佘銀海 王新彥

摘要：計(jì)算機(jī)視覺(jué)現(xiàn)已被廣泛應(yīng)用于諸多農(nóng)業(yè)領(lǐng)域，有助于精準(zhǔn)農(nóng)業(yè)的發(fā)展，提高勞動(dòng)生產(chǎn)效率。針對(duì)坐騎式零轉(zhuǎn)彎半徑（ZTR）割草機(jī)刀盤(pán)高度無(wú)級(jí)調(diào)節(jié)問(wèn)題，利用雙目立體視覺(jué)對(duì)草坪植株高度進(jìn)行測(cè)量可推動(dòng)其智能化發(fā)展。首先對(duì)地毯草灰度圖像中的V分量進(jìn)行圖像增強(qiáng)、形態(tài)學(xué)處理、閾值分割等預(yù)處理提取出植株圖像。本研究提出一種結(jié)合高通濾波與Foerstner的特征點(diǎn)檢測(cè)算法，對(duì)提取后的植株圖像進(jìn)行特征點(diǎn)檢測(cè)，該方法可有效去除偽角點(diǎn)，準(zhǔn)確率在98%以上。利用雙目標(biāo)確定后的參數(shù)對(duì)左右2幅圖像進(jìn)行角點(diǎn)匹配，選取z軸方向數(shù)值最小的3個(gè)點(diǎn)構(gòu)造假想地面并最終計(jì)算植株均高。結(jié)果表明，該高度測(cè)量系統(tǒng)可識(shí)別測(cè)量不同草種，且總體相對(duì)誤差為1.5%，有效地提高了測(cè)量精度且適用范圍較廣。

關(guān)鍵詞：ZTR割草機(jī);雙目立體視覺(jué);草坪植株;Forstner特征點(diǎn);高度測(cè)量

中圖分類(lèi)號(hào)： TP391.41文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2020）04-0215-07

收稿日期：2018-12-11

基金項(xiàng)目：國(guó)家自然科學(xué)基金面上項(xiàng)目（編號(hào)：51275223）;江蘇省研究生創(chuàng)新計(jì)劃（編號(hào)：SJCX18_0783）。

作者簡(jiǎn)介：佘銀海（1994—），男，江蘇南通人，碩士研究生，從事圖像識(shí)別、自動(dòng)化控制方面研究。E-mail：yinhai_she@163.com。

通信作者：王新彥，博士，教授，從事現(xiàn)代機(jī)械制造技術(shù)與車(chē)輛被動(dòng)安全性方面研究。E-mail：xinyanwang1@163.com。

隨著經(jīng)濟(jì)的發(fā)展，各國(guó)城市建設(shè)逐漸深化，城區(qū)綠化程度也隨之提高，草坪業(yè)正以其特有的市場(chǎng)價(jià)值活躍在各國(guó)的城市園林綠化建設(shè)中。對(duì)于大型的牧場(chǎng)或高爾夫球場(chǎng)而言，一般都以坐騎式零轉(zhuǎn)彎半徑（ZTR）割草機(jī)作業(yè)為主[1]，但ZTR割草機(jī)刀盤(pán)高度變化都是通過(guò)手動(dòng)調(diào)節(jié)，這不僅費(fèi)時(shí)費(fèi)力且降低了工作效率，與此同時(shí)，考慮不同草坪在修剪與維護(hù)時(shí)具有相應(yīng)的留茬高度要求，進(jìn)一步說(shuō)明了手動(dòng)調(diào)節(jié)刀盤(pán)高度的弊端。所以本研究旨在通過(guò)圖像處理技術(shù)對(duì)待割草坪的高度特征進(jìn)行提取，為ZTR割草機(jī)刀盤(pán)的自動(dòng)調(diào)節(jié)奠定基礎(chǔ)。

