基于改进Hough变换的收获机器人行走目标直线检测

２０１０年２月农业机械学报第４１卷第２期ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００１２９８．２０１０．０２．０３５基于改进Ｈｏｕｇｈ变换的收获机器人行走目标直线检测吴　刚　谭　　郑永军　王书茂（中国农业大学工学院，北京１０００８３）　　【摘要】　提出了基于改进随机Ｈｏｕｇｈ变换（ＲＨＴ）的收获机器人行走目标直线检测算法。将摄像机安装在联合收获机的顶部，在收获过程中采集农田场景图像。根据已收获区域、未收获区域和非农田区域的不同颜色特征，利用统计分析和边缘检测，确定行走目标直线的终点位置以及直线方向上的候选点。以候选点为点集，采用改进ＲＨＴ完成直线检测。与传统的ＲＨＴ相比，避免了无效采样和累积问题。经过对多幅图片的处理，证明算法能够有效检测出直线参数，且处理时间在２００ｍｓ左右。关键词：收获机器人　导航　随机Ｈｏｕｇｈ变换　直线检测　边缘检测中图分类号：ＴＰ２４２６＋２文献标识码：Ａ文章编号：１０００１２９８（２０１０）０２０１７６０４ＷａｌｋｉｎｇＧｏａｌＬｉｎｅＤｅｔｅｃｔｉｏｎＢａｓｅｄｏｎＩｍｐｒｏｖｅｄＨｏｕｇｈＴｒａｎｓｆｏｒｍｏｎＨａｒｖｅｓｔｉｎｇＲｏｂｏｔＷｕＧａｎｇ　ＴａｎＹｕ　ＺｈｅｎｇＹｏｎｇｊｕｎ　ＷａｎｇＳｈｕｍａｏ（ＣｏｌｌｅｇｅｏｆＥｎｇｉｎｅｅｒｉｎｇ，ＣｈｉｎａＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１０００８３，Ｃｈｉｎａ）ＡｂｓｔｒａｃｔＡｎａｌｇｏｒｉｔｈｍｆｏｒｗａｌｋｉｎｇｇｏａｌｌｉｎｅｄｅｔｅｃｔｉｏｎｗａｓｈｅｒｅｂｙｐｒｏｐｏｓｅｄｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｒａｎｄｏｍｉｚｅｄＨｏｕｇｈｔｒａｎｓｆｏｒｍ（ＲＨＴ）ｆｏｒｈａｒｖｅｓｔｉｎｇｒｏｂｏｔ．Ａｃａｍｅｒａｗａｓｆｉｘｅｄｏｎｔｈｅｔｏｐｏｆｔｈｅｃｏｍｂｉｎｅｄｈａｒｖｅｓｔｅｒｉｎｏｒｄｅｒｔｏｃａｐｔｕｒｅｉｍａｇｅｓｏｆｆａｒｍｌａｎｄｓｃｅｎｅｓｉｎｔｈｅｐｒｏｃｅｓｓｏｆｈａｒｖｅｓｔｉｎｇ．Ｂｙｖｉｒｔｕｅｏｆｓｔａｔｉｓｔｉｃａｎａｌｙｓｉｓａｎｄｅｄｇｅｄｅｔｅｃｔｉｏｎ，ｔｈｅｔａｒｇｅｔｌｏｃａｔｉｏｎｏｆｗａｌｋｉｎｇｇｏａｌｌｉｎｅａｓｗｅｌｌａｓｔｈｅｏｐｔｉｍａｌｐｏｉｎｔｓｉｎｔｈｅｓｔｒａｉｇｈｔｌｉｎｅｄｉｒｅｃｔｉｏｎｗｅｒｅｄｅｔｅｒｍｉｎｅｄａｃｃｏｒｄｉｎｇｔｏｄｉｆｆｅｒｅｎｔｃｏｌｏｒｆｅａｔｕｒｅｓｏｆｈａｒｖｅｓｔｅｄａｒｅａｓ，ｎｏｎｈａｒｖｅｓｔｅｄａｒｅａｓａｎｄａｒｅａｓｗｉｔｈｏｕｔｆａｒｍｌａｎｄｓｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｏｐｔｉｍａｌｐｏｉｎｔｓｓｅｌｅｃｔｅｄａｓｔｈｅｐｏｉｎｔｓｅｔ，ｃｏｍｐｌｅｔｅｌｉｎｅｄｅｔｅｃｔｉｏｎｗａｓａｃｃｏｍｐｌｉｓｈｅｄｂｙａｐｐｌｙｉｎｇＲＨＴ，ｗｈｉｃｈａｖｏｉｄｓｉｎｖａｌｉｄｓａｍｐｌｉｎｇａｎｄａｃｃｕｍｕｌａｔｉｏｎｉｎｃｏｍｐａｒｉｓｏｎｗｉｔｈｔｈｅｔｒａｄｉｔｉｏｎａｌａｌｇｏｒｉｔｈｍｏｆＲＨＴ．