除草機器人路標識別多模式匹配算法研究——面向中英文混合環境

宋錦博

(商丘醫學高等專科學校 公共學科部，河南 商丘 476000)

0 引言

近年來，隨著電子計算機技術的進步，計算機圖像處理得到了飛躍的發展，已經成功地應用于幾乎所有與成像有關的領域，并正發揮著相當重要的作用。基于計算機圖像處理的機器視覺技術也得到了迅速的發展，并被應用到了自主導航領域。除草機器人是當前農業生產中逐步開始采用的一種新的農田作業機械，由于缺乏成熟的自主導航系統，除草機器人的自主導航能力還不高，為了便于其自主作業，可以采用英文字母路標的形式對不同的田塊進行區分和識別。為了使導航路標便于區分，還可以加入漢語字符，混合字符的出現會給路標的識別造成一定的麻煩，而采用多模式匹配算法，使導航路標在中英文混合環境下具有較高的識別效率，對于除草自動化作業機械的設計具有重要的意義。

1 基于中英文混合環境的匹配算法和除草機器人概述

為了實現除草機器人的自動導航功能，可以采用機器視覺系統，導航路標是機器視覺系統識別匹配路線的重要標志。在路標設置上一般采用英文標志，這是由于英文標志較容易識別，但為了使導航標記容易理解，往往加入了漢語部分，從而構成了中英文混合環境。英文字符一般采用ASCII進行編碼，一個字符占用一個字節，中文字符一般采用GB編碼，一個字符占用兩個字節。由于編碼長度和規則的不同，容易造成復雜的多模式匹配的混合環境。在單字節情況下，對路標符號進行匹配時由于字節長度一致，匹配時只需要根據固定的長度進行便可以；而在中英雙語境，不同字符出現的概率是隨機的，如果字節屬性在匹配過程中出現錯誤會造成匹配錯位，會造成匹配失敗。

例如，對字符串路標”3C|62|3E|CBD1|CBF7| B2FA|C6B7|3C|2F|62|3E”的匹配，假設匹配關鍵詞為”B2FA|C6B7”，如果在處理字符邊界時出現錯誤，導致匹配從低字節D1開始，而使字節組合變為”3C|62|3E|CB|D1CB|F7B2|FAC6|B73C|2F|62|3E”，從而出了很多錯誤，導致匹配失敗。因此，在中英環境匹配時，可以采用相關算法對匹配過程進行優化，本次采用的是完全哈希Trid的多模式匹配算法，該算法是一種深度可變的多層樹型索引結構，采用寬度優先算法，在同一層葉子節點上從左邊到右邊逐次匹配，得到匹配結果之后再轉入到下一層繼續查找，其原理如圖1所示。

由于采用這種搜索匹配算法不需要對漢字的高低字節進行附加運算，對英文的匹配速度也較快，因此具有較高的搜索匹配效率，也很少會出現匹配錯誤的情況。

圖2所示是法國制造的一款除草機器人，可在清理小面積田地的雜草時使用，具有自主作業能力，也可以跟隨和遙控使用，采用機器視覺系統判定導航線，可區分雜草和農作物。本次研究的除草機器人主要是通過機器視覺系統對英文和中文混合路標進行識別，并采用相關圖像處理算法對路標進行增強處理，最后通過不同環境下的導航實驗來驗證方案的可行性。

圖1 搜索匹配結構示意圖Fig.1 The schematic diagram of search matching

圖2 OZ除草機器人Fig.2 OZ herbicidal robot

2 基于灰度變換和圖像增強的路標導航圖像處理

為了使除草機器人更容易識別路標導航圖像，可以采用圖像增強的方法對圖像進行灰度處理，通過灰度處理調整圖像的灰度動態范圍，達到局部增強的目的，從而使機器人更容易識別路標。其流程如圖3所示。

路標導航圖像的處理核心技術是進行圖像灰度變換。圖像灰度變換采用一個變換函數g=T[f]將原來采集圖像的灰度f(x,y)變換為g(x,y)，得到一個新的灰度值，即

g(x,y)=T[f(x,y)]

(1)

根據灰度變換的形式，灰度變化分為線性變換和非線性變換，線性變換是采用線性拉伸的方法使灰度動態范圍加大，有效地改善路標圖像的視覺效果，其變化形式為

(2)

