基于雙目視覺的種植前期農(nóng)田邊界距離檢測(cè)方法

洪梓嘉 李彥明 林洪振,2 貢 亮 劉成良,2

(1.上海交通大學(xué)機(jī)械與動(dòng)力工程學(xué)院， 上海 200240； 2.機(jī)械系統(tǒng)與振動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)室， 上海 200240)

0 引言

無(wú)人駕駛及自主作業(yè)是目前農(nóng)機(jī)智能化發(fā)展趨勢(shì)及研究熱點(diǎn)，全球?qū)Ш叫l(wèi)星系統(tǒng)(GNSS)的定位精度已小于2.5 cm，在農(nóng)機(jī)導(dǎo)航與自動(dòng)駕駛中已得到廣泛應(yīng)用[1]，但基于GNSS的農(nóng)機(jī)自動(dòng)駕駛及無(wú)人作業(yè)目前尚存在一些局限。GNSS需要提前進(jìn)行田地邊界人工打點(diǎn)標(biāo)記，額外增加了工作量的同時(shí)，也可能對(duì)作物或田間土壤造成破壞；并且GNSS對(duì)于不規(guī)則形狀地塊的標(biāo)定較為繁瑣；另外，對(duì)于位置偏僻或信號(hào)不佳的農(nóng)田，農(nóng)機(jī)也難以完全基于衛(wèi)星導(dǎo)航進(jìn)行作業(yè)。而車載傳感器可以實(shí)時(shí)獲取農(nóng)機(jī)周圍豐富的環(huán)境信息，進(jìn)而根據(jù)不同的環(huán)境情況，靈活機(jī)動(dòng)地控制農(nóng)機(jī)作業(yè)，這恰好彌補(bǔ)了GNSS的不足。因此，基于車載傳感器的農(nóng)田邊界距離實(shí)時(shí)感知對(duì)于農(nóng)機(jī)無(wú)人作業(yè)有著重要價(jià)值。

農(nóng)機(jī)自動(dòng)駕駛與無(wú)人作業(yè)的田間障礙物距離檢測(cè)傳感器包括視覺傳感器、激光雷達(dá)、毫米波雷達(dá)和超聲波等[2]，由于農(nóng)田作業(yè)邊界低矮，雷達(dá)和超聲波等無(wú)法對(duì)其實(shí)現(xiàn)距離檢測(cè)。與其他傳感器相比，視覺傳感器能夠獲得農(nóng)田環(huán)境的二維圖像甚至三維點(diǎn)云，信息豐富且成本較低，與雷達(dá)相比雖然檢測(cè)距離較短，但目前已經(jīng)能達(dá)到20 m，能夠滿足農(nóng)機(jī)作業(yè)速度下障礙及邊界距離檢測(cè)要求，因此基于視覺傳感器的研究成為了智能農(nóng)機(jī)環(huán)境感知的熱點(diǎn)[3]。

目前視覺傳感器在農(nóng)機(jī)導(dǎo)航中得到了廣泛應(yīng)用，主要包括作物行線檢測(cè)[4-6]及農(nóng)田邊界線檢測(cè)[7-10]。其中作物行線檢測(cè)算法的研究開展較早，技術(shù)已較為成熟，其算法大多是基于顏色和紋理的傳統(tǒng)圖像處理方法[4-7]。而農(nóng)田邊界線檢測(cè)算法的研究相對(duì)較少，算法核心大多數(shù)為機(jī)器學(xué)習(xí)方法[8-10]。其中文獻(xiàn)[10]采用超像素分割算法，解決了機(jī)器學(xué)習(xí)農(nóng)田訓(xùn)練樣本缺乏的問題。此類算法可以滿足實(shí)時(shí)要求，但對(duì)于與機(jī)器學(xué)習(xí)訓(xùn)練樣本差異較大的農(nóng)田，算法魯棒性有待于進(jìn)一步提高。