計(jì)算機(jī)視覺(jué)如今被廣泛應(yīng)用于植株高度的檢測(cè)中。Tsubata等提出了在割草機(jī)器人中增添識(shí)別草坪信息的方法，它需先識(shí)別出草坪，然后通過(guò)使用透射型光電斷路器估計(jì)草皮的高度[2]。林小冬通過(guò)在割草機(jī)的割草刀盤(pán)前部設(shè)置感應(yīng)芯片感知草叢的分布和高度，但只能粗略感知高度，并不精確[3]。Seelan等依據(jù)水稻與土質(zhì)背景中的對(duì)比度差異進(jìn)行灰度級(jí)分割，并應(yīng)用形態(tài)學(xué)方法消除陰影及噪聲，通過(guò)圖像二值化提取水稻高度，從而采集到水稻的長(zhǎng)勢(shì)信息，將植株高度作為作物生長(zhǎng)率的監(jiān)控參考指標(biāo)[4]。闕玲麗利用計(jì)算機(jī)視覺(jué)通過(guò)測(cè)量對(duì)照桿的高度，間接測(cè)量玉米植株的高度，其總體相對(duì)誤差小于2%[5]。何晶將棉花植株二維圖像中的棉花株莖簡(jiǎn)化成2個(gè)關(guān)鍵點(diǎn)坐標(biāo)，然后利用相機(jī)參數(shù)矩陣以及對(duì)2個(gè)關(guān)鍵點(diǎn)的約束條件，獲得植株在世界坐標(biāo)系中的三維信息[6]。

1?方法與原理

本研究主要算法流程見(jiàn)圖1，主要包括雙目標(biāo)定、特征點(diǎn)提取及匹配、高度測(cè)量算法等。

1.1?雙目立體視覺(jué)平臺(tái)搭建

1.1.1?系統(tǒng)軟硬件組成

硬件系統(tǒng)由2臺(tái)大恒圖像公司水星系列MER-231-41U3C相機(jī)、2個(gè)M0814-MP2型鏡頭、Philips計(jì)算機(jī)、相機(jī)支架等組成。軟件包括HALCON12.0.1、Visual Studio 2012（C#）。

1.1.2?立體視覺(jué)原理

雙目視覺(jué)是基于視差原理利用2臺(tái)相機(jī)采集不同方向上的2幅圖像，通過(guò)建立特征點(diǎn)間的對(duì)應(yīng)關(guān)系，然后依據(jù)三角測(cè)量原理計(jì)算對(duì)應(yīng)像素間的視差，再與標(biāo)定板的坐標(biāo)進(jìn)行匹配，就可獲得雙目相機(jī)的外參，即相機(jī)相對(duì)現(xiàn)實(shí)世界中指定坐標(biāo)系下的位置與方向，從而獲得空間點(diǎn)的三維坐標(biāo)、位姿、形狀等信息。雙目相機(jī)安裝夾角及基線(xiàn)長(zhǎng)度是影響系統(tǒng)測(cè)量精度的主要因素，為了提高測(cè)量精度，基線(xiàn)一般不能太小。另外基線(xiàn)長(zhǎng)度的選取還與視場(chǎng)角有關(guān)，雙目相機(jī)能夠檢測(cè)到的有效范圍是在左右相機(jī)視場(chǎng)角的重疊區(qū)域，所以基線(xiàn)長(zhǎng)度也不可太長(zhǎng)，否則2個(gè)相機(jī)可能不能同時(shí)觀察到目標(biāo)點(diǎn)。

雙目相機(jī)立體模型見(jiàn)圖2。其中，C1、C2與O1、O2分別表示左右相機(jī)的主點(diǎn)和投影中心點(diǎn)，2個(gè)投影點(diǎn)的連線(xiàn)O1O2為系統(tǒng)的基線(xiàn);O1C1和O2C2分別為左右相機(jī)的光軸，α1和α2為左右相機(jī)光軸與基線(xiàn)之間的夾角;f1和f2分別為相機(jī)的成像平面與投影中心點(diǎn)的距離;世界坐標(biāo)系中任意點(diǎn)PW在左右圖像上的投影點(diǎn)分別為P1與P2。

