自动巡线小车的图像采集系统开发与优化
基于图像处理技术的智能巡检系统设计
基于图像处理技术的智能巡检系统设计随着科技的发展和应用范围的不断扩大，图像处理技术被广泛应用在了各个领域，如医学、工业、安防等。
而其中一个应用领域便是智能巡检系统，它能够通过图像处理技术自动识别设备的缺陷和异常，提高生产效率和质量，降低人力成本和操作风险。
一、智能巡检系统的基本原理智能巡检系统主要包括图像采集、数据传输、图像处理和报警系统这几个部分。
首先，需要安装高清摄像头对设备进行拍摄，采集到的图像通过数据传输模块传送到图像处理系统中进行处理。
图像处理系统会对采集到的图像进行预处理、特征提取和模式识别等操作，分析设备的状态和运行情况，进而判断是否出现故障或异常。
若出现异常情况，则智能巡检系统会即时向报警系统发出警报，提醒维护人员及时处理。
二、智能巡检系统的设计和实现1. 图像预处理由于图像采集中可能会受到光照、角度、位置等因素的影响，采集得到的图像可能包含大量无用信息或噪点。
为了提高图像识别的准确性和效率，需要对图像进行预处理。
预处理的主要目的是对图像进行去噪、增强和标准化等操作，以便后续的特征提取和模式识别。
常见的图像预处理算法包括滤波、二值化、边缘检测等。
2. 特征提取特征提取是智能巡检系统中非常重要的一环，其目的是从采集的图像中提取出和设备异常情况相关的特征，例如纹理、形状、颜色等，以便于后续的模式识别和故障诊断。
在实际应用中，特征提取算法有很多种，例如灰度共生矩阵、主成分分析、小波变换、傅里叶变换等。
3. 模式识别模式识别是智能巡检系统的核心部分，其主要任务是根据特征提取得到的特征判断设备是否正常运行。
模式识别可以分为监督学习和无监督学习两种。
监督学习需要先对一些特定模式进行标记，然后通过训练算法让系统学习如何识别这些模式。
无监督学习则不需要标记，系统通过自我学习来发掘图像中的模式和异常情况。
4. 系统实现智能巡检系统的实现可以分为软件和硬件两个方面。
软件方面主要包括图像处理算法的编写和界面设计。
自动巡线小车的图像采集系统开发与优化
ａ ｔｊｍｍｉｇ ａ ａｉ ｔｅｍａ ｅ ｄ ｅ ｅ ｃｉ ｄｔｅ ｄ ｅｏ ａｚｔ ｎ ｃｕａｙ ｎ ａ ｃ ｅｍａ ｅ ｍｏ ｔ ｅｓ ｈ ｓ ｍ ｇ ｎｉａ ｎ ｐｃｔ ｏ ｈ ｇ ｇ ｔ ｔ ｎａ ｇ ｃｌ ａ ｏ ｃｒｃ，ｅ ｈｎ ｅｈ ｇ ｏｈ ｓ．Ｔ ｅ ｙｔ ｅ ｅ － ｃ ｙ ｆ ｉ ｅ ｄｅ ｏ ｎ ｈ ｅ ｌ ｉ ｉ ａ ｔ ｉ ｓ ｎ ｓ ｅ ｄ
和 处 理 的 时 间 ， 用 在 自动 巡 线 小 车 上 取 得 了 良好 效 果 。 应 关键 词： 图像 采 集 系统 ； 摄 像 头 ； 图像 处 理 ； 巡 线 ； 中值 滤 波
中 图法 分类号 ：Байду номын сангаасＰ ４ Ｔ ２９
文献 标识码 ： Ａ
文章编 号 ：０ ０７ ２ ２ １） ７３ ５ —３ １０ ０４（０ ０ １．７４０
摘 要 ： 了 实 现 自动 巡 线 小 车 的 路 径 精 确 识 别 ， 时 不 牺 牲 系 统 的 运 行 速 度 ， 发 了一 种 由 Ｃ Ｓ数 字 摄 像 头 ＯＶ ６ ０ 为 同 开 ＭＯ ６２ 和
飞 思卡 尔 ＭＣ Ｓ ２ １８ 控 制 器组 成 的 图 像 采 集 系统 。采 用 双 口 静 态 存 储 器 Ｉ ７ ０ 作 为 数 据 缓 存 实 现 系 统 的 优 化 ， ９ １ＸＳ２ 微 ＤＴ ０ ８ 引入
