一種改進(jìn)的田間導(dǎo)航特征點(diǎn)提取算法

陳艷 李春貴 胡波

摘 要：針對以田間圖像每行背景像素的坐標(biāo)中點(diǎn)作為導(dǎo)航特征點(diǎn)，擬合出的導(dǎo)航線精度不高的問題，提出了一種改進(jìn)的特征點(diǎn)提取算法：首先，采用歸一化2G-R-B超綠特征對圖像進(jìn)行灰度化，再用最大類間方差（OSTU）法和形態(tài)學(xué)閉運(yùn)算分別對灰度圖像進(jìn)行分割和濾波；然后，提取每行背景像素坐標(biāo)中點(diǎn)作為初始特征點(diǎn)，再根據(jù)初始特征點(diǎn)與圖像中心線間表示農(nóng)作物的像素?cái)?shù)對特征點(diǎn)進(jìn)行修正；最后，利用修正后的特征點(diǎn)擬合得到導(dǎo)航線.仿真結(jié)果表明：該改進(jìn)算法受環(huán)境噪聲影響較小、實(shí)時性好，擬合出的導(dǎo)航線在精度上具有明顯優(yōu)勢.

關(guān)鍵詞：特征點(diǎn)；導(dǎo)航線提取；農(nóng)機(jī)導(dǎo)航

中圖分類號：S126；TP391.41 DOI：10.16375/j.cnki.cn45-1395/t.2018.03.011

0 引言

隨著計(jì)算機(jī)技術(shù)和信息處理技術(shù)的不斷發(fā)展，智能化農(nóng)業(yè)機(jī)器人越來越多地代替手工完成各種農(nóng)作業(yè)，引領(lǐng)著第二次農(nóng)業(yè)革命深入發(fā)展.智能農(nóng)機(jī)的一個重要組成部分是視覺導(dǎo)航技術(shù)[1-3].視覺導(dǎo)航系統(tǒng)在獲取田間圖像后，首先對圖像進(jìn)行預(yù)處理，然后從中提取導(dǎo)航特征點(diǎn)并擬合導(dǎo)航線，最后根據(jù)導(dǎo)航線計(jì)算導(dǎo)航參數(shù)來控制農(nóng)機(jī)的走向.其中，導(dǎo)航特征點(diǎn)的提取是農(nóng)機(jī)視覺導(dǎo)航的關(guān)鍵，關(guān)系到導(dǎo)航精度.

目前，導(dǎo)航特征點(diǎn)提取算法主要有：對灰度圖像或二值圖像進(jìn)行垂直投影提取特征點(diǎn)[4-8]；提取圖像每行背景像素的坐標(biāo)中點(diǎn)作為特征點(diǎn)[9-12]；利用邊緣檢測算子提取農(nóng)作物和土壤的邊界來提取特征點(diǎn)[13]；利用角點(diǎn)檢測算子提取農(nóng)作物的角點(diǎn)作為特征點(diǎn)[14-15]；利用細(xì)化法等提取作物行骨架來獲取特征點(diǎn)[16- 17]等.其中，垂直投影法和背景像素坐標(biāo)中點(diǎn)法算法相對簡單、實(shí)時性好，但是受缺株、農(nóng)作物間的空隙以及雜草等噪聲影響較大，導(dǎo)航精度受限；邊緣檢測算法提取的特征點(diǎn)精度高，但由于需要做微分運(yùn)算，算法相對復(fù)雜，實(shí)時性不高；角點(diǎn)檢測算法和骨架提取算法較適合水稻秧苗、玉米等單株作物行的情況，適用性有限.

針對以上問題，為了在保證算法實(shí)時性的同時提高導(dǎo)航精度，本文以圖像每行背景像素坐標(biāo)中點(diǎn)作為初始特征點(diǎn).為了消除圖像背景噪聲的影響，對偏離導(dǎo)航路徑的特征點(diǎn)進(jìn)行修正，并利用修正后的特征點(diǎn)擬合導(dǎo)航線.