Ｔｈｒｏｕｇｈｐｒｏｃｅｓｓｉｎｇｖａｒｉｏｕｓｐｉｃｔｕｒｅｓ，ｉｔｗａｓｗｅｌｌｐｒｏｖｅｄｔｈａｔｔｈｅａｌｇｏｒｉｔｈｍｃａｎｅｆｆｅｃｔｉｖｅｌｙｄｅｔｅｃｔｓｔｈｅｌｉｎｅａｒｐａｒａｍｅｔｅｒｓ，ｗｉｔｈｔｈｅｐｒｏｃｅｓｓｉｎｇｔｉｍｅｏｆａｂｏｕｔ２００ｍｓ．Ｋｅｙｗｏｒｄｓ　Ｈａｒｖｅｓｔｉｎｇｒｏｂｏｔ，Ｎａｖｉｇａｔｉｏｎ，ＲａｎｄｏｍｉｚｅｄＨｏｕｇｈｔｒａｎｓｆｏｒｍ，Ｌｉｎｅｄｅｔｅｃｔｉｏｎ，Ｅｄｇｅｄｅｔｅｃｔｉｏｎ收稿日期：２００９０２０９　修回日期：２００９０５１３“十一五”国家科技支撑计划资助项目（２００６ＢＡＤ１１Ａ０２）作者简介：吴刚，讲师，博士生，主要从事车辆智能控制及机电一体化技术研究，Ｅｍａｉｌ：[e-mail]通讯作者：谭，教授，博士生导师，主要从事车辆智能控制及机电一体化技术研究，Ｅｍａｉｌ：[e-mail]　　引言联合收获机辅助驾驶已成为普遍关注的问题。而实现联合收获机辅助驾驶的关键问题是对其行驶路径进行检测，即导航。目前，应用于大面积的导航技术主要有无线电或激光导航［１］、机器视觉导航［２］和ＧＰＳ导航［３］等。其中，机器视觉导航以灵活、实时和精度好等优点得到了普遍的关注。直线检测常用的方法有最小二乘法和哈夫变换（Ｈｏｕｇｈｔｒａｎｓｆｏｒｍ）两种。在对已知点集求取直线的过程中，最小二乘法在迭代次数、占用的存储空间上比标准Ｈｏｕｇｈ变换（ｓｔａｎｄａｒｄＨｏｕｇｈｔｒａｎｓｆｏｒｍ，简称ＳＨＴ）要少。但由于最小二乘法考虑的是已知数据点到拟合函数的距离平方和为最小，若已知数据点集中存在干扰点时，拟合误差较大［４］。而Ｈｏｕｇｈ变换［５］作为一种有效的直线检测方法，具有对随机噪声和部分遮盖不敏感等优点，被广泛地应用于计算机视觉和模式识别等领域。因此研究拟采用Ｈｏｕｇｈ变换作为行走目标的直线检测方法。但是ＳＨＴ检测直线存在着计算量大、参数空间所需的存储量大等缺陷。针对Ｈｏｕｇｈ变换的上述问题，Ｘｕ等［６～７］提出了随机Ｈｏｕｇｈ变换（ｒａｎｄｏｍｉｚｅｄＨｏｕｇｈｔｒａｎｓｆｏｒｍ，简称ＲＨＴ）。ＲＨＴ采用多到一的映射，避免了ＳＨＴ一到多映射的庞大计算量，而且ＲＨＴ算法采用动态链表结构，只对多到一映射所得到的参数分配单元进行累积，降低了内存需求，同时使得ＲＨＴ具有参数空间无限大、参数精度任意高等特点。然而在处理复杂图像时，由于随机采样会引人大量的无效采样和累积，使算法的性能大为降低。为了解决这一问题，本文提出基于改进的ＲＨＴ进行收获机器人行走目标直线检测算法。１　试验由于联合收获机的卸粮口在左侧，为便于卸粮，一般采用从田地左侧开始收获，即右侧是未收获区域，左侧是已收获区域。