ｏ ｔ ｍ ｒ ｓ ｏｄ ｏ ｇ ｅ ｍｅ ｔｔｏ ａ ｅ ｎ ｉ ｒ ｔ ｅａｇ ｒｔｍ ｎ ｄ ｕ ｆ ｔ ｒ ｇ ａｇ ｒｔ ｍ ｓ ｒ ｓ ｎ ｅ ， ｗｈ ｃ ｒ ｖ ｅ ｐｉ ｍｕ ｔ ｅ ｈ ｌ ｆ ｍａ ｅｓ ｇ ｎ ａｉ ｎｂ ｓ ｄｏ ｅ ａ ｉ ｌ ｏ ｈ ａ ｄ ｍｅ ｉｍ ｌ ｉ ｌ ｏ ｈ ｉ ｐ ｅ ｅ ｔ ｄ ｈ ｉ ｔ ｖ ｉ ｉ ｅｎ ｉ ｉ ｈ ｉ ｏ ｅｔ ｍｐ ｈ
小车自动跟踪技术实现与优化研究
小车自动跟踪技术实现与优化研究自动跟踪技术的发展为小车的导航和控制提供了更加便捷和高效的解决方案。
本文将讨论小车自动跟踪技术的实现和优化方法，包括传感器选择、路径规划与控制算法优化等方面的研究。
一、传感器选择在小车自动跟踪技术中，传感器的选择对于实现精确的跟踪至关重要。
常用的传感器包括摄像头、激光雷达和超声波传感器等。
摄像头可以提供实时的视觉信息，但在光照不足或者复杂环境中易受干扰；激光雷达能够获取周围环境的距离和形状信息，但价格昂贵；超声波传感器廉价且鲁棒性强，但精度相对较低。
根据实际使用场景和需求，合理选择传感器对于小车自动跟踪的实现至关重要。
二、路径规划路径规划是实现小车自动跟踪的核心环节。
通过合理的路径规划，小车可以根据当前位置和目标位置之间的地图信息选择最优的路径，并进行相应的动作控制。
常用的路径规划算法包括A*算法和Dijkstra算法等。
A*算法通过启发式搜索的方式，在搜索过程中根据估计的代价函数评估路径的优劣，从而得到最优路径；Dijkstra算法则是一种基于图搜索的算法，通过计算节点之间的最短路径实现跟踪。
根据不同实际场景和需求，合理选择路径规划算法，并结合地图信息实现高效的路径规划。
三、控制算法优化控制算法优化是小车自动跟踪技术中的关键环节。
通过合理的控制算法设计，可以实现小车的平稳移动和精确跟踪。
常用的控制算法包括PID控制算法和模糊控制算法等。
PID控制算法通过计算当前误差、误差的积分和误差的变化率，进行系统的反馈控制，从而实现位置和速度的精确控制；模糊控制算法则通过建立模糊规则集和模糊推理系统，将输入变量和输出变量进行模糊化处理，实现对小车的灵活控制。
针对具体的小车自动跟踪需求和控制环境，优化相关的控制算法，使其能够更好地适应不同场景的跟踪要求。
四、实时性优化在小车自动跟踪技术中，实时性是一个非常重要的指标。
小车需要实时地获取传感器数据、进行路径规划和控制等操作，以达到精确的跟踪效果。
基于图像处理技术的视觉巡检系统设计与优化
基于图像处理技术的视觉巡检系统设计与优化视觉巡检系统是一种基于图像处理技术的智能检测系统，它能够通过分析和处理图像来实现对物体、设备或环境的巡检与监控。
本文将介绍视觉巡检系统的设计和优化，探讨如何利用图像处理技术提高巡检的效率和准确性。
首先，视觉巡检系统的设计需要考虑以下几个关键要素：硬件设备、图像采集、图像处理和数据分析。
在选择硬件设备时，应根据实际需求选择合适的相机、计算机和存储设备。
高像素、高帧率的相机能够提供清晰、流畅的图像；高性能的计算机能够实时处理大量的图像数据；大容量的存储设备能够存储长时间的视频录像。
其次，图像采集是视觉巡检系统中最关键的一步。
在图像采集过程中，应注意调整相机的参数，如曝光时间、对焦、白平衡等，以确保采集到的图像质量良好。
此外，为了实现全方位的巡检，可以采用多相机布局，覆盖更多的监测区域。
多相机的图像采集数据可以通过网络传输到中心服务器进行统一处理和分析。
图像处理是视觉巡检系统中的核心环节。
在图像处理过程中，需要应用各种技术和算法来实现图像的分割、目标提取、特征识别等操作。
