本發(fā)明具體涉及一種彎曲果園道路的檢測方法。

背景技術(shù)：

農(nóng)業(yè)采摘機(jī)器人是近年來農(nóng)業(yè)發(fā)展的一個方向，果園道路檢測技術(shù)是農(nóng)業(yè)采摘機(jī)器人實現(xiàn)自主導(dǎo)航的關(guān)鍵技術(shù)。果園里的道路是一種不規(guī)則的小路，具有路窄、凸曲、不對稱性，以及路面多雜草、落葉等特點，同時經(jīng)常受光照變化干擾，這些不確定因素使許多算法難以正確檢測果園道路，嚴(yán)重制約自然環(huán)境下作業(yè)的采摘機(jī)器人的移動范圍，為此要求具備魯棒性的果園道路檢測算法。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是提供一種彎曲果園道路的檢測方法。

一種彎曲果園道路的檢測方法，包括以下步驟：

s1：根據(jù)果園道路的顏色分布特征和幾何形狀特征，使用有限差分算子提取圖像邊緣，再使用灰度值對比度約束和霍夫直線檢測去除噪聲，實現(xiàn)道路邊緣點提?。?/p>

s2：提出多項式函數(shù)描述直線和彎曲道路，使用改進(jìn)的隨機(jī)樣本一致性算法和線性最小二乘法擬合道路邊緣點，以估計多項式函數(shù)的參數(shù)，實現(xiàn)果園道路檢測。

進(jìn)一步的，有限差分算子提取圖像邊緣的方法如下：

假定表示圖像在像素點(x,y)處的灰度值，其方向向量可以用有限差分來計算：

；

；

點(x,y)的梯度幅值為；

邊緣被定義為圖像梯度幅值是局部最大的點，只需對圖像梯度幅值進(jìn)行閾值分割，且進(jìn)行非極大值抑制以細(xì)化邊緣。

進(jìn)一步的，灰度值對比度約束的方法如下：

灰度值對比度約束：；

對于左邊緣：；

；

對于右邊緣：；

；

式中，指道路的平均灰度值；指背景的平均灰度值；w指道路的像素寬度；是與對比度相關(guān)的大于零的常數(shù)，取值0.3-0.5。

進(jìn)一步的，霍夫直線檢測的方法如下：

1）將參數(shù)空間離散化為累加單元a(m,n)，m和n分別等于和的離散值的數(shù)量，參數(shù)取值范圍為和。常數(shù)和根據(jù)左邊緣(或右邊緣)的斜度來確定，d是圖像子區(qū)域?qū)侵g的距離；

2）取的步長為5°，對子區(qū)域中的每個邊緣點(x,y)，使用式=xcos+ysin計算對應(yīng)的，對得到的值進(jìn)行四舍五入，讓累加單元自加a(,)=a(,)+1；

3）對累加單元a進(jìn)行中值濾波，去除噪聲干擾，再對累加單元a進(jìn)行閾值分割和極大值約束，便可檢測到直線。

進(jìn)一步的，線性最小二乘法的方法如下：

1）一元多項式函數(shù)的數(shù)學(xué)模型可表示為：

；

式中，p是模型參數(shù)，n是參數(shù)數(shù)量；

2）將道路邊緣擬合成多項式：

；

式中，m指道路邊緣點數(shù)量；

3）多項式函數(shù)的導(dǎo)數(shù)的表示式：

；

4）構(gòu)造新的最小二乘問題：

，

其中：

；

。

進(jìn)一步的，進(jìn)的隨機(jī)樣本一致性算法的方法如下：

1）已知圖像子區(qū)域數(shù)量n和給定多項式函數(shù)參數(shù)數(shù)量為；

2）從每個子區(qū)域隨機(jī)選擇1個邊緣點，總計n個邊緣點；再從n個點中隨機(jī)選擇n個點以構(gòu)成子集s，使用子集s直接解算多項式模型參數(shù)p；

3）使用模型參數(shù)p對剩余的邊緣點進(jìn)行劃分，將模型誤差小于某個閾值的邊緣點并入s中，表示為，集合被稱為s的一致集；

4）若，指正確的模型所要包含的最少的內(nèi)點數(shù)量，則使用改進(jìn)的線性最小二乘法對集合進(jìn)行擬合重新估計模型，并且計算最大曲率，如果小于給定曲率，那么計算其對應(yīng)的模型誤差，否則舍棄該參數(shù)；

