農藥噴霧飛行器越界檢測算法實現

穆春陽，王曉龍，馬　行，張盼盼，陳雪濤

(北方民族大學 信息與通信技術研究所，銀川　750021)

?

農藥噴霧飛行器越界檢測算法實現

穆春陽，王曉龍，馬行，張盼盼，陳雪濤

(北方民族大學 信息與通信技術研究所，銀川750021)

摘要：針對當前的農藥噴霧飛行器需要人工時刻觀察是否飛出農田邊界這一現狀，提出了一種基于高斯混合模型的農藥噴霧飛行器越界自動檢測算法。首先，采用混合高斯模型進行目標檢測，然后通過計算形狀描述符獲取其形狀特征并進行目標識別定位，最后通過計算目標質心位置結合目標的運動方向判斷其是否出界。實驗結果表明：該算法能夠準確地判斷飛行器的越界行為，準確率達到91.31%以上。

關鍵詞：農藥噴霧飛行器；越界檢測；混合高斯模型；形狀特征

0引言

精準農業(Precision Agriculture) 作為當今世界農業發展的新潮流，通過信息技術支持可以實現定位、定時、定量的現代化農事操作技術實施與管理，以最節省的投入得到更高的收入，并以高效利用各類農業資源為目的[1]。在這一應用背景下，一種采用超低空作業，具有質量輕、折疊尺寸小、操作距離遠等優點的新型多旋翼飛行器—“農藥噴霧飛行器”應運而生。它特別適合于山地丘陵、地塊小、間作套種地塊多的農作物病蟲害防治。但是，這種飛行器一般采用人工遙控控制，且由于農田面積小、多山地，安裝GPS定位也不精確，這就需要技術人員時刻觀察并判斷飛行器是否飛出農田邊界，不僅造成人力資源的浪費，而且效率相對較低，易出現誤判[2]。尤其當農作物過高，飛行器超低空飛行時，工作人員的視角容易受到限制，這個問題表現得更加突出。

針對上述問題，本文提出一種基于混合高斯模型的農藥噴霧飛行器越界檢測算法。算法主要包括運動目標檢測、目標識別定位、目標飛行方向及越界判定幾個部分。實驗結果表明：該算法能夠很好地識別到飛行器并做出準確的報警提示，在一定程度上減輕了工作人員的體力勞動。

1算法實現

1)運動目標的檢測階段。首先對視頻信號進行濾波等預處理，接著進行感興趣區域(ROI) 建模，最后采用混合高斯背景建模檢測運動目標。

2) 目標識別定位階段。通過提取形狀描述符獲取飛行器的主要特征，并進行目標識別。

3)目標飛行方向越界判定階段。通過目標的質心運動軌跡判斷飛行器的運動方向及是否越界。

1.1運動目標檢測

常見的運動目標檢測方法有光流法、相鄰幀差分法及背景差分法。由于背景差分法比光流法運算量小，比相鄰幀差分法可靠性高，且只要建立可靠的背景就能夠提取出準確的目標[3]，因此選擇背景差分法進行運動目標的檢測。

背景模型的建立是背景差分法的核心，且常用的背景建模方法有中值背景建模、單高斯背景建模、混合高斯背景建模和碼書背景建模等[4]。本文的研究對象是野外農田作業的農藥噴霧飛行器，要求背景模型具有很強的環境適應能力，可以去除光線和樹葉搖擺等噪聲的影響。因此，選擇混合高斯背景建模法為背景差分法建立可靠的背景模型。圖1為運動目標檢測算法的設計框圖。圖1中，目標檢測算法可分為兩大模塊，分別如下。

1.1.1建立ROI模型

建立ROI模板以減少ROI以外其他物體的干擾，同時后期的圖像處理工作只針對該區域操作即可，大大提高算法的運算速度和準確率。具體過程如下：①獲取背景圖像。取視頻的第1幀作為背景圖像進行預處理，以消除模糊或增強對比度，以有利于后期ROI的提取工作。②ROI提取。由于監控區域的復雜性，適合選用人工標定方法得到ROI關鍵點坐標。③建立ROI模板。根據得到的關鍵點坐標建立處理模板，后期的視頻圖像處理都是基于該模板進行的。圖2 (a)為建立的ROI模板，圖2 (b) 為模板定位和處理后的感興趣區域。

圖1　運動目標檢測算法設計框圖

圖2　ROI模板和對圖像的定位圖

1.1.2混合高斯模型[4]背景建模

高斯模型是一種用高斯概率密度函數來量化對象并將其分解為由若干個高斯概率密度函數所組成的模型?；诟咚鼓Ｐ偷谋尘疤崛〗⒃谙袼丶墸洳煌趩胃咚鼓Ｐ偷氖牵夯旌细咚鼓Ｐ蛯D像的每個像素設計成由若干個(一般為3～5個)高斯模型根據各自的權值加和共同產生的；然后將采集到的圖像像素與這幾個高斯分布分別進行匹配，以確定哪些像素屬于背景。因為監控區域時刻都會有變化(如風吹樹動、人員流動或物體的進入等)，使最初得到的背景不再具有可信度，因此還需要不斷地對各個高斯分布的權值、均值和方差進行實時更新，從而有助于抗噪(如光照變化、樹葉晃動等)，以實現背景模型的更準確表達。

