第十八届全国大学生智能汽车竞赛

参加了第十六，十七和第十八届全国大学生智能车竞赛，对摄像头的学习有部分心得，分享给大家，三届车赛，车赛生涯也算是到了尽头。打算从基础的算法开始，给各位一些个人看法，也是对车赛的一次总结。

闲话：其实摄像头的算法有很多种，弄了两年摄像头，也只是学会了其中很小的一部分，但最终，作用都是大同小异的，也不必太过于追求算法上的完美。只需要达到能稳定提取特征，识别元素其实就够用了。（个人用的是普通大津+二值化+八领域做边界提取）

打开摄像头相关例程，可以发现其实最终摄像头所采集的数据都存入了一个二维数组中，工作方式也很简单：图像采集，将图像采集标志置一。手动清零，就可以达到重复采集的目的。（没有相关例程的可以去找客服要，记得B站上也有逐飞的摄像头摄像头图像采集视频讲解）

智能车使用的摄像头所采集的图像一般都是灰度图像，将图像分割、数字化成一个个的数（一个个的像素点），0~255，像素点颜色越白数字越大。我们可以看出图像信息很丰富，图像处理方法自然也就多种多样了，首先我们可以将图像二值化。

二值化就是将图像上的灰度点分别设置为0,255（0xFF）（有点像二级分化）。图像直观上就会变为黑白图像。我们该按照何种规则分黑和白呢？这时候就需要我们找出黑、白的分界值（也就是阈值）（大于阈值即为白，反之为黑），然后可以遍历图像数组中每一个像素点，大于阈值设为0XFF（白）,反之设为0（黑）。（二值化有一个进阶的思想：图像每一个点都需要二值化嘛，我们能不能只将要使用的点二值化呢，这样速度是不是就快了，这个其实开始没有必要弄，有一张完整的二值化图也方便我们理解）

注：1，数组均从零开始。 2，二值化不能作用于摄像头采集原图上，应该重新定义一个同大小的数组，专门存放二值化后的图像信息。（防止在进行图像处理时，摄像头重新采集数据，覆盖之前数据）

后面就是确定图像的阈值了，因为真实环境亮度是变化的，单纯的给定阈值二值化就显得不够稳定，在图像的基础上动态的计算阈值适应性更强。我选择的是大津算法，也是常用且基础的一种了，缺点就是运算时间有点稍长。

大津算法的相关我就不说了，网上有很多相关介绍。（其实我理解的也不太透彻， 手动狗头保命）

在二值化之后，我们得到了一个由黑和白组成的二维数组，而我们的目的是让小车时刻处于赛道中间位置，也就是图像中间位置。我们想要小车不出赛道，如果能让赛道的中线始终贴合图像数组的中间（此处图像数组的中间我们可以想象为图像的宽/2），那我们的小车是不是就不会出赛道了。图像数组的中间就像PID中的理论值，实际赛道的中线就像实际值。这样我们是不是就可以将图像与PID联系起来。 说回边界扫描，想直接找赛道中线还是比较难的，主要是没有明显特征，我们不妨先寻找左右边界（左右边界黑白相夹），左右相加除二求得中线。这样就得到比较真实的中线坐标，再对比理想中线坐标（图像中间，也就是图像宽/2），从而求出中线偏差，用于PID控制。思路大抵都是这样，但找的方法就很多种多样了。

基础的方法就是从中间往两边找，缺点是遍历了整幅图像，消耗时间稍长，而进阶的就有对普通两边找线方法的优化，（如：双最长白列法）。再进一步稍微复杂一点的有八邻域，迷宫法等等。

我们先来看看普通的两边找线法：

基本思路就是从最下行往上 （利于对之后对中线的处理），每一行从中间往两边，分别寻找左右边界（特征：黑白跳变），存入左右边界数组。 同时存下中线坐标，用于下一行中线的扫描。（这样减小运算量的同时还可以加大中线扫描时的连续性）左右边界相加除2求出该行中线坐标，存入中线数组。 注：