系列文章目录
之前也把自己做的全向所有电路都开源了，内容也包含完整的原理图PDF，想了解的可以看看往期博客。
前言
算法开源系列估计会比较多，自己做车大概是电磁和摄像头两种方案都用过。但随着这几年的规则改变，智能车也不像前几年那样按照传感器分类了。随着大佬们不断的刷新智能车的车速极限，新手们想或许可以通过多传感器融合的方法，去尽快的实现车的完赛。要知道，完赛才是首先要考虑的事，就算是在国赛赛场，翻车的也不在少数。毕竟完赛才意味着自己有成绩，其实，这几年想要拿奖，最关键的是要保持车的稳定性，追求极限速度可能大部分人都做不到，尤其对于室外PVC赛道的组别。3M神车也仅仅是赛区前三左右，大部分的车进国赛的车都在2M多左右。如何在保持自己车的稳定性是首要任务，提速也是需要在一个速度下跑的90%不出意外才可以完美的加速。
所以如果想要完赛就满足或者说是在短时间内完赛，可以在遇到识别问题上加一种传感器试试，当然，这是之后给大家开源的东西了，先把这一章的内容解决吧，这一章先介绍下两种方法的预处理方案。不是高深学问，只是作为一种经验分享，希望大佬轻喷。
一、智能车比赛常用的赛道检测方法
对于传统的智能车，除了创意组之外，几乎都离不开磁和光。当然十五届的声音除外，这里只介绍一直使用在智能车赛场的检测方法。磁的话就是磁场信号，比赛中用的是通过信号发生器产生的变化磁场。参赛队员需要通过电感采集到信号，再通过运算放大电路将信号放大，最后将信号通过单片机的ADC采集管脚输入到单片机了。光的话可能会让人产生误解，其实就是摄像头。为什么说我在这里说是光呢，其实一开始，摄像头组叫光电组，当时参赛的队伍常用的事CCD摄像头，CCD是光学信号转换为模拟电流信号，然后经过一系列处理得到图像。这里不展开了，感兴趣的可以自己去了解。还有一方面说光的原因就是摄像头对光真的是太敏感了，比赛时候碰到上帝之光，真的无可奈何。不过现在大部分队伍都用了CMOS摄像头，比较有代表性的就是逐飞的总钻风和龙邱的神眼。今年的全向组我用的是逐飞的总钻风，一开始比较担心麦轮的颠簸，绞尽脑汁也没找到最优的解决办法。后面发现自己多虑了，总钻风动态特性还挺好，跑的过程图像根本没我想的那么抖（我真是是跟着车跑，盯着TFT上的屏幕一直看着，真的累）。
遇到这样的上帝之光就跪了吧
二、电磁信号预处理
1.ADC采集
我记得在逐飞提供的参考库好像是将信号采集多次，求取平均数。这样做的原因是磁场的信号是变化的，我们一般希望采集到的是峰峰值，就是用最大值的信号。但是用于采集速度很快，我们如果直接采集的是放大器输出的信号，ADC的值是从小到大变化的，而且可能值跳动的很大。比如跳动范围在20以内，这是很影响识别精度的。所以，一般会采集一个周期采集多次求取平均值的方法来稳定信号。
刚做车的时候还被学长坑过，之前学长教的方法是采集60次然后冒泡排序，选出最大值。听起来蛮合理的，实际在只使用电磁的时候也没毛病，信号采集的也不错。但实际上呢，如果结合图像处理的话，就有问题了。冒泡排序是非常非常非常慢的一种排序方法，而我们用的电感也不是仅仅一个，多个电感的采集再加上排序，时间之前用k60测得是3ms到2ms。要知道，正常一幅图像的处理时间也就要压缩在10ms（我用的是100FPS）。这种费时费运算的方法太坑爹了，比大津法还浪费时间。
所以，我们用了OPA2350放大器，在放大器输出端加上检波的电路，把交流信号变成直流。信号波动很小，噪声可以忽略。每次只需要采集就可以，不放心可以采集5次，求个平均。这对于单片机来说根本就不是事。关于检波电路在前面一章已经开源了，喜欢电磁的同学可以看看。
之后就是对偏差数据的处理了，这里我用的是差比和，目的是为了在把偏差放在自己想要的范围之类，在不同环境下也可以得到有效偏差。虽然今年一直没用电磁，但加上运放板车子还挺好看的。
void ADC_init()
{
adc_init(ADC_IN8_B0);
adc_init(ADC_IN9_B1);
// adc_init(ADC_IN4_A4);
// adc_init(ADC_IN6_A6);
}
void ADC_GET()
{
left_ad = adc_convert(ADC_IN8_B0 ,ADC_8BIT);
right_ad = adc_convert(ADC_IN9_B1 ,ADC_8BIT);
}
void ADC_Error()
{
int16 ad_difference=0;
int16 ad_sum=0;
ad_difference=left_ad-right_ad;
ad_sum=left_ad+right_ad;
ad_error=(ad_difference*30)/ad_sum;
