郅忠強， 郭清宇， 鄭秋生

(中原工學(xué)院, 鄭州 450007)

隨著城市化進程的加快，環(huán)境問題日趨嚴(yán)重，公園、校園、小區(qū)、道路兩旁等公共場所的草坪需要定時維護。傳統(tǒng)割草機器人采用人工布線方式將草坪邊界和障礙物包圍起來，通過感應(yīng)電纜信號確定行走路線并躲避障礙物[1]。智能割草機器人不僅能夠按規(guī)劃路徑對草坪進行覆蓋作業(yè)，而且可利用視覺傳感器對障礙物進行識別后躲避障礙物，順利完成草坪區(qū)域的修剪作業(yè)?，F(xiàn)階段，常用的障礙物識別方法包括：基于支持向量機的障礙物識別[2]、基于視覺傳感器的障礙物識別[3]和基于神經(jīng)網(wǎng)絡(luò)的障礙物識別[4]。其中，基于神經(jīng)網(wǎng)絡(luò)的障礙物識別方法最常用。但是，由于割草機器人的工作環(huán)境復(fù)雜多變，采用神經(jīng)網(wǎng)絡(luò)等智能算法進行障礙物識別需要多次訓(xùn)練機器人且硬件要求較高，因此很難推廣。

針對神經(jīng)網(wǎng)絡(luò)等智能算法存在的缺陷，依據(jù)智能割草機器人的工作環(huán)境和數(shù)字圖像處理技術(shù)，本文提出一種基于顏色和Otsu算法的障礙物識別方法，以簡單有效地實現(xiàn)割草機器人對障礙物的識別功能。

1 基于數(shù)字圖像的障礙物識別

根據(jù)草坪的特點，本文將草坪內(nèi)部障礙物分為兩類：一類是景觀石、燈柱、樹木等顏色與草坪不同的障礙物；另一類是灌木、松柏和低矮植物等顏色與草坪相似的障礙物。戶外復(fù)雜的環(huán)境，如溫度、露水、灰塵等因素對傳感器會產(chǎn)生一定的影響，采集到的信息在處理時也會因受到干擾而產(chǎn)生很多錯誤，進而影響割草機器人工作的正常進行[5]?；跀?shù)字圖像的障礙物識別算法輔助傳感器對兩類障礙物進行識別，使得割草機器人的修剪作業(yè)更加準(zhǔn)確。

本文使用的障礙物識別過程主要分3步：第一步，獲取彩色圖像，將采集到的圖像轉(zhuǎn)換到HIS(色調(diào)、亮度、飽和度)色彩空間，獲取該圖像的S、H分量；第二步，檢驗圖像的S、H分量是否在對應(yīng)草坪的S、H分量范圍內(nèi)，如果在就判定為草坪，否則就判定為障礙物，如果不能識別障礙物，跳往下一步；第三步，將彩色圖像灰度化，利用Otsu算法對障礙物進行識別，并根據(jù)改進中值濾波算法和形態(tài)學(xué)對圖像進行處理。

2 相關(guān)理論

2.1 彩色模型

常見的彩色模型有RGB(紅、綠、藍)、CMY(青、粉紅、黃)和CMYK(青、粉紅、黃、黑)、HIS、YIQ(亮度，I、Q表示色調(diào))、YUV(亮度，U、V表示色調(diào))等。其中，RGB模型是圖像成像、顯示、打印的基礎(chǔ)。智能割草機器人采集到的彩色圖像格式是每幅24比特的全彩色圖片。RGB模型和HIS模型之間存在相互轉(zhuǎn)換關(guān)系。HIS模型可以簡化圖像分析和處理的工作量，通過它求解歸一化的S分量和H分量，對要識別的障礙物進行分割。

2.2 Otsu算法

Otsu算法由日本的大津展之在1979年提出。該算法根據(jù)圖像的灰度分布，使用統(tǒng)計方法得到分割目標(biāo)的概率和背景的概率，從而尋找分割的最優(yōu)閾值[6]。智能割草機器人對障礙物進行識別時有一定的實時性要求。Otsu算法簡單有效，能夠滿足其實時性要求，但是Otsu算法的抗噪性能比較差[7]。

(1)

(2)

B0、B1的類間方差為：

(3)

2.3 改進的中值濾波算法

目前，空間域經(jīng)典的濾波算法有均值濾波、中值濾波以及在中值濾波基礎(chǔ)上改進的濾波算法。均值濾波可以有效抑制高斯噪聲，但是，若滑動窗口選擇過大，就會造成圖像模糊；中值濾波可以避免均值濾波帶來的模糊，很好地保留圖像的邊緣細節(jié)，但是，若滑動窗口選擇過大，就會增加排序和迭代次數(shù)，不能有效地為割草機器人提供實時性數(shù)據(jù)。

本文提出改進的中值濾波算法，對濾波器的滑動窗口進行改進，對迭代次數(shù)和統(tǒng)計排序造成的計算量大、速度慢等問題進行了優(yōu)化。

對于M×N的圖像中像素點f(x,y)，傳統(tǒng)中值濾波后的像素點為：

(4)

式中，Sxy為像素點f(x,y)的鄰域。以7×7的濾波窗口為例，要求f′(x,y)，需要將7×7鄰域內(nèi)49個像素按照灰度排序后取中值med，然后替換f(x,y)。將7×7濾波窗口劃分成4個子窗口(見圖1)。對于1號子窗口求得最大值max、最小值min、中值med，若min