收获时最常用的行进路线有右旋法和四边收获法两种［８］。其中右旋法适合于长度较长而宽度不大的田块，开出割道后延长边方向收获，该行程收获结束后，右转弯绕到收获区另一长边继续收获，直至收获结束；四边收获法适用于大块田，开出割道后沿田块左侧一边收获至该行程结束后，右转弯继续收获，如此反复，直至收获结束。根据以上作业方式，待检测直线将位于联合收获机的左侧。１１　改进随机Ｈｏｎｇｈ变换（ＲＨＴ）直线方程的极坐标形式为ρ＝ｘｃｏｓθ＋ｙｓｉｎθ（１）式中　ｘ、ｙ———图像空间直角坐标θ———ｘ轴到直线法线的逆时针转角ρ———直线到坐标原点的垂直距离对于任意给定的２个点，根据上述参数方程可以求得其所确定直线的参数。ＲＨＴ检测直线的算法可以简述为：①将图像的全部边界点生成一点集Ｐ，并初始化参数空间。②从点集Ｐ中随机地选出一个点对［（ｘｉ，ｙｉ），（ｘｊ，ｙｊ）］。③如果这一点对不满足事先确定的距离条件，则返回。④利用直线方程求解点对［（ｘｉ，ｙｉ），（ｘｊ，ｙｊ）］，得到（ρ，θ）。如果参数空间中已有这个点（或有与其相近的点），其累加值加１，否则将（ρ，θ）插入参数空间。⑤累加值在参数空间投票，如果累加值ｆ（ρ，θ）达到阈值，则ρ和θ即对应为检测出的直线，将Ｐ中相应的点清除，初始化参数空间，返回步骤②，重复此过程直到结束。从ＲＨＴ检测直线的算法不难看出，在处理复杂图像时，对点集Ｐ精简是必要的。通过分析联合收获机收获小麦的场景图像，根据已收获区域、未收获区域和非农田区域的不同颜色特征，利用统计分析方法来判断行走目标的终点位置以及已收获区域与未收获区域分界线的位置。以两位置为依据，结合边缘检测来生成点集Ｐ，以达到提高算法的运算速度和避免无效累积问题。１２　试验设备及图像采集图像用大恒ＤＨＨＶ３１０３ＵＣ型摄像机拍摄，拍摄帧率为３０ｓ－１，６４０×４８０彩色图像。图像处理用Ｐｅｎｔｉｕｍ４Ｍ处理器（ＣＰＵ）、主频为１８ＧＨｚ、内存容量为５１２ＭＢ的便携式计算机，软件开发工具为Ｍａｔｌａｂ２００８Ｂ。试验用图像是在洛阳市郊区小麦田间拍摄，天气晴朗。试验前将摄像机安装在联合收获机顶部中间偏左位置，距地约３ｍ，俯角约４０°。摄像机采用隔振垫隔振，并用带雨刷的防护罩作防尘处理。图像为联合收获机行进中通过ＵＳＢ２０接口采集所得。１３　直线终点位置的判定图像中已收获区域、未收获区域和非农田区域颜色各不相同。其中非农田区域颜色较深，亮度较暗；已收获区域次之；未收获区域的颜色较浅，亮度较高。根据作业方式，非农田区域（直线的终点位置）位于图像的顶部并呈水平方向，已收获区域与未收获区域分别位于直线的左、右两侧。由于直线的终点位置处于非农田区域和农田区域的交界处，因此在直线的终点位置其灰度值会有一突变。根据这些特点，可以判断直线的终点位置。具体方法为：在此类问题上，由于ＲＧＢ图像中的Ｒ（红色）通道像素值变化比较明显，所以选择Ｒ（红色）通道将图像灰度处理［９～１１］。