于冬雪， 張建敏

(貴州大學(xué)機(jī)械工程學(xué)院，貴州貴陽(yáng) 550025)

農(nóng)機(jī)使用者通常都是長(zhǎng)時(shí)間操作農(nóng)機(jī)，在疲勞和其他環(huán)境因素的干擾下，可能會(huì)導(dǎo)致勞作時(shí)，沒(méi)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(xiǎn)的是農(nóng)機(jī)碰到障礙物，比如手扶旋耕機(jī)碰到石頭脫手翻轉(zhuǎn)，導(dǎo)致人員傷亡。本研究在農(nóng)機(jī)上安裝1個(gè)高清攝像頭，每秒自動(dòng)拍攝多張圖片傳輸進(jìn)系統(tǒng)中，系統(tǒng)利用改進(jìn)的尺度不變特征變換(scale invariant feature transform，簡(jiǎn)稱(chēng)SIFT)算法對(duì)搜集到的多張圖片進(jìn)行識(shí)別，將圖片特征點(diǎn)與石頭等障礙物的特征點(diǎn)進(jìn)行匹配。匹配點(diǎn)小于閾值時(shí)則不匹配，表明作業(yè)環(huán)境比較安全，不發(fā)出報(bào)警信息。而當(dāng)匹配點(diǎn)大于閾值的則匹配，表明農(nóng)機(jī)發(fā)現(xiàn)較大障礙物，向使用者發(fā)出預(yù)警信號(hào)。

以前的農(nóng)機(jī)目標(biāo)識(shí)別方法大多是以識(shí)別目標(biāo)全部的局域特征(如灰度統(tǒng)計(jì)分布特征、幾何形態(tài)、矩陣分布等)為基礎(chǔ)。Lowe研發(fā)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(diǎn)當(dāng)作特征點(diǎn)，并且經(jīng)過(guò)統(tǒng)計(jì)特征點(diǎn)鄰階區(qū)域內(nèi)的梯度方向的直方圖，來(lái)建立特征描述符。經(jīng)過(guò)測(cè)試顯示，SIFT算法在農(nóng)機(jī)障礙物目標(biāo)進(jìn)行平移、縮放、旋轉(zhuǎn)、部分遮住、亮度變動(dòng)、視覺(jué)變化的時(shí)候都可以獲得很好的識(shí)別成效。但算法中每個(gè)特征點(diǎn)都用了128維向量來(lái)描寫(xiě)，數(shù)據(jù)運(yùn)算量非常龐大，因?yàn)樘卣鼽c(diǎn)很多，故特征匹配時(shí)間長(zhǎng)。

由于Lowe的SIFT算法對(duì)于農(nóng)機(jī)識(shí)別障礙物需要適時(shí)快速處理圖像來(lái)說(shuō)，速度比較慢，有一定的不足之處。本研究在原來(lái)的SIFT算法基礎(chǔ)上，對(duì)農(nóng)機(jī)拍攝到的圖片特征點(diǎn)描述符進(jìn)行簡(jiǎn)化處理，目的是使算法的計(jì)算時(shí)間有效減少，提高計(jì)算機(jī)處理的速度，提高農(nóng)機(jī)在比對(duì)石頭等障礙物算法上的時(shí)效性。本研究改進(jìn)的SIFT算法在農(nóng)機(jī)中的應(yīng)用如圖1所示。

1 農(nóng)機(jī)目標(biāo)識(shí)別的傳統(tǒng)SIFT算法

1.1 農(nóng)機(jī)攝像頭捕捉到圖像的尺度空間

農(nóng)機(jī)目標(biāo)識(shí)別算法圖片多數(shù)是用尺度來(lái)表示的，是經(jīng)過(guò)平滑濾波與亞采樣來(lái)建立多級(jí)金字塔。Lindeberg等將尺度空間表達(dá)法運(yùn)用在多尺度圖像表示中[2]，經(jīng)過(guò)在每級(jí)金字塔的圖片中運(yùn)用持續(xù)的平滑濾波，從而形成多級(jí)多層金字塔這種構(gòu)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(duì)于1張農(nóng)機(jī)拍攝到的圖片I(x，y，σ) 來(lái)說(shuō)，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(lái)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(gè)變量元素，其值越大表示圖像被平滑度越大。

大尺度對(duì)應(yīng)圖片的大概樣貌特性，小尺度對(duì)應(yīng)圖片的細(xì)微特征。圖2給出了原始的高斯金字塔與多級(jí)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(guò)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(jí)有很多層，每層間的σ值差k倍。