上述算法均使用單目相機(jī)作為傳感器，雖然實(shí)現(xiàn)了農(nóng)田作物行線與邊界線的檢測(cè)，但無(wú)法獲得邊界距離信息。與單目相機(jī)相比，雙目相機(jī)在獲得二維圖像信息的基礎(chǔ)上，還可獲得三維空間信息。近年來(lái)，隨著雙目立體匹配算法在時(shí)間和精度上的突破[11]，基于雙目視覺的距離檢測(cè)算法在室內(nèi)及工業(yè)化環(huán)境條件下表現(xiàn)良好[12]，國(guó)內(nèi)外學(xué)者提出了將雙目視覺應(yīng)用于農(nóng)田中，進(jìn)行作物行線檢測(cè)和田間作業(yè)機(jī)械、人和建筑物等具有一定高度體積的障礙物識(shí)別測(cè)距[13-16]。但對(duì)于農(nóng)田邊界而言，部分田埂與地塊特征差異不大，高度低、目標(biāo)小，與農(nóng)機(jī)、人等障礙物的檢測(cè)有明顯不同特點(diǎn)，需要更加精準(zhǔn)且高效的立體匹配方法和結(jié)合實(shí)際場(chǎng)景的測(cè)距策略，但目前基于雙目視覺的農(nóng)田邊界距離檢測(cè)研究較少，尤其耕整與播種作業(yè)環(huán)節(jié)，農(nóng)田邊界與土壤顏色接近，邊界識(shí)別與距離檢測(cè)難度更大。

本文基于雙目視覺對(duì)農(nóng)機(jī)自動(dòng)駕駛及無(wú)人作業(yè)的農(nóng)田邊界距離自主檢測(cè)方法進(jìn)行研究。為保證農(nóng)田圖像的立體匹配精度和匹配速度，運(yùn)用多特征融合及分割樹算法分別進(jìn)行代價(jià)計(jì)算和代價(jià)聚合，進(jìn)一步利用多尺度代價(jià)聚合框架，建立不同尺度下匹配代價(jià)的聯(lián)系，增強(qiáng)弱紋理區(qū)域的可靠性；然后針對(duì)農(nóng)田實(shí)際情況，設(shè)計(jì)田埂的點(diǎn)云提取方法，識(shí)別出較為準(zhǔn)確的田埂邊界線；最終進(jìn)行田埂測(cè)距實(shí)驗(yàn)，對(duì)雙目視覺在農(nóng)田邊界距離檢測(cè)中的可行性、適用條件及檢測(cè)精度進(jìn)行驗(yàn)證。

1 基于多尺度代價(jià)合并的農(nóng)田邊界立體匹配

農(nóng)業(yè)生產(chǎn)的耕、種、管、收等不同環(huán)節(jié)的農(nóng)田邊界呈現(xiàn)不同特點(diǎn)，可以按照其與作物的高度分為種植前期(作物高度較明顯小于田埂高度)和種植后期(作物高度等于或高于田埂高度)，不同農(nóng)田中田埂的情況不同，本文田埂檢測(cè)算法針對(duì)種植前期的農(nóng)田環(huán)境提出，如耕整、播種、田埂高于作物時(shí)的施肥噴藥等具體場(chǎng)景。

圖像的立體匹配是基于雙目視覺的農(nóng)田邊界檢測(cè)的核心，可歸納為代價(jià)計(jì)算、代價(jià)聚合、視差計(jì)算和視差優(yōu)化幾個(gè)步驟[17]。其中代價(jià)計(jì)算與代價(jià)聚合是決定立體匹配性能的關(guān)鍵。本文針對(duì)農(nóng)田非結(jié)構(gòu)環(huán)境的特點(diǎn)，采用基于多尺度代價(jià)合并的立體匹配方法。

