摄像头赛道处理

最新推荐文章于 2023-11-17 23:10:46 发布
最新推荐文章于 2023-11-17 23:10:46 发布
阅读量721 收藏 9
点赞数
分类专栏： 智能车 文章标签： 图像处理
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/weixin_43964993/article/details/112383192
版权

1. 得到缩小后的灰度图像

  • 1.1 函数内容：
/*************************************************************************
 *  函数名称：Get_Use_Image
 *  功能说明：把摄像头采集到原始图像，缩放到赛道识别所需大小
 *  参数说明：无
 *  函数返回：无
 *  修改时间：2021年01月08日
 *  备    注：  由于直接设置摄像头分辨率得到的图片是由188*120裁剪而来的，故进行缩小处理
 *       				实际所需大小为94*60
 *							image_col为实际图像的宽度，列，大小为94
 *							image_row为实际图像的高度，行，大小为60
 *************************************************************************/
void Get_Use_Image(void)
{
  int i,j;
  for(i=0;i<image_row;i++)
    for(j=0;j<image_col;j++)
    {
      Image_Use[i][j] = image[i*2][j*2+1];
    }
}
  • 1.2 变量声明：
uint8   image[MT9V032_H][MT9V032_W];      		//图像数组
#define image_row 60 							//图像高度（行）             
#define image_col 94							//图像宽度（列）
uint8 Image_Use[image_row][image_col];          //用于储存缩小后的图像，实际应用的图像

2. 得到二值化后的图像

  • 2.1 模式选择：
  • 0：使用大津法阈值（GetOSTU）
  • 1：使用平均阈值
  • 2：sobel 算子改进型 手动阈值，同时输出改为提取边沿的图像（lq_sobel）
  • 3：sobel 算子改进型 动态阈值，同时输出改为提取边沿的图像（lq_sobelAutoThreshold）
  • 2.2 函数内容：
/*************************************************************************
 *  函数名称：Get_Bin_Image
 *  功能说明：图像二值化到Bin_Image[][]
 *  参数说明：mode  ：
 *    0：使用大津法阈值
 *    1：使用平均阈值
 *    2: sobel 算子改进型  手动阈值，同时输出改为提取边沿的图像
 *    3：sobel 算子改进型   动态阈值，同时输出改为提取边沿的图像
 *  函数返回：无
 *  修改时间：2020年10月28日
 *  备    注：  Get_Bin_Image(0); //使用大津法二值化
 *************************************************************************/
void Get_Bin_Image (unsigned char mode)
{
    unsigned short i = 0, j = 0;
    unsigned short Threshold = 0;
    unsigned long tv = 0;
 
    if (mode == 0)
    {
        Threshold = GetOSTU(Image_Use);  //大津法阈值
    }
    if (mode == 1)
    {
        //累加
        for (i = 0; i < image_row; i++)
        {
            for (j = 0; j < image_col; j++)
            {
                tv += Image_Use[i][j];   //累加
            }
        }
        Threshold =(unsigned short)(tv / image_row / image_col);   //求平均值,光线越暗越小，全黑约35，对着屏幕约160，一般情况下大约100
        Threshold = Threshold + 20;      //此处阈值设置，根据环境的光线来设定
    }
    else if (mode == 2)
    {
        Threshold = 80;                          //手动调节阈值
        lq_sobel(Image_Use, Bin_Image, (unsigned char) Threshold);

        return;

    }
    else if (mode == 3)
    {
        lq_sobelAutoThreshold(Image_Use, Bin_Image);  //动态调节阈值
        return;
    }

    /* 二值化 */
    for (i = 0; i < image_row; i++)
    {
        for (j = 0; j < image_col; j++)
        {
            if (Image_Use[i][j] > Threshold) //数值越大，显示的内容越多，较浅的图像也能显示出来
                Bin_Image[i][j] = WHITE_BIN;
            else
                Bin_Image[i][j] = BLACK_BIN;
        }
    }
}
  • 2.3 变量声明：
#define image_row 60 							//图像高度（行）             
#define image_col 94							//图像宽度（列）
#define BLACK_BIN 0								//二值化黑色
#define WHITE_BIN 1								//二值化白色
uint8 Image_Use[image_row][image_col];          //用于储存缩小后的图像，实际应用的图像
uint8 Bin_Image[image_row][image_col];          //二值化图片

