[发明专利]基于图像分析的漏割草坪识别方法

说明书

技术领域

本发明涉及图像处理与模式识别领域，尤其是一种基于图像分析的漏割草坪识别方法。

背景技术

现今的智能割草机器人在进行草坪修剪时只能根据颜色特征，纹理特征模糊的判断该区域是否是草坪，而无法真正的根据草的特征识别出草坪。所以有些颜色与草坪的相近的地衣，苔藓等也会误认为是草坪。而后当割草机器人根据预定路径规划进行草坪修剪时，由于草坪环境的复杂性，割草机器人会因为障碍物等因素出现对草坪漏割的现象。为了消除或者减少漏割草坪，割草机器人在没有草坪状态反馈的条件下，只能采取随机路径的规划方式，再以长时间甚至持续不断的工作方式来配合，保证对整片草坪的完全覆盖。于是会对同一块草地进行多次不同方向的往复前进，降低了割草效率。如果能够准确识别出漏割草坪，完全可以指导割草机器人的路径规划偏重于漏割区域，这样可以大大提高割草机器人的效率。因此，对于漏割草坪的识别，具有显著的实际应用意义。

发明内容

本发明要解决的技术问题是提供一种简单的基于图像分析的漏割草坪识别方法。

为了解决上述技术问题，本发明提供一种基于图像分析的漏割草坪识别方法，包括智能割草机器人，所述的智能割草机器人内部设置进行集中控制的微处理器，所述的智能割草机器人前端设置进行图像采集的摄像头；所述的微处理器分别与摄像头和智能割草机器人的运动控制系统信号连接；其特征是：所述摄像头将实时采集的图像信息I(x,y)传输到微处理器，所述微处理器通过内置的漏割草坪识别算法对图像信息I(x,y)进行识别处理；

所述的漏割草坪识别算包括以下步骤：

①对图像信息I(x,y)采用颜色识别算法，去除与草的颜色有差异的背景，获得图像信息I₁(x,y)；

②通过边缘检测算子检测图像信息I₁(x,y)的边缘，并提取出来形成一幅灰度图I₂(x,y)；

③利用Otsu算法选择最佳阈值t，将灰度图I₂(x,y)处理成二值图I₃(x,y)；

④对二值图I₃(x,y)进行腐蚀运算，消除噪声及背景后得到腐蚀图I₄(x,y)；

⑤选用Freeman码对腐蚀图I₄(x,y)中的目标进行轮廓提取，得到轮廓图I₅(x,y)；

⑥再次利用Freeman码对提取出来的轮廓用填充色进行填充，得到填充图I₅(x,y)；

⑦对填充后的目标进行骨架提取，得到骨架图I₆(x,y)；

⑧对目标的骨架进行长度计算，若长度在草的阈值范围之内，就将目标暂定为草；

⑨对暂定为草的目标骨架进行宽度计算，根据计算的结果再进行长宽比的计算；若长宽比在草的阈值范围内，就认定目标是漏割的草。

作为对本发明所述的基于图像分析的漏割草坪识别方法的改进：在步骤①中，所述的颜色识别算法通过如下步骤实现：构建草的HSI彩色模型，确定色调和饱和度值的取值范围分别为β<H(x,y)<α和S(x,y)>γ；对于像素点(x,y)的H(x,y)和S(x,y)，如果β<H(x,y)<α并且S(x,y)>γ，则判断像素点(x,y)为草，否则非草；所述色调和饱和度值的取值范围通过草的颜色进行确定。

作为对本发明所述的基于图像分析的漏割草坪识别方法的进一步改进：在步骤②中，所述的边缘检测算子采用Sobel边缘检测算子。

作为对本发明所述的基于图像分析的漏割草坪识别方法的进一步改进：在步骤③中，Otsu算法获得最佳阈值t的步骤如下：通过灰度图I₂(x,y)的R分量图提取背景比例w0、背景均值u0、前景比例w1、前景均值u1以及灰度图I₃(x,y)的均值u；再通过t=Max[w0(t)*(u0(t)-u)²+w1(t)*(u1(t)-u)²]计算后获得最佳阈值t。

作为对本发明所述的基于图像分析的漏割草坪识别方法的进一步改进：在步骤④中，所述的腐蚀运算选用一个3*3的方形结构元素S对二值图I₃(x,y)进行腐蚀。

作为对本发明所述的基于图像分析的漏割草坪识别方法的进一步改进：在步骤⑤中，首先提取轮廓的顶点链码，再由轮廓的顶点链码转换成轮廓的Freeman码。