一种基于微处理器的智能割草机人边界识别方法技术

本发明专利技术公开了一种基于微处理器的智能割草机器人边界识别方法，该方法包括以下步骤：S1、使用双目图像传感器进行图像采集，得到图像原图；S2、在微处理器平台上将原图进行灰度变换，得到灰度图像；S3、在微处理器平台上将灰度图像进行二值化处理，得到二值图像；S4、在微处理器平台上对二值图像进行数学形态学的闭运算，得到高对比度图；S5、在微处理器平台上用Hough变换对高对比度图进行边界曲线拟合，得到图像边界曲线，完成对智能割草机器人边界的识别；实现在现有数学理论的基础上，设计出一套基于微处理器和嵌入式系统的高准确性边界识别方法。

An Intelligent Mower Man Boundary Recognition Method Based on Microprocessor

【技术实现步骤摘要】
一种基于微处理器的智能割草机人边界识别方法
本专利技术涉及图像处理
，具体涉及一种基于微处理器的智能割草机器人边界识别方法。
技术介绍
随着我国经济的快速发展，城镇绿化建设力度越来越大，城市绿化投入逐年递增。草坪作为城市绿化的重要植物材料，在给人们带来绿色的同时也需要注入大量人力、物力和财力进行维护。在草坪维护过程中，草坪的修剪最为繁琐和复杂，为了降低其劳动强度和成本，发展自动割草机器人是一项富有意义的工作。电控系统是自动割草机器人的核心，割草机器人智能化的核心便是运行在电控系统中主控单元上的路径规划算法，而路径规划算法依赖于运动场地的边界识别。较为常见的边界识别方法有两个大类，一类是基于图像的边界识别；另一类是基于电磁感应的边界识别。运用电子围栏圈定特定区域，利用电磁感应原理，实现金属边界的检测是一类传统方法，但这种方法只适用于小型区域，对大型区域并不合适，因此如何从图像传感器采集到的图像信号中进行边界识别，是自动割草机器人的核心技术之一。为了更大限度的节能和环保，自动割草机器人必须具有低功耗、高效能的特点，首先其电子部分就需要微型化和低功耗化。而现有的机器视觉边界识别算法常基于复杂的系统，在硬件上依赖多核的GPU，在软件上依赖OpenCV计算机开源视觉库，不适用于低功耗的嵌入式平台，如何在现有数学理论的基础上，设计出一套基于微处理器和嵌入式系统的高准确性边界识别方法，是割草机器人研发过程中的重难点。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的一种基于微处理器的智能割草机器人边界识别方法，解决了图像边界识别的主流算法不适用于微处理器硬件平台和嵌入式操作系统软件平台，以及低功耗设备可能造成的图像边界识别精度不高的问题。为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于微处理器的智能割草机器人边界识别方法包括以下步骤：S1、使用双目图像传感器进行图像采集，得到图像原图；S2、在微处理器平台上将原图进行灰度变换，得到灰度图像；S3、在微处理器平台上将灰度图像进行二值化处理，得到二值化图像；S4、在微处理器平台上对二值图像进行数学形态学的闭运算，得到高对比度图；S5、在微处理器平台上用Hough变换对高对比度图进行边界曲线拟合，得到图像边界曲线，完成对智能割草机器人边界的识别。本专利技术的有益效果为：以拓扑学、几何学为基石的数学方法作为核心，建立了一套不依赖复杂GPU设备且不依赖第三方视觉库的能够在低功耗嵌入式平台上运行的图像处理方法。为了在节省成本的情况下保障原图采集的清晰度和完整度，特使用双目图像传感器进行原图采集；图像的灰度变换和二值变换有效地对图像进行了信息上的压缩，去掉了与边界识别无关的冗余信息，大大减轻了嵌入式平台的运算压力；而数学形态学闭运算有效地达到了降低噪声、去除毛刺和增强图形轮廓等效果，最后用Hough变换在参数空间中计算并拟合出了图像的边界曲线，达到了低功耗、高准确性的技术指标。进一步地，微处理器的内核为ARM内核。上述进一步方案地有益效果为：ARM处理器具有体积小、低功耗、低成本和高性能等优点，支持μC/OS-II嵌入式操作系统。进一步地，图像原图的像素为RGB565格式的16位数据。进一步地，步骤S1中得到图像原图的步骤为：S11、进行μC/OS-II嵌入式操作系统和硬件设备初始化；S12、通过双目图像传感器模块进行图像采集，得到图像原图并对图像原图进行存储。进一步地，步骤S12中的图像存储在AL422B缓存芯片中。上述进一步方案地有益效果为：AL422B是一种视频帧存储器，存储容量为384k×8bits，存储器结构为先进先出(FIFO)，其接口非常简单，可存储1帧图像的完整信息，其工作频率达50MHz，支持VGA、CCIR、NTSC、PAL和HDTV分辨率。进一步地，步骤S2中得到灰度图像的步骤为：S21、从16位RGB565格式的像素数据的高5位中提取出像素的R分量；S22、从16位RGB565格式的像素数据的中间6位中提取出像素的G分量；S23、从16位RGB565格式的像素数据的低5位中提取出像素的B分量；S24、将R、G、B三分量按照以下公式：Gray＝R×A1+G×A2+B×A3(1)进行加权求和，得到像素灰度值Gray；其中，A1为R分量的权值，A2为G分量的权值，A3为B分量的权值，将R分量、G分量和B分量均用像素灰度值Gray替换，得到灰度图像。上述进一步方案地有益效果为：对代表着红绿蓝三原色强度的R、G、B分量进行加权求和得出图像像素的灰度值，使得像素灰度值能有效反映彩色原图的色强关系。进一步地，步骤S3得到二值图像的步骤为：S31、在微处理器中预设一组不同光强环境中的阈值，阈值大小在(16,22)开区间范围内；S32、根据当前环境的光强，选取对应的阈值；S33、将灰度图的像素与选取的阈值进行比较，将像素值大于阈值的像素赋新值255；将像素点小于阈值的像素赋新值0，得到二值图像。上述进一步方案地有益效果为：将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像，使图像变得简单，而且数据量减小，能凸显出草地的轮廓。进一步地，步骤S4得到高对比度图的步骤为：S41、对二值图像进行数学形态学膨胀运算，得到膨胀图；S42、对膨胀图进行数学形态学腐蚀运算，得到高对比度图。上述进一步方案地有益效果为：经过初步二值化处理以后，二值化图像中的草地部分仍然存在孤立点，需采用膨胀与腐蚀的方法来消除，使草地边界的轮廓得到进一步地增强，得到高对比度图。进一步地，步骤S5中得到图像边界曲线的步骤为：S51、用Hough变换将高对比度图从图像空间(x,y)变换为参数空间(P,θ)，其映射关系遵循以下公式：P＝x·cosθ+y·sinθ(2)S52、初始化每个参数空间元素点的值N(P,θ)＝0；S53、检测图像空间上像素值不为0的像素点，记该像素点i的坐标值为(xi,yi)，i为大于0且小于等于图像的像素点总数的整数，并通过公式(2)和公式(3)找到该像素点在参数空间上对应的元素点集合{(Pi1,θi1),(Pi2,θi2)…(Pin,θin)}，将该元素点集合中的每个元素点的值依次按以下公式进行运算：F＝N(Pik,θik)+1(4)N(P(i+1)k,θ(i+1)k)＝F(5)F为元素的缓存数据，k为闭区间[1,n]的整数，n为参数空间中与像素i对应的元素的个数；S54、检测图像空间中下一个像素点的像素值，若像素值不为0，跳转到S53；若像素值为0，则继续检测图像空间中下一个像素点的像素值，直至遍历完成图像中所有像素点的检测，结束此步骤，跳转到S55；S55、检测参数空间上每个元素点的值N(P,θ)，根据阈值Nth检测出满足N(P,θ)>Nth的元素点；S56、将检测出的参数空间元素点变换为图像空间上的直线，并将各直线进行曲线拟合，得到边界曲线。上述进一步方案地有益效果为：将高对比度图中潜在的稀疏、断裂或孤立的边缘转换成对应图像中真正边缘的线段，得到图像边界曲线，这种方法提取出的边界曲线具有抗噪能力强，不受图片噪声影响而导致结果出错等优点。附图说明图1为一种基于微处理器的智能割草机器人边界识别方法的流程图。图2为灰度图。本文档来自技高网...