根據(jù)攝像機(jī)的投射模型得到如下關(guān)系式：

S1X1Y11=

f1000f10001

xyz，

S2X2Y21=

f2000f20001

xyz。（1）

式中：S1與S2分別為左右相機(jī)的投影矩陣，（X，Y）為P點(diǎn)坐標(biāo)，（x，y，z）為P點(diǎn)經(jīng)投影轉(zhuǎn)化后的坐標(biāo)。左相機(jī)坐標(biāo)系O1-xyz與右相機(jī)坐標(biāo)系O2-xyz之間的位置關(guān)系可通過(guò)空間轉(zhuǎn)換矩陣M表示為：

x2y2z2=

Mxyz1=

r1r2r3txr4r5r6tyr7r8r9tz

xyz1，M=[R|T]。（2）

式中：R為旋轉(zhuǎn)矩陣，其元素ri（i=1～9）由雙目相機(jī)的旋轉(zhuǎn)角度、方位角、仰角決定，（tx，ty，tz）為左右相機(jī)的相對(duì)偏移量;T為轉(zhuǎn)置矩陣;

同理，對(duì)于O-xyz坐標(biāo)系中的空間點(diǎn)，2個(gè)相機(jī)圖像點(diǎn)之間的對(duì)應(yīng)關(guān)系可以表示為：

ρ2X2Y21=

f1r1f1r2f1r3f1txf1r4f1r5f1r6f1tyr7r8r9tz

zX1/f1zY1/f1?z?1。（3）

式中：ρ2為右相機(jī)中空間點(diǎn)的系數(shù)變量。于是，空間點(diǎn)的三維坐標(biāo)可表示為：

x=zX1/f1;

y=zY1/f1;

z=f1（f1tx-x2tz）X2（r7X1+r8Y1+f1r9）-f2（r1X1+r2Y1+f1r3）=

f1（f2ty-x2tz）Y2（r7X1+r8Y1+f1r9）-f2（r4X1+r5Y1+f1r6）。（4）

因此，只要通過(guò)相機(jī)標(biāo)定獲得其內(nèi)參數(shù)/焦距，以及左右相機(jī)中的圖像坐標(biāo)，就可以重構(gòu)出被測(cè)點(diǎn)的三維空間坐標(biāo)。

1.2?圖像獲取

圖片采集過(guò)程中，草坪高度約30～180 mm，為保證草坪在相機(jī)拍攝范圍內(nèi)，設(shè)定支架與草坪水平之間的距離為200 mm，基線(xiàn)O1O2=180 mm，相機(jī)光軸與基線(xiàn)的夾角采用α1=α2=85°，相機(jī)中心距地面高度為90 mm。在相機(jī)拍攝過(guò)程中帶一點(diǎn)俯角拍攝，確保左右2幅圖像的最高處均為現(xiàn)實(shí)坐標(biāo)的最高處，而圖像最低處則為草坪根部或地面，但俯角不應(yīng)過(guò)大，否則會(huì)增大像差，進(jìn)而影響測(cè)量精度。圖3-a、b分別為左、右相機(jī)采集的植株圖像。

1.3?立體校正圖像對(duì)

為了能夠更精確地進(jìn)行匹配，提高運(yùn)算的效率，在獲得相機(jī)的內(nèi)外參數(shù)后首先對(duì)立體圖像進(jìn)行校正。校正是將圖像投影到1個(gè)公共的圖像平面上，公共平面方向由雙目立體視覺(jué)系統(tǒng)基線(xiàn)原始2個(gè)圖像平面交線(xiàn)的叉集確定，當(dāng)同一點(diǎn)投影到2個(gè)相機(jī)平面時(shí)，2個(gè)投影點(diǎn)位于各自像素坐標(biāo)的同一行。本研究采用的是Bouguet極線(xiàn)校正方法，其主要步驟如下：

