一种改进的田间导航特征点提取算法

陈艳 李春贵 胡波

摘 要：针对以田间图像每行背景像素的坐标中点作为导航特征点，拟合出的导航线精度不高的问题，提出了一种改进的特征点提取算法：首先，采用归一化2G-R-B超绿特征对图像进行灰度化，再用最大类间方差（OSTU）法和形态学闭运算分别对灰度图像进行分割和滤波；然后，提取每行背景像素坐标中点作为初始特征点，再根据初始特征点与图像中心线间表示农作物的像素数对特征点进行修正；最后，利用修正后的特征点拟合得到导航线.仿真结果表明：该改进算法受环境噪声影响较小、实时性好，拟合出的导航线在精度上具有明显优势.

关键词：特征点；导航线提取；农机导航

中图分类号：S126；TP391.41 DOI：10.16375/j.cnki.cn45-1395/t.2018.03.011

0 引言

随着计算机技术和信息处理技术的不断发展，智能化农业机器人越来越多地代替手工完成各种农作业，引领着第二次农业革命深入发展.智能农机的一个重要组成部分是视觉导航技术[1-3].视觉导航系统在获取田间图像后，首先对图像进行预处理，然后从中提取导航特征点并拟合导航线，最后根据导航线计算导航参数来控制农机的走向.其中，导航特征点的提取是农机视觉导航的关键，关系到导航精度.

目前，导航特征点提取算法主要有：对灰度图像或二值图像进行垂直投影提取特征点[4-8]；提取图像每行背景像素的坐标中点作为特征点[9-12]；利用边缘检测算子提取农作物和土壤的边界来提取特征点[13]；利用角点检测算子提取农作物的角点作为特征点[14-15]；利用细化法等提取作物行骨架来获取特征点[16- 17]等.其中，垂直投影法和背景像素坐标中点法算法相对简单、实时性好，但是受缺株、农作物间的空隙以及杂草等噪声影响较大，导航精度受限；边缘检测算法提取的特征点精度高，但由于需要做微分运算，算法相对复杂，实时性不高；角点检测算法和骨架提取算法较适合水稻秧苗、玉米等单株作物行的情况，适用性有限.

针对以上问题，为了在保证算法实时性的同时提高导航精度，本文以图像每行背景像素坐标中点作为初始特征点.为了消除图像背景噪声的影响，对偏离导航路径的特征点进行修正，并利用修正后的特征点拟合导航线.

1 特征点提取算法基本原理及改进

1.1 基本原理

在农业大规模种植中，农作物行通常具有近似呈直线、行与行之间的距离基本相等并相互平行的特点.而智能农机的摄像头一般安装在中间位置且正对着导航路径（通常是摄像头正对着的垄沟），因此所拍摄的田间图像除农田边界附近外基本相对导航路径左右对称.根据田间图像的这个特点，图像每行表示农作物或背景的像素坐标中点应正好在导航路径内.若以该坐标中点作为导航特征点提取导航线，理论上是可以正确导航的.然而，实际由于农作物行缺株、叶片之间的空隙以及垄沟内杂草的存在，部分图像行的特征点会偏离当前的垄沟，落在作物行上或其他垄沟内，从而導致拟合出的导航线偏离导航路径.因此，有必要对以农作物或背景的像素坐标中点为特征点的算法进行改进，对偏离导航路径的特征点进行修正以提高导航精度.

1.2 算法改进

由于摄像头通常正对着导航路径，从人的视觉角度来看，理想的特征点应分布在距离图像中心线最近的垄沟内.即便摄像头有一定的偏移或作物行有些弯曲，导航路径对应的垄沟也不会偏离图像中心线太多.基于此，可对算法进行改进，其基本思想是：首先提取图像每行背景像素的坐标中点作为初始特征点，此时大多特征点会落在中间垄沟内.若初始特征点偏离中间垄沟落在作物行上或其他垄沟内，则特征点与中间垄沟之间必然存在一些表示农作物的像素点.由于中间垄沟位置不定，但是距离图像中心线比较近，因此可以通过统计初始特征点与图像中心线之间表示农作物的像素点数，来对特征点进行修正.修正的方法是：初始特征点与图像中心线之间表示农作物的像素数有多少，就将初始特征点向图像中心线方向移动多少.这样就能使初始特征点向中间垄沟方向移动，一定程度上修正了特征点.设农田图像的大小为M×N，M和N分别对应田间图像的行数和列数，算法具体步骤如下：

Step 1 对预处理后的二值图像（白色代表农作物像素值为0，黑色代表背景像素值为1）进行逐行扫描，行数i由上至下增大，列数j由左至右增大.