1.1 多特征融合的匹配代價(jià)計(jì)算

農(nóng)田環(huán)境光照變化大，且田地部分易出現(xiàn)重復(fù)紋理，此時(shí)憑借單一特征對(duì)圖像描述進(jìn)行匹配難以保證準(zhǔn)確性。為保證算法的魯棒性，選擇了Census變換[18]與截?cái)嚅撝堤荻鹊亩嗵卣魅诤洗鷥r(jià)計(jì)算方法。Census立體匹配方法依賴于局部強(qiáng)度的相對(duì)有序，而不是強(qiáng)度本身，因此對(duì)整體的明暗變化并不敏感，且可以容忍大量的異常值，對(duì)光照變化和圖像噪聲魯棒。而梯度信息可以加強(qiáng)對(duì)圖像紋理信息的獲取，從而改善深度不連續(xù)區(qū)域的匹配效果。

當(dāng)視差為d時(shí)，計(jì)算左圖像素點(diǎn)(u,v)和右圖待匹配像素點(diǎn)(u+d,v)的漢明距離即為Census變換的匹配代價(jià)

Ccen(u,v,d)=
Hamming(Cenl(u,v),Cenr(u+d,v))

(1)

其中，Cenl(u,v)為左圖像素點(diǎn)(u,v)經(jīng)Census變換后得到的比特串；Cenr(u+d,v)為左圖像素點(diǎn)(u+d,v)經(jīng)Census變換后得到的比特串。

同時(shí)，引入梯度信息來(lái)計(jì)算匹配代價(jià)，梯度匹配代價(jià)定義為

(2)

τg——梯度代價(jià)截?cái)嘞禂?shù)，可有效限制異常點(diǎn)的影響

Il、Ir——雙目相機(jī)采集的左、右圖像

參照文獻(xiàn)[19]，將Census匹配代價(jià)和截?cái)嗵荻绕ヅ浯鷥r(jià)進(jìn)行歸一化結(jié)合，最終的匹配代價(jià)公式為

C(u,v,d)=2-exp(-Ccen(u,v,d)/λc)-
exp(-Cg(u,v,d)/λg)

(3)

式中λc——Census匹配代價(jià)控制參數(shù)

λg——截?cái)嗵荻绕ヅ浯鷥r(jià)控制參數(shù)

1.2 多尺度代價(jià)合并的代價(jià)聚合

為了保證算法在農(nóng)田環(huán)境中的匹配準(zhǔn)確性和算法的實(shí)時(shí)性，采用基于多尺度代價(jià)聚合框架，通過(guò)構(gòu)建分割樹[20-21](Segment-Tree, ST)的方法進(jìn)行代價(jià)聚合。

分割樹利用最小生成樹的思想，每個(gè)像素在計(jì)算代價(jià)時(shí)均會(huì)得到來(lái)自圖像中所有其他像素的貢獻(xiàn)。且在構(gòu)建樹的過(guò)程中，深化對(duì)細(xì)節(jié)的處理，從而使算法具有全局算法的優(yōu)秀匹配效果，還對(duì)于邊緣紋理區(qū)域的處理更加精細(xì)。同時(shí)，為提高運(yùn)算實(shí)時(shí)性，利用雙向遍歷樹結(jié)構(gòu)的計(jì)算方法，分割樹構(gòu)建的時(shí)間幾乎與圖像像素的數(shù)量呈線性關(guān)系，極大減小了計(jì)算復(fù)雜度。

分割樹代價(jià)聚合算法的具體步驟為：

(1)用無(wú)向圖G=(V,E)表示圖像I，初始化最小生成樹的集合T。圖像I中的每一個(gè)像素均為V中的一個(gè)頂點(diǎn)，I中每對(duì)符合四聯(lián)通規(guī)則的相鄰像素均為E中的一條邊，灰度差即邊的權(quán)重we。初始時(shí)刻每個(gè)頂點(diǎn)都是一個(gè)最小生成樹。

(2)通過(guò)最小生成樹原理來(lái)構(gòu)造子樹T。將E中的邊根據(jù)權(quán)重由小到大進(jìn)行遍歷，被邊連接的2個(gè)子樹根據(jù)判別公式判斷是否合并為一個(gè)最小生成樹，判別公式為

(4)