3. 过滤噪点

  • 3.1 函数内容：
/*************************************************************************
 *  函数名称：Bin_Image_Filter
 *  功能说明：过滤噪点
 *  参数说明：无
 *  函数返回：无
 *  修改时间：2021年01月08日
 *  备    注：  
*************************************************************************/
void Bin_Image_Filter (void)
{
    int16 nr; //行
    int16 nc; //列

    for (nr = 1; nr < image_row - 1; nr++)
    {
        for (nc = 1; nc < image_col - 1; nc = nc + 1)
        {
            if ((Bin_Image[nr][nc] == 0)
                    && (Bin_Image[nr - 1][nc] + Bin_Image[nr + 1][nc] + Bin_Image[nr][nc + 1] + Bin_Image[nr][nc - 1] > 2))
            {
                Bin_Image[nr][nc] = 1;
            }
            else if ((Bin_Image[nr][nc] == 1)
                    && (Bin_Image[nr - 1][nc] + Bin_Image[nr + 1][nc] + Bin_Image[nr][nc + 1] + Bin_Image[nr][nc - 1] < 2))
            {
                Bin_Image[nr][nc] = 0;
            }
        }
    }
}
  • 3.2 变量声明：
#define image_row 60 							//图像高度（行）             
#define image_col 94							//图像宽度（列）
uint8 Image_Use[image_row][image_col];          //用于储存缩小后的图像，实际应用的图像
uint8 Bin_Image[image_row][image_col];          //二值化图片

4. 获得赛道边界

  • 4.0 函数说明：
    此函数可获得以下数据：
int16 Image_Side[2][image_row];					//边沿数据：第一行——左边界；第二行——右边界；下标——行，值——列
int16 DivLine;									//有效行
int16 Road_Width[image_row];					//路宽
  • 4.1 函数内容：
/*************************************************************************
 *  函数名称：Image_Get_Side
 *  功能说明：获得赛道边界
 *  参数说明：无
 *  函数返回：无
 *  修改时间：2021年01月08日
 *  备    注：  
*************************************************************************/
void Image_Get_Side (void)
{
	int16 x;
	int16 y;
	int16 start_col;		//起始行的起始列，赛道可能完全在屏幕左半面或右半面
	
	//如果起始行中点为不在赛道中点 往右寻找
	for(x=start_col; x <= right_col; x++)			
	{
		if(Bin_Image[start_row][x] == WHITE_BIN)		
			if(Bin_Image[start_row-1][x] == WHITE_BIN)
				if(Bin_Image[start_row-2][x] == WHITE_BIN)
				{
					start_col=x;
					break;
				}
	}
	//如果起始行中点为不在赛道中点 往左寻找
	for(x=start_col; x >= left_col; x--)						
  {
    if(Bin_Image[start_row][x] == WHITE_BIN)
      if(Bin_Image[start_row-1][x] == WHITE_BIN)
        if(Bin_Image[start_row-2][x] == WHITE_BIN)
        {
          start_col=x;
          break;
        }
  }
	
	//寻找起始行右边界
	for(x = start_col; x <= right_col; x++)
  {
    if(Bin_Image[start_row][x] == BLACK_BIN)
    {
      Image_Side[RIGHT][start_row] = x;
      break;
    }
  }
	if(x > right_col)		//没有找到右边界，丢线
  {
    Image_Side[RIGHT][start_row] = LOST_RIGHT_SIDE ;  
  } 
	
	//寻找起始行左边界
	for(x = start_col; x >= left_col; x--)
  {
    if(Bin_Image[start_row][x] == BLACK_BIN)
    {
      Image_Side[LEFT][start_row] = x;
      break;
    }
  }
	if(x < left_col)		//没有找到左边界，丢线
  {
    Image_Side[LEFT][start_row] = LOST_LEFT_SIDE ;  
  }
	
	//起始行宽度
	Road_Width[start_row] = Image_Side[RIGHT][start_row] - Image_Side[LEFT][start_row];
	
	//寻找其他行边界
	for(y=start_row-1;  y>=end_row;  y--)  //由近到远找
  {
    //左边界
    x = Image_Side[LEFT][y+1] + 4;		//从上一行左侧往右4个点开始寻找，如果这个值设置太大会影响远处找中线
    while( (Bin_Image[y][x]==BLACK_BIN) && (x<=right_col) ) 
    {
      x += 4;
    }
    if(x>right_col) //找不到边界（只有两条边界相距太近时，才找不到）（找不到白色）（全都是黑色，才叫无效）
    {
      DivLine = y+1; 
      break;
    }
    for(; x>=left_col; x--)
    {
      if(Bin_Image[y][x] == BLACK_BIN)
      {
        Image_Side[LEFT][y] = x;      
        break;
      }
    }
    if(x < left_col)     //判断是否出了边界
    {
      Image_Side[LEFT][y] = LOST_LEFT_SIDE;  
    }
    
