黑线的偏移量来确定中线
			temp = centerLine[findLine+1] + (leftLine[findLine] - leftLine[findLine+1]);
			// 根据最小二乘法补全中线
			//temp = createPoint(FIND_CENTER, findLine);
			if(temp >= IMAGE_W-1)
			{
				// 中线超出范围则跳出循环，记录该行为转向行
				centerLine[findLine] = IMAGE_W-1;
				break;
			}
			else
				centerLine[findLine] = temp;
		}
		// 左右黑线都超出范围
		else
		{
			// 根据最小二乘法补全中线
			temp = createPoint(FIND_CENTER, findLine);
			// 根据中线偏移量补全中线
			//temp = centerLine[findLine+1] + (rightLine[findLine] - rightLine[findLine+1]);
			if(temp <= 0)
			{
				// 中线超出范围则跳出循环，记录该行为转向行
				centerLine[findLine] = 0;
				break;
			}
			else if(temp >= IMAGE_W-1)
			{
				// 中线超出范围则跳出循环，记录该行为转向行
				centerLine[findLine] = IMAGE_W-1;
				break;
			}
			else
				centerLine[findLine] = temp;
		}		
#endif
		
	}
	if(findLine<0 && centerLine[0]<0)
		centerLine[0] = 0;
	else if(findLine<0 && centerLine[0]>IMAGE_W-1)
		centerLine[0] = IMAGE_W-1;
	
	// 最后一个元素用来记录转向行
	centerLine[IMAGE_H] = (findLine < 0) ? 0 : findLine;
	
/* 检查停车线 */
#ifdef RELEASE	
	if(centerLine[IMAGE_H] == 0 
	&& leftLine[0] >= 23 
	&& rightLine[0] < IMAGE_W-23
	&& (centerLine[0]-centerLine[29] <= 3 || centerLine[0]-centerLine[29] >= -3))
	{
		for(temp = IMAGE_H-1; temp >= centerLine[IMAGE_H]; temp--)
		{
			if(carParams.stopCarFlag != STOP_LINE
			&& image[temp][(leftLine[temp]+centerLine[temp])/2] == IMG_BLACK
			&& image[temp][(rightLine[temp]+centerLine[temp])/2] == IMG_BLACK
			&& image[temp][(leftLine[temp]+centerLine[temp])/2-1] == IMG_BLACK
			&& image[temp][(leftLine[temp]+centerLine[temp])/2+1] == IMG_BLACK
			&& image[temp][(rightLine[temp]+centerLine[temp])/2-1] == IMG_BLACK
			&& image[temp][(rightLine[temp]+centerLine[temp])/2+1] == IMG_BLACK
			//&& image[temp][leftLine[temp]+1] == IMG_WHITE
			//&& image[temp][rightLine[temp]-1] == IMG_WHITE
			&& carParams.carRunTime > 3000/ENCODE_TIME)		// 小车起跑超过三秒则为停车线
			{
				for(tmp = (leftLine[temp]+centerLine[temp])/2+1; (rightLine[temp]+centerLine[temp])/2-1; tmp++)
				{
					if(image[temp][tmp] == IMG_WHITE && image[temp][tmp+2] == IMG_WHITE)
					{
						carParams.stopCarFlag = STOP_LINE;
						goto STOP_LINE_PASS;
					}
				}
			}
		}
	STOP_LINE_PASS:
		if(carParams.stopCarFlag == STOP_LINE && carParams.passStopLine != PASS_STOP_LINE && temp < 0)
			carParams.passStopLine = PASS_STOP_LINE;		// 小车已越过停车线
	}
#endif
	
	/*
	// 在 TFT 上绘制出 3 线
	for(temp = IMAGE_H-1; temp >= centerLine[IMAGE_H]; temp--)
	{
		guiDot(3*leftLine[temp], 3*temp, GREEN);
		guiDot(3*rightLine[temp], 3*temp, RED);
		guiDot(3*centerLine[temp], 3*temp, BLUE);
	}
	*/
	
	return (int16 *)centerLine;
}

/* 利用最小二乘法生成需要补全的点 */
int16 createPoint(int type, int line)
{
	int16 *linePointer;
	int8 tmp = 0;
	double sumX = 0;
	double sumY = 0;
	double averageX = 0;
	double averageY = 0;
	double sumUp = 0;
	double sumDown = 0;
	double parameterA;
	double parameterB;
	
	if(type == FIND_LEFT)
		linePointer = &leftLine[line];
	else if(type == FIND_RIGHT)
		linePointer = &rightLine[line];
	else
		linePointer = ¢erLine[line];
	
