農機障礙物目標識別與預警SIFT算法改進研究

于冬雪， 張建敏

(貴州大學機械工程學院，貴州貴陽 550025)

農機使用者通常都是長時間操作農機，在疲勞和其他環境因素的干擾下，可能會導致勞作時，沒有注意到石頭等障礙物，從而打斷刀頭，或者刺破輪胎。最危險的是農機碰到障礙物，比如手扶旋耕機碰到石頭脫手翻轉，導致人員傷亡。本研究在農機上安裝1個高清攝像頭，每秒自動拍攝多張圖片傳輸進系統中，系統利用改進的尺度不變特征變換(scale invariant feature transform，簡稱SIFT)算法對搜集到的多張圖片進行識別，將圖片特征點與石頭等障礙物的特征點進行匹配。匹配點小于閾值時則不匹配，表明作業環境比較安全，不發出報警信息。而當匹配點大于閾值的則匹配，表明農機發現較大障礙物，向使用者發出預警信號。

以前的農機目標識別方法大多是以識別目標全部的局域特征(如灰度統計分布特征、幾何形態、矩陣分布等)為基礎。Lowe研發出1種提取部分特征的SIFT算法[1]，該算法將尺度空間的極值點當作特征點，并且經過統計特征點鄰階區域內的梯度方向的直方圖，來建立特征描述符。經過測試顯示，SIFT算法在農機障礙物目標進行平移、縮放、旋轉、部分遮住、亮度變動、視覺變化的時候都可以獲得很好的識別成效。但算法中每個特征點都用了128維向量來描寫，數據運算量非常龐大，因為特征點很多，故特征匹配時間長。

由于Lowe的SIFT算法對于農機識別障礙物需要適時快速處理圖像來說，速度比較慢，有一定的不足之處。本研究在原來的SIFT算法基礎上，對農機拍攝到的圖片特征點描述符進行簡化處理，目的是使算法的計算時間有效減少，提高計算機處理的速度，提高農機在比對石頭等障礙物算法上的時效性。本研究改進的SIFT算法在農機中的應用如圖1所示。

1 農機目標識別的傳統SIFT算法

1.1 農機攝像頭捕捉到圖像的尺度空間

農機目標識別算法圖片多數是用尺度來表示的，是經過平滑濾波與亞采樣來建立多級金字塔。Lindeberg等將尺度空間表達法運用在多尺度圖像表示中[2]，經過在每級金字塔的圖片中運用持續的平滑濾波，從而形成多級多層金字塔這種構造。Lindeberg的研究佐證了高斯核是完成變換尺度僅有的一種線性變換核[3]。比如對于1張農機拍攝到的圖片I(x，y，σ) 來說，在不一樣的尺度下的尺度空間L(x，y，σ)可以用此圖片與高斯核G(x，y，σ)的卷積來完成，即：

L(x,y,σ)=G(x,y,σ)×I(x,y)；

(1)

(2)

式中：σ為尺度空間1個變量元素，其值越大表示圖像被平滑度越大。

大尺度對應圖片的大概樣貌特性，小尺度對應圖片的細微特征。圖2給出了原始的高斯金字塔與多級多層的高斯金字塔的示意圖。如圖2所示，原始的金字塔中第n層高斯圖片是由第n-1層的高斯圖片通過高斯平滑濾波和亞采樣取得的，然而采取的尺度空間建立的金字塔中，每級有很多層，每層間的σ值差k倍。

1.2 改進的農機目標識別SIFT特征匹配算法

將Lowe提出的SIFT算法應用于農機目標識別算法中，其算法主要有4個步驟：

1.2.1 尺度空間極點檢測 先將農機拍攝到的圖片同高斯核作卷積，對相互鄰近的尺度空間構建高期差分(difference of Gaussian，簡稱DoG)金字塔，在DoG空間中檢驗其極值點。檢驗極值點是看該點均大于或者小于其26個鄰階區域點(包含該點一樣尺度的8個鄰階區域點)與否，還有大于該尺度的9個鄰階區域點和小于該尺度的9個鄰階區域點)。

D(x,y,σ)=[G(x,y,σ)-G(x,y,σ)×I(x,y)-L(x,y,kσ)-L(x,y,σ)]。

(3)

為了取得農機拍攝到的圖片匹配和抗噪聲能力相對比較強的特征點，在取得極值點以后，還應該去除低對比度的極值點和不固定的邊沿響應點。

1.2.2 特征點主方向的確定 采取梯度直方圖來確認特征點的主方向來使特征描述符有旋轉不變的特性。特征點的梯度模值坐標與方向為

(4)

θ(x,y)=arctan[L(x,y+1)-L(x)]。

(5)

對每個農機拍攝到的圖片特征點來說，在以特征點為中央點的鄰階區域窗口內隨機取樣，使用直方圖來統計鄰階區域像素的梯度方向。梯度直方圖的界限是0°～360°，每0～10°為1個柱，共36個柱，梯度直方圖的頂點相應的度數表示特征點的主方向。

1.2.3 生成特征描述符 先將坐標軸扭轉到特征點主方向，以保證其旋轉不變的特性。之后以特征點為中央點，選擇 8×8 尺度的鄰階區域，將此鄰階區域平均分割成4×4的子域。在每個子區域計算8個方向(0°、45°、90°、13°、180°、225°、270°、315°)的梯度累加和，獲得梯度直方圖，這對于每個特征點來說將會生成4×4×8=128維度的特征描述符[4]，如圖3所示。