1 特征點(diǎn)提取算法基本原理及改進(jìn)

1.1 基本原理

在農(nóng)業(yè)大規(guī)模種植中，農(nóng)作物行通常具有近似呈直線、行與行之間的距離基本相等并相互平行的特點(diǎn).而智能農(nóng)機(jī)的攝像頭一般安裝在中間位置且正對著導(dǎo)航路徑（通常是攝像頭正對著的壟溝），因此所拍攝的田間圖像除農(nóng)田邊界附近外基本相對導(dǎo)航路徑左右對稱.根據(jù)田間圖像的這個特點(diǎn)，圖像每行表示農(nóng)作物或背景的像素坐標(biāo)中點(diǎn)應(yīng)正好在導(dǎo)航路徑內(nèi).若以該坐標(biāo)中點(diǎn)作為導(dǎo)航特征點(diǎn)提取導(dǎo)航線，理論上是可以正確導(dǎo)航的.然而，實(shí)際由于農(nóng)作物行缺株、葉片之間的空隙以及壟溝內(nèi)雜草的存在，部分圖像行的特征點(diǎn)會偏離當(dāng)前的壟溝，落在作物行上或其他壟溝內(nèi)，從而導(dǎo)致擬合出的導(dǎo)航線偏離導(dǎo)航路徑.因此，有必要對以農(nóng)作物或背景的像素坐標(biāo)中點(diǎn)為特征點(diǎn)的算法進(jìn)行改進(jìn)，對偏離導(dǎo)航路徑的特征點(diǎn)進(jìn)行修正以提高導(dǎo)航精度.

1.2 算法改進(jìn)

由于攝像頭通常正對著導(dǎo)航路徑，從人的視覺角度來看，理想的特征點(diǎn)應(yīng)分布在距離圖像中心線最近的壟溝內(nèi).即便攝像頭有一定的偏移或作物行有些彎曲，導(dǎo)航路徑對應(yīng)的壟溝也不會偏離圖像中心線太多.基于此，可對算法進(jìn)行改進(jìn)，其基本思想是：首先提取圖像每行背景像素的坐標(biāo)中點(diǎn)作為初始特征點(diǎn)，此時大多特征點(diǎn)會落在中間壟溝內(nèi).若初始特征點(diǎn)偏離中間壟溝落在作物行上或其他壟溝內(nèi)，則特征點(diǎn)與中間壟溝之間必然存在一些表示農(nóng)作物的像素點(diǎn).由于中間壟溝位置不定，但是距離圖像中心線比較近，因此可以通過統(tǒng)計(jì)初始特征點(diǎn)與圖像中心線之間表示農(nóng)作物的像素點(diǎn)數(shù)，來對特征點(diǎn)進(jìn)行修正.修正的方法是：初始特征點(diǎn)與圖像中心線之間表示農(nóng)作物的像素?cái)?shù)有多少，就將初始特征點(diǎn)向圖像中心線方向移動多少.這樣就能使初始特征點(diǎn)向中間壟溝方向移動，一定程度上修正了特征點(diǎn).設(shè)農(nóng)田圖像的大小為M×N，M和N分別對應(yīng)田間圖像的行數(shù)和列數(shù)，算法具體步驟如下：

Step 1 對預(yù)處理后的二值圖像（白色代表農(nóng)作物像素值為0，黑色代表背景像素值為1）進(jìn)行逐行掃描，行數(shù)i由上至下增大，列數(shù)j由左至右增大.

Step 2 統(tǒng)計(jì)第i行像素值為1（即背景像素）的像素點(diǎn)個數(shù)m，以及當(dāng)前行表示背景像素的像素點(diǎn)縱坐標(biāo)之和k；

Step 3 計(jì)算當(dāng)前行的初始特征點(diǎn)縱坐標(biāo)：z=k/m （z為圖像背景像素坐標(biāo)的中值）；

Step 4 計(jì)算初始特征點(diǎn)z與圖像中心線的距離：d=z-z0，其中z0=N/2，為圖像中心線縱坐標(biāo)值；

Step 5 若d<0（即初始特征點(diǎn)在圖像中心線左側(cè)），則掃描第z～z0列，統(tǒng)計(jì)t的值（t表示農(nóng)作物像素?cái)?shù)即像素值為0的個數(shù)），修正z=z+t；反之，若d>0（即初始特征點(diǎn)在圖像中心線右側(cè)），則掃描第z0～z列，統(tǒng)計(jì)t的值，修正z=z-t.

Step 6 掃描至M行后停止，否則繼續(xù)執(zhí)行Step 2.改進(jìn)的導(dǎo)航特征點(diǎn)提取算法流程如圖1所示.

2 實(shí)驗(yàn)系統(tǒng)及測量結(jié)果

2.1 總體結(jié)構(gòu)

目前農(nóng)機(jī)視覺導(dǎo)航系統(tǒng)進(jìn)行導(dǎo)航線提取基本包括以下幾個步驟：圖像預(yù)處理、特征點(diǎn)提取和導(dǎo)航線擬合.導(dǎo)航線提取的基本流程如圖2所示.

