阴影环境下拖拉机视觉导航的路径识别方法研究.doc

阴影环境下拖拉机视觉导航的路径识别方法研究
华希俊，廖茜，陈美云，王木菊
（江苏大学 机械工程学院，江苏 镇江 212013）
摘 要： 在对比分析了普通环境与阴影环境下图像特点的基础上，提出了一种适用于阴影环境下拖拉机视觉导航的路径识别方法。首先运用2G-R-B彩色模型分割图像，根据图像的线性灰度分布，采用合理的点运算分析法提高图像对比度，利用迭代阈值分割法和二值图像闭运算提取道路特征，然后通过扫描道路边缘离散点和最小二乘法拟合出拖拉机的导航路径。实验结果表明，该方法能快速、有效地提高拖拉机视觉导航系统对阴影环境的适应性。
关键词： 视觉导航; 拖拉机; 阴影环境; 路径识别
中图分类号： 文献标识码： 文章编号：

0 引言
拖拉机自动导航技术能使农机驾驶员从单调重复的劳动中解放出来，大幅度提高作业精度，对现代农业的发展具有很大意义[1]。
以机器视觉和卫星定位为核心的拖拉机自动导航系统已成为国内外农业机械领域的研究热点。由于机器视觉导航系统具有广泛适用性、功能多样性以及高性价比等优点,因此已被成功地应用于拖拉机自动导航系统中[2]。导航路径的识别是视觉导航系统的关键。日本的Torii等[3]利用HIS空间,基于几条水平扫描线,结合直线最小二乘法识别出农作物行作为导航路径。法国的Debain[4]介绍了相关的边缘提取和导航控制算法，强调单一的视觉传感器在有些情况下(傍晚、车辆自身形成的阴影以及植株的缺失等)无法识别出导航边缘。在国内，中国农业机械化科学研究院的赵博等[5]针对影响较大的垄间杂草环境，提出一种基于BP神经网络的杂草环境下导航路径识别方法。浙江工业大学的吴佳艺等[6]提出了一种基于机器视觉的、适用于林间行走机器人导航的路径生成算法。
目前，视觉导航的研究成果大多集中在普通环境下的路径识别，针对阴影环境下的路径识别研究相对较少。然而在拖拉机的实际作业环境中，农作物和车辆自身以及树木等产生的阴影大大增加了路径识别的难度，使导航系统的可靠性下降。因此，本文着重

收稿时间：
基金项目： 中国博士后基金(20070420190)，江苏省高校自然科学研究计划(07KJD460035)
作者简介： 华希俊(1966-)，男，江苏省仪征市人，教授，研究方向：表面机器视觉检测，激光应用技术。
通讯作者： 廖茜， 女，硕士研究生，(E-mail) jinlongliaoqian@。
研究视觉导航拖拉机在阴影环境下的路径识别方法，以提高视觉导航系统对阴影环境的适应性。
1 普通环境与阴影环境图像的特点
1.1 普通环境图像的特点
普通环境下，田间道路阴影少、光照充足，并且道路边缘均有绿色植物，与道路颜色的对比度较大。图1(a)为普通环境下田间道路的原始图像，图1(d)为该图像的线性灰度统计图。由灰度分布可知，普通环境图像的灰度值范围较大，灰度分布比较均匀，且在中间灰度级（100～200灰度级）上的总像素比其他灰度级（0～100和200～255灰度级）上的总像素多。
图像经2G-R-B彩色模型分割(如图1(a))和迭代

(a) (b)

(c) (d)
图1 普通环境图像的特点
Fig.1 The features of an image in application environment
(a)原始图像 (b)2G-R-B灰度化 (c)迭代阈值分割法 (d)线性灰度统计图
阈值分割法二值化(如图1(b))处理后，可得到轮廓清晰的道路特征，能为路径识别的提供准确的依据。
1.2 阴影环境图像的特点
由于树木遮挡、光照角度和强弱等原因，田间道路会被不同程度的阴影覆盖。随着光照强弱的变化，阴影的深浅、面积及路边植物的颜色也会发生变化。中午阳光偏直射且强度高，此时阴影颜色深，面积较小，阴影区域的路边植物颜色与路面颜色对比度较大，而无阴影区域的路边植物颜色与路面颜色相近，如图2(a)所示；早晨和傍晚时分，阳光斜射且强度低，此时阴影颜色浅，面积较大，无阴影区域的路边植物颜色与路面颜色对比度较大，而阴影区域的路边植物颜色与路面颜色相近，如图2(d)所示。
图2(g)、2(h)分别为强光照和弱光照下阴影环境图像的线性灰度统计图。对不同光照下阴影环境图像的灰度进行分析，可以发现，强光照下阴影环境图像的灰度分布不均匀，灰度集中在高亮和过暗区，中间灰度的对比度过小，这使得图像经2G-R-B彩色模型分割(如图2(b))和迭代阈值分割法二值化(如图2(c)) 处理后，道路轮廓发生改变，边缘特征不完整；弱光

