農(nóng)藥噴霧飛行器越界檢測算法實(shí)現(xiàn)

穆春陽，王曉龍，馬　行，張盼盼，陳雪濤

(北方民族大學(xué) 信息與通信技術(shù)研究所，銀川　750021)

?

農(nóng)藥噴霧飛行器越界檢測算法實(shí)現(xiàn)

穆春陽，王曉龍，馬行，張盼盼，陳雪濤

(北方民族大學(xué) 信息與通信技術(shù)研究所，銀川750021)

摘要：針對當(dāng)前的農(nóng)藥噴霧飛行器需要人工時(shí)刻觀察是否飛出農(nóng)田邊界這一現(xiàn)狀，提出了一種基于高斯混合模型的農(nóng)藥噴霧飛行器越界自動檢測算法。首先，采用混合高斯模型進(jìn)行目標(biāo)檢測，然后通過計(jì)算形狀描述符獲取其形狀特征并進(jìn)行目標(biāo)識別定位，最后通過計(jì)算目標(biāo)質(zhì)心位置結(jié)合目標(biāo)的運(yùn)動方向判斷其是否出界。實(shí)驗(yàn)結(jié)果表明：該算法能夠準(zhǔn)確地判斷飛行器的越界行為，準(zhǔn)確率達(dá)到91.31%以上。

關(guān)鍵詞：農(nóng)藥噴霧飛行器；越界檢測；混合高斯模型；形狀特征

0引言

精準(zhǔn)農(nóng)業(yè)(Precision Agriculture) 作為當(dāng)今世界農(nóng)業(yè)發(fā)展的新潮流，通過信息技術(shù)支持可以實(shí)現(xiàn)定位、定時(shí)、定量的現(xiàn)代化農(nóng)事操作技術(shù)實(shí)施與管理，以最節(jié)省的投入得到更高的收入，并以高效利用各類農(nóng)業(yè)資源為目的[1]。在這一應(yīng)用背景下，一種采用超低空作業(yè)，具有質(zhì)量輕、折疊尺寸小、操作距離遠(yuǎn)等優(yōu)點(diǎn)的新型多旋翼飛行器—“農(nóng)藥噴霧飛行器”應(yīng)運(yùn)而生。它特別適合于山地丘陵、地塊小、間作套種地塊多的農(nóng)作物病蟲害防治。但是，這種飛行器一般采用人工遙控控制，且由于農(nóng)田面積小、多山地，安裝GPS定位也不精確，這就需要技術(shù)人員時(shí)刻觀察并判斷飛行器是否飛出農(nóng)田邊界，不僅造成人力資源的浪費(fèi)，而且效率相對較低，易出現(xiàn)誤判[2]。尤其當(dāng)農(nóng)作物過高，飛行器超低空飛行時(shí)，工作人員的視角容易受到限制，這個(gè)問題表現(xiàn)得更加突出。

針對上述問題，本文提出一種基于混合高斯模型的農(nóng)藥噴霧飛行器越界檢測算法。算法主要包括運(yùn)動目標(biāo)檢測、目標(biāo)識別定位、目標(biāo)飛行方向及越界判定幾個(gè)部分。實(shí)驗(yàn)結(jié)果表明：該算法能夠很好地識別到飛行器并做出準(zhǔn)確的報(bào)警提示，在一定程度上減輕了工作人員的體力勞動。

1算法實(shí)現(xiàn)

1)運(yùn)動目標(biāo)的檢測階段。首先對視頻信號進(jìn)行濾波等預(yù)處理，接著進(jìn)行感興趣區(qū)域(ROI) 建模，最后采用混合高斯背景建模檢測運(yùn)動目標(biāo)。

