農(nóng)田環(huán)境復(fù)雜多變,基于立體視覺的導(dǎo)航方法對(duì)圖像中的信息量有一定的要求,否則會(huì)碾壓作物。而圖像的特征信息描述了圖像的某種屬性,特征點(diǎn)為特征匹配和三維計(jì)算等技術(shù)提供基礎(chǔ)。因此,在保持綠色作物特征尺度、光照和旋轉(zhuǎn)不變性的基礎(chǔ)上,提高特征點(diǎn)的數(shù)量和特征匹配的對(duì)數(shù)是本論文的主要目的。本論文首先對(duì)基于SIFT特征點(diǎn)提取算法原理進(jìn)行分析,對(duì)算法處理的每個(gè)過程給出詳細(xì)的實(shí)驗(yàn)結(jié)果。為了提高用于特征匹配的特征點(diǎn)數(shù)量,將高斯同態(tài)濾波嵌入到SIFT金字塔各組中,以對(duì)圖像進(jìn)行增強(qiáng)處理,但圖像偏暗,細(xì)節(jié)信息對(duì)比不明顯,故采用直方圖均衡化增強(qiáng)圖像對(duì)比度。在多尺度圖像中,通過高斯同態(tài)濾波和直方圖均衡化處理,可有效地改進(jìn)尺度和光照的問題,使目標(biāo)特征點(diǎn)的數(shù)量提高2倍多。實(shí)驗(yàn)結(jié)果表明,基于高斯同態(tài)濾波的SIFT算法在提高特征點(diǎn)數(shù)量的同時(shí),保持了特征點(diǎn)的尺度、光照和旋轉(zhuǎn)不變性。之后,本文對(duì)所獲得的特征點(diǎn)進(jìn)行特征匹配,利用視差得到作物的三維信息,并構(gòu)建基于三維信息的高程圖。其次,采用灰度化、二值化、濾波、邊緣提取算子和形態(tài)學(xué)方法對(duì)田間綠色作物圖像進(jìn)行邊緣輪廓提取。然后,將得到的高程圖和邊緣輪廓進(jìn)行圖像融合,生成置信密度圖。最后... 