2.2 圖像預(yù)處理

由于攝像頭拍攝的圖像通常是彩色圖像，顏色信息比較豐富，冗余的信息會增加后續(xù)圖像處理的難度，因此，需要先對圖像進(jìn)行預(yù)處理.圖像預(yù)處理主要包括圖像灰度化、圖像分割和圖像去噪等步驟.

圖像灰度化處理時，需要選擇合適的顏色空間模型進(jìn)行.目前，田間圖像灰度化時常用的顏色空間模型有：RGB[18]、HIS[19-20]、HSV[9]、YUV[21-22]等.其他顏色空間模型需由RGB轉(zhuǎn)換得到，增大了計(jì)算量，本文使用RGB顏色空間對田間圖像進(jìn)行灰度化處理.基于RGB模型的灰度化算法有：G-R、EXR、2G-R-B（也稱EXG）以及EXG-EXR等[15].本文采用較常用的2G-R-B超綠特征灰度化方法，灰度值計(jì)算公式為：

對圖3（a）作灰度化處理，灰度轉(zhuǎn)換結(jié)果如圖3（b）所示.一般地，為避免灰度圖像中農(nóng)作物和土壤背景對比度不足給后續(xù)處理帶來干擾，還需要對灰度圖像進(jìn)行歸一化.本文采用的歸一化公式為：

其中，Y、y分別為歸一化前、后的灰度值，[Vmax]、[Vmin]分別為圖像灰度的最大值和最小值.歸一化灰度圖如圖3（c）所示.可見，歸一化后的灰度圖相比歸一化前在保留了灰度差異的同時，還減小了圖像中灰度的不一致，便于后續(xù)分割處理.

OSTU自動閾值分割算法簡單、高效且性能穩(wěn)定，是最常用的一種圖像分割算法[23]，分割結(jié)果如圖3（d）所示.分割后的二值圖像中，綠色農(nóng)作物區(qū)域中的黑色空洞和壟溝區(qū)域綠色雜草產(chǎn)生的白點(diǎn)，會給后續(xù)處理帶來不利影響.因此，需要進(jìn)一步對分割圖像進(jìn)行去噪.形態(tài)學(xué)濾波是較常用的一種圖像降噪方法.其中形態(tài)學(xué)閉運(yùn)算由于具有平滑輪廓、融合狹窄間斷和細(xì)長的溝壑并消除小的空洞的特點(diǎn)，較符合田間圖像的降噪要求.本文采用5×5的圓盤型結(jié)構(gòu)元素對分割圖像進(jìn)行形態(tài)學(xué)閉運(yùn)算去除噪聲，結(jié)果如圖3（e）所示.可見，大部分圖像噪聲被濾除.

2.3 特征點(diǎn)提取

若直接提取圖3（e）預(yù)處理圖像每行背景像素坐標(biāo)的中點(diǎn)作為導(dǎo)航特征點(diǎn)，結(jié)果如圖4（a）所示.由圖4（a）可見，圖像下方距離農(nóng)機(jī)較近的地方由于受到噪聲干擾較小，絕大部分特征點(diǎn)都落在中間的壟溝內(nèi).然而，圖像上方遠(yuǎn)離農(nóng)機(jī)的地方由于受到噪聲干擾相對較大，特征點(diǎn)偏離了中間的壟溝，落在農(nóng)作物區(qū)域甚至其他壟溝內(nèi).采用本文提出的改進(jìn)算法，提取出的導(dǎo)航特征點(diǎn)如圖4（b）所示.很明顯，采用改進(jìn)的特征點(diǎn)提取算法，可以使偏離中間壟溝的特征點(diǎn)向中間壟溝方向偏移，并且基本都落在中間壟溝內(nèi).

3 導(dǎo)航線擬合

由于田間導(dǎo)航路徑即壟溝大多呈直線或相對農(nóng)機(jī)前進(jìn)方向局部范圍內(nèi)近似直線，因此大多采用線性直線擬合的方式來擬合導(dǎo)航線.常用的線性擬合算法有最小二乘法[7]和hough變換法[24-26]等.本文采用相對簡單的最小二乘法進(jìn)行擬合，擬合出的導(dǎo)航線方程為：

其中a、b為擬合系數(shù)，擬合出的導(dǎo)航線如圖5所示.由圖5（a）可見，直接利用改進(jìn)前的特征點(diǎn)擬合的導(dǎo)航線偏離了中間壟溝，和人眼視覺提取的導(dǎo)航線相差較大，導(dǎo)航精度不夠.而采用改進(jìn)后的特征點(diǎn)擬合的導(dǎo)航線，如圖5（b）所示，導(dǎo)航精度明顯提高，和人眼視覺提取的導(dǎo)航線幾乎一致，符合實(shí)際導(dǎo)航需要.