分割技术可以将复杂的图像分解为不同的区域，便于后续的目标提取和特征识别。
目标提取是指从图像中提取感兴趣的目标，如设备异常、缺陷等。
特征识别是指利用机器学习和深度学习算法来识别目标的特征，例如形状、颜色、纹理等。
数据分析是视觉巡检系统中的最后一步，它用于对巡检数据进行分析和处理，根据巡检结果生成报告或提供预警信息。
数据分析可以使用统计学方法、机器学习和人工智能算法来实现。
通过对历史数据和实时数据的分析，可以帮助用户了解设备的健康状况、预测可能出现的故障，并提供相应的维修建议。
视觉巡检系统的优化主要包括算法优化和系统性能优化。
在算法优化方面，可以通过优化图像处理算法和数据分析算法来提高系统的处理速度和准确性。
例如，可以使用并行计算、图像压缩和图像分布式处理等技术来优化系统的性能。
在系统性能优化方面，可以通过提高硬件设备的性能、改进网络传输和数据存储的效率来提高系统的整体性能。
基于图像处理的小车自动跟踪系统设计分析
基于图像处理的小车自动跟踪系统设计分析图像处理技术在许多领域中广泛应用，其中之一就是小车自动跟踪系统。
本文将基于图像处理技术对小车自动跟踪系统进行设计分析。
一、引言随着科技的发展，自动驾驶技术逐渐受到关注，小车自动跟踪系统作为自动驾驶技术的一种应用，具有广阔的应用前景。
本文将通过图像处理技术实现小车自动跟踪系统，并分析其设计原理和实现方法。
二、系统设计原理小车自动跟踪系统的设计主要分为两个步骤：图像处理和车辆控制。
1. 图像处理图像处理是实现小车自动跟踪的关键步骤。
首先，系统需要获取实时视频流，可以通过摄像头等设备进行采集。
接下来，对视频流进行图像预处理，包括减噪处理、边缘检测和图像分割。
减噪处理可以通过应用滤波算法降低图像中的噪声；边缘检测可以提取出图像中物体的边缘信息；图像分割可以将图像分为前景和背景。
在得到了处理后的图像后，需要进行目标检测和物体识别。
可以利用机器学习算法，如卷积神经网络（CNN），进行物体识别和跟踪，找出小车需要跟踪的目标。
2. 车辆控制在获得了目标物体的位置信息后，需要将这些信息转化为控制小车运动的指令。
根据目标物体在图像中的位置关系，可以计算出小车需要调整的转向角度和前进速度。
控制算法可以基于PID控制器或者模糊控制方法进行设计，以实现小车的自动跟随。
三、系统实现方法基于图像处理的小车自动跟踪系统的实现可以借助现有的开源软件和硬件平台，如OpenCV和树莓派。
1. 软件平台OpenCV是一个常用的计算机视觉库，可以用于图像预处理、目标检测和物体识别等任务。
通过使用OpenCV，可以轻松地实现小车自动跟踪系统的图像处理部分。
2. 硬件平台树莓派是一个基于Linux系统的低成本、低功耗的单板计算机，它可以作为小车自动跟踪系统的控制核心。
树莓派可以连接摄像头等设备进行图像采集，并利用GPIO接口控制小车的运动。
系统的实现方法如下：- 使用树莓派连接摄像头，并通过OpenCV进行图像处理。
基于人工智能的智能巡检系统设计与优化
基于人工智能的智能巡检系统设计与优化智能巡检系统是一种基于人工智能技术的自动化检测和优化系统，可以实现对设备、工艺和环境的全面监控和维护。
它可以准确地识别设备异常、预测故障并采取相应的应对措施，进而提高生产效率、降低维护成本。
在设计智能巡检系统时，首先需要对其进行功能需求分析。
根据实际生产环境和设备特点，确定系统需要监测的参数和指标，例如温度、压力、振动等。
同时，还需考虑到系统的预警和处理机制，以及与其他生产管理系统的数据交互和协同工作。