式中 Int(Tp)、Int(Tq)——Tp、Tq中最大的邊權(quán)重

|Tp|、|Tq|——分割子樹p、q中頂點(diǎn)個(gè)數(shù)

k——常數(shù)，取1 000

(3)合并最小生成樹直至全圖成為一棵樹T0。將每個(gè)子樹與另一個(gè)子樹連接的邊根據(jù)權(quán)重由小到大進(jìn)行遍歷，若此邊來(lái)自2個(gè)不同的子樹，則將這2個(gè)子樹合并為1個(gè)，直至全圖被合并為1個(gè)最小生成樹則停止。

(5)

已知坐標(biāo)的像素q在視差d的匹配代價(jià)由式(3)獲得，現(xiàn)簡(jiǎn)記為Cd(q)；σ為距離調(diào)整參數(shù)，在具體工程應(yīng)用中被指定，本文取σ=0.1。

采用以上描述的分割樹方法在所有尺度的圖像上進(jìn)行代價(jià)聚合后，各尺度的聚合代價(jià)是相互獨(dú)立的，根據(jù)文獻(xiàn)[22]中的多尺度代價(jià)合并框架建立它們之間的關(guān)系，合并多尺度的聚合代價(jià)至原圖尺度。

(6)

1.3 計(jì)算及視差優(yōu)化

采用WTA (Winner take all)策略計(jì)算視差，即選取匹配代價(jià)圖中最小匹配代價(jià)對(duì)應(yīng)的視差作為該點(diǎn)的視差。另外，選擇中值濾波方法進(jìn)行視差優(yōu)化。

2 田埂邊界識(shí)別

基于雙目視覺的農(nóng)田邊界識(shí)別與距離檢測(cè)，其本質(zhì)是根據(jù)三維點(diǎn)云信息中農(nóng)田作業(yè)區(qū)域與田埂間的高度差進(jìn)行田埂區(qū)域的提取和測(cè)距。本文首先利用成像原理構(gòu)建圖像的三維點(diǎn)云獲取像素點(diǎn)的位置信息，再利用像素點(diǎn)高度坐標(biāo)對(duì)邊界點(diǎn)云進(jìn)行粗識(shí)別，并進(jìn)行實(shí)際農(nóng)田環(huán)境中的干擾消除。

2.1 深度圖及三維點(diǎn)云計(jì)算

深度圖是指將從相機(jī)到場(chǎng)景中各點(diǎn)的距離(深度)作為像素值的圖像，根據(jù)三角形相似性質(zhì)，容易進(jìn)行視差圖到深度圖的轉(zhuǎn)換，公式為

(7)

式中ddepth——所求該像素點(diǎn)在實(shí)際空間中距離相機(jī)的深度，mm

b——相機(jī)基線距離，本文相機(jī)為120 mm

fx——相機(jī)歸一化焦距，通過(guò)張正友標(biāo)定法[23]獲得

根據(jù)經(jīng)典的針孔模型結(jié)構(gòu)原理計(jì)算三維點(diǎn)云[24]，公式為

(8)

其中，cx、cy、fx、fy均為標(biāo)定獲得，cx=971.496 9像素、cy=558.542 9像素、fx=1 068.622 7像素、fy=1 069.420 2像素。坐標(biāo)系方向如圖1所示，z即像素至相機(jī)的深度距離。

圖1 相機(jī)坐標(biāo)系示意圖Fig.1 Camera coordinate system diagram

圖2 邊界提取處理Fig.2 Boundary extraction processing

2.2 自適應(yīng)農(nóng)田邊界點(diǎn)云粗提取

在耕整、播種及作物生長(zhǎng)早期，根據(jù)土地耕整情況和作物生長(zhǎng)情況等，在不同的田地，相機(jī)距離地面或作物的高度特性不同。針對(duì)此特點(diǎn)，設(shè)計(jì)了自適應(yīng)點(diǎn)云農(nóng)田邊界提取方法。