2) 目標(biāo)識別定位階段。通過提取形狀描述符獲取飛行器的主要特征，并進(jìn)行目標(biāo)識別。

3)目標(biāo)飛行方向越界判定階段。通過目標(biāo)的質(zhì)心運(yùn)動軌跡判斷飛行器的運(yùn)動方向及是否越界。

1.1運(yùn)動目標(biāo)檢測

常見的運(yùn)動目標(biāo)檢測方法有光流法、相鄰幀差分法及背景差分法。由于背景差分法比光流法運(yùn)算量小，比相鄰幀差分法可靠性高，且只要建立可靠的背景就能夠提取出準(zhǔn)確的目標(biāo)[3]，因此選擇背景差分法進(jìn)行運(yùn)動目標(biāo)的檢測。

背景模型的建立是背景差分法的核心，且常用的背景建模方法有中值背景建模、單高斯背景建模、混合高斯背景建模和碼書背景建模等[4]。本文的研究對象是野外農(nóng)田作業(yè)的農(nóng)藥噴霧飛行器，要求背景模型具有很強(qiáng)的環(huán)境適應(yīng)能力，可以去除光線和樹葉搖擺等噪聲的影響。因此，選擇混合高斯背景建模法為背景差分法建立可靠的背景模型。圖1為運(yùn)動目標(biāo)檢測算法的設(shè)計(jì)框圖。圖1中，目標(biāo)檢測算法可分為兩大模塊，分別如下。

1.1.1建立ROI模型

建立ROI模板以減少ROI以外其他物體的干擾，同時(shí)后期的圖像處理工作只針對該區(qū)域操作即可，大大提高算法的運(yùn)算速度和準(zhǔn)確率。具體過程如下：①獲取背景圖像。取視頻的第1幀作為背景圖像進(jìn)行預(yù)處理，以消除模糊或增強(qiáng)對比度，以有利于后期ROI的提取工作。②ROI提取。由于監(jiān)控區(qū)域的復(fù)雜性，適合選用人工標(biāo)定方法得到ROI關(guān)鍵點(diǎn)坐標(biāo)。③建立ROI模板。根據(jù)得到的關(guān)鍵點(diǎn)坐標(biāo)建立處理模板，后期的視頻圖像處理都是基于該模板進(jìn)行的。圖2 (a)為建立的ROI模板，圖2 (b) 為模板定位和處理后的感興趣區(qū)域。

圖1　運(yùn)動目標(biāo)檢測算法設(shè)計(jì)框圖

圖2　ROI模板和對圖像的定位圖

1.1.2混合高斯模型[4]背景建模

高斯模型是一種用高斯概率密度函數(shù)來量化對象并將其分解為由若干個(gè)高斯概率密度函數(shù)所組成的模型?；诟咚鼓Ｐ偷谋尘疤崛〗⒃谙袼丶?，其不同于單高斯模型的是：混合高斯模型將圖像的每個(gè)像素設(shè)計(jì)成由若干個(gè)(一般為3～5個(gè))高斯模型根據(jù)各自的權(quán)值加和共同產(chǎn)生的；然后將采集到的圖像像素與這幾個(gè)高斯分布分別進(jìn)行匹配，以確定哪些像素屬于背景。因?yàn)楸O(jiān)控區(qū)域時(shí)刻都會有變化(如風(fēng)吹樹動、人員流動或物體的進(jìn)入等)，使最初得到的背景不再具有可信度，因此還需要不斷地對各個(gè)高斯分布的權(quán)值、均值和方差進(jìn)行實(shí)時(shí)更新，從而有助于抗噪(如光照變化、樹葉晃動等)，以實(shí)現(xiàn)背景模型的更準(zhǔn)確表達(dá)。

模型表達(dá)式如下：

1)背景初始化。選取視頻的前N幀圖像，用ROI模板標(biāo)出待處理區(qū)域。進(jìn)行背景初始化時(shí)，方差應(yīng)盡可能的大一些，這樣可以融合更多的圖像以使得到的數(shù)值更接近真實(shí)。

2)像素點(diǎn)判為背景的概率計(jì)算公式為

(1)

(2)