1.2 改進(jìn)的農(nóng)機(jī)目標(biāo)識(shí)別SIFT特征匹配算法

將Lowe提出的SIFT算法應(yīng)用于農(nóng)機(jī)目標(biāo)識(shí)別算法中，其算法主要有4個(gè)步驟：

1.2.1 尺度空間極點(diǎn)檢測(cè) 先將農(nóng)機(jī)拍攝到的圖片同高斯核作卷積，對(duì)相互鄰近的尺度空間構(gòu)建高期差分(difference of Gaussian，簡(jiǎn)稱(chēng)DoG)金字塔，在DoG空間中檢驗(yàn)其極值點(diǎn)。檢驗(yàn)極值點(diǎn)是看該點(diǎn)均大于或者小于其26個(gè)鄰階區(qū)域點(diǎn)(包含該點(diǎn)一樣尺度的8個(gè)鄰階區(qū)域點(diǎn))與否，還有大于該尺度的9個(gè)鄰階區(qū)域點(diǎn)和小于該尺度的9個(gè)鄰階區(qū)域點(diǎn))。

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(nóng)機(jī)拍攝到的圖片匹配和抗噪聲能力相對(duì)比較強(qiáng)的特征點(diǎn)，在取得極值點(diǎn)以后，還應(yīng)該去除低對(duì)比度的極值點(diǎn)和不固定的邊沿響應(yīng)點(diǎn)。

1.2.2 特征點(diǎn)主方向的確定 采取梯度直方圖來(lái)確認(rèn)特征點(diǎn)的主方向來(lái)使特征描述符有旋轉(zhuǎn)不變的特性。特征點(diǎn)的梯度模值坐標(biāo)與方向?yàn)?/p>

(4)

θ(x,y)=arctan[L(x,y+1)-L(x)]。

(5)

對(duì)每個(gè)農(nóng)機(jī)拍攝到的圖片特征點(diǎn)來(lái)說(shuō)，在以特征點(diǎn)為中央點(diǎn)的鄰階區(qū)域窗口內(nèi)隨機(jī)取樣，使用直方圖來(lái)統(tǒng)計(jì)鄰階區(qū)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(gè)柱，共36個(gè)柱，梯度直方圖的頂點(diǎn)相應(yīng)的度數(shù)表示特征點(diǎn)的主方向。

1.2.3 生成特征描述符 先將坐標(biāo)軸扭轉(zhuǎn)到特征點(diǎn)主方向，以保證其旋轉(zhuǎn)不變的特性。之后以特征點(diǎn)為中央點(diǎn)，選擇 8×8 尺度的鄰階區(qū)域，將此鄰階區(qū)域平均分割成4×4的子域。在每個(gè)子區(qū)域計(jì)算8個(gè)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(duì)于每個(gè)特征點(diǎn)來(lái)說(shuō)將會(huì)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(nóng)機(jī)目標(biāo)識(shí)別算法2個(gè)圖片的SIFT特征描述符以后，運(yùn)用歐氏距離測(cè)量2個(gè)圖片特征點(diǎn)的相同性[5]，即當(dāng)圖片1中某一個(gè)特征點(diǎn)m1與圖片2中歐氏距離差最短的特征點(diǎn)m2和歐式距離差次短的特征點(diǎn)m3的比值小于某一個(gè)值時(shí)，就認(rèn)定m1與m2相匹配。匹配以后還需要用RANSAC方法去除誤匹配。

測(cè)試證明，在農(nóng)機(jī)目標(biāo)識(shí)別算法中創(chuàng)建尺度空間和形成特征描述符消耗了很長(zhǎng)的時(shí)間，同一時(shí)間內(nèi)如果圖片尺度變大，特征點(diǎn)數(shù)目增多，特征匹配時(shí)間顯著增長(zhǎng)。因此，本研究對(duì)傳統(tǒng)的SIFT算法作了改進(jìn)。

2 改進(jìn)的農(nóng)機(jī)目標(biāo)識(shí)別SIFT算法

改進(jìn)的SIFT算法是為了提高農(nóng)機(jī)在田野工作中發(fā)現(xiàn)石頭等障礙物時(shí)，能夠迅速處理并向使用者反饋預(yù)警信息的能力。

2.1 具體步驟如下

2.2 試驗(yàn)結(jié)果及分析

農(nóng)機(jī)目標(biāo)識(shí)別圖像檢索仿真試驗(yàn)是以Windows10操作系統(tǒng)作為仿真平臺(tái)，開(kāi)發(fā)工具是Matlab2014a。按“1.2”節(jié)SIFT特征匹配算法中的步驟，將改進(jìn)的算法直接應(yīng)用到圖5至圖8中的特征匹配(包括對(duì)標(biāo)準(zhǔn)庫(kù)中的圖像的旋轉(zhuǎn)、縮放、光照等情況)。

采用改進(jìn)的SIFT算法進(jìn)行目標(biāo)識(shí)別[6]試驗(yàn)，圖5為在圖像旋轉(zhuǎn)的條件下，a圖杯子匹配20對(duì)特征點(diǎn)，b圖松樹(shù)匹配7對(duì)特征點(diǎn)；圖6為在圖像曝光條件下，章魚(yú)匹配18對(duì)特征點(diǎn)；圖7為在圖像縮小的條件下，蘋(píng)果匹配40對(duì)特征點(diǎn)；圖8為在圖像相似的條件下，鈴鐺匹配16對(duì)特征點(diǎn)，國(guó)旗匹配7對(duì)特征點(diǎn)。