(a) (b) (c)

(d) (e) (f)

(g) (h)
图2 阴影环境图像的特点
Fig.2 The features of images in shadow environment
(a)~(c)、(g)强光照阴影环境原始图像及处理后相关图像、线性灰度统计图
(d)~(f)、(h)弱光照阴影环境原始图像及处理后相关图像、线性灰度统计图
照下阴影环境图像的灰度主要分布在过暗区，中间灰度的对比度小，图像经2G-R-B彩色模型分割(如图2(e))和迭代阈值分割法二值化(如图2(f)) 处理后，阴影干扰大，道路轮廓不明显。
由于阴影环境图像二值化后存在较多干扰，道路轮廓不准确，因此不能与普通环境图像采取相同的处理方法获得正确的道路特征。
2 阴影环境下的路径识别方法
根据普通环境与阴影环境的图像特点分析可知，普通环境图像的灰度分布较阴影环境图像均匀，灰度走势呈中间高、两端低的状态，而阴影图像中间灰度的对比度低于高亮和过暗区，这使得道路特征无法从图像中准确地分割出来，增大了路径识别的难度。因此，需要寻找一种新的方法来改变阴影环境图像的灰度分布，从而降低阴影的干扰。
2.1 点运算分析法
点运算分析法是一种改变像素灰度输出值的方法。点运算的结果由灰度变换函数确定，即：
B(x,y)=f[A(x,y)] (1)
式中，A(x, y)是运算前的图像像素值，B(x, y)是点运算后的图像值，f是对A(x, y)的一种映射函数，即GST函数。根据映射方式的不同，点运算可分为线性点运算、非线性点运算和直方图修正。
线性点运算可表示为：B＝αA+β (2)
该公式可增强图像的灰度层次，改善图像的视觉效果，适用于图像灰度值范围较小的情况。
非线性点运算可表示为：
=A+α×A×(max(A)-A) (3)
其中α>0，该公式的图像处理效果是：图像中间灰度的对比度拉大，高亮和过暗区变化很小。
直方图修正是一种将原始图像的不均衡的直方图变化为均匀分布形式的方法，即使输出图像的每一灰度级上都有相同的像素点数。该方法可扩展像元取值的动态范围，增强图像整体对比度的效果。
2.2 二值图像闭运算
闭运算是对二值图像先进行膨胀运算，再进行腐蚀运算的过程。其基本原理是：
X·B＝(AÅB)⊙B (4)
其中，·表示闭运算的运算符。该公式表示用B来闭合X得到的集合，就是图像X与经过反射和平移的结构元素B的交集不为空的点的集合。
闭运算的功能是用来填充物体的细小空洞、连接邻近物体、平滑其边界，去除孤立的小点，同时不明显改变二值图像的面积。
利用闭运算可以调整、平滑阴影环境图像二值化后的道路轮廓，并去除细小干扰，使道路特征更加突出。
2.3 导航路径识别过程
对比普通环境下的路径识别，阴影环境图像处理时应在图像二值化前后分别进行点运算分析和闭运算，以达到减少阴影干扰的目的。导航路径识别过程如下：
(1) 利用2G-R-B彩色模型将图像灰度化。该模型能提高绿色通道的权值，增加与非绿色背景的对比度，适合处理田间道路图像。
(2) 统计每个灰度级上的像素点数。当灰度级处于0～100和200～250的像素点数远大于100～200灰度级的像素数值时，说明拖拉机处于阴影环境下，需对图像进行非线性点运算和直方图修正。如果灰度值范围很小，则还需对图像进行线性点运算处理。
(3) 运用迭代阈值分割法对图像进行二值化处理，初步提取道路特征。
(4) 采用闭运算处理二值图像，突出道路特征。
(5) 从图像第一行中点处分别向两边扫描，左右两边碰到的第一个“1”设为路径左右边缘点，记为和。
(6) 设定一个阈值f，单位为像素。阈值f的设定应适当，取值太大会降低路径识别的准确度，太小则影响识别速度。本文取f＝3时处理效果最佳。对图像第1+f行重复第(5)步，分别得到路径左右边缘点i2和j2。依次对m+f行（m为前一次扫描的行数）进行相同的扫描，直到处理完图像行数的三分之二（减少单幅图像处理时间），系统将得到路径左右边缘的点簇坐标[in]和[jn]。
(7) 将所每行所得到的边缘点坐标取中值，得到n个点簇坐标[(in+ jn)/2]。利用最小二乘法拟合这些点簇生成直线，得到拖拉机的行走导航线。
2.4 软件实现流程
Matlab具有强大的数值分析、矩阵计算、信号处理和图形显示功能，运用其进行复杂的图像处理能快速提高导航系统的软件开发速度，比单用Visual C++效率更高。
Matlab图像处理工具箱是Matlab专用的图像处理的一个函数集。本文运用该工具箱处理导航图像，快速提取道路特征，准确拟合导航路径。软件具体流程如图3所示。
二值图像闭运算
是
否
开始
用f(i, j)=2*G(i, j)-R(i,j)-B(i, j)将图像灰度化
统计灰度分布情况
中间灰度级总像素最少
用迭代阈值分割法将图像二值化
点运算分析
扫描图像得到点簇[in]和[jn]
最小二乘法拟合出直线路径
结束