其中，n表示顏色通道數(shù)。

3)參數(shù)更新[5-8]。模型參數(shù)隨著視頻幀數(shù)的讀入而不斷變化。每一個(gè)新的像素點(diǎn)都要與這k個(gè)高斯模型相匹配，如果匹配成功，就加入該模型；匹配失敗，就以該像素的值作為均值建立一個(gè)新的高斯分布，同時(shí)代替k個(gè)高斯背景模型里那個(gè)最不可能是背景的模型(即ω(k,t)/δ(k,t)最小)。

更新函數(shù)為

(3)

其中，a(取值0-1之間)為各個(gè)高斯分布權(quán)重的更新率；ρ為參數(shù)的更新率(ρ越大，參數(shù)調(diào)整越快)。

4)背景的更新。經(jīng)過以上步驟的調(diào)整，最后將得到的K個(gè)高斯分布根據(jù)ω(k,t)/δ(k,t)按降序排序，通常取前H個(gè)高斯分布作為新的背景。H表達(dá)式為

(4)

其中，T表示屬于背景高斯分布的權(quán)值和占總的權(quán)值的最小比例；b是滿足T的最合適的高斯分布數(shù)。

1.2目標(biāo)識別定位

運(yùn)動目標(biāo)識別定位算法如圖3所示。

圖3　運(yùn)動目標(biāo)識別定位算法

1)形態(tài)學(xué)濾波。使用7×7模板對二值圖像先開后閉運(yùn)算，既可以消除細(xì)小的噪聲干擾，又能填充物體內(nèi)細(xì)小的空洞，有利于目標(biāo)輪廓提取。

2)提取輪廓。系統(tǒng)性地掃描圖像，直到遇到連通區(qū)域的一個(gè)點(diǎn)，以它為起始點(diǎn)，跟蹤它的輪廓，標(biāo)記邊界上的像素；當(dāng)輪廓完整閉合，掃描回到上一個(gè)位置，直到再次發(fā)現(xiàn)新的成分。

3)濾除無效輪廓。為了簡化算法，提高運(yùn)行速度，可以濾除一些較大和較小區(qū)域的周長，公式為

(5)

其中，Lmin和Lmax是預(yù)設(shè)的兩個(gè)閾值；L為提取輪廓的周長，1表示保留，0為濾除；outline為輸出結(jié)果。

4)計(jì)算有效輪廓形狀。由于要識別的農(nóng)藥噴霧飛行器是新型多旋翼飛行器，形狀呈枝狀，細(xì)度比例(目標(biāo)的面積與周長之比)較小，因此采用多邊形近似算法計(jì)算輪廓形狀。具體的原理和計(jì)算公式可見參考文獻(xiàn)[9]。

5)計(jì)算質(zhì)心位置并識別和定位。首先根據(jù)幾何距求出連通域質(zhì)心，一幅數(shù)字圖像f(x,y)的(p+q)階2-D距定義為

(6)

其中，M和N分別是圖像的高和寬；p和q是非零正整數(shù)；mpq為(p+q)矩。

1.3運(yùn)動方向和越界判定

圖4中矩形ABCD為一塊農(nóng)田的模擬圖，表1為設(shè)置的農(nóng)藥噴霧飛行器飛行參數(shù)。農(nóng)藥噴霧飛行器的運(yùn)動方向越界判定分析如下：

1)假設(shè)農(nóng)藥噴霧飛行器的飛行軌跡為從農(nóng)田的CD邊界飛入，垂直飛到AB邊界再折返，以此類推。由表1的參數(shù)可知：攝像頭標(biāo)定的邊界應(yīng)在農(nóng)田ABCD的內(nèi)部(至少距邊界1m內(nèi))，如直線ef和hg所示。

2)當(dāng)農(nóng)藥噴霧飛行器從攝像頭2前飛過，根據(jù)運(yùn)動軌跡可知：飛行方向向左(如圖5所示)(即進(jìn)入農(nóng)田)，此時(shí)不發(fā)出警報(bào)；當(dāng)飛行器飛至攝像頭1前(即ef線)時(shí)，根據(jù)運(yùn)動軌跡判斷飛行方向向左(即要飛出邊界)，此時(shí)發(fā)出警報(bào)；當(dāng)飛行器折返后再次飛至線hg時(shí)，運(yùn)動軌跡判斷飛行方向向右(即要飛出邊界)，此時(shí)發(fā)出警報(bào)。以此類推，直至完成整個(gè)農(nóng)田作業(yè)。