模型表達式如下：

1)背景初始化。選取視頻的前N幀圖像，用ROI模板標出待處理區域。進行背景初始化時，方差應盡可能的大一些，這樣可以融合更多的圖像以使得到的數值更接近真實。

2)像素點判為背景的概率計算公式為

(1)

(2)

其中，n表示顏色通道數。

3)參數更新[5-8]。模型參數隨著視頻幀數的讀入而不斷變化。每一個新的像素點都要與這k個高斯模型相匹配，如果匹配成功，就加入該模型；匹配失敗，就以該像素的值作為均值建立一個新的高斯分布，同時代替k個高斯背景模型里那個最不可能是背景的模型(即ω(k,t)/δ(k,t)最小)。

更新函數為

(3)

其中，a(取值0-1之間)為各個高斯分布權重的更新率；ρ為參數的更新率(ρ越大，參數調整越快)。

4)背景的更新。經過以上步驟的調整，最后將得到的K個高斯分布根據ω(k,t)/δ(k,t)按降序排序，通常取前H個高斯分布作為新的背景。H表達式為

(4)

其中，T表示屬于背景高斯分布的權值和占總的權值的最小比例；b是滿足T的最合適的高斯分布數。

1.2目標識別定位

運動目標識別定位算法如圖3所示。

圖3　運動目標識別定位算法

1)形態學濾波。使用7×7模板對二值圖像先開后閉運算，既可以消除細小的噪聲干擾，又能填充物體內細小的空洞，有利于目標輪廓提取。

2)提取輪廓。系統性地掃描圖像，直到遇到連通區域的一個點，以它為起始點，跟蹤它的輪廓，標記邊界上的像素；當輪廓完整閉合，掃描回到上一個位置，直到再次發現新的成分。

3)濾除無效輪廓。為了簡化算法，提高運行速度，可以濾除一些較大和較小區域的周長，公式為

(5)

其中，Lmin和Lmax是預設的兩個閾值；L為提取輪廓的周長，1表示保留，0為濾除；outline為輸出結果。

4)計算有效輪廓形狀。由于要識別的農藥噴霧飛行器是新型多旋翼飛行器，形狀呈枝狀，細度比例(目標的面積與周長之比)較小，因此采用多邊形近似算法計算輪廓形狀。具體的原理和計算公式可見參考文獻[9]。

5)計算質心位置并識別和定位。首先根據幾何距求出連通域質心，一幅數字圖像f(x,y)的(p+q)階2-D距定義為

(6)

其中，M和N分別是圖像的高和寬；p和q是非零正整數；mpq為(p+q)矩。

1.3運動方向和越界判定

圖4中矩形ABCD為一塊農田的模擬圖，表1為設置的農藥噴霧飛行器飛行參數。農藥噴霧飛行器的運動方向越界判定分析如下：

1)假設農藥噴霧飛行器的飛行軌跡為從農田的CD邊界飛入，垂直飛到AB邊界再折返，以此類推。由表1的參數可知：攝像頭標定的邊界應在農田ABCD的內部(至少距邊界1m內)，如直線ef和hg所示。

2)當農藥噴霧飛行器從攝像頭2前飛過，根據運動軌跡可知：飛行方向向左(如圖5所示)(即進入農田)，此時不發出警報；當飛行器飛至攝像頭1前(即ef線)時，根據運動軌跡判斷飛行方向向左(即要飛出邊界)，此時發出警報；當飛行器折返后再次飛至線hg時，運動軌跡判斷飛行方向向右(即要飛出邊界)，此時發出警報。以此類推，直至完成整個農田作業。

圖4　農田模擬圖

巡航速度/m·s-1飛行高度/m噴灑半徑/m飛行器側面投影/m22111.5

圖5　右邊界線示意圖

在目標識別定位算法中，已得到農藥噴霧飛行器在圖像中的質心坐標，根據質心的運動軌跡可計算出運動方向。

根據目標的運動方向和質心的位置，即可確定農藥噴霧飛行器是否越界。左邊界檢測的算式為

(7)

2實驗結果與數據分析

為了驗證本文提出的算法性能，在Ubuntn14.04上基于OpenCV對上述算法進行了驗證，測試視頻拍攝于農田現場，分辨率為1280×720。圖6為在處理全部區域的檢測效果圖，圖像中間的黑線表示農田邊界?；旌细咚鼓Ｐ吞幚淼膱D像中明顯有一些噪聲點如圖6(b)所示；經過形態濾波后，這些噪聲基本濾除，效果如圖6(c)所示 。圖7為經ROI模型檢測效果，圖7(a) 在ROI的基礎上去除無效的黑色區邊界保留有效矩形的待處理圖。對比圖6(b)和圖7(b)可知：經過ROI處理后可以有效地降低周圍場景的影響，一些無效的輪廓可以濾除掉，方便識別和越界檢測。

