(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210335928.X (22)申请日 2022.03.31 (71)申请人 中山大学 地址 510275 广东省广州市海珠区新港西 路135号 (72)发明人 谢洪途　张健　谢恺　王国倩　 呼啸　陈佳兴　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 刘俊 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/764(2022.01) G06V 10/44(2022.01) G06V 10/75(2022.01)G06F 16/55(2019.01) G05D 1/02(2020.01) (54)发明名称 一种循迹智能车赛道 识别与分类方法 (57)摘要 本发明提供一种循迹智能车赛道识别与分 类方法， 该方法提出的摄像头图像处理和特征提 取算法能够有效地对赛道元素进行识别与分类 处理， 该算法简单易于实现， 复杂 度较低， 对于备 战全国大学生智能车竞赛具有很好的参考借鉴， 对自动驾驶领域具有重要的理论意义与实用价 值； 采用预设的标准模板进行特征匹配， 能够实 现快速、 高效地完成图像的匹配工作， 有利于及 时识别赛道类型并对路况做出反应； 并且能够在 优化了鲁棒性的同时降低了实现的复杂度。 权利要求书2页 说明书8页 附图4页 CN 114863387 A 2022.08.05 CN 114863387 A 1.一种循迹智能车赛道 识别与分类方法， 其特 征在于， 包括以下步骤： S1： 用摄像头模块采集赛道 的原始灰度图， 对原始灰度图进行二值化处理并获得黑白 图像， 然后采用桶形 校正方法对图像进行 校正； S2： 对步骤S1中的黑白图像进行像素点扫描， 按行扫描图像 中黑白像素点的跳变位置， 提取出赛道的边 缘； S3： 计算赛道边缘的斜率大小、 赛道边界是否有拐点， 并判断赛道类型。 2.根据权利要求1所述的循迹智能车赛道识别与分类方法， 其特征在于， 所述步骤S1的 具体过程是： 采用MT9V034神眼摄像头， 每秒采集50张赛道原始灰度图像， 灰度图像素取值范围为0 到255， 图像在单片 机中以二 维数组形式存储， 图像中每个像素对应二 维空间中一个特定的 位置； 采用大津法对灰度图像进行二 值化， 然后再对二 值化图像滤波， 去除椒盐噪声。 3.根据权利要求2所述的循迹智能车赛道识别与分类方法， 其特征在于， 所述步骤S2 中， 根据投影透视定律， 黑白图像中白色赛道区域的宽度从近到远是逐渐减小， 同时越远处 的图像失真越严重， 故由近及远扫描图像， 黑白图像大小为120 *60， 从上到下为0行至 60行。 4.根据权利要求3所述的循迹智能车赛道识别与分类方法， 其特征在于， 所述步骤S2 中， 图像中左右边界都存在， 从第60行、 第60列开始分别向左和向右寻找白色边界， 由于赛 道在图像中是白色像素点， 因此寻找从白色像素点跳变为黑色像素点的位置， 分别记录此 时跳变点在数组的位置为 Ln和Rn， 则图像实际中线位置 Mn＝(Ln+Rn)/2， 其中n 为行数。 5.根据权利要求4所述的循迹智能车赛道识别与分类方法， 其特征在于， 所述步骤S2 中， 当图像中无赛道左边界时， 摄像头观测不到左边线， 因此需要进行插值补线， 由于赛道 宽度是固定的45c m， 故图像中每一行白色像素点的数目是固定值， 该固定值由近及远递减， 提前标定记为Wn， 第50行的赛道宽度是52个白色像素， 第30行的赛道宽度是42个白色像素， 因此， 左边界位置等于右 边界位置减去赛道宽度固定值， 即左边界所在位置为Ln＝Rn‑Wn， 则 图像实际中线位置Mn＝(Ln+Rn)/2； 当图像中无赛道右边界时， 同理可得右边界位置为左边 界位置加上赛道宽度， 即Rn＝Ln+Wn。 6.根据权利要求5所述的循迹智能车赛道识别与分类方法， 其特征在于， 所述步骤S2 中， 从中间开始向左右两边巡线， 再顺着赛道边缘往上爬取寻找白色和黑色像素的跳变点， 以类似于“爬楼梯”的方式去寻找赛道边界； 当赛道左边某个白色像素点同时满足其右 边是 白点而左边是黑 点， 说明这个白色像素点 为该行的左边界点。 7.根据权利要求6所述的循迹智能车赛道识别与分类方法， 其特征在于， 所述步骤S2 中， 在寻找到一个边界后， 以此为种子， 遍历8邻域的黑白像素跳变点， 寻找下一行的赛道 边 界点； 当图像扫描到了图像边界， 或上一行边界与本行边界的列数的差值大于设定的阈值， 即|Ln‑Ln‑1|>THR， 说明该图像有效赛道信息提取完毕， 保存相关数据后再提取下一张图像 信息。 8.根据权利要求7所述的循迹智能车赛道识别与分类方法， 其特征在于， 所述步骤S3 中， 如果赛道上有长方体障碍物， 则在图像上会出现一大块黑色像素， 左半边赛道有障碍 物， 不能再从中间通行， 需要从右半边道路通行， 新规划的中线为旧中线与右边界的平均 值； 大S弯道和90 °直角弯道都是按正常寻找左右边界处理， 中间黑色像素点连成的曲线即权　利　要　求　书 1/2 页 2 CN 114863387 A 2为智能车期望行驶轨 迹； 小S弯道的特征是有两个拐点， 且两个拐点在不同行， 同时小S弯道在拐点处的曲率大 于大S弯道的曲率， 智能车在小S弯道可以不用拐弯， 从 中间走直线通过， 中间的黑色虚线为 智能车规划的期望行驶轨 迹； 当左右两边的赛道边界都消失， 但再往上搜寻 时又能重新找到边界， 且能找到4个交叉 点时， 判断为十字道； 需要利用前一部 分的赛道 边界计算斜率来进 行插值补线， 进而计算出 中线， 中间的虚线为智能车算法计算的中线， 在十字道智能车需要直行， 不允许拐弯， 左右 两条虚线为计算的赛道边界。 9.根据权利要求8所述的循迹智能车赛道识别与分类方法， 其特征在于， 所述步骤S3 中， 环岛中最多的特征是三角形， 驶入环岛时在图像中能找到顶角 朝上的正三角形和顶角 朝下的倒三角形， 且在环岛的中间有一个拐点， 驶出环岛时能找到顶角朝右的侧三角形， 对 于赛道元素环岛， 智能车需要在环岛里面绕行一周， 左边和右边的虚线是计算提取 的左右 边界， 中间的虚线是计算 提取的实际中线， 智能车需要沿着这条中线向左驶入环岛。 10.根据权利要求9所述的循迹智能车赛道识别与分类方法， 其特征在于， 所述步骤S3 中， 当检测到超过6行存在黑白像素点多次跳变的情况时， 判断为斑马线。权　利　要　求　书 2/2 页 3 CN 114863387 A 3