圖4　農(nóng)田模擬圖

巡航速度/m·s-1飛行高度/m噴灑半徑/m飛行器側(cè)面投影/m22111.5

圖5　右邊界線示意圖

在目標(biāo)識別定位算法中，已得到農(nóng)藥噴霧飛行器在圖像中的質(zhì)心坐標(biāo)，根據(jù)質(zhì)心的運(yùn)動軌跡可計(jì)算出運(yùn)動方向。

根據(jù)目標(biāo)的運(yùn)動方向和質(zhì)心的位置，即可確定農(nóng)藥噴霧飛行器是否越界。左邊界檢測的算式為

(7)

2實(shí)驗(yàn)結(jié)果與數(shù)據(jù)分析

為了驗(yàn)證本文提出的算法性能，在Ubuntn14.04上基于OpenCV對上述算法進(jìn)行了驗(yàn)證，測試視頻拍攝于農(nóng)田現(xiàn)場，分辨率為1280×720。圖6為在處理全部區(qū)域的檢測效果圖，圖像中間的黑線表示農(nóng)田邊界?；旌细咚鼓Ｐ吞幚淼膱D像中明顯有一些噪聲點(diǎn)如圖6(b)所示；經(jīng)過形態(tài)濾波后，這些噪聲基本濾除，效果如圖6(c)所示 。圖7為經(jīng)ROI模型檢測效果，圖7(a) 在ROI的基礎(chǔ)上去除無效的黑色區(qū)邊界保留有效矩形的待處理圖。對比圖6(b)和圖7(b)可知：經(jīng)過ROI處理后可以有效地降低周圍場景的影響，一些無效的輪廓可以濾除掉，方便識別和越界檢測。

圖6　基于全局的檢測效果圖

圖7　基于ROI模型檢測效果圖

圖8是在ROI的基礎(chǔ)上提取的效果圖，圖8(a)是在圖7(c) 基礎(chǔ)上提取出的邊緣輪廓，圖8(b)為提取的質(zhì)心。通過對圖8(a)和圖8(b) 這兩幅圖可知：經(jīng)過濾除無效輪廓算法后，一些無效的輪廓可以很好地濾掉，方便識別和越界檢測。

圖8　基于ROI的提取效果圖

圖9是基于ROI處理和全局檢測處理兩種方法，對一段測試序列的前50幀視頻信號進(jìn)行處理的時(shí)間對比圖。橫軸表示視頻的幀數(shù)，縱軸表示處理每一幀的運(yùn)算時(shí)間。從圖9中可以明顯看出：建立ROI模型后的算法處理速度更快。

圖9　基于全局和基于ROI檢測算法處理時(shí)間對比圖

為了充分驗(yàn)證算法的越界檢測準(zhǔn)確度，分別選取了晴朗微風(fēng)、晴朗中風(fēng)、陰天微風(fēng)3種不同的真實(shí)場景，設(shè)定農(nóng)藥噴霧飛行器單方向越界。方法1為基于ROI檢測方法，方法2為基于全局檢測方法。測試數(shù)據(jù)如表2所示，對比圖如圖10所示。

表2　越界檢測準(zhǔn)確率數(shù)據(jù)表

圖10　越界檢測精確度對比圖

3結(jié)語

本文提出了一種用于判斷農(nóng)藥噴霧飛行器是否越界的自動檢測算法，該算法由運(yùn)動目標(biāo)檢測、目標(biāo)識別定位、目標(biāo)運(yùn)動方向和越界判斷3部分組成。通過結(jié)合ROI、混合高斯背景模型、形態(tài)學(xué)濾波等圖像處理算法及OpenCV技術(shù)實(shí)現(xiàn)了農(nóng)藥噴霧飛行器的越界檢測，準(zhǔn)確率可以達(dá)到91.31%以上。實(shí)驗(yàn)表明：該方法具有一定的實(shí)用性，對今后的大規(guī)模推廣具有一定的借鑒意義。