5）重復(fù)以上過程k次，并記下模型誤差最小的模型參數(shù)，用作為多項式的模型參數(shù)，迭代k次后算法能得到正確結(jié)果的概率為：

；

因此，只要給定p,n和z，便能確定k：

。

本發(fā)明的有益效果是：

本發(fā)明在光照變化、陰影和遮擋背景的影響下，能有效地提取果園道路邊緣點，并能正確地擬合道路以實現(xiàn)道路檢測，該方法能夠滿足導(dǎo)航系統(tǒng)的魯棒性和實時性要求，保證了視覺導(dǎo)航系統(tǒng)進(jìn)行果園道路檢測的有效性。

具體實施方式

以下具體實施例對本發(fā)明作進(jìn)一步闡述，但不作為對本發(fā)明的限定。

一種彎曲果園道路的檢測方法，包括以下步驟：

s1：根據(jù)果園道路的顏色分布特征和幾何形狀特征，使用有限差分算子提取圖像邊緣，再使用灰度值對比度約束和霍夫直線檢測去除噪聲，實現(xiàn)道路邊緣點提?。?/p>

s2：提出多項式函數(shù)描述直線和彎曲道路，使用改進(jìn)的隨機(jī)樣本一致性算法和線性最小二乘法擬合道路邊緣點，以估計多項式函數(shù)的參數(shù)，實現(xiàn)果園道路檢測。

有限差分算子提取圖像邊緣的方法如下：

假定表示圖像在像素點(x,y)處的灰度值，其方向向量可以用有限差分來計算：

；

；

點(x,y)的梯度幅值為；

邊緣被定義為圖像梯度幅值是局部最大的點，只需對圖像梯度幅值進(jìn)行閾值分割，且進(jìn)行非極大值抑制以細(xì)化邊緣。

灰度值對比度約束的方法如下：

灰度值對比度約束：；

對于左邊緣：；

；

對于右邊緣：；

；

式中，指道路的平均灰度值；指背景的平均灰度值；w指道路的像素寬度；是與對比度相關(guān)的大于零的常數(shù)，取值0.3-0.5。

霍夫直線檢測的方法如下：

1）將參數(shù)空間離散化為累加單元a(m,n)，m和n分別等于和的離散值的數(shù)量，參數(shù)取值范圍為和。常數(shù)和根據(jù)左邊緣(或右邊緣)的斜度來確定，d是圖像子區(qū)域?qū)侵g的距離；

2）取的步長為5°，對子區(qū)域中的每個邊緣點(x,y)，使用式=xcos+ysin計算對應(yīng)的，對得到的值進(jìn)行四舍五入，讓累加單元自加a(,)=a(,)+1；

3）對累加單元a進(jìn)行中值濾波，去除噪聲干擾，再對累加單元a進(jìn)行閾值分割和極大值約束，便可檢測到直線。

線性最小二乘法的方法如下：

1）一元多項式函數(shù)的數(shù)學(xué)模型可表示為：

；

式中，p是模型參數(shù)，n是參數(shù)數(shù)量；

2）將道路邊緣擬合成多項式：

；

式中，m指道路邊緣點數(shù)量；

3）多項式函數(shù)的導(dǎo)數(shù)的表示式：

；

4）構(gòu)造新的最小二乘問題：

，

其中：

；

。

進(jìn)的隨機(jī)樣本一致性算法的方法如下：

1）已知圖像子區(qū)域數(shù)量n和給定多項式函數(shù)參數(shù)數(shù)量為；

2）從每個子區(qū)域隨機(jī)選擇1個邊緣點，總計n個邊緣點；再從n個點中隨機(jī)選擇n個點以構(gòu)成子集s，使用子集s直接解算多項式模型參數(shù)p；

3）使用模型參數(shù)p對剩余的邊緣點進(jìn)行劃分，將模型誤差小于某個閾值的邊緣點并入s中，表示為，集合被稱為s的一致集；

4）若，指正確的模型所要包含的最少的內(nèi)點數(shù)量，則使用改進(jìn)的線性最小二乘法對集合進(jìn)行擬合重新估計模型，并且計算最大曲率，如果小于給定曲率，那么計算其對應(yīng)的模型誤差，否則舍棄該參數(shù)；

5）重復(fù)以上過程k次，并記下模型誤差最小的模型參數(shù)，用作為多項式的模型參數(shù)，迭代k次后算法能得到正確結(jié)果的概率為：

；

因此，只要給定p,n和z，便能確定k：

。