分析表1的試驗(yàn)數(shù)據(jù)可以發(fā)現(xiàn)，無(wú)論是在幾何還是光學(xué)畸變的條件下，改進(jìn)的SIFT算法用于農(nóng)機(jī)檢測(cè)目標(biāo)對(duì)象的特征點(diǎn)檢測(cè)時(shí)間都比原算法要短，比較試驗(yàn)數(shù)據(jù)中2種算法的特征點(diǎn)檢測(cè)時(shí)間可得知，改進(jìn)的農(nóng)機(jī)目標(biāo)識(shí)別算法總的運(yùn)算時(shí)間低于原算法，由此可見(jiàn)改進(jìn)的算法計(jì)算復(fù)雜度低于原算法，這樣有利于提高農(nóng)機(jī)對(duì)所拍攝大量圖片的處理速率，實(shí)時(shí)性更好。研究發(fā)現(xiàn)，改進(jìn)算法的正確匹配率與原算法基本相同；改進(jìn)算法對(duì)障礙物圖片匹配點(diǎn)數(shù)少于原算法。

可見(jiàn)，改進(jìn)的SIFT算法可以大幅縮減農(nóng)機(jī)在檢測(cè)到石頭等障礙物時(shí)的運(yùn)算時(shí)間，提高對(duì)使用者報(bào)警信息反饋的時(shí)效性。

表1 改進(jìn)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(jié)論

農(nóng)業(yè)現(xiàn)代化和安全生產(chǎn)是時(shí)代的需求，王愛(ài)新等研究了基于計(jì)算機(jī)視覺(jué)的農(nóng)業(yè)圖像害蟲(chóng)定位檢測(cè)算法[7]，成敦杰研究了農(nóng)產(chǎn)品檢測(cè)圖像智能化預(yù)處理方法[8]，王富春等將基于模糊聚類(lèi)算法應(yīng)用到番茄果實(shí)目標(biāo)識(shí)別中[9]，而潘雷等則研究了基于模式識(shí)別的大蒜瓣尖識(shí)別[10]。

本研究對(duì)農(nóng)機(jī)目標(biāo)識(shí)別算法SIFT特征描述符和特征點(diǎn)匹配方法作了改進(jìn)，獲取1種新的SIFT算法，并將該算法應(yīng)用到農(nóng)機(jī)識(shí)別目標(biāo)對(duì)象中，該算法以特征點(diǎn)的方形鄰階區(qū)域內(nèi)灰度累積值及關(guān)鍵點(diǎn)矢量和當(dāng)作描述特征，構(gòu)造出64維度的特征描述符，試驗(yàn)證明了該描述符對(duì)農(nóng)機(jī)識(shí)別石頭等障礙物圖像的縮放、旋轉(zhuǎn)、光照等變化有不變的特性。在匹配方法中，運(yùn)用金字塔的構(gòu)造來(lái)作特征點(diǎn)的匹配。測(cè)試證明，在大多數(shù)變化情形下，改進(jìn)的SIFT描述符比原來(lái)的SIFT描述符的計(jì)算時(shí)間大幅縮短。而且改進(jìn)的匹配方法能更有效地減少農(nóng)機(jī)拍攝到圖片的特征匹配點(diǎn)數(shù)，使農(nóng)機(jī)目標(biāo)識(shí)別時(shí)間大幅縮短，從而顯著提高農(nóng)機(jī)目標(biāo)識(shí)別算法的實(shí)時(shí)性，這種方法給農(nóng)業(yè)及其他行業(yè)帶來(lái)了很大的便利，對(duì)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(jìn)制特征描述算法綜述[J]. 電子測(cè)量與儀器學(xué)報(bào)，2016，30(2)：165-178.

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

[6]張書(shū)真，宋海龍，向曉燕，等. 采用快速SIFT算法實(shí)現(xiàn)目標(biāo)識(shí)別[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用，2010，19(6)：82-85.

[7]王愛(ài)新，李春友，張 喆. 基于計(jì)算機(jī)視覺(jué)的農(nóng)業(yè)圖像害蟲(chóng)定位檢測(cè)算法[J]. 江蘇農(nóng)業(yè)科學(xué)，2016，44(7)：361-364.

[8]成敦杰. 農(nóng)產(chǎn)品檢測(cè)圖像智能化預(yù)處理方法研究[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42(6)：384-387.

[9]王富春，徐 越，宋懷波. 西紅柿果實(shí)目標(biāo)識(shí)別方法研究——基于模糊聚類(lèi)算法[J]. 農(nóng)機(jī)化研究，2015(10)：24-28.

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