其次，在实际开发中，智能巡检系统会利用数据采集和信号处理技术，将传感器获取的信息进行实时、准确地处理和分析。
对于传感器数据的采集，可以选择不同的方式，如有线、无线等，根据实际情况选择合适的方案。
在信号处理方面，可以使用数据挖掘、机器学习、深度学习等人工智能技术，对数据进行模式识别和异常检测，从而实现设备状态的智能判断和预测。
此外，为了提高智能巡检系统的效率和准确性，还需进行系统的优化。
首先，可以优化传感器的选择和布置，确保传感器能够准确地获取设备的状态信息。
其次，可以优化信号处理算法，提高异常检测和故障诊断的准确率。
同时，还可以引入自适应控制和自学习机制，以实现对设备运行状态的实时调整和优化。
在实际应用中，智能巡检系统具有广泛的应用前景。
例如，在制造业领域，智能巡检系统可以帮助企业实时监测生产设备的运行状态，准确预测设备故障并采取相应的维修措施，从而提高生产效率和设备利用率。
在电力行业，智能巡检系统可以帮助电力公司实时监测输电线路的温度、电流等指标，及时发现潜在的故障隐患，避免事故发生。
在城市管理方面，智能巡检系统可以用于交通信号灯的控制、道路设施的维护等，提高城市交通安全性和效率。
然而，在智能巡检系统的设计和优化过程中，也存在一些挑战和问题需要解决。
首先，数据的采集和处理需要保证稳定和准确，避免因为噪声和异常数据而导致误判。
其次，系统需要具备高可靠性和实时性，能够及时发现和处理设备故障，避免不必要的停机和损失。
智能小车中图像采集和处理的研究和实现
基于图像信息采集的自动寻迹平衡小车设计
基于图像信息采集的自动寻迹平衡小车设计作者：崔渊姬丰欣陈祝洋高倩钱铮来源：《江苏理工学院学报》2021年第06期摘要：針对循迹自平衡车的两个关键技术难点——直立控制和视觉导航，采用STM32F407VET6单片机为控制核心。
一方面，采集MPU6050六轴传感器的加速度与角速度数据，经卡尔曼滤波后得到精准的直立倾角信息，结合速度-姿态串级PID控制器，加快电机对误差的响应速度，实现对平衡车直立的精确控制;另一方面，利用DMA机制采集OV7670摄像头的图像信息，并对其进行灰度化、高斯图像滤波、图像二值化、路径提取和拟合等处理，得到精确的路径信息，实现平衡车的视觉导航。
为了增强人机交互体验，平衡车的关键数据还将实时传输到Android 端App，并可通过App对平衡车进行控制。
关键词：STM32;自平衡车;卡尔曼滤波;循迹;串级PID;Android中图分类号：TM935.3文献标识码：A文章编号：2095-7394（2021）06-0031-11自平衡车一直是机器人领域的研究热点，它的出现改变了人们的生产生活方式，极大地提高了生产效率，降低了生产成本和危险性，进一步促进了人们对智能化生活的需求。
自平衡车是一个典型的倒立摆系统，由于倒立摆系统其本质是不稳定的，所以需对车身进行实时调整才能保持其稳定状态[1]。
目前，基于自平衡车这种面临环境的不确定性，人们对其自主处理事务能力的要求越来越高，国内外的相关研究也取得了大量重要成果，包括典型的PID控制、模糊控制以及人工神经网络控制等[2]。
相比于传统的超声波、光电对管等传感器只能获取单一的环境信息而言，摄像头获得的信息更加全面丰富，但同时也加剧了处理器的运算负担，所以视觉算法难以获得广泛应用。
近年来，由于半导体制造技术的快速发展以及机器视觉算法的成熟，这些瓶颈逐步得到突破，为基于视觉导航的自平衡车的研究奠定了重要基础。