（1）將右圖像平面相對(duì)左圖像的旋轉(zhuǎn)矩陣R分解為2個(gè)合成旋轉(zhuǎn)矩陣Rl和Rr。其中Rl=R1/2，Rr=R-1/2，R-1/2為R1/2的逆矩陣。（2）將左右相機(jī)各旋轉(zhuǎn)一半，使得左右相機(jī)的光軸平行。此時(shí)左右相機(jī)的成像面達(dá)到平行，但是基線(xiàn)與成像平面不平行。（3）構(gòu)造變換矩陣Rrect，使得基線(xiàn)與成像平面平行。構(gòu)造的方法是通過(guò)右相機(jī)相對(duì)于左相機(jī)的偏移矩陣T完成的。

（a）構(gòu)造e1。變換矩陣將左視圖的極點(diǎn)變換到無(wú)窮遠(yuǎn)處，則使極線(xiàn)達(dá)到水平，可見(jiàn)，左右相機(jī)的投影中心之間的平移向量就是左極點(diǎn)方向：

e1=T‖T‖，T=[Tx?Ty?Tz]T。（5）

（b）e2方向與主光軸方向正交，沿圖像方向與e1垂直，則知e2方向可通過(guò)e1與主光軸方向的向量積并歸一化獲得。

e2=[-Ty?Tx?0]Tx2+Ty2。（6）

（c）獲取了e1與e2后，e3與e1和e2正交，e3自然就是它們2個(gè)的向量積：e3=e1×e2，則可將左相機(jī)的極點(diǎn)轉(zhuǎn)換到無(wú)窮遠(yuǎn)處的矩陣Rrect如下：

Rrect=（e1）T（e2）T（e3）T。（7）

（4）通過(guò)合成旋轉(zhuǎn)矩陣與變換矩陣相乘獲得左右相機(jī)的整體旋轉(zhuǎn)矩陣。左右相機(jī)坐標(biāo)系乘以各自的整體旋轉(zhuǎn)矩陣就可使得左右相機(jī)的主光軸平行，且像平面與基線(xiàn)平行。

Rl′=Rrect×RlRr′=Rrect×Rr。（8）

（5）通過(guò)上述2個(gè)整體旋轉(zhuǎn)矩陣，就能夠得到理想的雙目立體系圖像系統(tǒng)。

1.4?改進(jìn)的Foerstner特征點(diǎn)檢測(cè)

圖像點(diǎn)（角點(diǎn)）特征通常用于獲取不同圖像之間的像素對(duì)應(yīng)關(guān)系，角點(diǎn)在保留圖像中物體重要特征信息的同時(shí)又有效減少了信息的數(shù)據(jù)量，因而角點(diǎn)檢測(cè)成為圖像三維重建的重要步驟。最初的角點(diǎn)檢測(cè)Moarvec算子被M-stephens進(jìn)行改進(jìn)得到Harris算子[7]，Harris算子雖然應(yīng)用廣泛但準(zhǔn)確性不足，F(xiàn)orsmer算子是在Harris算子的基礎(chǔ)上發(fā)展得到的。Remondino通過(guò)大量試驗(yàn)證明，與其余的角點(diǎn)提取算子相比，F(xiàn)oerstner算子具有最佳的穩(wěn)定性、靈敏度、尺度不變性、運(yùn)算速度等性能[8]。

Forstner算子通過(guò)計(jì)算各像素的Robert梯度值和以像素為中心的1個(gè)窗口的灰度協(xié)方差矩陣M，在圖像中尋找具有盡可能小而接近圓的誤差橢圓的點(diǎn)作為特征點(diǎn)。它采用抑制局部極小點(diǎn)的方法提取特征點(diǎn)且精度較高，所以在實(shí)際中應(yīng)用比較廣泛。