    //右边界
    x = Image_Side[RIGHT][y+1] - 4;	//从上一行左侧往右4个点开始寻找
    while( (Bin_Image[y][x]==BLACK_BIN) && (x>=left_col) )
    {
      x -= 4;
    }
    if(x < 0) //找不到边界
    {
      DivLine = y+1; 
      break;
    }
    for(;x <= right_col; x++)
    {
      if(Bin_Image[y][x] == BLACK_BIN)
      {
        Image_Side[RIGHT][y] = x;
        break;
      }
    }
    if(x > right_col)//判断是否出了边界
    {
      Image_Side[RIGHT][y] = LOST_RIGHT_SIDE;       
    }
		//路宽
		Road_Width[y] = Image_Side[RIGHT][y] - Image_Side[LEFT][y];
		
    /*-------------满足以下情况时停止对这幅图片的处理并寻找有效行--------------*/
    //如果满足 （左右边界靠得太近  或者  左侧边界太靠右  或者  右侧边界太靠左） 则跳出找线
    if(   (Road_Width[y] < 10)  //此处的 10 可以根据需要来改
       || (Image_Side[LEFT][y]  > image_col-5)
       || (Image_Side[RIGHT][y] < 4))
    {
      DivLine = y + 1;//确定该幅图像有效行，便于下面程序算斜率、截距
      break;
    }
    else 
      DivLine=0;			//否则就是直到最远处一行都是有效的
  }	
}
  • 4.2 变量声明：
#define image_row 60 							//图像高度（行）             
#define image_col 94							//图像宽度（列）
#define BLACK_BIN 0								//二值化黑色
#define WHITE_BIN 1								//二值化白色
#define LEFT	  0								//数组变量左
#define RIGHT	  1								//数组变量右
#define LOST_LEFT_SIDE 		-1					//左边界丢失
#define LOST_RIGHT_SIDE		image_col			//右边界丢失
uint8 Image_Use[image_row][image_col];          //用于储存缩小后的图像，实际应用的图像
uint8 Bin_Image[image_row][image_col];          //二值化图片
uint8 left_col 		= 0;						//最左边
uint8 right_col		= image_col-1;				//最右边
uint8 end_row		= 0;						//最远行
uint8 start_row		= image_row-1;				//最近行
int16 Image_Side[2][image_row];					//边沿
int16 DivLine;									//有效行
int16 Road_Width[image_row];					//路宽
weixin_43964993
关注
  • 0
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
智能车摄像头赛道 处理类型
11-17
对硬件和软件设计思路的介绍，以及对赛道的类型和赛道的提取都有详细的介绍，适合初学者看，帮助初学者理清思路。
智能车摄像头组代码
04-19
华东赛智能车摄像头的代码，2.8m/s的速度，有边线识别以及舵机控制，车模是C车
智能车竞赛技术报告 | 节能信标组 - 兰州交通大学 - 先锋队
TSINGHUAJOKING
09-03 3857
简 介： 本文以第十六届全国大学生智能车大赛为背景，介绍了兰州交通大学节能信标组在比赛中的实现方案。本次比赛采用了3D打印的自制车模，主控芯片采用了英飞凌的TC264芯片，软件平台采用的IAR。本文中主要介绍本次比赛中我们智能车控制系统软硬件结构和开发流程，本文涉及智能车设计中的车模结构设计，硬件设计，无线充电设计，摄像头图像处理，PID算法控制以及中途补电策略等许多方面。整个控制系统的工作原理是利用摄像头采集数据并处理，来判断灯的位置，然后完成灭灯。 关键词： 节能信标，无线充电，TC264，摄像头，..
【第十七届智能车】智能车图像处理（1）-图像预处理
fgfgfdg8的博客
08-18 1万+
讲解常见的智能车图像预处理方法
【OpenCV新手教程之十二】OpenCV边缘检測：Canny算子,Sobel算子,Laplace算子,Scharr滤波器合辑...
weixin_34416649的博客
