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。
该设计训练样本中石子路面图像的压缩编码图如图2所示。
3 神经网络模式识别模块
应用Matlab中BP神经网络模块进行分类与识别。人工神经网络简称为神经网络。人工神经元k表示为：
式中：xi为输入信号；wik为神经元k的突触权值；m为输入信号数目；uk为线性组合器的输出；bk为神经元单元的阈值；f(·)为激活函数；yk为输出信号。神经元的输入／输出状态表示为：
式中：τij为突触时延；Tj为j的阈值；wij为i到j的突触连接系数；f(·)为变换函数。
该设计在分析多种数据分类方法和理论之后，以石子路面、水泥路面、土壤路面、草地路面、砖地路面5种常见行车路面为研究对象，采集了6组路面图像特征信息作为备选库，其中以质量最优的一组路面图像特征信息作为训练样本，把其他5组路面图像特征信息作为测试样本进行BP神经网络的建立、训练、测试。
3．1 BP神经网络的建立
该设计在BP神经网络的建立过程中应用newff()函数对各个参数进行了相关设置。其训练样本、目标样本如下所示：
3．2 BP神经网络的训练
该设计在BP神经网络的训练过程中应用train()函数对各个参数进行了相关设置，其显示周期、学习速度、最大训练轮回数、目标函数误差如下所示：
3．3 BP神经网络的测试
该设计在BP神经网络的测试过程中应用sire()函数对各个参数进行了相关设置，其测试样本如下所示：
该设计中5种路面图像的BP神经网络模式识别训练目标函数误差为20％，实现了方便快捷的模式识别分类功能，结果如图8所示。