【技术保护点】
1.一种基于微处理器的智能割草机器人边界识别方法，其特征在于，包括以下步骤：S1、使用双目图像传感器进行图像采集，得到图像原图；S2、在微处理器平台上将原图进行灰度变换，得到灰度图像；S3、在微处理器平台上将灰度图像进行二值化处理，得到二值图像；S4、在微处理器平台上对二值图像进行数学形态学的闭运算，得到高对比度图；S5、在微处理器平台上用Hough变换对高对比度图进行边界曲线拟合，得到图像边界曲线，完成对智能割草机器人边界的识别。

【技术特征摘要】
1.一种基于微处理器的智能割草机器人边界识别方法，其特征在于，包括以下步骤：S1、使用双目图像传感器进行图像采集，得到图像原图；S2、在微处理器平台上将原图进行灰度变换，得到灰度图像；S3、在微处理器平台上将灰度图像进行二值化处理，得到二值图像；S4、在微处理器平台上对二值图像进行数学形态学的闭运算，得到高对比度图；S5、在微处理器平台上用Hough变换对高对比度图进行边界曲线拟合，得到图像边界曲线，完成对智能割草机器人边界的识别。2.根据权利要求1所述的基于微处理器的智能割草机器人边界识别方法，其特征在于，所述微处理器的内核为ARM内核。3.根据权利要求1所述的基于微处理器的智能割草机器人边界识别方法，其特征在于，所述图像原图的像素为RGB565格式的16位数据。4.根据权利要求1所述的基于微处理器的智能割草机器人边界识别方法，其特征在于，所述步骤S1中得到图像原图的步骤为：S11、进行μC/OS-II嵌入式操作系统和硬件设备初始化；S12、通过双目图像传感器模块进行图像采集，得到图像原图，并对图像原图进行存储。5.根据权利要求4所述的基于微处理器的智能割草机器人边界识别方法，其特征在于，所述步骤S12中的图像原图存储在AL422B缓存芯片中。6.根据权利要求2所述的基于微处理器的智能割草机器人边界识别方法，其特征在于，所述步骤S2中得到灰度图像的步骤为：S21、从16位RGB565格式的像素数据的高5位中提取出像素的R分量；S22、从16位RGB565格式的像素数据的中间6位中提取出像素的G分量；S23、从16位RGB565格式的像素数据的低5位中提取出像素的B分量；S24、将R、G、B三分量按照以下公式：Gray＝R×A1+G×A2+B×A3(1)进行加权求和，得到像素灰度值Gray；其中，A1为R分量的权值，A2为G分量的权值，A3为B分量的权值，将R分量、G分量和B分量均用像素灰度值Gray替换，得到灰度图像。7.根据权利要求1所述的基于微处理器的智能割草机器人边界识别方法，其...

【专利技术属性】
技术研发人员：陈松柏，李楚川，吴佳，蒋欣睿，李铭，唐鑫林，
申请(专利权)人：四川农业大学，
类型：发明
国别省市：四川,51