的黑线的图像传感器，增大了检测范围和前瞻距离。

本文，每帧图像数据采集行进行分析，确定黑线位置，用基于算法的控制器应用于舵机的方向和角度控制。

通过反复测试，智能车能以高速稳定的巡线。

关键字路径识别，方向控制，智能车，单片机，图像传感器，引言第七届飞思卡尔杯全国大学生智能车大赛规则可归纳如下赛道由多个白色底板并在上面粘上黑色胶带构成由参赛队员设计的只能车需沿黑线运行每辆车在赛道上跑两圈，两圈中的最好成绩算作最终得分，显然哪支队伍取得的成绩最好则赢得比赛。

根据规则，我们可以确定的是车必须能从白色底板上识别出黑线才能让智能车稳定运行。

般有两种方式检测路径种是用红外对管作为传感器，另外种就是用图像传感器。

本文使用图像传感器作为路径识别传感器，原因有以下几点红外对管检测范围远小于图像传感器，众所周知，要想增大红外对管检测范围只有增加红外对管数量才能达到目标，但是传感器使用的最大数目不得超过个图像传感器的工作电压远小于或者个红外对管。

很明显，用图像传感器不仅会减小功耗而且还能增加智能车的视野，另外也提高了智能车的前瞻性。

本文提出了种智能车的路径识别和方向控制的系统性解决方案。

摄像头市场上有多种图形传感器。

与其他图像传感器相比，由科技有限公司制造的传感器，无论从价格或者是性能功耗方面都是我们设计智能车的最好选择。

是个黑白图像传感器，内部有英寸的感光设备，包含了个像素点。

此传感器包含了个分辨率的图像阵列，个模拟信号处理器，双位精度转换器，模拟信号多路复用器，二进制数据格式器，视频输出口，接口，寄存器和数字控制寄存器，该寄存器包括时钟模块，曝光控制，黑色电平控制和白平衡。

通过连接实验性电路，我们开始测试输出口的时序。

图表示了实验得到的时序表。

时序图时序图图实验所得时序图图图像采集和现实系统结构根据的数据手册，这些时序图与手册上给出的数据非常吻合，因此，我们开发了基于实验电路的电路板。

为了核实摄像头获得的图像是否有较高清晰度和对比度，以及确认摄像头的可视区域，我们为拍摄到的图像设计了上位机程序以方便在计算机屏幕上显示所得数据。

此程序基于三个硬件设备摄像头，单片机，。

图表示了三个设备是如何同时在起工作的。

图比较了摄像头获得的弯道原始图像，之后用程序将其显示在计算机上。

从它可以看出获得的图像有较高清晰度和对比度，这为以后的路径识别奠定了基础。

智能车准备扫面赛道由摄像头拍摄到的图像图原始图像与拍摄到的图像对比路径识别路径识别的目的是通过从获得的图像中提取条黑线帮助智能车感知前方路径信息。

事实上，这种方法用在以下几种赛道上都工作的很好直到，弯道，道。

通过重复测试，我们觉定每幅图像提取行来预知智能车前方的路况信息。

图说明了我们如何分析图路径识别示意图幅图像中的行数据。

详细的算法介绍如下计算每行中黑点的坐标准备分析。

如同图所示，每行都要分析。

图中的白点表示每行测得的黑点。

原点与叠加，意味着字没有黑点。

假定和表示点的坐标和坐标，故此，知和均等。

本步的关键在于如何找到各行的黑色像素点。

这里，以行的灰度值为例我们介绍种新方法假定是此行的黑色像素点，表示个像素点，表示该像素点在此行的位置，是点的灰度值，就是此行从左到右出现的第个黑色像素点。

这里和均是从开始，也是从开始。

对于此行从左到右的每个像素点，用阈值比较他的灰度值，这里设置值为，如果小于，则就是个黑色像素点。

在这行靠前的部分，加粗且带下划线的像素，就是组成黑线的点。

斜体加粗且带下划线的像素点是无效点或者干扰点。

如果比小，则让等于。

然后各自与比较和，只有两种结果如果和均小于，从开始核对每个像素点的灰度值直到此行的最后个像素点。

如果白色像素点总数，也就是那些灰度值大于的像素点超过或等于，则设等于。

否则跳到如果不是，则从点重复此方法。

如果此行没有黑色像素点，将，均设为。

计算个像素点的平均坐标。

参考图，就是平均得到的坐标点，和图计算转角图被展开如下通过图像中点的位置我们可以确定出智能车要往那个方向走直走，左拐，右拐。

在图中，很明显的就可以判断智能车要往右拐。

计算智能车要转多大的角度。

更多的描述可以从图看出，是智能车应该转向的确切控制量，是两个前轮的中心点，是先前提到的平均点见图，和表示摄像头可见区域的宽度和高度，分别的，就是可视区域与前轮到的距离，是前轮的半径，意味着可视区域与前轮轴线的距离。

如图所示，可非常容易的计算出角度。

方向控制智能车方向控制最核心的担忧就是舵机，它的输入信号是，它的输出与角度的大小成正比。

本文用单片机的的输出脚作为舵机的输入信号。

通过输入给定的离散脉冲宽度，我们测得输入和输出之间的关系。

下面的算式就是用来表示输入与输出之间的关系这里就是输出角度的正切值，就是输入脉冲宽度，就是输出角度为时，相应的脉冲宽度，就是斜率。

用这个线性关系，我们可以简单的通过目标角度来操作智能车，因此舵机输入的脉冲宽度可被简单的计算出来。

这个方法，尽管如此，在下列情况不能工作的很好弯道和道。

因此我们应用了比例，积分，微分控制器，此方法在自动控制领域应用相当普遍。

的核心理论是分别对输入偏差量做比例，积分，微分操作，然后将三个结果联合起来作为最终输出值。

实际上，对我们来说根据被控物体的特征及需要来实现是非常灵活的。

我们可以选取个或两个或所有的模块来应用，例如，我们可以用比例和积分模块组成控制器。

对于智能车，不必考虑我们已走过的路径，所以我们只用比例和微分模块组成控制器即可，调节前面已经描述过见公式，下面的公式则是调节这里当角度被计算时，定义作此刻和前时刻的差值这里差值的意思是指舵机应转的角度和实际角度的差值，是摄像头的扫描周期，就是脉冲宽度由到的微分系数，是调节器的输出值。

结论此项工作的挑战性在于找到个解决路径识别和智能车方向控制的个系统方法。

摄像头就目前来看是优于红外对管的，无论从扫描范围还是功耗方面。

高清晰度和对比度对于更超前的识别和控制是非常有用的。

通过反复测试，证明调节器在智能车运行时工作良好。

无论是弯道还是道均能以高速完美过弯，并且智能车的稳定性也得到了提高。

附录主要源代码