在濾除無效輪廓時(shí)，需要人工設(shè)定一個(gè)區(qū)域周長篩選閾值，該計(jì)算環(huán)節(jié)有待進(jìn)一步提高，使農(nóng)藥噴霧飛行器越界檢測更加智能化。

參考文獻(xiàn)：

[1]胡承鍵. 加速寧夏農(nóng)用無人機(jī)開發(fā)應(yīng)用促進(jìn)精準(zhǔn)農(nóng)業(yè)發(fā)展[J].寧夏農(nóng)林科技,2014, 55(5): 8-10.

[2]林蔚紅,孫雪鋼,劉飛,等.我國農(nóng)用航空植保發(fā)展現(xiàn)狀和趨勢[J].農(nóng)業(yè)裝備技術(shù),2014, 40(1): 6-10.

[3]沈秉乾, 武志勇, 賀前華,等. 人體姿勢狀態(tài)判決的跌倒檢測方法[J].計(jì)算機(jī)應(yīng)用,2014, 34(S1): 223- 227.

[4]馮偉興,唐墨,賀波.數(shù)字圖像模式識別技術(shù)詳解[M]. 北京: 機(jī)械工業(yè)出版社,2010.

[5]Lee D S, Hull J J, Erol B. A Bayesian framework for Gaussian mixture background modeling[C]// Proceedings of IEEE International Conference on Image Processing. New York, IEEE Press, 2003: 973-976.

[6]李娟,邵春福,楊勵(lì)雅.基于混合高斯模型的行人檢測方法[J].吉林大學(xué)學(xué)報(bào):工學(xué)版,2011,41(1):41-45.

[7]馮華文,龔聲蓉,劉純平.基于改進(jìn)高斯混合模型的前景檢測[J].計(jì)算機(jī)工程,2011, 37(19):179-182.

[8]GAN Xinsheng, ZHAO Shubin. comparison on background subtraction algorithms for moving target detection[J]. Command Control & Simulation, 2008, 30(3): 45-50.

[9]何蓮, 蔡靜菊, 張啟衡. 多邊形近似及形狀特征匹配的二維目標(biāo)檢測[J]. 激光與紅外, 2011, 41(6): 700-705.

Research on Pesticide Spraying Craft Cross-border Detection Algorithm

Mu Chunyang, Wang Xiaolong, Ma Xing, Zhang Panpan, Chen Xuetao

(Institute of Information and Communication Technology, Beifang University of Nationalities, Yinchuan 750021, China)

Abstract：In view of the reality that people have to supervise whether pesticide spraying aircraft fly out of the boundary of farmland all the time, an algorithm of detecting aircraft cross-border is proposed to solve this problem above. Firstly, the Gaussian mixture model is used for target detection. And then characteristics of shape descriptor are obtained for identifying the targets. Finally, the target centroid and moving direction are combined to determine whether the aircraft was out of the boundary. Results show that this algorithm could make a right judgment for aircraft cross-border actions accurately and quickly, where the accuracy of detection could reach to 91.31%.

Key words：pesticide spraying aircraft; cross-border action detection; Gaussian Mixture Model; shape feature

文章編號：1003-188X(2016)04-0006-05

中圖分類號：S494；TP391

文獻(xiàn)標(biāo)識碼：A

作者簡介：穆春陽(1975 -)，男，黑龍江寧安人，副教授，博士，(E-mail) muchunyang@126.com。通訊作者：王曉龍(1988 -)，男，河北張家口人，碩士研究生，(E-mail) wangxiaolong_98@163.com。

基金項(xiàng)目：國家自然科學(xué)基金項(xiàng)目(61162005, 61163002);寧夏自然科學(xué)基金項(xiàng)目(NZ14107);機(jī)器人技術(shù)與系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室開放研究基金項(xiàng)目(SKLRS-2013-MS-05)

收稿日期：2015-03-16