4 討論

在Windows10操作系統(tǒng)下利用matlab2016a軟件進(jìn)行導(dǎo)航線提取實(shí)驗(yàn).為了驗(yàn)證所提算法的適用性，隨機(jī)選取了不同田間圖像提取導(dǎo)航線，結(jié)果如圖6所示.可見，所提算法均能較準(zhǔn)確地提取出導(dǎo)航線，算法的適用性較好.此外，對有強(qiáng)光照射、存在非綠色支架、農(nóng)作物稀疏缺株以及陰影干擾情況下的田間圖像進(jìn)行了導(dǎo)航線提取，結(jié)果如圖7所示.由圖可見，在各種不同噪聲環(huán)境下算法仍然有效.

本文對水稻不同生長階段的田間圖像也作了導(dǎo)航線提取實(shí)驗(yàn)，結(jié)果如圖8所示.由圖可見，盡管有水、浮萍或葉片間的相互覆蓋等，所提算法仍能正確提取導(dǎo)航線.

為了進(jìn)行參數(shù)對比，對圖3（a）利用改進(jìn)前和改進(jìn)后的算法提取導(dǎo)航線，并對導(dǎo)航線的擬合系數(shù)和算法耗時進(jìn)行了統(tǒng)計(jì)，結(jié)果如表1所示.由表可以看出，處理同一幅圖像，改進(jìn)后的算法平均耗時僅增加了4 ms，但擬合系數(shù)相差較大，導(dǎo)航線精度顯著提高.

5 結(jié)論

針對以田間圖像背景像素的坐標(biāo)中點(diǎn)作為導(dǎo)航特征點(diǎn)時，部分特征點(diǎn)由于圖像噪聲的影響偏離導(dǎo)航路徑較大，從而導(dǎo)致擬合的導(dǎo)航線精度不高的情況，提出了一種特征點(diǎn)提取改進(jìn)算法.首先，在對RGB田間圖像進(jìn)行2G-R-B灰度化、OSTU分割及形態(tài)學(xué)閉操作降噪的預(yù)處理之后，提取預(yù)處理后二值圖像每行背景像素坐標(biāo)的中點(diǎn)作為初始導(dǎo)航特征點(diǎn)；然后，根據(jù)初始特征點(diǎn)與圖像中心線之間表示農(nóng)作物的像素?cái)?shù)對初始特征點(diǎn)進(jìn)行修正，像素?cái)?shù)有多少就將初始特征點(diǎn)向圖像中心線方向偏移多少；最后，對修正后的特征點(diǎn)利用最小二乘法擬合導(dǎo)航線.

本文提出的改進(jìn)算法相比較改進(jìn)前的算法，計(jì)算量增加很小，但提取的導(dǎo)航線精度卻有很大提高.并且該算法具有較好的適用性，絕大多數(shù)田間圖像提取的導(dǎo)航線都能達(dá)到農(nóng)機(jī)導(dǎo)航對實(shí)時性和精度的要求.此外，該算法受光線強(qiáng)度、非綠色支架、農(nóng)作物稀疏缺株以及陰影干擾等環(huán)境噪聲影響較小，魯棒性較好.

參考文獻(xiàn)

[1]BALL D，UPCROFT B，WYETH G，et al. Vision-based obstacle detection and navigation for an agricultural robot[J]. Journal of Field Robotics，2016，33（8）：1107-1130.

[2]ZHANG T，XIA J F，WU G，et al. Automatic navigation path detection method based on machine vision for tillage machines working on high crop stubble fields[J]. International Journal of Agricultural and Biological Engineering，2014，7（4）：29-37.

[3]MOUSAZADEH H. A technical review on navigation systems of agricultural autonomous off-road vehicles[J]. Journal of Terramechanics，2013，50（3）：211-232.

[4]伍淵遠(yuǎn)，尚欣，張呈彬，等. 自然光照下智能葉菜收獲機(jī)作業(yè)參數(shù)的獲取[J]. 浙江農(nóng)業(yè)學(xué)報，2017，29（11）：1930-1937.

[5]閆保中，王強(qiáng)軍. 農(nóng)田圖像導(dǎo)航線檢測技術(shù)研究[J]. 應(yīng)用科技，2017，44（2）：65-69.