}附上今年全向组的的ADC采集与偏差代码。
二.图像的预处理
1.图像压缩
由于本届单片机属实拉胯，再逐飞的库上随便加一个图像数组就GG了。无奈只能放弃全部移植之前学长的代码，改用十五届自己的灰度图算法。这里分享一个用ch32也可以处理大图的方法，无论是逐飞还是龙邱的推荐方案中，都是推荐使用小一点的图，大概188*20吧，具体也记不住了。目的就是为了二值化以后新建的数组不撑爆RAM，但我这里最大的时候用的是188*80，一个完整的周期，包括全元素，最慢11ms，正常7ms左右，采集用的是100FPS，后面跑的时候为了处理速度还是采集原图缩到了160*60。
具体方案是图像压缩，将采集回来的160*60的图像进行压缩，再处理压缩后的图。我这里是压缩了3/4，将原图160*60的压缩成80*30。3/4指的是像素点减少了3/4，原图是16*60=9600，压缩后是80*30=2400。像素点就减少了许多，但不影响信息的提取。其实本来我们眼中看到的一条线，在采集的图像里可能一行有好多的像素值，减掉几个根本不是事。
压缩前和压缩后的图像对比，可以看到，真的没少信息，就是看起来有点费劲。这个方法是当时我大一时候一个学长用的，可以说是我做车的引路人兼偶像吧（电赛和智能车都拿过国一的神人），几乎我用的算法都有他的影子。下面附上压缩代码，直接可以移植的函数觉得有用的话可以处理。
/*----------------------------------------------------------------------------------------------------------------
* @brief 图像减半函数 数据量减少3/4
* @param *p 图像数组地址
* *p1 转换图像地址
* row图像行
* col图像列
* @return void
* @since v1.0
* Sample usage: halve_image(image_buff[0],image[0],ROW,COL); //输出image[0]
* 乐哥YYDS
* 乐哥YYDS
* 乐哥YYDS
//-----------------------------------------------------------------------------------------------------------------*/
void halve_image(unsigned char *p_in,unsigned char *p_out,unsigned char row,unsigned char col) //图像减半
{
uint8 i, j;
for (i = 0; i<row/2; i++)
{
for (j = 0;j<col/2; j++)
{
*(p_out+i*col/2+j)=*(p_in+i*2*col+j*2);
}
}
}
2.大津法
大津法大家应该不陌生了，几乎都会用大津法计算动态阈值，不过这里希望不要直接拿来主义用逐飞提供的原始大津法。逐飞只是给大家一个参考，作为思想启发，直接用过于费时间。现在基本都是用网上开源的简化大津法，至于我为什么处理灰度图还需要大津法计算阈值，会在下一章图像边界处理中写上。
至于大津法的原理，我也不细说了，这样又得增加篇幅了，直接附上代码
/***************************************************************
简化大津法 1.01ms 计算量大时 1.5ms 计算量小时0.7ms
隔点扫描获取阈值
* 函数名称：uint8 otsuThreshold(uint8 Image[ROW][COL], uint16 col, uint16 row)
* 功能说明：获取图像的灰度信息 取最佳阈值
* 参数说明：
* 函数返回：void uint8 threshold
* 修改时间：2018年3月7日
* 备 注：
***************************************************************/
unsigned char adapt_otsuThreshold(uint8 *image, uint8 col, uint8 row,unsigned char *threshold) //注意计算阈值的一定要是原图像
{
#define GrayScale 256
uint8 width = col;
uint8 height = row;
int16 pixelCount[GrayScale]; //每个像素点的个数