目前，虽然市面上平衡车琳琅满目，但大多价格昂贵、功能单一，并且需要人为控制，在智能化程度方面尚不能满足人们的需求。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
37542010,31(17)计算机工程与设计Computer Engineering and Design0引言自动巡线小车是智能自动化控制研究领域的一项重要内容。
作为一门新兴的综合技术，自动巡线小车可广泛地应用于工厂自动料车、固定场地搬运车等技术领域，但它要到达人们设想的高度智能化还有很长的距离。
近年来，出现了越来越多的基于DSP 、FPGA 等高速处理器的图像采集系统，主要用于运算量大的实时处理算法的实现[1]。
但这些高速图像采集系统并不适合于中低速单片机控制平台，且它们均采用分离元件实现采集控制电路，如产生视频缓冲存储器的地址、锁相环路的分频，视频的A/D 转换，采集控制，数字信号处理器，电路设计复杂，成本高而且不便于调试[2]。
所以，为了适应智能车竞赛的开发平台，利用低功耗的CMOS 数字摄像头OV6620，开发了以飞思卡尔MC9S12XS128微控制器为主控芯片的图像采集系统，采用IDT 公司的双口静态FIFO 存储器IDT7008作为缓冲存储器，将信号完整地采集进系统，实现对系统的优化。
为了在不牺牲系统的运行速度的前提下，引入分割最佳阀值的迭代算法和中值滤波快速算法，以达到边缘检测的精确定位和更好的消除随机噪声的干扰。
该系统的开发是基于在白色背景上有一条任意给定的黑色带状引导线的场地。
1图像采集系统的硬件组成该图像采集系统主要是由低功耗的CMOS 数字摄像头OV6620和飞思卡尔MC9S12XS128微控制器组成，并考虑到单片机的MC9S12XS128读取速度比摄像头OV6620输出速率收稿日期：2009-10-21；修订日期：2009-12-21。
嵌入式系统工程张璐，宋秋红：自动巡线小车的图像采集系统开发与优化2010,31(17)3755慢，使用高速、低功耗异步的双口静态存储器IDT7008进行数据缓存，实现系统的优化。
摄像头OV6620是CMOS的数字摄像头，具有功耗低、集成度高，便于采用高速的并行读取体系等优点，它以隔行扫描的方式采集图像上的点，它需要稳定的5V电压供电，可和单片机电源共用，PAL制，灰度等级为256级，每秒25帧，一帧两场，那么每秒就有50场，意味着20ms就有一幅图像产生，356x292pixels，即一幅图像有292行，一行有356个点。
视野和可视距离和镜头的选择有关，f=3.6mm时视野有25度左右，f越大视场越小，可视距离需要调节镜头对焦。
同时当它与单片机进行数据传输时无需A/D转换，无需视频同步分离芯片LM1881，行场同步中断信号有现成的，而且消隐区也十分有规律。
VTO管脚也可以当普通模拟摄像头用，同时具有图像开窗输出的功能。
内部有IIC可编程，可以调整摄像头的参数，比如最大灰度，对比度等等。
场中断VSYN通过下降沿捕捉，判断是否一幅图像开始，周期是20ms，其中高电平持续时间很短，可忽略；行中断HREF通过上升沿捕捉周期是63us左右，其中高电平持续时间为40us，低电平持续时间23us，PCLK的周期仅为110ns，太快了，捕捉不到，即使能够捕捉到110ns的信号，而这其间还有采集这一步，很难做到既采集也判断是否有像素同步。
也没必要捕捉到它，采集图像时尽快地一个一个点取就行[3]。