[6]李勇. 基于單目視覺的道路信息提取與智能預(yù)警[D]. 秦皇島：燕山大學(xué)，2016.

[7]李勇，丁偉利. 基于暗原色的農(nóng)機(jī)具視覺導(dǎo)航線提取算法[J]. 光學(xué)學(xué)報，2015，35（2）：221-228.

[8]馬紅霞. 基于機(jī)器視覺的農(nóng)業(yè)車輛導(dǎo)航基準(zhǔn)線提取方法的研究[D]. 淄博：山東理工大學(xué)，2012.

[9]郭翰林，洪瑛杰，張翔，等. 再生稻收割機(jī)的視覺導(dǎo)航路徑檢測方法[J]. 福建農(nóng)林大學(xué)學(xué)報（自然科學(xué)版），2017，46（3）：356-360.

[10]馬志艷，湯有勝，楊光友. 基于視覺的茶作物行間行走路徑規(guī)劃研究[J]. 農(nóng)機(jī)化研究，2017，39（1）：202-206.

[11]湯有勝. 基于嵌入式視覺的自動導(dǎo)航系統(tǒng)研究[D]. 武漢：湖北工業(yè)大學(xué)，2016.

[12]袁挺，任永新，李偉，等. 基于光照色彩穩(wěn)定性分析的溫室機(jī)器人導(dǎo)航信息獲取[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2012，43（10）：161-166.

[13]鄭冰，趙陽，葛東林. 農(nóng)機(jī)快速導(dǎo)航系統(tǒng)設(shè)計(jì)——基于圖像邊緣檢測和3D深度視頻幀內(nèi)編碼[J]. 農(nóng)機(jī)化研究，2018（5）：181-184.

[14]翟志強(qiáng). 基于虛擬現(xiàn)實(shí)的拖拉機(jī)雙目視覺導(dǎo)航試驗(yàn)方法研究[D]. 北京：中國農(nóng)業(yè)大學(xué)，2017.

[15]陳少杰. 基于圖像理解的水田除草機(jī)器人視覺導(dǎo)航系統(tǒng)研究[D]. 廣州：華南理工大學(xué)，2016.

[16]刁智華，吳貝貝，魏玉泉，等. 利用最大圓盤提取作物行骨架的改進(jìn)算法[J]. 中國農(nóng)機(jī)化學(xué)報，2016，37（7）：141-144.

[17]刁智華，吳貝貝，毋媛媛，等. 基于最大正方形的玉米作物行骨架提取算法[J]. 農(nóng)業(yè)工程學(xué)報，2015，31（23）：168-172.

[18]李茗萱，張漫，孟慶寬，等. 基于掃描濾波的農(nóng)機(jī)具視覺導(dǎo)航基準(zhǔn)線快速檢測方法[J]. 農(nóng)業(yè)工程學(xué)報，2013，29（1）：41-47.

[19]韓永華，汪亞明，鄭俊褒，等. 一種基于小波變換及最大類間方差的農(nóng)田圖像分割方法：CN201410153193.4[P]. 2014-07-09.

[20]黃小剛. 水田除草機(jī)器人視覺導(dǎo)航路徑與參數(shù)獲取方法研究[D]. 廣州：華南理工大學(xué)，2013.

[21]王偉羊. 基于計(jì)算機(jī)視覺的采茶機(jī)導(dǎo)航技術(shù)研究[D]. 杭州：浙江工業(yè)大學(xué)，2016.

[22]陳益杉，盧偉，王玲，等. 基于GIF-Shearlet算法的新舊土邊界線視覺導(dǎo)航技術(shù)研究[J]. 農(nóng)業(yè)現(xiàn)代化研究，2017，38（2）：343-351.

[23]張延麗，李春貴. 視頻車輛檢測中改進(jìn)的閾值分割算法研究[J]. 廣西科技大學(xué)學(xué)報，2017，28（2）：61-66.

[24]趙騰，野口伸，楊亮亮，等. 基于視覺識別的小麥?zhǔn)斋@作業(yè)線快速獲取方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2016，47（11）：32-37.

[25]梁習(xí)卉子，陳兵旗，姜秋慧，等. 基于圖像處理的玉米收割機(jī)導(dǎo)航路線檢測方法[J]. 農(nóng)業(yè)工程學(xué)報，2016，32（22）：43-49.

[26]李飛，賓洋，羅文廣，等. 基于TMSDM6437的車道線檢測[J]. 廣西科技大學(xué)學(xué)報，2018，29（1）：43-48.