田间路径识别算法和基于立体视觉的车辆自动导航方法研究

论文摘要

田间农业机器人是提高我国农业自动化的有效手段之一,它能满足未来农业的高产、安全、高效率、环保、农艺高精度的要求。田间车辆的自动导航技术是一个首先需要解决的基础问题,本文研究的主要内容是基于机器视觉的田间自动导航系统,包括田问路径识别算法、基于立体视觉的田间环境3D重构方法和自动导航方法、车辆姿态估计算法,具体如下: 1) 按照生物机器人概念构建田间导航平台。采用的传感器包括NIR立体相机、倾角传感器、转角传感器、编码器、直线位移传感器和偏向角传感器。测控(SCADA)系统以PC机为核心,以测控单元(ECU)为节点,通过RS232通讯使之成为一个有机的整体。软件系统按照面向对象的概念设计,主要组建了图像类、ECU类、姿态估计类、识别算法类和串口通讯类等。 2) 基于机器视觉的田间路径识别的新算法。常规的基于图像分割的算法需要一个确切的灰度阈值,本论文提出的基于相关分析的图像分割算法通过构造小窗口,利用相关系数阈值分割图像。对219幅稻田彩色图像,30幅玉米地图像的分割实验表明正确分割率高于90%。我们还提出一系列田间道路模型:带斜边的阶跃模型、梯形模型和多梯形模型。在小波分解算法的辅助下,采用最小马氏距离作为判别准则,实现了由粗到精的快速田间道路识别算法。对219幅稻田彩色图像、200幅NIR图像的处理结果表明,彩色图像的正确率高于87%,NIR图像的正确率高于69%。实验还表明该算法对图像亮度不敏感,适合田间路径识别。 3) 基于立体视觉的田间环境识别与导航方法。通过比较多种区域匹配方法,表明SAD、SSD、ZSSD、马氏距离等立体匹配方法均可以基本准确地反映出田间图像的视差信息,其中马氏距离方法可以获得最佳的视差图。实验表明需要依据植物叶子的形状设定区域匹配窗口的尺寸。论文研究了提高匹配准确率的方法,即在匹配之前基于2D小波分解算法提取待匹配区域,在匹配之后,采用了极小/次极小的比较方法消除误匹配。实验实现了田间地形的3D重构,基于立体视觉的导航算法以高程数据为主要特征识别作物行、行的末端,提出了基于立体视觉的综合检测作物行、边缘、行末端的算法。 4) 高精度车辆姿态估计的方法。常规的基于机器视觉估计车辆姿态需要精确地校正摄像头参数,本文基于CMAC神经网络的姿态估计方法无需精确的摄像头校正,室内测试的结果是:侧向偏差的RMS为10.5 mm,方差为11.3 mm;偏向角的RMS为1.1°,方差为0.99°。为获得更加精密的姿态估计数据,构造了多传感器信息融合的模型,并基于扩展Kalman滤波算法构建了姿态估计系统,实验表明侧向偏差的RMS为8.7 mm,方差为18.3 mm。

论文目录

• 项目资助
• 中文摘要
• Abstract
• 插图清单
• 表格清单
• 符号清单
• 相关缩略词
• 第一章 绪论
• 1.1 本课题研究的背景和意义
• 1.2 国外田间农业机械自动导航研究的现状
• 1.3 国内田间农业机械自动导航研究的现状
• 1.4 本文的主要研究内容
• 第二章 田间自动导航车辆实验平台的设计与研究
• 2.1 国内外田间导航机器人实验平台综述
• 2.2 田间自动导航实验平台的设计
• 2.2.1 实验平台的机械电气设备
• 2.2.2 机器视觉系统的设计
• 2.2.3 车辆状态测控系统的设计与实验研究
• 2.2.4 传感器及标定方法
• 2.2.5 软件系统的设计
• 2.3 数据通讯协议的设计
• 第三章 基于机器视觉的田间车辆路径的识别算法研究
• 3.1 机器视觉识别田间车辆路径的研究进展
• 3.2 基于小波分析与阶跃模型的水稻己割／未割边缘检测算法研究
• 3.2.1 研究目的
• 3.2.2 实验设计
• 3.2.3 稻田图像增强
• 3.2.4 阶跃模型的设计
• 3.2.5 稻田边缘检测算法
• 3.2.6 结果与讨论
• 3.2.7 小结
• 3.3 基于梯形模型的作物行检测算法研究
• 3.3.1 研究目的
• 3.3.2 实验设计
• 3.3.3 梯形模型的设计
• 3.3.4 作物行检测算法
• 3.3.5 结果与讨论
• 3.3.6 小结
• 3.4 基于相关分析的图像分割算法研究
• 3.4.1 研究目的
• 3.4.2 实验设计
• 3.4.3 构造相关数列对的方法
• 3.4.4 基于相关分析的图像分割算法
• 3.4.5 结果与讨论
• 3.4.6 小结
• 3.5 本章小结
• 第四章 基于立体视觉识别田间地形表达与导航方法的研究
• 4.1 立体视觉概述
• 4.2 立体视觉的研究进展
• 4.3 产生田间道路环境视差图的立体参数的研究
• 4.3.1 研究目的
• 4.3.2 实验设计
• 4.3.3 不同匹配因子的匹配结果研究
• 4.3.4 结果与讨论
• 4.3.5 小结
• 4.4 提高田间车辆道路环境立体匹配准确率的研究
• 4.4.1 研究目的
• 4.4.2 实验设计
• 4.4.3 提高匹配正确率的方法
• 4.4.4 结果与讨论
• 4.4.5 小结
• 4.5 基于立体视觉的导航算法的研究
• 4.5.1 研究目的
• 4.5.2 实验设计
• 4.5.3 视差图到地形图的坐标变换
• 4.5.4 田间作物行／边缘／末端识别算法
• 4.5.5 结果与讨论
• 4.5.6 小结
• 4.6 本章小结
• 第五章 田间车辆姿态估计算法的研究
• 5.1 田间车辆姿态估计算法概述
• 5.1.1 姿态估计的目的和意义
• 5.1.2 Kalman滤波递推算法简述
• 5.2 田间车辆姿态估计算法研究进展综述
• 5.2.1 基于PA（位置、姿势）的模型
• 5.2.2 基于PV（姿势和速度）的模型
• 5.2.3 基于PVA（位置、速度和姿态）的模型
• 5.2.4 基于动力学的模型
• 5.3 基于CMAC神经网络的车辆姿态估计方法的研究
• 5.3.1 研究目的
• 5.3.2 实验设计与实验方法
• 5.3.3 CMAC神经网络测量车辆姿态的算法
• 5.3.4 结果与讨论
• 5.3.5 小结
• 5.4 基于基于多传感器的车辆姿态估计算法研究
• 5.4.1 研究目的
• 5.4.2 实验设计与实验方法
• 5.4.3 系统模型的设计
• 5.4.4 基于扩展Kalman滤波器的车辆姿态估计算法
• 5.4.5 结果与讨论
• 5.4.6 小结
• 5.5 本章小结
• 第六章 结论与建议
• 6.1 研究结论
• 6.2 主要创新工作
• 6.3 展望
• 参考文献
• 致谢
• 作者在攻读博士学位期间发表和待发表的论文