灰度協(xié)方差矩陣M和誤差橢圓的圓度q分別為

M=G（s）×∑nc=1I2x，c∑nc=1Ix，cIy，c

∑nc=1Ix，cIy，c∑nc=1I2y，c;（9）

q=4·DetM（TraceM）2，0≤q≤1。（10）

式中：Ix，c和Iy，c表示圖像在x與y方向上的梯度圖，G（s）為高斯平滑模板，DetM和TraceM分別表示協(xié)方差矩陣M的行列式與跡。

選取以3×3為模板的窗口計(jì)算興趣值，對(duì)于給定的圓度閾值Tq（0.5≤Tq≤0.75），先計(jì)算其權(quán)值，并以權(quán)值為依據(jù)，以權(quán)值最大者為特征點(diǎn)。

由于Forstner算子靈敏性較高，檢測(cè)時(shí)可能出現(xiàn)大量偽角點(diǎn)，所以在檢測(cè)之前先進(jìn)行高通濾波處理，高通濾波實(shí)現(xiàn)了圖像的銳化，在消除噪聲的同時(shí)使圖像邊緣變得更清晰，可提高Forstner算子檢測(cè)真實(shí)特征點(diǎn)的性能。

1.5?特征點(diǎn)匹配

完成草坪植株圖像Forstner特征點(diǎn)的提取后，以基于Forstner角點(diǎn)為基礎(chǔ)的灰度特征值作為匹配依據(jù)，為單株葉片的三維重建提供可靠依據(jù)。本研究通過(guò)松弛迭代法計(jì)算可能匹配點(diǎn)的匹配概率P（0）（l），經(jīng)過(guò)k次迭代后將匹配概率P（k）（l）最大的點(diǎn)確定為匹配的特征點(diǎn)。由于“1.4”節(jié)已對(duì)Forstner特征點(diǎn)進(jìn)行濾波處理，減少了迭代次數(shù)與計(jì)算量，提高了特征點(diǎn)提取的準(zhǔn)確性。算法的主要步驟如下：

（1）用Forstner特征點(diǎn)檢測(cè)算法檢測(cè)所處理的左攝像機(jī)拍攝的草坪?jiǎn)沃陥D像I1，找到角點(diǎn)。

（2）將右圖像I2中利用Forstner算子檢測(cè)到的可能特征點(diǎn)組成一個(gè)可能匹配點(diǎn)集合。

（3）將左圖像I1的每個(gè)特征點(diǎn)作為一個(gè)標(biāo)號(hào)集，l為左圖像特征點(diǎn)與其可能匹配點(diǎn)的視差。對(duì)于右圖像I2中每個(gè)可能匹配點(diǎn)，通過(guò)以下公式設(shè)定初始匹配概率P（0）（l）。

A（l）=∑x，y∈W[fL（x，y）-fR（x+lx，y+ly）]2。（11）

式中：l=（lx，ly）為可能的視差;A（l）代表2個(gè)區(qū)間的灰度擬合值，與初始匹配概率P（0）（l）成反比，即P（0）（l）與可能匹配點(diǎn)鄰域中的相似度相關(guān);W為將圖像f（x，y）劃分的若干個(gè)互不重疊的小區(qū)域。借助松弛迭代法，給可能匹配點(diǎn)鄰域中視差比較接近的點(diǎn)以正的增量，而給較遠(yuǎn)的點(diǎn)以負(fù)的增量來(lái)對(duì)P（0）（l）進(jìn)行迭代更新。正確的匹配點(diǎn)經(jīng)過(guò)k次迭代后匹配概率P（k）（l）會(huì)逐漸增大，而其余點(diǎn)的匹配概率則會(huì)降低，經(jīng)過(guò)一定次數(shù)迭代后，將匹配概率最大的點(diǎn)確定為匹配的特征點(diǎn)。

1.6?植株高度測(cè)量算法

草坪植株高度可定義為植株頂端至地面的垂直距離，但由于單株草通常由幾張葉片組成，所以取其葉片的平均高度作為整株草的高度。此外，由于地面凹凸不平或具有其他雜物等干擾項(xiàng)，導(dǎo)致測(cè)量精度存在較大誤差，所以可在“1.5”小節(jié)經(jīng)過(guò)匹配的特征點(diǎn)中，選擇3個(gè)在z軸方向值最小的點(diǎn)構(gòu)成1個(gè)三維平面并作為假想地面，這樣即可降低測(cè)量誤差。

