引言
本文采用+D双核架构的OMAP3530系列的处理器，道路图像处理部分由支持浮点运算的DSP核来完成，图像采集工作和系统的控制工作由ARM核来完成，这样的作业分配提高了系统的实时性、集成性和可靠性。
车道线识别算法研究
本文提出的车道线识别算法的流程如下图1所示，首先通过OV7670摄像头捕获道路图像，然后按照流程图中的步骤处理图像，最后得到清晰的车道标志线，为以后智能车辆路径规划和避障提供支持。
道路图像灰度化
图像灰度变换是对图像像素进行拉伸，从而扩大图像的灰度级范围，进一步扩展图像的对比度、增加图像的动态范围、使图像更加清晰、特征更加明显，是图像增强的有效手段。我们采集到的道路图像是彩色图像，颜色模型采用RGB模型。由于人眼对颜色的敏感度不同，等量的红、蓝、绿混合不能得到对应亮度相同的灰度值，大量的实验数据表明，当使用0.3份红色、0.59份绿色、0.11份蓝色混合后可以得到最合理的灰度图像，即如公式（1）所示：
灰度值=0.3R+0.59G+0.11B（1）
根据公式（1）就可以算出当前像素对应的灰度值，将其作为图像中彩色像素对应的灰度值。
道路图像滤波
原始图像都或多或少的存在噪声干扰，噪声影响了后续图像的分析。这就要求在分析图像之前对图像进行滤波，去除噪声和假轮廓，图像滤波的过程就是让图像的低频成分通过，阻止属于高频部分中的噪声信号，也就是平时所说的低通滤波。但是在图像平滑过程中也阻止了高频部分的图像边缘，使得图像边缘模糊化。所以应找到能消除噪声，同时尽量保持图像细节，边缘轮廓的算法，又要保证智能车辆视觉导航系统对实时性的要求。中值滤波能够在抑制高频信号中的随机噪声的同时不使边缘模糊，可以抑制随机的点状噪声，抑制持续期小于1/2窗口的脉冲信号，但不影响斜坡信号和阶跃信号，能够削弱三角信号中的顶部峰值信号，因而受到欢迎，它属于非线性滤波。
中值滤波是将邻域中的像素按灰度级排序，取其中间值为输出像素。中值计算过程中使用到的像素数和邻域的空间范围影响到中值滤波的效果。本文采用3×3方形中值滤波模板对图像进行预处理既能取得较好的滤波效果，又能节省运算时间。
图像边缘增强
在车辆视觉导航系统中，道路边缘信息可以提供路径保持和路径跟踪的位置信息，是实现车辆自主导航功能不可或缺的。边缘增强的目的在于突出道路的边缘信息，以利于道路车道线的识别，有助于克服道路光照不均的影响。我们对滤波后的图像从水平和垂直两个方向进行边缘增强，可以得到非常好的效果。
1 2 3 4 5 6 下一页>-电子元器件采购网（www.ruidan.com）是本土元器件目录分销商，采用“小批量、现货、样品”销售模式，致力于满足客户多型号、高质量、快速交付的采购需求。 自建高效智能仓储，拥有自营库存超过50,000种，提供一站式正品现货采购、个性化解决方案、选型替代等多元化服务。