圖6　基于全局的檢測效果圖

圖7　基于ROI模型檢測效果圖

圖8是在ROI的基礎上提取的效果圖，圖8(a)是在圖7(c) 基礎上提取出的邊緣輪廓，圖8(b)為提取的質心。通過對圖8(a)和圖8(b) 這兩幅圖可知：經過濾除無效輪廓算法后，一些無效的輪廓可以很好地濾掉，方便識別和越界檢測。

圖8　基于ROI的提取效果圖

圖9是基于ROI處理和全局檢測處理兩種方法，對一段測試序列的前50幀視頻信號進行處理的時間對比圖。橫軸表示視頻的幀數，縱軸表示處理每一幀的運算時間。從圖9中可以明顯看出：建立ROI模型后的算法處理速度更快。

圖9　基于全局和基于ROI檢測算法處理時間對比圖

為了充分驗證算法的越界檢測準確度，分別選取了晴朗微風、晴朗中風、陰天微風3種不同的真實場景，設定農藥噴霧飛行器單方向越界。方法1為基于ROI檢測方法，方法2為基于全局檢測方法。測試數據如表2所示，對比圖如圖10所示。

表2　越界檢測準確率數據表

圖10　越界檢測精確度對比圖

3結語

本文提出了一種用于判斷農藥噴霧飛行器是否越界的自動檢測算法，該算法由運動目標檢測、目標識別定位、目標運動方向和越界判斷3部分組成。通過結合ROI、混合高斯背景模型、形態學濾波等圖像處理算法及OpenCV技術實現了農藥噴霧飛行器的越界檢測，準確率可以達到91.31%以上。實驗表明：該方法具有一定的實用性，對今后的大規模推廣具有一定的借鑒意義。

在濾除無效輪廓時，需要人工設定一個區域周長篩選閾值，該計算環節有待進一步提高，使農藥噴霧飛行器越界檢測更加智能化。

參考文獻：

[1]胡承鍵. 加速寧夏農用無人機開發應用促進精準農業發展[J].寧夏農林科技,2014, 55(5): 8-10.

[2]林蔚紅,孫雪鋼,劉飛,等.我國農用航空植保發展現狀和趨勢[J].農業裝備技術,2014, 40(1): 6-10.

[3]沈秉乾, 武志勇, 賀前華,等. 人體姿勢狀態判決的跌倒檢測方法[J].計算機應用,2014, 34(S1): 223- 227.

[4]馮偉興,唐墨,賀波.數字圖像模式識別技術詳解[M]. 北京: 機械工業出版社,2010.

[5]Lee D S, Hull J J, Erol B. A Bayesian framework for Gaussian mixture background modeling[C]// Proceedings of IEEE International Conference on Image Processing. New York, IEEE Press, 2003: 973-976.

[6]李娟,邵春福,楊勵雅.基于混合高斯模型的行人檢測方法[J].吉林大學學報:工學版,2011,41(1):41-45.

[7]馮華文,龔聲蓉,劉純平.基于改進高斯混合模型的前景檢測[J].計算機工程,2011, 37(19):179-182.

[8]GAN Xinsheng, ZHAO Shubin. comparison on background subtraction algorithms for moving target detection[J]. Command Control & Simulation, 2008, 30(3): 45-50.

[9]何蓮, 蔡靜菊, 張啟衡. 多邊形近似及形狀特征匹配的二維目標檢測[J]. 激光與紅外, 2011, 41(6): 700-705.

Research on Pesticide Spraying Craft Cross-border Detection Algorithm

Mu Chunyang, Wang Xiaolong, Ma Xing, Zhang Panpan, Chen Xuetao

(Institute of Information and Communication Technology, Beifang University of Nationalities, Yinchuan 750021, China)

Abstract：In view of the reality that people have to supervise whether pesticide spraying aircraft fly out of the boundary of farmland all the time, an algorithm of detecting aircraft cross-border is proposed to solve this problem above. Firstly, the Gaussian mixture model is used for target detection. And then characteristics of shape descriptor are obtained for identifying the targets. Finally, the target centroid and moving direction are combined to determine whether the aircraft was out of the boundary. Results show that this algorithm could make a right judgment for aircraft cross-border actions accurately and quickly, where the accuracy of detection could reach to 91.31%.

Key words：pesticide spraying aircraft; cross-border action detection; Gaussian Mixture Model; shape feature

文章編號：1003-188X(2016)04-0006-05

中圖分類號：S494；TP391

文獻標識碼：A

作者簡介：穆春陽(1975 -)，男，黑龍江寧安人，副教授，博士，(E-mail) muchunyang@126.com。通訊作者：王曉龍(1988 -)，男，河北張家口人，碩士研究生，(E-mail) wangxiaolong_98@163.com。

基金項目：國家自然科學基金項目(61162005, 61163002);寧夏自然科學基金項目(NZ14107);機器人技術與系統國家重點實驗室開放研究基金項目(SKLRS-2013-MS-05)

收稿日期：2015-03-16