[发明专利]一种动态背景下振荡苹果跟踪识别方法

说明书

本发明公开了一种动态背景下振荡苹果跟踪识别方法，具体包括以下步骤：1)图像采集；2)图像分割；3)二值图完善；4)苹果识别；5)苹果位置预判；6)匹配识别。本发明方法简单，通用性好，且满足苹果采摘的精度和实时性的要求，使得苹果采摘机器人在采摘苹果的过程能够提高采摘的效率和精度；该算法苹果识别平均耗时72ms，跟踪算法平均耗时25ms，静态苹果的跟踪误差小于2％，振荡苹果的跟踪误差小于4％，满足苹果采摘的精度和实时性的要求，该算法也可以给其他果实的跟踪识别提供良好参考。

技术领域

本发明涉及农业机械技术领域，具体涉及果蔬采摘机器人的图像识别方法，更具体的说，尤其涉及一种动态背景下振荡苹果跟踪识别方法。

背景技术

1968年，美国学者Schertz等将机器视觉引入到果实目标的识别，开启了农业中视觉识别定位果实的大门。果实识别和跟踪定位的精度和效率，对采摘机器人至关重要。国内外关于果实识别问题已经有了广泛的研究，目前常用的分割识别算法主要有阈值分割法、K-means聚类算法、区域生长法、人工神经网络(ANN)、K最近邻法(KNN)以及多种算法结合的方法等等。对于重叠苹果的识别还有基于凸壳、基于凹点、基于Hough变换、基于链码等等方法。

然而以上方式都是静态的识别，并不能完全适用于采摘机器人在运动过程中的动态采摘。实际采摘中，苹果会由于风力以及采摘作业等因素引起振荡。在采摘前需要多次成像或者等待苹果静止后再进行苹果识别。识别完成后，在执行末端靠近目标果实的过程中也需要多次采集图像进行苹果识别，将苹果在图像中的位置反馈给采摘机器人，以提高采摘的精度。整体识别时间即是所有采集图像识别时间以及等待时间的总和，严重制约了采摘机器人实际采摘中的采摘效率。针对这一问题，赵德安、吕继东等根据前后图像的信息关联，提出采用模板匹配的方式跟踪苹果位置。但是提取的模板无法应对相机在接近苹果的过程中图像尺度的变化，导致跟踪出现较大误差。冯玮等利用SURF特征和RANSAC模型求解仿射变换参数，获得目标尺度信息，并使用压缩跟踪算法跟踪目标果实，由于该算法需要使用压缩特征来对目标果实进行描述，很难保证算法的实时性。

发明内容

本发明的目的在于解决现有动态背景下苹果跟踪存在的缺陷，提出了一种动态背景下振荡苹果跟踪识别方法，使得苹果采摘机器人在采摘苹果的过程提高采摘的效率和精度，其方法简单，通用性好，且满足苹果采摘的精度和实时性的要求，也可以给其他果实的跟踪识别提供良好参考。

本发明通过以下技术方案来实现上述目的：一种动态背景下振荡苹果跟踪识别方法，具体包括以下步骤：

1)图像采集：使用彩色CCD相机采集苹果图像序列；

2)图像分割：使用自适应的R-αG色差模型将彩色苹果图像转化为灰度图像，然后使用最大类间方差法分割图像；

其中R为图像红色分量，G图像为绿色分量；

3)二值图完善：将分割后得到的二值图像用一个半径为3的圆形模板进行开运算，然后对其进行孔洞填充，最后去除长宽比L2.5、面积SS_T、填充率F0.5的连通区域，得到连通区域最小包围矩形长宽比为

式中，L为连通区域最小包围矩形长宽比，W为最小包围矩形宽，H为最小包围矩形高；

面积阈值为

式中，S_T为面积阈值，S_max为最大连通区域面积；

填充率为

式中，F为填充率，S₀为连通区域面积，S_t为连通区域最小包围矩形面积；

4)苹果识别：使用局部参数自适应霍夫变换法识别苹果；