为了减少噪声的干扰，首先对灰度图像采用水平５点的平滑滤波；其次从上向下逐行扫描图像，求取每一行上像素灰度值的平均值，将其存储在数组Ｈｉ（ｉｍ为行数）中，则直线的终点位置必将是数组Ｈｉ中某一拐点所对应的行数；然后求出离散数组Ｈｉ的拐点，并将其存储在数组Ｇｍ（ｉｍ）（ｉｍ为拐点所在的行数；Ｇｍ为拐点值，即灰度平均值）中。为了避免图像最大行附近灰度值低的问题，只求取第４７０行以前的拐点；图１表示了每行７７１第２期　　　　　　　　　　　吴刚等：基于改进Ｈｏｕｇｈ变换的收获机器人行走目标直线检测（水平方向）像素灰度值的平均值分布情况。图１中曲线为Ｈｉ的分布曲线，直线由Ｈｉ中灰度平均值最大值（点Ａ）与第４７０行灰度平均值（点Ｂ）所确定。最后以该直线为参考，计算每个（ｉｍ，Ｇｍ）与直线的垂直距离（图１所在坐标系下点到直线的垂直距离），并设定阈值（经过反复试验阈值确定为２５），对于满足阈值的各（ｉｎ，Ｇｎ），以其中最大的ｉｎ值作为直线终点位置；如果没有满足阈值条件的拐点，则判定图像上没有直线的终点。对于图１中，点Ｃ所在的行数（ｃ行）即直线的终点位置。图１　每行（水平方向）像素灰度值的平均值分布图Ｆｉｇ．１　Ａｖｅｒａｇｅｄｉｓｔｒｉｂｕｔｉｏｎｆｏｒｅａｃｈｌｉｎｅ（ｈｏｒｉｚｏｎｔａｌｄｉｒｅｃｔｉｏｎ）ｐｉｘｅｌｇｒａｙｖａｌｕｅ　图２　每列（垂直方向）像素灰度值的平均值分布图Ｆｉｇ．２　Ａｖｅｒａｇｅｄｉｓｔｒｉｂｕｔｉｏｎｆｏｒｅａｃｈｃｏｌｕｍｎ（ｖｅｒｔｉｃａｌｄｉｒｅｃｔｉｏｎ）ｐｉｘｅｌｓｇｒａｙｖａｌｕｅ１４　直线可能位置的判定对于灰度图像，从左到右逐列扫描图像，求取每列图像的灰度平均值，将其存储在数组Ｖｊ（ｊ为列数）中。图２表示了每列（垂直方向）像素灰度值的平均值分布图，横坐标为图像的列数，纵坐标为每列像素灰度值的平均值，图中曲线为Ｖｊ的分布曲线，水平线为Ｖｊ的平均值，其计算公式为Ｖ＝１６４０∑６４０ｊ＝１Ｖｊ（２）曲线和水平线的最右侧交点Ｄ所在的列数（ｄ列）即为直线可能出现的位置。１５　点集Ｐ的确定对灰度图进行二值化及边缘检测，边缘检测后距待收获区域最近的边缘是受关注的。由于图像在中远景处灰度比较均衡，且亮度较高，点集Ｐ的确定方法为：根据作业方式和图像学上的特点，为确保取点的准确性，以直线可能出现的位置ｄ（列数）向右偏移适当像素ａ设立基准线Ｋ（垂直线），其中ａ的确定方法为：由于在该类问题中直线的偏角一般在±１０°之间，经反复试验后得ａ值计算公式为ａ＝１４ｔａｎ１０°×４８０≈２０（像素）（３）从ｃ行开始搜寻Ｋ线左侧距其最近的边缘点，具体的方法为：假设从ｃ行到第４８０行共有ｈ行，当扫描ｃ≤ｉ≤（ｃ＋ｈ／２）行时，逐行搜索Ｋ线左侧距其最近的边缘点；当扫描（ｃ＋ｈ／２）＜ｉ≤（ｃ＋３ｈ／４）行时，隔行搜索Ｋ线左侧距其最近的边缘点；当扫描（ｃ＋３ｈ／４）＜ｉ≤４８０行时，每隔两行搜索Ｋ线左侧距其最近的边缘点。将扫描到的边缘点（最多３４０个点）的坐标值插入点集Ｐ。以此点集Ｐ为依据进行ＲＨＴ，得到（ρ，θ）参数空间，其中必有一累加值ｆｉ（ρｉ，θｉ）达到最大值，以（ρｉ，θｉ）、起始行ｃ行和终止行第４８０行所确定的直线作为收获机器人行走的