相機(jī)平行于地面安裝在農(nóng)機(jī)正前方，假定農(nóng)機(jī)初始作業(yè)時(shí)農(nóng)機(jī)前方近處沒有田埂，作業(yè)過(guò)程中農(nóng)機(jī)在田間朝著田埂方向行駛，圖像中間底部的區(qū)域幾乎可以確定為田地。農(nóng)田地面距離相機(jī)的垂直高度Y(即相機(jī)坐標(biāo)系下三維點(diǎn)云的y值的集合)符合N(μ,σ2)的高斯分布，均值即為相機(jī)距離地面或作物的高度，在均值左右2個(gè)標(biāo)準(zhǔn)差(2σ)范圍內(nèi)的點(diǎn)被認(rèn)為是地面或作物，并將這些點(diǎn)在視差圖(圖2b)中置為黑色，實(shí)現(xiàn)濾除。另本文認(rèn)為田埂高度不大于800 mm，將高度超過(guò)800 mm的無(wú)關(guān)區(qū)域一同濾除，即

(9)

最終點(diǎn)云提取效果如圖2c所示。

2.3 針對(duì)實(shí)際農(nóng)田環(huán)境的干擾消除

在理想的農(nóng)田環(huán)境中，地面或作物的高度較為一致，田埂明顯高于地塊，且小范圍內(nèi)的形狀為連續(xù)的直線。但對(duì)于實(shí)際農(nóng)田，地面會(huì)存在小范圍凸起或凹陷，作物生長(zhǎng)可能參差不齊，這會(huì)對(duì)提取的邊界點(diǎn)云產(chǎn)生干擾，因此，設(shè)計(jì)了基于點(diǎn)云連續(xù)性的干擾消除方法。

為達(dá)到理想的邊界提取效果，對(duì)點(diǎn)云過(guò)濾后的視差圖依序進(jìn)行了幾種形態(tài)學(xué)處理，每個(gè)步驟的圖像處理過(guò)程如圖2所示：首先為了平滑田埂附近的邊界線并去除較小的殘留地面區(qū)域，采用中值濾波對(duì)圖像進(jìn)行處理，以減小誤差，效果見圖2d。后進(jìn)行了Otsu二值化處理，此時(shí)田埂和部分孤立殘留地面為白色，其余濾除區(qū)域?yàn)楹谏Ч妶D2e。可以看出，若地面過(guò)于不平坦，或作物雜草過(guò)于參差不齊，中值濾波后仍可能會(huì)有孤立的地面區(qū)域，故根據(jù)干擾區(qū)域的不連續(xù)性，進(jìn)行小連通域去除操作。對(duì)白色小連通域進(jìn)行去除，同時(shí)再對(duì)誤濾除的高度較低的田埂區(qū)域(此區(qū)域表現(xiàn)為白色區(qū)域中的黑色小連通域)進(jìn)行填充，效果見圖2f。最后，用Sobel邊緣提取方法進(jìn)行田埂的邊界提取，效果見圖2g。

3 基于邊界位置校正的距離檢測(cè)

本文設(shè)定2個(gè)田埂邊界的距離指標(biāo)：中心邊界距離和平均邊界距離，示意圖如圖3所示。其中，中心邊界距離為圖像中線與田埂邊界交點(diǎn)處的z坐標(biāo)值，即圖中黃色標(biāo)記點(diǎn)處的深度；平均邊界距離為農(nóng)機(jī)寬度正對(duì)的一段田埂邊界的z坐標(biāo)均值，即圖中紅色標(biāo)記曲線處的深度均值。本文設(shè)定農(nóng)機(jī)寬度為2.5 m，并對(duì)x坐標(biāo)在[-1.5，1.5] m范圍內(nèi)的邊界點(diǎn)取深度均值。

圖3 距離測(cè)量位置示意圖Fig.3 Diagram of distance measurement location

田埂與相機(jī)視角的示意圖如圖4所示，針對(duì)種植作物的田地，自適應(yīng)點(diǎn)云提取將作物高度面(圖4中橫線)視為地面，會(huì)過(guò)濾掉高度小于作物高度的部分田埂，此時(shí)測(cè)量的距離z是田埂中部到相機(jī)的距離，因此測(cè)量存在誤差。進(jìn)一步討論在原圖中人為判斷的邊界線，實(shí)際上由于相機(jī)視角問題(圖4中斜線)，一部分田埂會(huì)被作物遮擋，同樣無(wú)法獲得田地的真實(shí)邊界以進(jìn)行距離補(bǔ)償。最終，設(shè)計(jì)基于田埂斜度和作物高度的邊界位置校正方法，校正后的距離計(jì)算公式為