Step 2 统计第i行像素值为1（即背景像素）的像素点个数m，以及当前行表示背景像素的像素点纵坐标之和k；

Step 3 计算当前行的初始特征点纵坐标：z=k/m （z为图像背景像素坐标的中值）；

Step 4 计算初始特征点z与图像中心线的距离：d=z-z0，其中z0=N/2，为图像中心线纵坐标值；

Step 5 若d<0（即初始特征点在图像中心线左侧），则扫描第z～z0列，统计t的值（t表示农作物像素数即像素值为0的个数），修正z=z+t；反之，若d>0（即初始特征点在图像中心线右侧），则扫描第z0～z列，统计t的值，修正z=z-t.

Step 6 扫描至M行后停止，否则继续执行Step 2.改进的导航特征点提取算法流程如图1所示.

2 实验系统及测量结果

2.1 总体结构

目前农机视觉导航系统进行导航线提取基本包括以下几个步骤：图像预处理、特征点提取和导航线拟合.导航线提取的基本流程如图2所示.

2.2 图像预处理

由于摄像头拍摄的图像通常是彩色图像，颜色信息比较丰富，冗余的信息会增加后续图像处理的难度，因此，需要先对图像进行预处理.图像预处理主要包括图像灰度化、图像分割和图像去噪等步骤.

图像灰度化处理时，需要选择合适的颜色空间模型进行.目前，田间图像灰度化时常用的颜色空间模型有：RGB[18]、HIS[19-20]、HSV[9]、YUV[21-22]等.其他颜色空间模型需由RGB转换得到，增大了计算量，本文使用RGB颜色空间对田间图像进行灰度化处理.基于RGB模型的灰度化算法有：G-R、EXR、2G-R-B（也称EXG）以及EXG-EXR等[15].本文采用较常用的2G-R-B超绿特征灰度化方法，灰度值计算公式为：

对图3（a）作灰度化处理，灰度转换结果如图3（b）所示.一般地，为避免灰度图像中农作物和土壤背景对比度不足给后续处理带来干扰，还需要对灰度图像进行归一化.本文采用的归一化公式为：

其中，Y、y分别为归一化前、后的灰度值，[Vmax]、[Vmin]分别为图像灰度的最大值和最小值.归一化灰度图如图3（c）所示.可见，归一化后的灰度图相比归一化前在保留了灰度差异的同时，还减小了图像中灰度的不一致，便于后续分割处理.

OSTU自动阈值分割算法简单、高效且性能稳定，是最常用的一种图像分割算法[23]，分割结果如图3（d）所示.分割后的二值图像中，绿色农作物区域中的黑色空洞和垄沟区域绿色杂草产生的白点，会给后续处理带来不利影响.因此，需要进一步对分割图像进行去噪.形态学滤波是较常用的一种图像降噪方法.其中形态学闭运算由于具有平滑轮廓、融合狭窄间断和细长的沟壑并消除小的空洞的特点，较符合田间图像的降噪要求.本文采用5×5的圆盘型结构元素对分割图像进行形态学闭运算去除噪声，结果如图3（e）所示.可见，大部分图像噪声被滤除.

2.3 特征点提取

若直接提取图3（e）预处理图像每行背景像素坐标的中点作为导航特征点，结果如图4（a）所示.由图4（a）可见，图像下方距离农机较近的地方由于受到噪声干扰较小，绝大部分特征点都落在中间的垄沟内.然而，图像上方远离农机的地方由于受到噪声干扰相对较大，特征点偏离了中间的垄沟，落在农作物区域甚至其他垄沟内.采用本文提出的改进算法，提取出的导航特征点如图4（b）所示.很明显，采用改进的特征点提取算法，可以使偏离中间垄沟的特征点向中间垄沟方向偏移，并且基本都落在中间垄沟内.

3 导航线拟合

由于田间导航路径即垄沟大多呈直线或相对农机前进方向局部范围内近似直线，因此大多采用线性直线拟合的方式来拟合导航线.常用的线性拟合算法有最小二乘法[7]和hough变换法[24-26]等.本文采用相对简单的最小二乘法进行拟合，拟合出的导航线方程为：

其中a、b为拟合系数，拟合出的导航线如图5所示.由图5（a）可见，直接利用改进前的特征点拟合的导航线偏离了中间垄沟，和人眼视觉提取的导航线相差较大，导航精度不够.而采用改进后的特征点拟合的导航线，如图5（b）所示，导航精度明显提高，和人眼视觉提取的导航线几乎一致，符合实际导航需要.

4 讨论

在Windows10操作系统下利用matlab2016a软件进行导航线提取实验.为了验证所提算法的适用性，随机选取了不同田间图像提取导航线，结果如图6所示.可见，所提算法均能较准确地提取出导航线，算法的适用性较好.此外，对有强光照射、存在非绿色支架、农作物稀疏缺株以及阴影干扰情况下的田间图像进行了导航线提取，結果如图7所示.由图可见，在各种不同噪声环境下算法仍然有效.

本文对水稻不同生长阶段的田间图像也作了导航线提取实验，结果如图8所示.由图可见，尽管有水、浮萍或叶片间的相互覆盖等，所提算法仍能正确提取导航线.

