本文選題：智能農(nóng)業(yè)車輛自主導(dǎo)航　切入點：全景視覺　出處：《南京農(nóng)業(yè)大學(xué)》2016年博士論文　論文類型：學(xué)位論文

【摘要】：視覺技術(shù)是實現(xiàn)智能農(nóng)業(yè)車輛自主導(dǎo)航的關(guān)鍵技術(shù),是國內(nèi)外相關(guān)領(lǐng)域研究的熱點問題。本文研究的全景視覺系統(tǒng),相較傳統(tǒng)的視覺技術(shù),能有效實現(xiàn)360°無盲區(qū)的環(huán)境信息獲取,能更好地實現(xiàn)智能農(nóng)業(yè)車輛的視覺自主導(dǎo)航。本文對全景視覺導(dǎo)航系統(tǒng)總體進行設(shè)計,對多目全景視覺圖像的快速拼接、全景視覺光線自適應(yīng)、基于全景視覺的運動目標檢測與跟蹤、基于全景視覺的同時定位與地圖創(chuàng)建等應(yīng)用于自主導(dǎo)航農(nóng)業(yè)車輛的全景系統(tǒng)關(guān)鍵技術(shù)進行重點研究,并在經(jīng)過電控改造的東方紅SG250型拖拉機平臺上進行試驗。主要研究內(nèi)容和結(jié)論包括:1、對多目全景視覺系統(tǒng)進行了研究,提出了全景視覺圖像快速拼接方法。首先,對多目視覺系統(tǒng)結(jié)構(gòu)進行研究分析,并對系統(tǒng)硬件平臺進行設(shè)計與實現(xiàn)。然后,具體研究分析改進的多目全景圖像快速拼接算法。改進算法通過多線程并行方式,提高獲取多相機圖像的速度,通過相機標定,減少相機圖像的畸變,通過基于邊緣的RANSAC-SIFT改進算法,既避免全局運算減少耗時,又對特征點進行優(yōu)化,提高特征點匹配效果,進而提高多目全景視覺圖像的拼接效果。試驗結(jié)果表明:改進的全景圖像快速拼接算法,通過實際測試,能有效完成多目全景視覺系統(tǒng)圖像獲取、相機標定、特征提取與優(yōu)化、特征點匹配和全景圖像拼接等功能。改進的全景圖像快速拼接方法,在對選取的分辨率為512×256像素圖像組進行處理分析時,特征點匹配準確率達到91.6%,而運算時間僅為0.27s。改進方法與傳統(tǒng)方法相比,平均匹配準確率提高了 25.6%,算法運算速度提高了 25.0%。2、對自主導(dǎo)航農(nóng)業(yè)車輛實際應(yīng)用中的野外不同環(huán)境光線對全景視覺成像質(zhì)量影響問題進行研究,提出了全景視覺光線自適應(yīng)方法。首先,對光線強度采集、控制處理、數(shù)據(jù)無線傳輸?shù)扔布娐纺K進行設(shè)計實現(xiàn)。其次,對視覺成像系統(tǒng)進行分析,具體研究數(shù)字成像原理分析、成像曝光控制和成像質(zhì)量評價等相關(guān)內(nèi)容。然后,研究分析多目全景視覺光線自適應(yīng)算法的實現(xiàn)過程。試驗結(jié)果表明:改進的光線自適應(yīng)算法,在正常光線、較強光線、較弱光線三種情況下,均能明顯提高全景視覺圖像的成像質(zhì)量。相較未經(jīng)改進的原始算法,在光線較亮情況下,改進的光線自適應(yīng)算法,圖像平均二維信息熵提高47.1%,平均梯度值提高60.9%;在光線較暗情況下,改進的光線自適應(yīng)算法,圖像平均二維信息熵提高30.3%,平均梯度值提高76.4%。在不同光線情況下,改進的光線自適應(yīng)算法,單次平均耗時0.36s,相較于傳統(tǒng)多曝光處理算法,速度平均加快75.5%。3、對自主導(dǎo)航智能農(nóng)業(yè)車輛行駛作業(yè)的安全性問題進行了研究,提出了基于全景視覺的運動目標檢測與跟蹤方法。該方法采用全景視覺進行無盲區(qū)的運動障礙目標的檢測,并解決了多運動目標跟蹤中遮擋重疊的問題。首先,采用改進的CLG(Combined Local-Global)光流法來檢測運動障礙目標。其次,采用分段圖像的改進核函數(shù)算法對運動目標進行快速自動檢測跟蹤。然后,通過基于路徑預(yù)測的粒子濾波多目標跟蹤算法對多運動目標進行跟蹤,并通過路徑預(yù)測有效地解決多運動目標遮擋的問題。試驗結(jié)果表明:改進的CLG光流法,運動障礙的平均檢測時間為1.55秒,平均成功率為95.0%,相較于比傳統(tǒng)HS光流法,檢測成功率提高22.3%,速度加快47.8%。改進的核函數(shù)運動目標快速算法,相較于傳統(tǒng)核函數(shù)跟蹤算法,減少系統(tǒng)內(nèi)存消耗66.8%,跟蹤成功率提高24.4%,運算速度提高35.63%。改進的基于路徑預(yù)測的粒子濾波多運動目標跟蹤算法,多運動目標的平均檢測時間為0.78s,比傳統(tǒng)算法,速度加快37.3%,跟蹤成功率提高33.1%。在多運動目標存在遮擋的情況下,改進算法比傳統(tǒng)算法速度加快46.8%,跟蹤成功率提高39.5%。4、對自主導(dǎo)航農(nóng)業(yè)車輛同時定位與地圖創(chuàng)建問題進行了研究,提出了基于全景視覺的同時定位于地圖創(chuàng)建方法(PV-SLAM)。首先,研究了慣性導(dǎo)航系統(tǒng)原理,并設(shè)計實現(xiàn)慣性測量單元的硬件電路模塊。其次,研究建立了農(nóng)業(yè)車輛運動模型和全景視覺系統(tǒng)觀測模型。然后,分析闡釋了 PV-SLAM算法實現(xiàn)流程和步驟,其主要思路是將多目全景視覺(PV )和慣性測量單元(IMU )結(jié)合,采用擴展卡爾曼濾波(EKF ),實現(xiàn)自主導(dǎo)航智能農(nóng)業(yè)車輛的PV-SLAM過程。試驗結(jié)果表明:相較傳統(tǒng)視覺SLAM算法,PV-SLAM方法,在較少或無固定路標情況下,獲取環(huán)境路標數(shù)平均增加80.2%,成功率提高15.8%,在x和y方向平均誤差分別為0.065m和0.062m,定位平均誤差0.108m,在x和y方向平均精度分別提高35.3%和37.8%,定位平均精度提高36.2%。其中在路徑不閉合情況下,在x和y方向平均精度分別提高27.4%和29.5%,定位平均精度提高28.3%;在路徑閉合情況下,在x和y方向平均精度分別提高43.1%和46.1%,定位平均精度提高44.1%。PV-SLAM能較準確完整地提取環(huán)境路標信息,故對環(huán)境固定路標的依賴較小,在農(nóng)業(yè)作業(yè)的閉環(huán)路徑重復(fù)作業(yè)中效果較好。
[Abstract]:......
【學(xué)位授予單位】：南京農(nóng)業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：S22;TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 ;最新機械復(fù)眼具備全景視覺效果[J];發(fā)明與創(chuàng)新(中學(xué)時代);2013年08期