(10)

式中H——相機(jī)安裝高度

α——田埂斜度

圖4 田埂位置校正示意圖Fig.4 Ridge position correction schematic

4 實(shí)驗(yàn)

為保證邊界檢測(cè)算法的普遍性，在上海市松江區(qū)和崇明區(qū)的田地中進(jìn)行了多次實(shí)驗(yàn),實(shí)驗(yàn)平臺(tái)及環(huán)境如圖5所示。

圖5 實(shí)驗(yàn)平臺(tái)與環(huán)境Fig.5 Test platform and environment

實(shí)驗(yàn)采用ZED 2相機(jī)作為圖像采集傳感器，圖像分辨率為3 840像素×1 080像素時(shí)，每秒可輸出30幀，測(cè)距范圍為0.5～20 m。采用NVIDIA公司的車載Jetson TX2產(chǎn)品作為算法處理器，Jetson TX2配備8 GB運(yùn)行內(nèi)存和32 GB存儲(chǔ)空間，CPU的主頻可以達(dá)到2 GHz。通過(guò)USB連接相機(jī)與處理器進(jìn)行圖像的傳輸。基于Ubuntu 18.04操作系統(tǒng)，采用C++語(yǔ)言對(duì)算法進(jìn)行編程實(shí)現(xiàn)并在CMake環(huán)境下編譯。使用了ZED 2相機(jī)軟件開發(fā)工具包用于圖像采集，還使用了計(jì)算機(jī)視覺開源庫(kù)OpenCV中的部分函數(shù)進(jìn)行圖像處理。

農(nóng)機(jī)在播種與噴藥作業(yè)時(shí)行駛速度為0.8～1.5 m/s，轉(zhuǎn)彎半徑為2.5～3 m。考慮到機(jī)器的控制時(shí)間和傳感器的分辨率，期望在最遠(yuǎn)處(10 m)開始能夠識(shí)別田埂邊界進(jìn)行提示；在較遠(yuǎn)處(8 m)能夠識(shí)別田埂邊界并嘗試測(cè)距，測(cè)距允許誤差0.40 m；在近處(5 m)時(shí)能夠精確識(shí)別田埂邊界輔助轉(zhuǎn)彎控制，測(cè)距允許誤差0.10 m。

實(shí)驗(yàn)中，農(nóng)機(jī)以速度0.8 m/s行駛，ZED 2相機(jī)實(shí)時(shí)采集農(nóng)田圖像并由NVIDIA Jetson TX2進(jìn)行處理，裁剪后的感興趣區(qū)域圖像并排分辨率為1 200像素×300像素，平均0.8 s可以對(duì)圖像完成一次田埂邊界檢測(cè)。崇明區(qū)農(nóng)田種植了作物，處于施肥作業(yè)期，顏色區(qū)分明顯，田埂高度為40～60 cm，不同光照條件下的田埂識(shí)別效果如圖6所示。松江區(qū)農(nóng)田處于中作物播種前的耕整期，田埂與田地顏色相近，田埂高度為20～40 cm，對(duì)于留有麥茬待耕整的地塊和已經(jīng)耕整過(guò)待播種的地塊的田埂識(shí)別效果如圖7所示。測(cè)距效果如表1所示。

圖6 崇明區(qū)田地田埂識(shí)別結(jié)果Fig.6 Field ridge detection results in Chongming District

圖7 松江區(qū)田地田埂識(shí)別結(jié)果Fig.7 Field ridge detection results in Songjiang District