設(shè)選取的3個(gè)點(diǎn)的坐標(biāo)依次為P0（x0，y0，z0）、P1（x1，y1，z1）、P2（x2，y2，z2），其平面z=0可由向量NX=P1P0和NY=P1P2定義。

式中：NX=P1P0=x0-x1y0-y1z0-z1，

NY=P1P0=x2-x1y2-y1z2-z1。

通過(guò)計(jì)算NX和NY的叉乘運(yùn)算來(lái)確定該平面上的法向量NZ：

NZ=NX×NY=0z1-z0y0-y1

z0-z10x1-x0

y1-y0x0-x10

x2-x1y2-y1z2-z1。（12）

并計(jì)算出單位法向量z=NZ/|NZ|=（i，j，k）。

確定底平面及其法向量后，選取所有葉片最頂端的特征點(diǎn)n個(gè)，將其三維坐標(biāo)（am，bm，cm）與底平面的單位法向量z進(jìn)行點(diǎn)積運(yùn)算可獲得每個(gè)葉片的高度，其平均高度值為單株草坪的整體高度H，表達(dá)式為：

H=1n∑nm=1（ami+bmj+cmk）。（13）

2?結(jié)果與分析

2.1?雙目相機(jī)標(biāo)定

本研究采用的相機(jī)分辨率為1 920×1 200，借助HALCON自帶標(biāo)定助手采集圓點(diǎn)陣列標(biāo)定板（150 mm×150 mm）圖像進(jìn)行雙目視覺(jué)系統(tǒng)的標(biāo)定。在采集圖像的過(guò)程中，雙目相機(jī)的相對(duì)位置不能改變，每個(gè)相機(jī)拍攝16張標(biāo)定板在不同位置的圖片，并且保證每張圖片中都包含標(biāo)定板，且每個(gè)提取的圓的像素都大于10個(gè)像素，采集的標(biāo)定板示意見(jiàn)圖4。

首先通過(guò)Find_Caltab與Find_Marks_and_Pose算子確定標(biāo)定板黑框里的部分和每個(gè)圓點(diǎn)的中心并確定其相應(yīng)的世界坐標(biāo)，將采集到的參數(shù)通過(guò)Set_Calib_Data_Observ_Points輸入到標(biāo)定數(shù)據(jù)模型句柄中，最后調(diào)用Calibrate_Cameras算子執(zhí)行標(biāo)定。標(biāo)定后可獲得相機(jī)的主距、鏡頭畸變、圖像中心點(diǎn)的坐標(biāo)值以及2個(gè)相機(jī)的相對(duì)位置等參數(shù)，結(jié)果見(jiàn)表1。

將標(biāo)定后的2個(gè)相機(jī)內(nèi)部參數(shù)以及相對(duì)位置關(guān)系作參數(shù)傳遞給gen_binocular_rectification_map算子，得到2個(gè)校正映射，通過(guò)map_image函數(shù)結(jié)合映射圖將采集到的圖像對(duì)校正為標(biāo)準(zhǔn)極線(xiàn)幾何結(jié)構(gòu)，經(jīng)校正后圖像對(duì)匹配點(diǎn)在同一水平線(xiàn)上并且基線(xiàn)相互平行。校正后相機(jī)結(jié)構(gòu)參數(shù)見(jiàn)表2。

從標(biāo)定結(jié)果中可以看出，左、右相機(jī)的徑向畸變值均為負(fù)值，說(shuō)明它們都成桶形畸變，左、右相機(jī)的主距相差較小;相機(jī)的結(jié)構(gòu)參數(shù)中旋轉(zhuǎn)矩陣R為[1.78?14.13?359.98]，說(shuō)明右相機(jī)相對(duì)于左相機(jī)的x軸旋轉(zhuǎn)1.78°、y軸的方向旋轉(zhuǎn)14.13°、z軸的反方向旋轉(zhuǎn)0.02°，可以判斷出右相機(jī)幾乎只繞左相機(jī)的y軸旋轉(zhuǎn)，即2個(gè)相機(jī)向內(nèi)傾斜了14.13°;平移矢量T為[18.22?0.09?0.98]，說(shuō)明右相機(jī)在左相機(jī)右方18.22 cm、上方0.09 cm、前方0.98 cm的位置。標(biāo)定結(jié)果與相機(jī)的實(shí)際擺放位置吻合，說(shuō)明標(biāo)定結(jié)果準(zhǔn)確。

