[发明专利]一种基于FPGA的实时田间机器人视觉导航方法与系统

权利要求书

1.一种基于FPGA的实时田间机器人视觉导航方法，其特征在于，所述基于FPGA的实时田间机器人视觉导航方法包括以下步骤：

第一步，将获取到的田间图像通过图像预处理分割出绿色作物；

第二步，检测田间作物垄线图像中的垄线信息，垄线信息包括两条垄线位置信息及两条垄线斜率；检测田间作物垄线信息中，使用田间垄线检测算法寻找最近的垄线，计算左、右边界垄线约束角度；当计算得到左右垄线边界线后，通过式计算出垄线宽度L_w，公式(2)：

β-10≤θ≤β+10 (1)；

L_w＝right_BL-left_BL (2)；

选择垄线角度、垄线宽度作为第二条垄线检测特征，检测田间图像中第二条垄线位置；首先确定第一条垄线在图像中的相对位置，然后预估第二条垄线的位置；当垄线位于整幅图像左侧，则选择垄线的右边界加垄线宽度的一半为起点，向右查找大于平均阈值且最小的密度信息作为第二条垄线；否则，采用垄线左边界减垄线宽度一半为起点检测垄线，具体如式(3)所示：

将第一条垄线及边界的角度和第一条垄线宽度作为第二条垄线检测判断条件，确定第二条垄线及垄线边界线的位置；

第三步，通过垄线信息计算提取机器人的导航信息，用于控制机器人行走；

所述第二步检测田间作物垄线图像中的垄线信息使用的田间垄线检测算法包括密度计算，第一条垄线检测及寻找第二条垄线检测；通过计算图像基线上每个像素点的密度，确定垄线的位置；具体包括：

1)密度计算，由两条角度约束线构成当前垄线对应的扇形区域，角度为θ时且过BL直线上的点(x,y)的直线为候选检测线，通过下面式(5)-(9)获得该直线同图像边缘的交点分别为(x₀,y₀)和(x₁,y₁)；其中，width和height分别表示图像的长宽，θ为当前像素点对应的扇形角度，范围为[45°,135°]；式(10)计算每个像素点在扇形区域的密度，其中G_i为过点(x,y)且角度为θ所构成的直线下非零像素点的个数，而V_i则是该直线上所有像素点个数：

temp₀＝(1-y)/tanθ+x    (4)；

temp₁＝(height-y)/tanθ+x    (7)；

2)将计算得到的每个BL线上的所有点的密度进行比较，找到全局最大点；全局最大点即对应第一条垄线中心线；从中心线沿着BL线左侧逐像素点移动，在搜索过程中，逐点比较每个像素点在约束角度范围内的密度，计算约束角度γ₂式(11)；计算左边界时约束角度式(12)；而计算右边界时约束角度应满足公式(13)；式中(x₀,y₀)和(x₁,y₁)分别为当前角度所构成的直线与图像边界的交点；与搜索垄线中心线不同的是，这次选择不大于平均密度ρ的最小密度值所对应的位置作为左边界，其中，通过统计图像中非零绿色作物像素点个数与图像中所有像素点的比值计算整幅图像的平均密度ρ，式(14)：

max(π/4,γ₂)y≤θ≤β    (12)；

β≤θ≤min(3π/4,γ₂)    (13)；

3)寻找最近的垄线，将计算左、右边界垄线约束角度；当计算得到左右垄线边界线后，通过式(16)计算出垄线宽度L_w：

β-10≤θ≤β+10    (15)；

L_w＝right_BL-left_BL    (16)；

选择垄线角度、垄线宽度作为第二条垄线检测特征，检测田间图像中第二条垄线位置；首先确定第一条垄线在图像中的相对位置，预估第二条垄线的位置情况；当垄线位于整幅图像左侧，则选择垄线的右边界加垄线宽度的一半为起点，向右查找大于平均阈值且最小的密度信息作为第二条垄线；否则，采用垄线左边界减垄线宽度一半为起点检测垄线，具体如式(17)所示：

将第一条垄线及边界的角度和第一条垄线宽度作为第二条垄线检测判断条件，确定第二条垄线及垄线边界线的位置。