1.2.4 特征匹配 生成農機目標識別算法2個圖片的SIFT特征描述符以后，運用歐氏距離測量2個圖片特征點的相同性[5]，即當圖片1中某一個特征點m1與圖片2中歐氏距離差最短的特征點m2和歐式距離差次短的特征點m3的比值小于某一個值時，就認定m1與m2相匹配。匹配以后還需要用RANSAC方法去除誤匹配。

測試證明，在農機目標識別算法中創建尺度空間和形成特征描述符消耗了很長的時間，同一時間內如果圖片尺度變大，特征點數目增多，特征匹配時間顯著增長。因此，本研究對傳統的SIFT算法作了改進。

2 改進的農機目標識別SIFT算法

改進的SIFT算法是為了提高農機在田野工作中發現石頭等障礙物時，能夠迅速處理并向使用者反饋預警信息的能力。

2.1 具體步驟如下

2.2 試驗結果及分析

農機目標識別圖像檢索仿真試驗是以Windows10操作系統作為仿真平臺，開發工具是Matlab2014a。按“1.2”節SIFT特征匹配算法中的步驟，將改進的算法直接應用到圖5至圖8中的特征匹配(包括對標準庫中的圖像的旋轉、縮放、光照等情況)。

采用改進的SIFT算法進行目標識別[6]試驗，圖5為在圖像旋轉的條件下，a圖杯子匹配20對特征點，b圖松樹匹配7對特征點；圖6為在圖像曝光條件下，章魚匹配18對特征點；圖7為在圖像縮小的條件下，蘋果匹配40對特征點；圖8為在圖像相似的條件下，鈴鐺匹配16對特征點，國旗匹配7對特征點。

分析表1的試驗數據可以發現，無論是在幾何還是光學畸變的條件下，改進的SIFT算法用于農機檢測目標對象的特征點檢測時間都比原算法要短，比較試驗數據中2種算法的特征點檢測時間可得知，改進的農機目標識別算法總的運算時間低于原算法，由此可見改進的算法計算復雜度低于原算法，這樣有利于提高農機對所拍攝大量圖片的處理速率，實時性更好。研究發現，改進算法的正確匹配率與原算法基本相同；改進算法對障礙物圖片匹配點數少于原算法。

可見，改進的SIFT算法可以大幅縮減農機在檢測到石頭等障礙物時的運算時間，提高對使用者報警信息反饋的時效性。

表1 改進的SIFT特征匹配算法與原算法性能比較(以圖5為例)

3 討論與結論

農業現代化和安全生產是時代的需求，王愛新等研究了基于計算機視覺的農業圖像害蟲定位檢測算法[7]，成敦杰研究了農產品檢測圖像智能化預處理方法[8]，王富春等將基于模糊聚類算法應用到番茄果實目標識別中[9]，而潘雷等則研究了基于模式識別的大蒜瓣尖識別[10]。

本研究對農機目標識別算法SIFT特征描述符和特征點匹配方法作了改進，獲取1種新的SIFT算法，并將該算法應用到農機識別目標對象中，該算法以特征點的方形鄰階區域內灰度累積值及關鍵點矢量和當作描述特征，構造出64維度的特征描述符，試驗證明了該描述符對農機識別石頭等障礙物圖像的縮放、旋轉、光照等變化有不變的特性。在匹配方法中，運用金字塔的構造來作特征點的匹配。測試證明，在大多數變化情形下，改進的SIFT描述符比原來的SIFT描述符的計算時間大幅縮短。而且改進的匹配方法能更有效地減少農機拍攝到圖片的特征匹配點數，使農機目標識別時間大幅縮短，從而顯著提高農機目標識別算法的實時性，這種方法給農業及其他行業帶來了很大的便利，對今后的研究有很好的意義。

：

[1]Lowe D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision，2004，60(2)：91-110.

[2]Lindeberg T，Bretzner L. Real-time scale selection in hybrid multi-scale representations[C]//International Conference on Scale Space Methods in Computer Vision. Springer-Verlag，2003：148-163.

[3]Lindeberg T. Scale-space theory: a basic tool for analyzing structures at different scales[J]. Journal of Applied Statistics，2011，21(1/2)：225-270.

[4]白 豐，張明路，張小俊，等. 局部二進制特征描述算法綜述[J]. 電子測量與儀器學報，2016，30(2)：165-178.

[5]趙小強，岳宗達. 一種面向圖像拼接的快速匹配算法[J]. 南京理工大學學報，2016，40(2)：165-171.

[6]張書真，宋海龍，向曉燕，等. 采用快速SIFT算法實現目標識別[J]. 計算機系統應用，2010，19(6)：82-85.

[7]王愛新，李春友，張 喆. 基于計算機視覺的農業圖像害蟲定位檢測算法[J]. 江蘇農業科學，2016，44(7)：361-364.

[8]成敦杰. 農產品檢測圖像智能化預處理方法研究[J]. 江蘇農業科學，2014，42(6)：384-387.

[9]王富春，徐 越，宋懷波. 西紅柿果實目標識別方法研究——基于模糊聚類算法[J]. 農機化研究，2015(10)：24-28.

[10]潘 雷，鄧世建，劉榮華. 基于模式識別的大蒜瓣尖識別研究[J]. 農機化研究，2010，32(5)：51-54.