float pixelPro[GrayScale]; //每个像素点占总像素点的比例
int16 pixelSum = width * height/4;
int16 i, j;
//uint8 threshold = 0;
uint8* data = image; //指向像素数据的指针
for (i = 0; i < GrayScale; i++)
{
pixelCount[i] = 0;
pixelPro[i] = 0;
}
uint32 gray_sum=0;
//统计灰度级中每个像素在整幅图像中的个数
for (i = 0; i < height; i+=2)
{
for (j = 0; j < width; j+=2)
{
pixelCount[(int)data[i * width + j]]++; //将当前的点的像素值作为计数数组的下标
gray_sum+=(int)data[i * width + j]; //灰度值总和
}
}
//计算每个像素值的点在整幅图像中的比例
for (i = 0; i < GrayScale/2; i++)
{
pixelPro[i] = (float)pixelCount[i] / pixelSum;
// pixelPro[i+2] = (float)pixelCount[i+2] / pixelSum;
// pixelPro[i+3] = (float)pixelCount[i+3] / pixelSum;
}
//遍历灰度级[0,255]
float w0, w1, u0tmp, u1tmp, u0, u1, u, deltaTmp, deltaMax = 0;
w0 = w1 = u0tmp = u1tmp = u0 = u1 = u = deltaTmp = 0;
for (j = 0; j < GrayScale/2; j++)
{
w0 += pixelPro[j]; //背景部分每个灰度值的像素点所占比例之和 即背景部分的比例
u0tmp += j * pixelPro[j]; //背景部分 每个灰度值的点的比例 *灰度值
w1=1-w0;
u1tmp=gray_sum/pixelSum-u0tmp;
u0 = u0tmp / w0; //背景平均灰度
u1 = u1tmp / w1; //前景平均灰度
u = u0tmp + u1tmp; //全局平均灰度
// deltaTmp = w0 * pow((u0 - u), 2) + w1 * pow((u1 - u), 2);
deltaTmp = w0 * (u0 - u)*(u0 - u) + w1 * (u1 - u)*(u1 - u);
if (deltaTmp > deltaMax)
{
deltaMax = deltaTmp;
*threshold = j;
}
if (deltaTmp < deltaMax)
{
*threshold+=0;
break;
}
}
return *threshold;
}
配合图像压缩处理，可以更快的算出阈值，也不需要对原始采集的图像进行运算了，如果单片机性能足够，也可以直接压缩后，大津法计算阈值，再二值化。这样的速度比直接大津法二值化要快，信息也不会丢失。
总结
在使用CH32的时候，往往会因为图像代码太大了，这时候除了自己算法的精简和优化，也可以开优化器。现在几乎所有的编译器都可以开，各个官网或者百度都可以找到相关编译器开优化的教程。不过这里我在使用优化器时候遇到过一些问题，比如在IAR全局开优化器时候，总钻风无法初始化成功，CH32开优化器时候逐飞的模拟IIC和模拟SPI无法使用。也没有深度了解这个问题，不过还是推荐，优化器能不全开就不全开，有些编译器支持单独文件优化，可以对自己的算法和控制开，初始化各个模块的时候可以选择不开，毕竟也没啥大的运算，但有时候对初始化开优化还容易出bug。而对于CH32逐飞库开优化无法使用模拟IIC我是用了硬件SPI来解决的，icm20602陀螺仪。
这一章主要介绍一下信号的预处理，看起来没啥用，也确实不会影响太多，但好的预处理完全可以简化之后很多问题，也可以提高程序的整体运行效率。
最后，还是那句话，开源不是开源整个工程，在我看来，算法思想的开源比简单的代码放出来要有用的多，毕竟每个车的参数，性能都不一样，有了方法才能更好的找到适合自己车的运行方案。
版权声明：本文为CSDN博主「六五绅士」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_43488141/article/details/119977374
暂无评论