07-14 91
本系列文章由@浅墨_毛星云 出品，转载请注明出处。   文章链接： http://blog.csdn.net/poem_qianmo/article/details/25560901 作者：毛星云（浅墨）    微博：http://weibo.com/u/1723155442 知乎：http://www.zhihu.com/people/mao-xing-yun 邮箱： happylifem...
第18届全国大学生智能汽车竞赛四轮车开源讲解【2】--图像
qq_58114029的博客
08-06 5689
本文讲述了对于一幅灰度图的基本参数，对灰度和二值化进行了简要讲解，并提供了多种二值化方案供大家选择，也附上了参考代码。也对摄像头敏感的光线问题提供了相关参考方案。
智能车校内赛图像处理
xuxuxucq的博客
12-03 2174
智能车图像处理
智能车图像处理(三)元素判断
weixin_50567482的博客
08-05 1万+
相对于电磁处理赛道元素，摄像头有更多的方式去判断特殊元素，csdn上也有很多的博主介绍了他们对于特殊元素的处理，这里我将先对16届新出的三岔讲解我的思路及代码，之后再对圆环和车库进行思路讲解。 在对所有元素进行判断前，我们总结通过第二章巡线所得到的一些判断条件： right_lost_count; //右丢线数目 left_lost_count; //左丢线数目 l_start; //左边界出现第一个黑点所在行数 r_start; //右边界出现第一个黑点
【第十七届智能车】智能车图像处理（4）-元素识别（三岔）
fgfgfdg8的博客
08-21 6023
智能车三岔的识别与循迹过程
智能车入门补充篇——元素识别
最新发布
lucky的博客
11-17 3020
基础的赛道元素有：车库、十字、环岛、坡道。
【第十七届智能车】智能车图像处理（3）-元素识别（十字）
fgfgfdg8的博客
08-20 1万+
智能车十字的识别与循迹过程
智能车学习日记【一】——让小车跑正方形赛道（摄像头图像处理赛道）
热门推荐
RoyZz_的博客
08-04 2万+
智能车学习日记【一】——让小车跑正方形赛道 摄像头控制目录开篇舵机赛道图像处理图像处理代码![在这里插入图片描述](https://img-blog.csdnimg.cn/9ec0eb76bd8941a380e4b34b443c0809.png#pic_center)图像处理控制舵机打角最后亿点 目录 开篇 博主最近开始学智能车，开始时遇到了很多困难。我觉得这些问题应该也 是每一个智能车人开始都可能会遇到的，写下来分享一下，也顺便巩固一下自 身所学。如果有错误或可以改进的地方还希望多多指出交流~。
基于图像分割匹配的赛道元素识别算法.pdf
05-17
基于图像分割匹配的赛道元素识别算法.pdf
飞思卡尔摄像头黑线识别算法和赛车行驶控制
04-18
飞思卡尔 摄像头 黑线 算法 赛车行驶。此资源应用于飞思卡尔小车的设计。讲解了关于摄像头黑线识别的算法以及赛车的行驶控制技术。
摄像头、摄像头.线性CCD在OLED显示赛道例程
01-09
摄像头、摄像头.线性CCD在OLED显示赛道例程
【第十七届智能车】智能车图像处理（5）-元素识别（斑马线、车库）
fgfgfdg8的博客
08-23 7143
智能车斑马线、车库的识别与循迹通过过程
基于OpenCV的巡线小车多赛道识别
qq_66036911的博客
03-12 2788
OpenCV巡线小车多赛道识别
智能车竞赛技术报告 | 智能车视觉 - 天津大学 - 北洋钽星
TSINGHUAJOKING
09-04 5808
简 介： 全国大学生智能汽车竞赛以“立足培养、重在参与、鼓励探索、追求卓越”为宗旨。本文介绍的AI视觉智能车结合了图像处理、神经网络、PID控制、机械设计等技术，实现了省赛国赛的比赛要求，具有很好的稳定性和扩展性。本系统以i.MX RT1064为主控芯片，配合总钻风摄像头识别赛道元素，完成循迹功能；另一方面在Open ART mini运行神经网络模型，完成动物、水果和数字的识别，调用Open MV提供的API识别AprilTag二维码。两个MCU使用串口通信传送指令码，实现自主的停车、识别等等功能。在调试.
第18届全国大学生智能汽车竞赛四轮车开源讲解【5】--直道、弯道、十字
qq_58114029的博客
09-10 1万+
本文对智能车赛道的直道，弯道，十字这三个元素的图像识别进行了识别，讨论了图像识别的特征点，根据特征点来区别不同的元素。在确认元素后通过补线，补全赛道边线，让车模更好的运行。
智能车摄像头赛道csdn
07-28
智能车摄像头赛道是指一种应用于智能车辆中的摄像头系统，在赛道上通过图像识别和处理技术来实现自主驾驶或辅助驾驶的功能。赛道通常是设计好的道路模型，有各种道路标志、交通信号灯和障碍物等用于模拟真实交通环境...
评论 1
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

打赏作者

weixin_43964993

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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