面向采摘機(jī)器人的棉花雙目視覺(jué)定位技術(shù)研究.pdf

1、同工業(yè)機(jī)器人或者其他領(lǐng)域機(jī)器人相比，農(nóng)業(yè)機(jī)器人工作環(huán)境多變，以非結(jié)構(gòu)環(huán)境為主，對(duì)智能化程度的要求要遠(yuǎn)高于其他領(lǐng)域機(jī)器人，因此，現(xiàn)階段的研究重心應(yīng)轉(zhuǎn)向機(jī)器視覺(jué)和人工智能，下面設(shè)計(jì)了一套雙目視覺(jué)測(cè)距裝置，以定位田間棉花的三維坐標(biāo)，為棉花采摘機(jī)器人機(jī)械臂的運(yùn)動(dòng)軌跡提供參數(shù)，力圖解決農(nóng)業(yè)機(jī)器人的智能問(wèn)題。
　　在投影儀打光和不打光的情況下，拍攝了3棵棉株的圖像，獲取了邊界清晰、紋理豐富的棉花圖像樣本，下面以第1幅圖像樣本為例闡述實(shí)驗(yàn)過(guò)程。

2、對(duì)棉花圖像進(jìn)行二值化處理去除背景，進(jìn)一步進(jìn)行灰度平衡和銳化來(lái)增強(qiáng)棉花表面的紋理;對(duì)圖像進(jìn)行4次降采樣處理生成5組圖像，分別在6個(gè)高斯核函數(shù)尺度下對(duì)每一組圖像進(jìn)行高斯模糊濾波處理，生成一個(gè)高斯金字塔尺度空間;基于相鄰尺度的高斯圖像獲取高斯差分圖像的層疊，在像素的3×3×3立體鄰域內(nèi)判斷出極值點(diǎn)，左右圖像分別獲取了1634和1581個(gè)極值點(diǎn)，進(jìn)一步采用子像素插值法精確定位關(guān)鍵點(diǎn)，并用曲率閾值去除邊緣點(diǎn)，左右圖像分別獲取了1529和1493個(gè)

3、關(guān)鍵點(diǎn);基于關(guān)鍵點(diǎn)鄰域內(nèi)像素的梯度直方圖的最大幅值確定關(guān)鍵點(diǎn)的主方向，沿著主方向獲取關(guān)鍵點(diǎn)4×4鄰域內(nèi)的16個(gè)種子點(diǎn)在8個(gè)梯度方向上的模值，由此獲取關(guān)鍵點(diǎn)的128維SIFT特征值，它們具有旋轉(zhuǎn)、平移、縮放和仿射不變性。
　　左右圖像粗匹配時(shí)，針對(duì)右圖像的所有關(guān)鍵點(diǎn)，計(jì)算每一維SIFT特征值的方差，基于最大方差所在維對(duì)關(guān)鍵點(diǎn)進(jìn)行排序并折半劃分關(guān)鍵點(diǎn)，重復(fù)此過(guò)程建立一棵KD二叉樹(shù);左圖像的某一個(gè)關(guān)鍵點(diǎn)從二叉樹(shù)根開(kāi)始搜尋匹配點(diǎn)時(shí)，獲取了

4、一條通往葉子的搜索路徑，沿途記錄其兄弟節(jié)點(diǎn)，并依據(jù)一定準(zhǔn)則排序成一個(gè)BBF(Best Bin First)優(yōu)先級(jí)序列作為回溯搜索路徑，由此獲取最近鄰和次近鄰點(diǎn)，若最近鄰點(diǎn)到左圖像關(guān)鍵點(diǎn)的歐氏距離小于次近鄰點(diǎn)的0.49倍，即為匹配點(diǎn)，依此類推，左右圖像獲取了172對(duì)匹配點(diǎn)。進(jìn)一步基于8點(diǎn)法精匹配的方法是，從粗匹配點(diǎn)對(duì)中任意選取8個(gè)匹配點(diǎn)對(duì)構(gòu)建極線方程，基于歸一化和奇異分解獲得的方程解為基本矩陣F，它表征的是相機(jī)成像平面之間的極線約束關(guān)系，

5、計(jì)算粗匹配點(diǎn)對(duì)到極線的距離，以1.5為閾值判斷內(nèi)點(diǎn)對(duì)，獲取內(nèi)點(diǎn)對(duì)數(shù)及其到極線的誤差;基于隨機(jī)采樣一致性方法RANSAC(Random Sample Consensus)重復(fù)這一過(guò)程并快速收斂，內(nèi)點(diǎn)對(duì)數(shù)最多或者誤差較小的基本矩陣F最優(yōu)，相應(yīng)的內(nèi)點(diǎn)對(duì)即為精匹配點(diǎn)對(duì)，左右圖像獲得了155對(duì)精匹配點(diǎn)對(duì)，誤差為0.8018。
　　以左相機(jī)光心為世界坐標(biāo)系的原點(diǎn)，采用張正友二步標(biāo)定法獲取相機(jī)的內(nèi)部參數(shù)，結(jié)合基本矩陣F構(gòu)建極線約束方程得到本質(zhì)矩