從表1可以看出，對(duì)田埂采用平均邊界距離這一指標(biāo)效果更佳。利用在崇明區(qū)和松江區(qū)所采集的進(jìn)行過(guò)距離標(biāo)定(邊界距離在5～10 m)的100對(duì)(分別采集50對(duì))田埂圖像樣本進(jìn)行算法評(píng)價(jià)，將田埂識(shí)別率和5 m時(shí)的距離誤差均值(平均邊界距離計(jì)算得出)作為評(píng)價(jià)指標(biāo)，結(jié)果如表2所示。針對(duì)崇明區(qū)較高且較平整的田埂，此算法成功識(shí)別出所有田埂，測(cè)量距離較為準(zhǔn)確；針對(duì)松江區(qū)的田埂，由于其部分田埂較低，且周圍有麥茬或雜草的干擾，有一對(duì)圖像的田埂未被成功提取，測(cè)量結(jié)果誤差也相對(duì)更大。總體上，此算法對(duì)于距離為5～10 m的田埂識(shí)別率為99%，對(duì)距離為5 m時(shí)的田埂測(cè)距誤差均值約為0.075 m，驗(yàn)證了算法的有效性。

表1 典型田埂的距離檢測(cè)結(jié)果Tab.1 Field ridge distance detection results m

表2 算法結(jié)果統(tǒng)計(jì)Tab.2 Algorithm result statistics

在松江區(qū)還進(jìn)行了對(duì)于縱向田埂的識(shí)別實(shí)驗(yàn)，縱向田埂和相交田埂的識(shí)別結(jié)果分別如圖8、9所示。對(duì)于顏色紋理特征差異較不明顯、田埂低矮的農(nóng)田圖像，此算法同樣成功提取出了田埂邊界。因此，此算法對(duì)于作物收獲時(shí)等情況下的航線檢測(cè)也有較大應(yīng)用價(jià)值。

圖9 松江區(qū)田地相交田埂識(shí)別結(jié)果Fig.9 Intersecting field ridge detection results in Songjiang District

5 結(jié)論

(1)雙目立體匹配過(guò)程中，兼顧算法的準(zhǔn)確性和實(shí)時(shí)性，代價(jià)計(jì)算采用了Census和截?cái)嗵荻热诤系姆椒ā⒋鷥r(jià)聚合采用了多尺度融合的分割樹算法，對(duì)于弱紋理和重復(fù)相近紋理區(qū)域都得到了理想的視差圖，實(shí)驗(yàn)驗(yàn)證了此立體匹配算法可以應(yīng)用于非結(jié)構(gòu)農(nóng)田環(huán)境中。

(2)提出了一種基于立體匹配的農(nóng)田田埂識(shí)別測(cè)距算法，利用田埂與地塊之間的高度差進(jìn)行點(diǎn)云提取，對(duì)不同農(nóng)田場(chǎng)景下的100對(duì)圖像的田埂識(shí)別率達(dá)到99%。此算法可以實(shí)現(xiàn)對(duì)各種不同顏色紋理特征的農(nóng)田圖像的田埂識(shí)別，解決了單目相機(jī)基于特征的算法對(duì)不同特征的農(nóng)田場(chǎng)景魯棒性差、基于機(jī)器學(xué)習(xí)算法則需要大量圖像樣本的問題。

(3)農(nóng)田邊界的雙目距離檢測(cè)的精度與檢測(cè)距離和圖像分辨率有關(guān)。實(shí)驗(yàn)證明，本算法的測(cè)距精度隨著檢測(cè)距離的減小而提高，在田埂距離為8 m時(shí)，距離檢測(cè)精度為0.4 m，田埂距離為5 m時(shí)，距離檢測(cè)誤差均值約為0.075 m，對(duì)于行駛速度小于1.5 m/s的農(nóng)機(jī)可以滿足自主作業(yè)時(shí)的邊界距離檢測(cè)要求。

(4) 本算法針對(duì)種植前期的農(nóng)田環(huán)境提出并進(jìn)行了實(shí)驗(yàn)，對(duì)于種植中后期，部分農(nóng)田的作物高度超過(guò)田埂的情況，此算法必然需要進(jìn)行對(duì)應(yīng)的修改，具體可行性尚有待驗(yàn)證。