2.2?圖像預(yù)處理

由于草坪種類(lèi)較多，本研究以常見(jiàn)的地毯草、高羊茅、早熟禾等為試驗(yàn)對(duì)象，地毯草如圖3所示。每種草坪各采集20幅圖像，隨機(jī)挑選1幅進(jìn)行試驗(yàn)。圖5為地毯草預(yù)處理過(guò)程，圖5-a為右相機(jī)采集的地毯草原始RGB圖像，首先通過(guò)HALCON中decompose3與trans_f-rom_rgb算子將RGB三通道圖像轉(zhuǎn)換到HSV顏色空間。通過(guò)比較發(fā)現(xiàn)，V分量圖中草坪與地面的灰度值差別最大，如圖5-b所示，故選取V分量圖作后續(xù)處理。為提高閾值處理的分割效果，利用圖像增強(qiáng)emphasize算子，提高葉片與地面的灰度值對(duì)比度，灰度值增強(qiáng)圖像如圖5-c所示。將閾值分割后的圖像（圖5-d）進(jìn)行開(kāi)閉運(yùn)算等形態(tài)學(xué)處理，消除細(xì)小的干擾項(xiàng)，最后利用select_shape算子中的區(qū)域面積與形狀等功能對(duì)ROI區(qū)域進(jìn)行提取，最終提取結(jié)果如圖5-f所示。

2.3?特征點(diǎn)檢測(cè)及匹配

為驗(yàn)證本研究所改進(jìn)的Forstner特征點(diǎn)算法的可靠性及精度，將“2.2”節(jié)中所提取的植物作處理對(duì)象，對(duì)其進(jìn)行角點(diǎn)提取，并與傳統(tǒng)的Forstner算法作對(duì)比。圖6-a與圖6-b分別為傳統(tǒng)Forstner算法和本研究算法的處理結(jié)果，表3為所提取特征點(diǎn)的結(jié)果統(tǒng)計(jì)及時(shí)間對(duì)比。

通過(guò)試驗(yàn)后的圖像及結(jié)果可知，改進(jìn)的算法通過(guò)增加高通濾波，使得葉片的邊緣信息被增強(qiáng)保留，而非邊緣部分則被過(guò)濾。所以對(duì)于同一處理對(duì)象而言，雖然改進(jìn)的算法檢測(cè)的特征點(diǎn)個(gè)數(shù)降低，但其準(zhǔn)確率與可靠性確有明顯提高，而時(shí)間差異不太明顯。

改進(jìn)的Forstner算子在保留其較高靈敏性的同時(shí)會(huì)減少大量偽角點(diǎn)的出現(xiàn)?從而提高了特征點(diǎn)匹配的精度與速度，降低后期植株高度測(cè)量的誤差。

2.4?植株高度測(cè)量

為了檢驗(yàn)高度測(cè)量算法的可行性與精度，與人工測(cè)量值作對(duì)比。人工測(cè)量是采用直尺測(cè)量植株自然狀態(tài)下的高度，分3次測(cè)量并取其平均值作算法測(cè)量的參考值。此外，由于草坪植物的種類(lèi)繁多、區(qū)域性廣泛，故選取3種不同類(lèi)型的草坪驗(yàn)證本研究方法的適用性。地毯草與早熟禾相比，地毯草的葉片偏平偏寬，而早熟禾較纖細(xì)，兩者高度相仿;高羊茅與早熟禾的高度范圍是最大的區(qū)別，早熟禾正常高度范圍為6～30 cm，而高羊茅可達(dá)40～120 cm。測(cè)量對(duì)比結(jié)果如表4所示。