【文章來源】：內(nèi)蒙古大學(xué)內(nèi)蒙古自治區(qū) 211工程院校

【文章頁數(shù)】：96 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 引言
    1.1 課題背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 農(nóng)業(yè)機(jī)器人導(dǎo)航技術(shù)國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 圖像特征提取國(guó)內(nèi)外研究現(xiàn)狀
    1.3 課題來源及研究工作情況
    1.4 論文的主要研究?jī)?nèi)容和章節(jié)安排
        1.4.1 主要研究?jī)?nèi)容
        1.4.2 論文章節(jié)安排
第二章 雙目視覺系統(tǒng)
    2.1 雙目視覺系統(tǒng)原理
    2.2 雙目視覺導(dǎo)航系統(tǒng)結(jié)構(gòu)
    2.3 本章小結(jié)
第三章 雙目視覺圖像局部特征點(diǎn)提取
    3.1 彩色模型空間的選擇
    3.2 基于SIFT算法不變性研究
        3.2.1 SIFT算法尺度不變性
        3.2.2 SIFT算法旋轉(zhuǎn)不變性
        3.2.3 SIFT算法光照不變性
    3.3 SIFT改進(jìn)算法的理論基礎(chǔ)
        3.3.1 朗伯光照模型
        3.3.2 同態(tài)濾波
    3.4 基于同態(tài)濾波的SIFT算法實(shí)現(xiàn)
        3.4.1 基于同態(tài)濾波的尺度不變性
        3.4.2 基于同態(tài)濾波的光照不變性
        3.4.3 基于同態(tài)濾波的旋轉(zhuǎn)不變性
    3.5 本章小結(jié)
第四章 農(nóng)業(yè)機(jī)器人導(dǎo)航邊緣信息獲取
    4.1 邊緣提取原理
        4.1.1 基于一階微分算子的邊緣檢測(cè)
        4.1.2 基于二階微分算子的邊緣檢測(cè)
    4.2 邊緣檢測(cè)步驟
        4.2.1 作物超綠特征提取
        4.2.2 去除灰度圖像中的噪聲
        4.2.3 邊緣檢測(cè)
        4.2.4 邊緣增強(qiáng)
    4.3 本章小結(jié)
第五章 運(yùn)動(dòng)控制方法的研究與實(shí)驗(yàn)驗(yàn)證
    5.1 實(shí)驗(yàn)平臺(tái)與實(shí)驗(yàn)參數(shù)
        5.1.1 硬件平臺(tái)
        5.1.2 軟件平臺(tái)
    5.2 雙目視覺置信密度圖
        5.2.1 作物高程圖的構(gòu)建
        5.2.2 改進(jìn)的作物置信密度圖的構(gòu)建
    5.3 農(nóng)業(yè)機(jī)器人導(dǎo)航控制策略
    5.4 導(dǎo)航控制實(shí)驗(yàn)結(jié)果
    5.5 本章總結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]結(jié)合尺度不變特征的ORB算法改進(jìn)[J]. 盧健,何耀禎,陳旭,劉通.  測(cè)控技術(shù). 2019(03)
[2]基于Canny的改進(jìn)圖像邊緣檢測(cè)算法[J]. 張?jiān)聢A,曾慶化,劉建業(yè),李一能,劉昇.  導(dǎo)航與控制. 2019(01)
[3]一種基于旋轉(zhuǎn)不變性的紋理粗糙度改進(jìn)算法[J]. 張芝齊,吳建平,錢文華,陳培德.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(11)
[4]一種旋轉(zhuǎn)和光照不變的加速魯棒特征算法[J]. 徐志軍,耿則勛,盧蘭鑫,喬玉慶,沈忱.  計(jì)算機(jī)應(yīng)用. 2016(S1)
[5]提高農(nóng)業(yè)機(jī)械化水平促進(jìn)農(nóng)業(yè)可持續(xù)發(fā)展[J]. 羅錫文,廖娟,胡煉,臧英,周志艷.  農(nóng)業(yè)工程學(xué)報(bào). 2016(01)
[6]基于彩色空間的二維OSTU的圖像分割算法[J]. 蔡燕偉,崔紅霞.  電子設(shè)計(jì)工程. 2014(05)
[7]農(nóng)機(jī)車載GPS和DR組合導(dǎo)航系統(tǒng)定位方法![J]. 周建軍,王秀,張睿,劉剛,馬偉,馮青春.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2012(S1)
[8]基于動(dòng)態(tài)模糊集的視覺不變特征融合算法研究[J]. 楊潔,李凡長(zhǎng).  計(jì)算機(jī)工程與設(shè)計(jì). 2011(12)
[9]基于Kalman濾波的田間導(dǎo)航車輛定位校正方法研究[J]. 黎永鍵,趙祚喜.  農(nóng)業(yè)裝備與車輛工程. 2011(09)
[10]XDNZ630型水稻插秧機(jī)GPS自動(dòng)導(dǎo)航系統(tǒng)[J]. 偉利國(guó),張權(quán),顏華,劉陽春.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2011(07)

博士論文
[1]人臉識(shí)別中光照處理算法研究[D]. 范春年.南京大學(xué) 2011

碩士論文
[1]基于邊緣檢測(cè)的高速鐵路設(shè)備識(shí)別方法研究[D]. 馬真.南京郵電大學(xué) 2018
[2]基于特征提取的圖像配準(zhǔn)方法[D]. 董泉.西安電子科技大學(xué) 2018
[3]基于雙目視覺的農(nóng)業(yè)機(jī)器人導(dǎo)航系統(tǒng)研究[D]. 姚恒峰.內(nèi)蒙古大學(xué) 2017
[4]基于并行CNN的不均勻光照破損路面圖像分類研究[D]. 王騰娜.長(zhǎng)安大學(xué) 2017
[5]彩色圖像局部不變性特征描述方法研究[D]. 申倩.魯東大學(xué) 2016
[6]田間機(jī)器人雙目視覺導(dǎo)航算法研究[D]. 趙帥領(lǐng).內(nèi)蒙古大學(xué) 2016
[7]基于SIFT算法的圖像特征點(diǎn)提取與匹配[D]. 崔哲.電子科技大學(xué) 2016
[8]田間機(jī)器人的雙目視覺系統(tǒng)誤差分析研究[D]. 李輝.內(nèi)蒙古大學(xué) 2015



本文編號(hào)：2999277