其中，圖像f(i,j)的灰度范圍是[a,b]，通過線性變換后圖像g(i,j)的范圍為[a′,b′]，如圖4所示。

圖3 路標導航圖像處理流程Fig.3 The image processing flow of road sign navigation

圖4 圖像灰度線性變換示意圖Fig.4 The diagram of image gray linear transformation

利用灰度線性變換可以將灰度強度進行改變，變換像素的灰度層次感，除了線性變換還有直方圖方法，圖像的直方圖可以描述圖像的概貌，通過直方圖的變化也可以對圖像進行局部增強。

采用直方圖方法可以假設變量r代表圖像中像素灰度級，對除草機器人采集到的中英混合路標的像素灰度級進行歸一化處理，將r限定在灰度級(0≤r≤1)范圍內。其中，當r=0時表示完全黑色，當r=1時表示完全白色。對于每個像素在[0,1]之間是隨機的，在離散形式下，假設離散灰度級為rk，概率密度函數為P(rk)，且有

(3)

其中，nk為圖像中出現rk這種灰度的像素數；nk為圖像中像素總數；Nk/n為直方分布中的頻數；n為灰度級的總數目。為了使灰度直方圖便于處理，可以采用一定的手段對直方圖進行均衡化處理，使灰度級均勻分布，直方圖具有規定的形狀，從而突出感興趣的灰度范圍。令Pr(r)和PZ(Z)分別為原始圖像和期望圖像的灰度概率函數，對其直方圖進行均衡化后可得

(4)

由式(4)可以看出：通過直方圖均衡化后可以由均衡化后的灰度變量V獲得期望圖像的灰度變量Z，直方圖規定化處理后可以得到具有預先期望得到的概率密度PZ(Z)，從而可以根據需要進行圖像處理。

為了更加突出農作物的視覺效果，降低農田環境對視覺效果的影響，對作物重點進行增強處理，如圖5所示。處理結果表明：采用本次灰度處理方法可行，得到了較為清晰的作物圖像。

圖5 圖像增強處理前后效果圖Fig.5 The effect map before and after image enhancement

3 除草機器人路標導航實驗

為了驗證面向中英文混合環境的多模式匹配算法及圖像增強算法在除草機器人視覺系統中使用的可行性，以中文混合字符作為路標圖像，對除草機機器視覺系統的識別準確率進行驗證，采用的路標如圖6所示。

為了更加快速識別中英混合路標，采用了多模式匹配算法和圖像增強處理算法，采用編碼的形式嵌入到采摘機器人視覺系統中，其識別流程如圖7所示。

圖6 導航路標示意圖Fig.6 The diagrammatic sketch of navigation signpost

圖7 除草機導航路標識別流程Fig.7 The identification process of navigational landmark for weeding machine

在識別到中英文路標碼后可以采用多模式匹配算法對路徑關系進行匹配，并判斷是否需要調整姿態和方向，通過環境采集得到的圖像如圖8所示。

通過除草機器人視覺系統采集得到的待除草原始采集圖像背景顏色較重，不容易區分壟間和作物之間的區別，降低了識別的準確率，因此需要對圖像進行增強處理，處理之后的圖像如圖9所示。

圖8 待除草原始采集圖像Fig.8 The original acquisition image of weeding

圖9 機器視覺處理后圖像Fig.9 The image after machine vision processing

通過圖像增強處理后得到了作物和壟間較為明顯的區分圖像，加快了除草機器人機器視覺系統識別的準確率和效率。通過實驗得到了路標準確識別的統計數據如表1所示。

表1 路標準確識別數據統計Table 1 The accurate identification of data statistics by road signs

由測試結果可以看出：采用多模式匹配算法和圖像增強算法得到的準確識別率較高，最低識別率也高于95%，滿足設計需求。

在干擾條件下，對路標準確率進行了測試得到了識別率的測試結果(見表2)。由測試結果可以看出：在較暗或者較亮時，除草機器人機器視覺系統依然具有較高的準確識別率，對環境的適應性較強，從而也驗證了多模式匹配算法的可靠性。

表2 在干擾條件下路標準確識別數據統計Table 2 The identification of data statistics by road standards under interference conditions

4 結論

在中英文混合環境下，為了提高除草機器人機器視覺系統路標導航識別的準確率，引入了多模式匹配算法，并采用圖像增強算法對采摘機器人作業采集的圖像進行了增強處理，得到了作物和壟間更加清晰的輪廓圖像。最后，對除草機器人機器視覺系統圖像識別的準確率進行了測試，測試結果表明：除草采摘機器人路標的識別準確率較高，且在干擾條件下仍具有較高的識別準確率，從而驗證了中英文混合環境下多模式匹配算法的可靠性，為除草機器人自動導航系統的研究提供了較有價值的參考。