圖1 改進的7×7濾波窗口

3 實驗與分析

3.1 數(shù)據(jù)采集

系統(tǒng)采集到的草坪圖像分辨率為520 pixel×390 pixel，采集到的草坪樣本圖像如圖2所示。該草坪圖像歸一化的色調(diào)(H)和飽和度(S)直方圖分別見圖3、圖4。

圖2 草坪樣本圖像

圖3 草坪圖像的H直方圖

圖4 草坪圖像的S直方圖

識別障礙物之前，對50組不同草坪圖像的H和S分量直方圖進行分析，得草坪的H值在[0.1,0.4]之間，S值在[0.1,0.96]之間。

3.2 基于S、H分量的分割

對于和草坪顏色差別較大的障礙物，可采用基于S、H分量的分割。如果智能割草機器人采集圖像的S、H值在上述區(qū)間，就判斷為草坪，否則判斷為障礙物。本文選取HIS顏色空間的H=0.4作為分割閾值，圖5和圖6分別為待處理的圖像和分割效果。

圖5 含與草坪顏色差別較大障礙物的待處理圖像

圖6 分割效果

一般來說，針對景觀石、燈柱、樹木等，采用固定閾值分割就可實現(xiàn)障礙物的識別。但閾值分割需要先將圖像灰度化，可能使得障礙物的灰度值與草坪接近而造成無法有效分割。S、H分量分割卻能夠取得良好的分割效果。此外，文獻[8]提出融合多顏色空間分量的自適應(yīng)彩色圖像分割方法，采用空間模糊C均值對顏色分量進行分割，最終實現(xiàn)了目標(biāo)對象的分割。不過，此方法需要顏色空間的大量轉(zhuǎn)換，還需要對不同分量的直方圖進行大量統(tǒng)計，資源消耗較大，計算時間較長。

3.3 基于Otsu算法的分割

對于和草坪顏色接近的灌木、松柏和低矮植物類障礙物，如果采用S、H分量分割，就不能進行很好的識別。圖7和圖8分別為要處理的圖像和基于S、H分量分割且H=0.4的分割效果。

圖7 含與草坪顏色相近障礙物的待處理圖像

圖8 基于S、H分量的分割效果

從識別結(jié)果可以看出，對于和草坪顏色接近的障礙物，利用S、H分量進行識別，障礙物的很多細節(jié)都被過度分割，嚴(yán)重?fù)p害了障礙物的輪廓，其分割效果不理想。采用Otsu算法，閾值L=78時分割的效果如圖9所示。

圖9 Otsu算法分割效果

Otsu算法保留了障礙物的細節(jié)部分，對草坪和障礙物給出了較好的分類。但是，其背景部分草地出現(xiàn)了許多噪點，這正是Otsu算法的弱點。

本文采用7×7改進中值濾波算法對Otsu算法分割后圖像進行濾波操作，并采用形態(tài)學(xué)對障礙物進行腐蝕和膨脹操作，最終實現(xiàn)了障礙物的良好分割。其分割效果如圖10所示。

圖10 最終分割效果

從最終分割效果來看， 改進中值濾波算法有效地消除了圖像噪點，經(jīng)腐蝕和膨脹操作，對障礙物進行了有效分割。對于簡單的草坪狀況，采用該方法識別草坪內(nèi)部障礙物是有效的。

4 結(jié) 語

本文根據(jù)草坪實際情況，針對草坪顏色接近以及差別較大的兩類障礙物，綜合運用顏色特征中的S、H分量以及Otsu算法，實現(xiàn)了對草坪內(nèi)部障礙物的識別；對中值濾波進行改進，縮減了傳統(tǒng)中值濾波迭代次數(shù)和排序時間，克服了Otsu算法抗噪性能差的缺點，彌補了基于神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練時間長且復(fù)雜度高的短板。本文提出的方法能夠輔助傳感器為智能割草機器人提供有效的實時性處理手段。實驗結(jié)果表明，本文提出的方法比其他智能算法更有效，且運算開銷更小。但本算法使用范圍有限，對于特別復(fù)雜的草坪場景，還難以取得良好的識別效果。

[1] Hassanzadeh I，Madani K，Badamchizadeh M A．Mobile Robot Path Planning Based on Shuffled Frog Leaping Optimization Algorithm[J]．Automation Science and Engineering，2010,315(12)：680-685.

[2] 余鋒,程興國,肖南峰.雙機器人視覺協(xié)調(diào)裝配零件系統(tǒng)研究[J].機械設(shè)計與制造,2013(9):193 -196．

[3] 王天濤,趙永國,常發(fā)亮.基于視覺傳感器的障礙物檢測[J]．計算機工程與應(yīng)用,2015,4(4):180-183．

[4] 湯一平,姜榮劍,林璐璐.基于主動式全景視覺的移動機器人障礙物檢測[J].計算機科學(xué),2015,42(3):284- 288．

[5] 劉潔穎,王青元.基于MSP430的小型智能割草機控制系統(tǒng)的設(shè)計[J].電氣時代,2013,10(8):86-88.

[6] Otsu N．A Threshold Selection Method from Gray-level Histogram[J]. IEEE Transactions on Systems Man and Cybernetics,2007,9(1):62-66.

[7] 戴天虹,吳以.基于OTSU算法與數(shù)學(xué)形態(tài)學(xué)的木材缺陷圖像分割[J].森林工程,2014,30(2):52-55.

[8] 劉俊,馬燕,陳坤,等.融合多顏色空間分量的自適應(yīng)彩色圖像分割[J].計算機工程與應(yīng)用,2014,50(5):189,251.