分析表4可以看出，本研究算法測(cè)量值低于人工測(cè)量結(jié)果，其主要原因是人工軟尺測(cè)量的是現(xiàn)實(shí)地面至葉片頂端的距離。而在本研究算法的實(shí)現(xiàn)過(guò)程中，圖像預(yù)處理算法導(dǎo)致植物葉片底端模糊化，從而使后期的特征點(diǎn)提取和三維平面構(gòu)造要高于實(shí)際地面，所以使測(cè)量造成誤差，但其相對(duì)誤差率符合實(shí)際需求。3種不同特性的草坪植物的測(cè)量結(jié)果說(shuō)明本研究方法具有良好的適用性能。

3?討論與結(jié)論

本研究采用雙目立體視覺(jué)對(duì)草坪植株進(jìn)行高度測(cè)量，驗(yàn)證所提出算法的可行性與準(zhǔn)確度。首先對(duì)雙目系統(tǒng)進(jìn)行標(biāo)定獲得相機(jī)內(nèi)外參數(shù)，將草坪植株灰度圖像中的V分量進(jìn)行圖像增強(qiáng)等，然后進(jìn)行閾值等操作提取出ROI區(qū)域。對(duì)傳統(tǒng)的Foerstner算子加入高通濾波進(jìn)行改進(jìn)，使邊緣信息進(jìn)行強(qiáng)化，降低偽角點(diǎn)的個(gè)數(shù)，試驗(yàn)證明該方法準(zhǔn)確率達(dá)98%以上且靈敏度較高，響應(yīng)時(shí)間快。利用提取特征點(diǎn)的坐標(biāo)構(gòu)建三維平面作假想地面，最后通過(guò)葉片頂端特征點(diǎn)的三維坐標(biāo)與底平面法向量進(jìn)行點(diǎn)積運(yùn)算獲得植株平均高度，試驗(yàn)表明了所提方法相對(duì)誤差率較低，可對(duì)不同草坪植株進(jìn)行有效測(cè)量，為ZTR割草機(jī)刀盤(pán)的高度自動(dòng)調(diào)節(jié)奠定基礎(chǔ)。

參考文獻(xiàn)：

[1]王振東，涂洪森. 草坪割草機(jī)高度調(diào)節(jié)機(jī)構(gòu)對(duì)作業(yè)質(zhì)量影響分析及其優(yōu)化設(shè)計(jì)[J]. 林業(yè)機(jī)械與木工設(shè)備，2004，32（1）：29-30.

[2]Tsubata K，Suzuki K，Mikami S，et al. Recognition of lawn information for mowing robots[C]//International Conference on Autonomous Robots and Agents. IEEE，2009.

[3]林小冬. 自動(dòng)草坪割草機(jī)及其控制系統(tǒng)和方法：CN201210146132.6[P]. 2012-08-22.

[4]Seelan S K，Laguette S，Casady G M，et al. Remote sensing applications for precision agriculture：a learning community approach[J]. Remote Sensing of Environment，2003，88（1/2）：157-169.

[5]闕玲麗. 基于計(jì)算機(jī)視覺(jué)技術(shù)的玉米植株高度檢測(cè)的研究[J]. 農(nóng)機(jī)化研究，2017，39（12）：219-223.

[6]何?晶. 基于圖像處理的株高無(wú)損測(cè)量方法研究[J]. 測(cè)控技術(shù)，2015，34（4）：39-42.

[7]Overgaard N C. On a modification to the Harris corner detector[EB/OL]. [2018-11-10]. http：//muep.mau.se/bitstream/handle/2043/1239/SSAB03_Harris.pdf.

[8]Remondino F. Detectors and descriptors for photogrammetric applications[J]. International Archives of the Photogrammetry，Remote Sensing and Spatial Information Sciences，2006，36（3）：49-54.