为了进行参数对比，对图3（a）利用改进前和改进后的算法提取导航线，并对导航线的拟合系数和算法耗时进行了统计，结果如表1所示.由表可以看出，处理同一幅图像，改进后的算法平均耗时仅增加了4 ms，但拟合系数相差较大，导航线精度显著提高.

5 结论

针对以田间图像背景像素的坐标中点作为导航特征点时，部分特征点由于图像噪声的影响偏离导航路径较大，从而导致拟合的导航线精度不高的情况，提出了一种特征点提取改进算法.首先，在对RGB田间图像进行2G-R-B灰度化、OSTU分割及形态学闭操作降噪的预处理之后，提取预处理后二值图像每行背景像素坐标的中点作为初始导航特征点；然后，根据初始特征点与图像中心线之间表示农作物的像素数对初始特征点进行修正，像素数有多少就将初始特征点向图像中心线方向偏移多少；最后，对修正后的特征点利用最小二乘法拟合导航线.

本文提出的改进算法相比较改进前的算法，计算量增加很小，但提取的导航线精度却有很大提高.并且该算法具有较好的适用性，绝大多数田间图像提取的导航线都能达到农机导航对实时性和精度的要求.此外，该算法受光线强度、非绿色支架、农作物稀疏缺株以及阴影干扰等环境噪声影响较小，鲁棒性较好.

参考文献

[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]伍渊远，尚欣，张呈彬，等. 自然光照下智能叶菜收获机作业参数的获取[J]. 浙江农业学报，2017，29（11）：1930-1937.

[5]闫保中，王强军. 农田图像导航线检测技术研究[J]. 应用科技，2017，44（2）：65-69.

[6]李勇. 基于单目视觉的道路信息提取与智能预警[D]. 秦皇岛：燕山大学，2016.

[7]李勇，丁伟利. 基于暗原色的农机具视觉导航线提取算法[J]. 光学学报，2015，35（2）：221-228.

[8]马红霞. 基于机器视觉的农业车辆导航基准线提取方法的研究[D]. 淄博：山东理工大学，2012.

[9]郭翰林，洪瑛杰，张翔，等. 再生稻收割机的视觉导航路径检测方法[J]. 福建农林大学学报（自然科学版），2017，46（3）：356-360.

[10]马志艳，汤有胜，杨光友. 基于视觉的茶作物行间行走路径规划研究[J]. 农机化研究，2017，39（1）：202-206.

[11]汤有胜. 基于嵌入式视觉的自动导航系统研究[D]. 武汉：湖北工业大学，2016.

[12]袁挺，任永新，李伟，等. 基于光照色彩稳定性分析的温室机器人導航信息获取[J]. 农业机械学报，2012，43（10）：161-166.

[13]郑冰，赵阳，葛东林. 农机快速导航系统设计——基于图像边缘检测和3D深度视频帧内编码[J]. 农机化研究，2018（5）：181-184.

[14]翟志强. 基于虚拟现实的拖拉机双目视觉导航试验方法研究[D]. 北京：中国农业大学，2017.

[15]陈少杰. 基于图像理解的水田除草机器人视觉导航系统研究[D]. 广州：华南理工大学，2016.

[16]刁智华，吴贝贝，魏玉泉，等. 利用最大圆盘提取作物行骨架的改进算法[J]. 中国农机化学报，2016，37（7）：141-144.

[17]刁智华，吴贝贝，毋媛媛，等. 基于最大正方形的玉米作物行骨架提取算法[J]. 农业工程学报，2015，31（23）：168-172.

[18]李茗萱，张漫，孟庆宽，等. 基于扫描滤波的农机具视觉导航基准线快速检测方法[J]. 农业工程学报，2013，29（1）：41-47.

[19]韩永华，汪亚明，郑俊褒，等. 一种基于小波变换及最大类间方差的农田图像分割方法：CN201410153193.4[P]. 2014-07-09.

[20]黄小刚. 水田除草机器人视觉导航路径与参数获取方法研究[D]. 广州：华南理工大学，2013.

[21]王伟羊. 基于计算机视觉的采茶机导航技术研究[D]. 杭州：浙江工业大学，2016.

[22]陈益杉，卢伟，王玲，等. 基于GIF-Shearlet算法的新旧土边界线视觉导航技术研究[J]. 农业现代化研究，2017，38（2）：343-351.

[23]张延丽，李春贵. 视频车辆检测中改进的阈值分割算法研究[J]. 广西科技大学学报，2017，28（2）：61-66.

[24]赵腾，野口伸，杨亮亮，等. 基于视觉识别的小麦收获作业线快速获取方法[J]. 农业机械学报，2016，47（11）：32-37.

[25]梁习卉子，陈兵旗，姜秋慧，等. 基于图像处理的玉米收割机导航路线检测方法[J]. 农业工程学报，2016，32（22）：43-49.

[26]李飞，宾洋，罗文广，等. 基于TMSDM6437的车道线检测[J]. 广西科技大学学报，2018，29（1）：43-48.