	// 取邻近的 POINT_COUNT 个点进行拟合
	while(++tmp <= POINT_COUNT)
	{
		sumX += (line+tmp);
		sumY += linePointer[tmp];
	}
	--tmp;
	averageX = sumX/tmp;
	averageY = sumY/tmp;
	do
	{
		sumUp += (linePointer[tmp]-averageY) * (line+tmp-averageX);
		sumDown += (line+tmp-averageX) * (line+tmp-averageX);
	} while(--tmp > 0);
	
	if(sumDown == 0)
		parameterB = 0;
	else
		parameterB = sumUp/sumDown;
	parameterA = averageY-parameterB*averageX;
	return (int16)(parameterA+parameterB*line+0.5);
}
经实践，采用该算法提取出来的路径信息非常稳定，无论在直道、弯道、十字，还是十字入弯和十字出弯等都可以快速而有效的搜索出路径信息，基本不会出现误判和不受噪点的干扰（自己当时忘记录像和拍照了，只能引用其他人的视频，不过效果差不多），具体效果与如下视频接近： http://v.youku.com/v_show/id_XNDEzMzc0NzA0.html

完整的工程：https://github.com/528787067/SmartCar

XR528787067
关注
  • 39
    点赞
  • 踩
  • 275
    收藏
    觉得还不错? 一键收藏
  • 14
    评论
最小二乘法代码
08-26
最小二乘法C语言实现,本人做飞思卡尔智能车比赛的时候用到,故拿来分享一下,希望能有所帮助
最小二乘法
08-12
很好的一份资料,非常有用的一份学习资料，值得拥有的一份资料，非常值得拥有的一份资料，祝你学习愉快！
智能车学习----最小二乘法求拟合曲线(中线)的斜率
热门推荐
Z小旋
04-18 4万+
最小二乘法： 最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最 小，简单来说，就是通过最小化误差的平方和，使得拟合对象无限接近目标对象，这就是最小二乘的核心思想。最小二乘法还可用于曲线拟合。 在此先列举一下最小二乘家族成员。最小二乘法直线拟合，最小二乘法多...
智能车之最小二乘法资料
01-24
最小二乘法
双车组三轮图像处理总结：18cm三轮摄像头图像处理
TSINGHUAJOKING
04-11 5957
前言 或许是有幸，参加了第十五届智能车竞赛，在这一年里，经历了很多，少有满意，认识了很多人，感谢相识。 比赛将要结束，我也将离智能车越来越远。但毕竟也曾热爱、付出过，希望能把我的一些经验写下来，至少留下一个痕迹，也能给一些准备比赛或像参加比赛的选手提供一些帮助。 可能由于疫情原因，比赛不仅提前了，而且准备时间还相比之前减少了很多，因此第十五届智能车竞速赛的赛道元素相比去年删去了一些，而仅仅新加了一个车库元素。因此，在图像方面，负担减轻了很多。 车模基本参数： 车模：F车模 摄像头：130°普...
路径规划的常用算法
人无远虑，必有近忧
05-08 7251
1. RRT RRT（快速探索随机树），首先在环境中，我们有一个起始点，定义为Xinit, 然后我们在环境中随机撒一个点，得到点x_rand,如果x_rand不在障碍物区域，则连接起x_init和x_rand, 我们得到一条连线L,如果L整个不在障碍物里面，则沿着L,从x_init向x_rand的方向移动一定的距离，得到一个新的点，x_new,则x_init,x_new和他们之间的线段构成了一颗最简单的树。 树的扩展： 在开始的基础上，继续重复，在环境中撒点，得到无障碍物区域的点x_rand,然后在已经
[论文笔记]Toward Intelligent Vehicular Networks: A Machine Learning Framework
观林望实的博客
04-02 928
前言 本文是使用机器学习方法解决车联网问题系列的第二弹blog，看题目感觉会提出一种结合机器学习的车联网的新架构，比起上一篇综述，这篇文章看起来干货满满（但是页数也比较长…），注意笔记的写作逻辑并尽量压缩字数吧！话不多说现在开始！ 本文首先整理了高移动性的车载网络的特征并列举了使用机器学习解决车载网络的挑战的动机。其次讨论了将机器学习用于学习车载网络的动态特性 ...
机器学习-预测-线性系统的预测（最小二乘法、正规方程式实现）
qq_38304392的博客
03-07 242
