通过判断下降沿位置和上升沿位置，来计算黑线的相对位置，并通过判断上升沿之后的数据是否满足相差不大于阈值来减小误差，以精确计算黑线的相对位置。
    在光线比较好的情况下，简单地运用上述算法即可求得比较准确的相对位置，此时也不需要对阈值进行动态调整。当受到太阳光或其他比较强烈的光线影响时，就需要设置动态阈值。图7为光线不理想时图像的一种情况。
    光线不好的情况下，采集的图像通常会出现图7中凸起的情形，这时，黑线提取算法的出错几率会大大增加。为了避免这种情况，可以根据图像的变化趋势将阈值附加上一个修正值。如图7，在进行下降沿检测时，可以在预
先设定的阈值上减去一个数值，以克服凸起处的变形造成实际阈值的变小；上升沿检测时，可以在预先设定的阈值上加上一个数值，克服图像呈上升趋势带来的阈值变大。修正值的计算可以大致采用下式：

2．3 图像帧数据的处理
    经过黑线提取算法得到每一行黑线的位置，并存在一个一维数组里，通过这个数组就可以粗糙地控制小车转向。但摄像头可能会将黑线以外的其他物体错误识别成黑线，直接使用数组不能满足稳定性的要求，还需要对数组的数据进行进一步的处理，把干扰图像滤除，即这里所说的帧数据的处理。
    在帧数据处理上采用提取连续段的方法，将图像中错误的数据去除掉。图8是把干扰图像误当成黑线的情况，虚线代表实际的黑线位置。

    连续段提取算法的流程大致为：
    ①通过程序将图像中连续的段提取出来，提取的方法即通过i控制循环语句不断检验(Yi+1一Yi)的值是否大于设定的阈值。如果小于则表明第i个点和前面各点是连续的，否则和前面各点不连续。如图能够提取出3个连续的段，即连续段1、连续段2、连续段3。
    ②判断连续段的可靠性，判断的依据是连续段中的点越多表明该连续段越可靠，如图8，显然连续段1和连续段3比连续段2可靠。将可靠性好的段作为可用段，可靠性差的段作为不可用段。
    ③排除不可用段，将可用段连接起来形成一个大段。最后采用插补法，将不可用段归算到这个大段中。
    用该方法得到的归算后的“大段”给下面循迹算法提供了依据。图像处理的稳定性，是小车循迹稳定性的前提条件。实验表明，该算法能够很好地满足稳定性的要求。

3 小车循迹算法
    由于选用的摄像头的照射宽度比较小，使得算法上很难对赛道进行大面积的分析，因此循迹上，算法应该以适应性强为主。在舵机转向上采用3个变量来控制舵机的值：part_l、part_2、part_3。part_1对应图像的斜率，它是控制转向的主要变量；part_2对应小车相对于黑线的位置，是控制转向的辅助变量，它的目的是为了防止小车偏离引导线；part_3对应于转向的超前校正，它由图像前端的斜率求得。

/*line_data_refined[i]内存储的数据为一帧图像数据处理后的黑线在每一行中的相对位置，“i‘代表采集的第i行，总共有46行。bottom为一帧图像归算后，整个连续段的最后一行；top为一帧图像归算后，整个连续段的首行*/

3．1 part_l的求取
    通过求黑线对于小车的平均相对位置的方法来控制转向，但这种方法具有灵敏度不高、适应性不强、小车侧滑时容易出错等缺点；最终采用了通过最小二乘法求图像的斜率，再由斜率求part_l值的方法。part_1即控制小车转向的主要变量。
    如图9所示，通过最小二乘法求斜率，运用公式如下：