图3 软件流程图
Fig.3 Software flow chart
3 实验结果
本实验运用matlab软件编写程序，并依照本文提出的导航路径识别方法，对不同光照下的田间阴影道路图像进行处理，其结果如图4所示。
图4(a)－4(b)分别为强光照下阴影道路的原始图像、2G-R-B灰度化图像、二值化图像（经迭代阈值分割和闭运算处理）、导航路径生成图像；图4(e)－4(h)分别为弱光照下阴影道路的原始图像、2G-R-B灰度化图像、二值化图像（经迭代阈值分割和闭运算处理）、导航路径生成图像。

(a) (b)

(c) (d)

(e) (f)

(g) (h)
图4 阴影环境下的导航路径识别过程
Fig.4 Process of road recognition in shadow environment
通过实验可知，该路径识别方法具有一定的可行性，能为阴影环境下的视觉导航提供准确的依据。
4 结论
(1) 分析了普通环境和阴影环境下导航图像的特点，在此基础上提出了阴影环境图像应采取与普通环境图像不同的处理方法。
(2) 根据不同光照下阴影环境图像的灰度分布特点，提出了基于点运算分析、闭运算的路径识别方法。该方法针对光照强弱采用点运算分析和闭运算降低干扰，并通过扫描离散点和最小二乘法得导航路径。
(3) 实验结果表明，该方法可快速、准确地处理含阴影的导航图像，能有效提高拖拉机视觉导航系统对阴影环境的适应性。
参考文献：
[1] 刘海涛,关胜晓,秦亮等.智能机器人导航系统的研究[J].计算机应用与软件,2010,27(12):218~220.
[2] 杨为民,李天石,贾鸿社.农业机械机器视觉导航研究[J].农业工程学报, 2004, 20(1):160-165
[3] Torii T. Research in autonomous agriculture vehicles in Japan[J].Computers and Electronics in Agriculture,2000, 25: 133-153.
[4] Debain C, Chateau T, Berducat M, et a.l A guidance-assistance system for agricultural vehicles[J].Computers and Electronics in Agriculture, 2000, 25: 29-51.
[5] 赵博,朱忠祥,宋正河.农用车辆视觉导航路径识别方法[J].江苏大学学报(自然科学版),2007,28(6):482~486.
[6] 吴佳艺,杨庆华,鲍官军等.基于机器视觉的林间导航路径生成算法[J].农业机械学报, 2009,40(7):176~179.
[7] 李进,陈无畏,李碧春等.自动导引车视觉导航的路径识别和跟踪控制[J].农业机械学报,2008,39(2):20~24.
[8] 蔡健荣,周小军,王锋.柑橘采摘机器人障碍物识别技术[J].农业机械学报, 2009,40(11):171~175.
[9] 侯学贵,陈勇,郭伟斌.除草机器人田间机器视觉导航[J].农业机械学报, 2008,39(3):106~108.
[10] 赵颖, 陈兵旗, 王书茂.基于机器视觉的耕作机器人行走目标直线检测[J].农业机械学报, 2006,37(4):83~86.

Road Recognition for Vision Navigation System of Tractor
in Shadow Environment
HUA Xi-jun, LIAO Qian, CHEN Mei-yun, WANG Mu-ju
(School of Mechanical Engineering, Jiang su University, Zhenjiang, Jiangsu 212013)
Abstract: Based on comparing the features of an image in application environment and shadow environment, a new method of road recognition for tractor’s vision navigation in shadow environment was proposed in this paper. Firstly, a navigation image was segmented by the 2G-R-B model. Then, by adopting point-operation , iterative-threshold and closing-operation to advance the contrast of the image according to the characters of shadow and pick up the figure of road, and scanning the path points and using least-square, the navigation line of tractor generated. Testing results verified the feasibility and reliability of the method.
Keyword: vision navigation, tractor, shadow environment, road recognition