系统的核心控制采用飞思卡尔半导体公司的HCS12系列单片机MC9S12XS128，其主要特点是最高总线速40MHz，高度的功能集成，易于扩展，具有低电压检测复位功能、看门狗计数器、且自带PWM输出功能电压低功耗等，64KB、128KB 和256KB闪存选项，均带有错误校正功能(ECC)，带有ECC 的、4KB至8KB DataFlash，用于实现数据或程序存储，可配置8-、10-或12-位模数转换器(ADC)，转换时间3us，支持控制区域网(CAN)、本地互联网(LIN)和串行外设接口(SPI)协议模块，带有16-位计数器的、8-通道定时器；出色的EMC，及运行和停止省电模式，增强型捕捉定时器。
将单片机设置成飞思卡尔特有的背景调试模式即BDM调试模式，可以直接在线调试，使开发效率大大提高[4]。
IDT7008是IDT公司开发的高速低功耗的FIFO双口静态存储器，与使用动态存储器相比，减少了电路的复杂程度，容量为64K×8，存取时间最小只有20ns，读写速度快，允许读写动作同时进行，工作电压+5V，有两个中断输出信号，数据总线可方便扩展到16bit，甚至更多，支持没有外部逻辑电路的深度扩展[5]。
2图像采集系统的硬件设计和调试图像采集系统硬件连接图如图1所示。
系统主要使用了MC9S12XS128单片机的I/O接口PM口和增强型捕捉定时器模块PT口来完成数据的采集。
PT0为行中断口，PT1为场中断口，PM0-PM7为单片机的输入接口。
为了实现图像信号自动存入缓冲存储器IDT7008，加入与非门逻辑电路产生与摄像头时序要求一致的写脉冲。
当且仅当VSYN为低电平，HREF 为高电平，W/为低电平，使IDT7008锁存OV6620输出的数据，加入与非门之后，系统时序如图2所示。
当OV6620的场中断VSYN的下降沿触发时，开始一场图像数据的采集，行中断HREF的上升沿触发时开始采集每行图像数据，此时IDT7008锁存摄像头输出的数据。
采集到的图像灰度信号值通过摄像头的输出接口Y0-Y7传输给数据缓冲存储器的I0-I7口，单片机根据时序要求对R引脚置1，采集当前图像信号的灰度值，存入单片机，进行后续处理[6]。
硬件调试的步骤：(1)首先使用Darim Vision公司的VT400(Mpegator)视频采集卡将摄像头采集到的图像通过PC机显示，由于摄像头OV6620采集到的图像信号已经是数字信号，所以此时视频采集卡的功能主要是将视频信息采集成计算机能直接调用的视频文件。
调节摄像头的焦距，以期获得清晰的所需图像信息。
其连接图如图3所示，使用IEEE1394线将摄像头与计算机连接起来，插上摄像头电源线和地线，运行视频采集卡配套采集软件，进行采集的参数设置[7]，进行视频采集。
注意，摄像头的地端和视频采集卡的地端需共地，这样便能在PC机上采集到如图4所示的图像。
(2)调好摄像头的焦距后，按图3连接硬件，将图像采集和处理程序烧入单片机，进行调试，获得所需的图像数据。
(3)通过串口观察采集到的图像。
3图像处理图像处理流程[8]如图5所示。
由于场和行消隐区的存在，37562010,31(17)计算机工程与设计Computer Engineering and Design同时考虑到单片机处理大量数据的能力有限，图像处理速度较慢，图像采集以隔行，隔像素采集的方式，为了进一步提高采集速度，除了尽量避免使用浮点运算，减少单片机负担，还可利用摄像头的图像开窗输出功能，通过设置其内部相应寄存器，只输出用户所关心的图像数据，同时使IDT7008读和写操作同时进行，以减少单片机等待数据写入的空闲时间。
在进行简单的图像去噪后，系统使用中值滤波算法对图像进行处理。
中值滤波作为一种典型的非线性滤波方法，能够在衰减随机噪声的同时不使边界模糊，能较好地保护原始信号，在灰度值变化比较小的情况下可以起到很好的平滑处理。
