摘要：该自主车辆地面自动辨识技术是以Leobot—Edu自主车辆作为试验载体，并应用DH—HV2003UC—T视觉传感器对常见的5种行车路面(石子路面、水泥路面、土壤路面、草地路面、砖地路面)进行图像信息的采集，应用Matlab图像处理模块对其依次进行压缩嫡码、复原重建、平滑、锐化、增强、特征提取等相关处理后，再应用Matlab BP神经网络模块进行模式识别。通过对模式识别结果分析可知，网络训练目标的函数误差为20％，该系统路面识别率达到预定要求，可以在智能车辆或移动机器人等相关领域普及使用。
关键词：自主车辆；视觉传感器；图像处理；模式识别

0 引言
    20世纪80年代，具有广阔应用前景的自主车辆受到中西方各国的普遍关注。自主车辆接收的大部分信息来自机器视觉。CCD将行车路面转换为光电图像信息，并通过计算机进行相关处理，快速在复杂环境中提取有用信息并产生合理的行为规划。为了满足自主车辆地面自动辩识技术对识别率的预定要求，本文分别对地面图像信息采集模块、机器视觉图像处理模块、神经网络模式识别模块进行了设计与研究。

1 地面图像信患采集模块
    该设计将上海中为智能机器人有限公司出品的教育型机器人Leobot—Edu作为试验载体，将大恒DH—HV2003UC—T视觉传感器安装在车体之上，并对常见的五种行车路面(石子路面、水泥路面、土壤路面、草地路面、砖地路面)进行地面图像信息的采集。为了提高模式识别结果的准确性，该设计中对每一路面都进行了6次采集作业，并搜集到6组地面图像信息，将其中质量最好的一组地面图像信息作为训练样本，将剩余的5组地面图像信息作为测试样本。本文以训练样本中石子路面为例，进行分析说明，其路面原图如图1所示。

2 机器视觉图像处理模块
2．1 图像压缩编码
    应用线性预编码方法对图像压缩进行编码。图像压缩的基本方法有无损压缩和有损压缩两类。预测编码方式是应用较广泛的有损压缩编码技术。DPCM系统的核心是预测器设计，预测器与压缩率有密切联系，最简单的预测器是线性预测器，即：
   
    式中：ai为预测系数；k为预测阶数。设计时通常按均方误差最小化准则对预测误差和量化误差进行理想的联合最佳化。均方误差定义为：
   
    令对每个ai的偏导数为零，即可求出为最小值时的各预测系数ai。定义数据的自相关函数为：
  
    只要已知xn的k+1个相关函数值R(0)，R(1)，R(2)，…，R(k)，即可解出k个预测系数使均方误差最小。