[发明专利]一种基于微处理器的智能割草机人边界识别方法

权利要求书

1.一种基于微处理器的智能割草机器人边界识别方法，其特征在于，包括以下步骤：

S1、使用双目图像传感器进行图像采集，得到图像原图；

S2、在微处理器平台上将原图进行灰度变换，得到灰度图像；

S3、在微处理器平台上将灰度图像进行二值化处理，得到二值图像；

S4、在微处理器平台上对二值图像进行数学形态学的闭运算，得到高对比度图；

S5、在微处理器平台上用Hough变换对高对比度图进行边界曲线拟合，得到图像边界曲线，完成对智能割草机器人边界的识别。

2.根据权利要求1所述的基于微处理器的智能割草机器人边界识别方法，其特征在于，所述微处理器的内核为ARM内核。

3.根据权利要求1所述的基于微处理器的智能割草机器人边界识别方法，其特征在于，所述图像原图的像素为RGB565格式的16位数据。

4.根据权利要求1所述的基于微处理器的智能割草机器人边界识别方法，其特征在于，所述步骤S1中得到图像原图的步骤为：

S11、进行μC/OS-II嵌入式操作系统和硬件设备初始化；

S12、通过双目图像传感器模块进行图像采集，得到图像原图，并对图像原图进行存储。

5.根据权利要求4所述的基于微处理器的智能割草机器人边界识别方法，其特征在于，所述步骤S12中的图像原图存储在AL422B缓存芯片中。

6.根据权利要求2所述的基于微处理器的智能割草机器人边界识别方法，其特征在于，所述步骤S2中得到灰度图像的步骤为：

S21、从16位RGB565格式的像素数据的高5位中提取出像素的R分量；

S22、从16位RGB565格式的像素数据的中间6位中提取出像素的G分量；

S23、从16位RGB565格式的像素数据的低5位中提取出像素的B分量；

S24、将R、G、B三分量按照以下公式：

Gray＝R×A1+G×A2+B×A3 (1)

进行加权求和，得到像素灰度值Gray；

其中，A1为R分量的权值，A2为G分量的权值，A3为B分量的权值，将R分量、G分量和B分量均用像素灰度值Gray替换，得到灰度图像。

7.根据权利要求1所述的基于微处理器的智能割草机器人边界识别方法，其特征在于，所述步骤S3得到二值图像的步骤为：

S31、在微处理器中预设一组不同光强环境中的阈值，阈值大小在(16,22)开区间范围内；

S32、根据当前环境的光强，选取对应的阈值；

S33、将灰度图的像素与选取的阈值进行比较，将像素值大于阈值的像素赋新值255；将像素点小于阈值的像素赋新值0，得到二值图像。

8.根据权利要求1所述的基于微处理器的智能割草机器人边界识别方法，其特征在于，所述步骤S4得到高对比度图的步骤为：

S41、对二值图像进行数学形态学膨胀运算，得到膨胀图；

S42、对膨胀图进行数学形态学腐蚀运算，得到高对比度图。

9.根据权利要求1所述的基于微处理器的智能割草机器人边界识别方法，其特征在于，所述步骤S5中得到图像边界曲线的步骤为：

S51、用Hough变换将高对比度图从图像空间(x，y)变换为参数空间(P，θ)，其映射关系遵循以下公式：

P＝x·cosθ+y·sinθ (2)

S52、初始化每个参数空间元素点的值N(P，θ)＝0；

S53、检测图像空间上像素值不为0的像素点，记该像素点i的坐标值为(x_i，y_i)，i为大于0且小于等于图像的像素点总数的整数，并通过公式(2)和公式(3)找到该像素点在参数空间上对应的元素点集合{(P_i1，θ_i1)，(P_i2，θ_i2)...(P_in，θ_in)}，将该元素点集合中的每个元素点的值依次按以下公式进行运算：

F＝N(P_ik，θ_ik)+1 (4)

N(P_(i+1)k，θ_(i+1)k)＝F (5)

F为元素的缓存数据，k为闭区间[1，n]的整数，n为参数空间中与像素i对应的元素的个数；

S54、检测图像空间中下一个像素点的像素值，若像素值不为0，跳转到S53；若像素值为0，则继续检测图像空间中下一个像素点的像素值，直至遍历完成图像中所有像素点的检测，结束此步骤，跳转到S55；

S55、检测参数空间上每个元素点的值N(P，θ)，根据阈值N_th检测出满足N(P，θ)＞N_th的元素点；

S56、将检测出的参数空间元素点变换为图像空间上的直线，并将各直线进行曲线拟合，得到边界曲线。