机器学习-预测-线性系统的预测 现在预测学的核心概念：回归。从数学的角度，为事物(系统)的预测提供现代的技术方法。 回归与现代预测学 统计学上最初回归的含义由高尔顿(达尔文的表弟)通过研究父母身高与孩子身高得出。 矮个父母所生的儿子往往会比其父母更高，高个父母所生儿子的身高却回降到多数人的平均身高。也就是说，当父母身高走向极端时，子女的身高不会进一步极端化，他们的身高要比父母更接近平均身高，即有...
基于stm32的最小二乘法N次多项式拟合函数
renleni的博客
08-06 3257
最小二乘法实现N次多项式函数拟合 最近都在全力准备电赛，无奈由于郑州的疫情，整个河南赛区和其他一起赛区推迟了全国电子设计大赛，于是，闲暇之中和大家分享一下，使用最小二乘法来实现N次多项式的拟合函数。 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客： 全新的界面设计 ，将会带来全新的写作体验； 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示； 增加了 图片拖拽 功
单片机实现最小二乘法
07-26
有效利用单片机C8051F410的片上XRAM，实现最小二乘法曲线拟合系数计算。
C语言下的STM32单片机使用最小二乘法拟合曲线
04-25
C语言编写的最小二乘法拟合曲线。根据输入的多组x，y值，计算拟合直线公式y=ax+b中的斜率a以及偏移b。适用于线性传感器的求值。 文件包里面包含一个exe可执行线性拟合程序和一对应用在单片机的C代码。 程序有float和double数据类型可选。
单片机C语言最小二乘法曲线拟合
10-19
基于最小二乘法的曲线拟合，大致思路为根据曲线的阶数以及原数据的组数，建立正规方程组，然后解正规方程计算出a0~an每个系数的值。
数字式CMOS摄像头在智能车中的应用
01-19
提出MT9M011在基于HCSl2单片机的智能车控制系统中的应用方案，针对采集图像时遇到的问题给出了相应的解决方法；分析数字式CMOS摄像头相对于模拟摄像头的优势和不足。 　引言 　飞思卡尔智能车比赛已经成功举办4届...
基于C语言的飞思卡尔智能车竞赛源代码.zip
01-17
基于C语言的飞思卡尔智能车竞赛源代码.zip基于C语言的飞思卡尔智能车竞赛源代码.zip基于C语言的飞思卡尔智能车竞赛源代码.zip基于C语言的飞思卡尔智能车竞赛源代码.zip基于C语言的飞思卡尔智能车竞赛源代码.zip基于...
Car_B_One.rar_智能车_路径识别_飞思卡尔_飞思卡尔智能车程序
09-21
一段飞思卡尔智能车的程序，可实现小车的路径识别
最小二乘法曲线拟合
04-26
本文件提供了最小二乘法曲线拟合的c语言版本。 最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据...
传感技术中的传感器与智能车路径识别
12-07
针对智能车在特殊路径与传感器数目限制的条件下的路径识别，提出了基于红外传感器的路径识别方案与基于图像传感器的路径识别方案，并对两种方案的应用性能进行了比较。通过将基于面阵图像传感器的路径识别方案应用于...
力扣---从中序与后序遍历序列构造二叉树
最新发布
m0_71536793的博客
04-20 443
力扣 中序遍历 后序遍历 建树
iar飞思卡尔智能小车
08-14
IAR飞思卡尔智能小车是一种基于飞思卡尔单片机开发的智能机器人车辆。这款小车具有多种智能功能和强大的硬件性能，可用于教育、研究和娱乐等领域。 首先，IAR飞思卡尔智能小车采用了飞思卡尔公司的先进技术，搭载了高性能的单片机处理器，具有强大的数据处理和计算能力。这使得小车能够实时响应控制指令，完成各种行驶和操作任务。 其次，IAR智能小车拥有丰富的传感器系统，包括陀螺仪、加速度计、红外线传感器、超声波传感器等，能够实时感知周围环境和障碍物。这使得小车能够自主避障和跟踪线路等操作，实现智能导航。 此外，IAR智能小车还配备了多种外设接口，如电机驱动模块、显示屏、摄像头等，可以根据需求进行扩展和连接其他设备。这为用户提供了更多的自定义和创新空间，可以实现更多样化的功能和应用。 最后，IAR智能小车还具有友好的软件平台和开发工具，可以支持多种编程语言和开发环境。这使得用户可以根据自己的需求和技能水平进行开发和定制，实现个性化的功能和操作。 总之，IAR飞思卡尔智能小车是一款功能强大、灵活扩展、具有智能导航和感知能力的机器人车辆。它为用户提供了丰富的开发和创新空间，可用于教育、科研和娱乐等多个领域。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 14
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值