0 引言
    20世紀(jì)80年代，具有廣闊應(yīng)用前景的自主車輛受到中西方各國的普遍關(guān)注。自主車輛接收的大部分信息來自機器視覺。CCD將行車路面轉(zhuǎn)換為光電圖像信息，并通過計算機進行相關(guān)處理，快速在復(fù)雜環(huán)境中提取有用信息并產(chǎn)生合理的行為規(guī)劃。為了滿足自主車輛地面自動辯識技術(shù)對識別率的預(yù)定要求，本文分別對地面圖像信息采集模塊、機器視覺圖像處理模塊、神經(jīng)網(wǎng)絡(luò)模式識別模塊進行了設(shè)計與研究。

1 地面圖像信患采集模塊
    該設(shè)計將上海中為智能機器人有限公司出品的教育型機器人Leobot—Edu作為試驗載體，將大恒DH—HV2003UC—T視覺傳感器安裝在車體之上，并對常見的五種行車路面(石子路面、水泥路面、土壤路面、草地路面、磚地路面)進行地面圖像信息的采集。為了提高模式識別結(jié)果的準(zhǔn)確性，該設(shè)計中對每一路面都進行了6次采集作業(yè)，并搜集到6組地面圖像信息，將其中質(zhì)量最好的一組地面圖像信息作為訓(xùn)練樣本，將剩余的5組地面圖像信息作為測試樣本。本文以訓(xùn)練樣本中石子路面為例，進行分析說明，其路面原圖如圖1所示。
    該設(shè)計訓(xùn)練樣本中石子路面圖像的壓縮編碼圖如圖2所示。

2．4 圖像銳化
    圖像銳化可以在空間域中進行，常用的方法是微分法；亦可以在頻率域中進行，常用的方法是高通濾波法。圖像中的邊緣或線條等細(xì)節(jié)部分與圖像頻譜中的高頻成分相對應(yīng)，因此采用高通濾波法讓高頻分量順利通過，使低頻分量受到抑制，就可增強高頻的成分，使圖像的邊緣或線條變得清晰，實現(xiàn)圖像的銳化。高通濾波可用空間域或頻域法來實現(xiàn)。在空間域?qū)崿F(xiàn)高通濾波通常是用離散卷積法，卷積的表達式是：
   
    式中：g(m1，m2)是m×m方陣；f(n1，n2)是n×n方陣，沖擊響應(yīng)H是l×l方陣，歸一化的沖擊方陣可以避免處理后的圖像出現(xiàn)亮度偏移，其中的H等效于用Laplacian算子增強圖像。
    該設(shè)計訓(xùn)練樣本中石子路面圖像的銳化圖如圖5所示。
2．5 圖像增強
    圖像的直方圖是圖像的重要統(tǒng)計特征，是表示數(shù)字圖像中每一灰度級與該灰度級出現(xiàn)的頻數(shù)間的統(tǒng)計關(guān)系。用橫坐標(biāo)表示灰度級，縱坐標(biāo)表示頻數(shù)。按照直方圖的定義可表示為：
    
    式中：N為一幅圖像的總像素數(shù)；nk是k級灰度的像素數(shù)；rk表示第k個灰度級；P(rk)表示該灰度級出現(xiàn)的相對頻數(shù)。直方圖修正通常有直方圖均衡化和直方圖規(guī)定化兩大類。直方圖均衡化是一種常用的灰度增強算法，是將原圖像的直方圖經(jīng)過變換函數(shù)修整為均勻直方圖，然后按均衡化后的直方圖修整原圖像。直方圖的規(guī)定化是使增強后圖像的灰度級分布是不均勻且具有規(guī)定形狀的直方圖，可以突出感興趣的灰度范圍。
    該設(shè)計訓(xùn)練樣本中石子路面圖像的增強圖如圖6所示。

3 神經(jīng)網(wǎng)絡(luò)模式識別模塊
    應(yīng)用Matlab中BP神經(jīng)網(wǎng)絡(luò)模塊進行分類與識別。人工神經(jīng)網(wǎng)絡(luò)簡稱為神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)元k表示為：
   
    式中：xi為輸入信號；wik為神經(jīng)元k的突觸權(quán)值；m為輸入信號數(shù)目；uk為線性組合器的輸出；bk為神經(jīng)元單元的閾值；f(·)為激活函數(shù)；yk為輸出信號。神經(jīng)元的輸入／輸出狀態(tài)表示為：
   
    式中：τij為突觸時延；Tj為j的閾值；wij為i到j(luò)的突觸連接系數(shù)；f(·)為變換函數(shù)。
    該設(shè)計在分析多種數(shù)據(jù)分類方法和理論之后，以石子路面、水泥路面、土壤路面、草地路面、磚地路面5種常見行車路面為研究對象，采集了6組路面圖像特征信息作為備選庫，其中以質(zhì)量最優(yōu)的一組路面圖像特征信息作為訓(xùn)練樣本，把其他5組路面圖像特征信息作為測試樣本進行BP神經(jīng)網(wǎng)絡(luò)的建立、訓(xùn)練、測試。
3．1 BP神經(jīng)網(wǎng)絡(luò)的建立
    該設(shè)計在BP神經(jīng)網(wǎng)絡(luò)的建立過程中應(yīng)用newff()函數(shù)對各個參數(shù)進行了相關(guān)設(shè)置。其訓(xùn)練樣本、目標(biāo)樣本如下所示：
3．2 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
    該設(shè)計在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中應(yīng)用train()函數(shù)對各個參數(shù)進行了相關(guān)設(shè)置，其顯示周期、學(xué)習(xí)速度、最大訓(xùn)練輪回數(shù)、目標(biāo)函數(shù)誤差如下所示：
   
3．3 BP神經(jīng)網(wǎng)絡(luò)的測試
    該設(shè)計在BP神經(jīng)網(wǎng)絡(luò)的測試過程中應(yīng)用sire()函數(shù)對各個參數(shù)進行了相關(guān)設(shè)置，其測試樣本如下所示：

    該設(shè)計中5種路面圖像的BP神經(jīng)網(wǎng)絡(luò)模式識別訓(xùn)練目標(biāo)函數(shù)誤差為20％，實現(xiàn)了方便快捷的模式識別分類功能，結(jié)果如圖8所示。