所以，系统先进行很好的滤波，平滑掉噪声，再进行边缘检测，检测效果会更好。
通过RS232串行接口与PC机通讯，在上位机调试软件上获得的图像数据如图6所示。
4程序算法的优化考虑到不同位置光照条件和路面对光的反射有差别，同取最大和最小灰度值的平均值，然后进行分割，产生两个子图像，分别求出两个子图像的灰度平均值，再求出二者的平均值，该平均值即作为新的阀值，再用新的阀值分割图像，经过几次循环，使错误分割的图像像素点降到最少，即阀值不再产生变化。
为了减少运算量，由于系统只是关心黑色引导线附近的区域，且该区域对噪声影响最敏感，所以只需对该区域进行迭代处理。
该算法有效地减少了噪声对图像的干扰范围，并使图像的边缘邻域像素点远离噪声干扰的敏感区，从而提高了图像边缘检测抗干扰能力，边缘点完全由自身的灰度值确定，避免了噪声影响范围的扩大，同时也没有影响单片机的运行速度，达到图像边缘精确定位的目的。
该图像阀值分割法能够提取完整的图像轮廓，使检测所得边缘具有连续性。
为了进一步提高系统检测的准确性，系统采用中值滤波快速算法对引导线附近的区域进行处理。
这种算法在有效减少噪声干扰和增强图像平滑性的同时，也大大提高了系统的运算速度。
该中值滤波快速算法是在采集到的一场原始数据序列上取出一个n×n(n为奇数)的矩阵序列作为中值滤波的滑动窗口，该滑动窗口在移动过程中(假定滑动窗口按列从左往右移动)只需将窗口内最左边一列元素移出窗口，再从右边加入一列元素，即构成新窗口元素。
具体操作是：(1)将原窗口中最左边一列从窗口中删除；(2)从窗口右边新加入一列元素，从而构成新的滑动窗口。
该算法主要是通过充分利用上一次排序关系，减少比较和交换次数，从而大大减少运算时间，将传统算法的复杂度O(n2)简化为O(n)，避免了对无序序列重新排序，而只对有序序列进行数据元素的快速插入，从而达到快速排序的目的，同时该算法设计思路简单，易于编程实现。
经测试，该算法比采用传统的中值滤波算法使得单片机运行速度提高约2/3。
5实验结果与分析在不同的光照条件实验下，该系统组合在不降低系统的运行速度的前提下，系统边缘定位的精确度可达80%以上，采集图像边缘精确可靠，即使边缘比较模糊，也能通过阀值分割得到增强，较好解决了位置信息阶跃的问题，实现了连续路径识别功能，提高了自动巡线小车的走线能力。
传统的智能小车多采用CMOS的模拟摄像头OV5116和飞思卡尔MC9S12DG128微控制器组成的图像采集系统，该图像采集系统电路设计大大简化，可采集完整准确的图像信号，且不影响系统的运行速度，抗干扰能力和定位精度均得到增强，检测成功率高。
6结束语经反复实验证明，该系统在MC9S12XS128微控制器运行于40MHz的总线时钟下实现了自动巡线小车的图像采集、处理和自动寻迹控制。
通过摄像头OV6620和飞思卡尔MC9S12XS128主控微控制器组成的图像采集系统，使用缓冲存储器IDT7008获得完整的采集图像信号，通过引入分割最佳阀值的迭代算法和中值滤波快速算法，大大提高了系统检测的准确性，也减少了噪声对图像的影响，增强了图像的平滑性，给后续的黑线中心线提取带来了方便，实现了系统的优化。
该组合加上基于边缘检测的黑线中心线提取算法可有效苏会卫，孙琳，欧瑜枫：DTN中服务感知的自适应消息转发路由算法2010,31(17)3819出，SAAMFR算法的消息传输平均延迟与PROPHET[2]相近，并且在消息大小小于250kB和大于850kB时，SAAMFR算法的消息传输平均延迟较小。