2 王健;張振海;李科杰;許濤;石志國;張東紅;邵海燕;張亮;;全景視覺系統(tǒng)發(fā)展與應(yīng)用[J];計算機測量與控制;2014年06期

3 榮玉斌;胡英;馬孜;;基于全景視覺的海上救助機器人[J];清華大學(xué)學(xué)報(自然科學(xué)版);2007年S2期

4 毛臣健;周憶;;一種通用的全景視覺水平邊線快速檢測方法[J];制造技術(shù)與機床;2012年03期

5 龔小林;田向陽;;全景視覺還原算法分析與應(yīng)用[J];計算機技術(shù)與發(fā)展;2014年06期

6 馬子領(lǐng);王建中;;作戰(zhàn)機器人折反射全景視覺偵察技術(shù)[J];兵工學(xué)報;2011年04期

7 李盛輝;周俊;姬長英;田光兆;顧寶興;王海青;;基于全景視覺的智能農(nóng)業(yè)車輛運動障礙目標檢測[J];農(nóng)業(yè)機械學(xué)報;2013年12期

8 楊鵬;高晶;劉作軍;萬文獻;;基于全景與前向視覺的足球機器人定位方法研究[J];控制與決策;2008年01期

9 夏桂華;韓瑞;馬鐵鋼;沈建永;;防爆型高分辨率全景視覺監(jiān)控系統(tǒng)設(shè)計[J];微計算機信息;2008年25期

10 劉棟棟;;基于全景視覺的監(jiān)控系統(tǒng)設(shè)計[J];微型電腦應(yīng)用;2012年03期

相關(guān)會議論文 前10條

1 劉偉;劉斐;鄭志強;;機器人單視點全景視覺系統(tǒng)綜述[A];2004中國機器人足球比賽暨學(xué)術(shù)研討會論文集[C];2004年

2 唐超;高朝輝;唐慶博;童科偉;張霞;王小錠;;基于雙目全景視覺的月面信息檢測技術(shù)[A];中國宇航學(xué)會深空探測技術(shù)專業(yè)委員會第十屆學(xué)術(shù)年會論文集[C];2013年

3 武娜;李小堅;;Mean shift算法在全景視覺中的應(yīng)用與研究[A];中國計量協(xié)會冶金分會2010年會論文集[C];2010年

4 陳一飛;;智能農(nóng)業(yè)的控制目標和手段[A];中國農(nóng)業(yè)工程學(xué)會2011年學(xué)術(shù)年會（CSAE 2011）論文摘要集[C];2011年

5 葛之江;尤紅建;殷禮明;林宗堅;張q，

本文編號：1612365