一种基于最优化逆透视变换的水稻株行距测量方法

本发明涉及水稻株行距测量，具体涉及一种基于最优化逆透视变换的水稻株行距测量方法。

背景技术：

1、随着高速计算机的发展，大容量存储设备的成本不断降低，机器视觉技术在近年来得到了显著发展。其中单目视觉测距技术在机器人、智能驾驶、无人装备等领域得到广泛应用。

2、通过单目视觉测量水稻株行距是监测水稻种植质量的有效技术方案。单目视觉测量水稻株行距包括两大类方法：一是通过标定相机的内外参，恢复场景三维空间信息，实现水稻株行距测量，具有通用性好等优点，然而该方法并不适合相机运动的情况下的株行距测量。二是通过逆透视变换将前视图变换到鸟瞰视图，同时实现了像素尺度到物理尺度的变换，适合运动场景下的株行距测量。逆透视变换主要有：基于多视图几何知识的逆透视变换方法、基于简化相机模型的逆透视变换方法、基于点对单应变换的逆透视变换方法三种方法。基于多视图几何知识的逆透视变换方法具有建模质量好，测量精度高等优点，但是需要多张二维图像用于三维信息恢复，存在计算量大，运算效率不高等不足。基于简化相机模型的逆透视变换方法具有形式简单，计算速度快等优点，但是相机的俯仰角、偏航角对逆透视变换结果的影响较大。相比前两种方法，基于点对单应变换的逆透视变换方法无需相机内外参或测距平面等相关信息，简单易于实现，计算效率高，然而，目前常用的方法存在精度仍有待提高的问题，分析认为是由点对信息误差扰动所导致，如人工选取点对信息时，选取点与目标点误差大，使得逆透视变换精度不高。

技术实现思路

1、本发明针对现有技术中的不足，针对基于点对单应变换的逆透视变换方法存在的特征点手动选取误差大，导致水稻株行距测量精度有待提高的问题，提供一种基于最优化逆透视变换的水稻株行距测量方法。

2、为实现上述目的，本发明采用以下技术方案：

3、一种基于最优化逆透视变换的水稻株行距测量方法，包括以下步骤：

4、s1、设置标定件；

5、s2、建立最优化逆透视变换的目标函数；采集含标定件的原图像，确定和代入初始值，迭代求解目标函数，得到最优逆透视变换矩阵；

6、s3、采集水稻株图像，对图像进行预处理；提取水稻株轮廓，分析水稻株的中心坐标；代入由最优逆透视变换矩阵构成的逆透视变换公式，得到水稻株中心点的物理坐标；

7、s4、根据最小二乘法理论拟合每一行的水稻株中心点，得到每行水稻株中心线，计算相邻中心线的距离，记为水稻株行距。

8、为优化上述技术方案，采取的具体措施还包括：

9、进一步地，步骤s1中，所述标定件包括n个层层嵌套的正方形，所述n个正方形的边长依次为d1、d2、......、dn，且每一个正方形的四个顶点上各有一个以该顶点为圆心且半径为r的圆，满足d1＞2r和di+1≥di+4r；其中，di和di+1分别表示第i个和第i+1个正方形的边长，且1≤i≤n-1。

10、进一步地，步骤s2中，所述逆透视变换具体为：

11、将原图像上的每个像素点映射到一个新的位置构建一幅新图像，数学模型如下：

12、

13、式中，(x，y)表示新图像上的任意一点；(u，v)表示原图像上的任意一点；s表示尺度参数；m是逆透视变换矩阵。

14、进一步地，步骤s2中，所述建立最优化逆透视变换的目标函数具体为：

15、以标定件的4n个圆的拟合误差总和最小为目标，以n个正方形中每个正方形两组对边平行、两组临边垂直，并且临边长度差值的绝对值应小于ε为约束条件建立目标函数，ε为取值为正的小的常数，所述目标函数如下：

16、

17、式中，f(m)为4n个圆的拟合误差总和：

18、

19、式中，表示原图像上在正方形第ai顶点处圆周上第j个像素点的齐次坐标，表示第ai顶点在新图像上的齐次坐标；表示原图像上在正方形第bi顶点处圆周上第j个像素点的齐次坐标，表示第bi顶点在新图像上的齐次坐标；表示原图像上在正方形第ci顶点处圆周上第j个像素点的齐次坐标，表示第ci顶点在新图像上的齐次坐标；表示原图像上在正方形第di顶点处圆周上第j个像素点的齐次坐标，表示第di顶点在新图像上的齐次坐标；表示尺度参数，其中，i＝1，2，...，n，j＝1，2，...，m，m∈n且m≥50；n表示标定件中正方形的个数，m表示正方形顶点处圆周上像素点的个数；

20、等式约束条件其中，i＝1，2，...，n；具体如下：

21、

22、等式约束条件其中，i＝1，2，...，n；具体如下：

23、

24、等式约束条件其中，i＝1，2，...，n，具体如下：

25、

26、等式约束条件其中，i＝1，2，...，n；具体如下：

27、

28、不等式约束条件其中，i＝1，2，...，n；具体如下：

29、

30、式中，xx＝[1 0 0]，yy＝[0 1 0]；表示第ai顶点在原图像上的齐次坐标，表示第bi顶点在原图像上的齐次坐标，表示第ci顶点在原图像上的齐次坐标，表示第di顶点在原图像上的齐次坐标；表示尺度参数；

31、根据lagrange乘数理论将前述有约束的目标函数改写成无约束的目标函数，改写后的目标函数如下：

32、

33、式中，λ1、λ2、λ3、λ4、μ表示lagrange乘子。

34、进一步地，步骤s2中，所述采集含标定件的原图像，确定和代入初始值，迭代求解目标函数，得到最优逆透视变换矩阵具体为：

35、s2.1、根据水稻株行距测量要求，在场景中布置标定件，采集现场图像作为原图像；

36、s2.2、在原图像上手动选取任意一个正方形的四个顶点，以每个顶点为中心在其q×q像素领域内进行顶点的亚像素检测，其中，q∈n且q≥5，利用四个顶点的亚像素坐标和物理坐标，构建四组初始点对，以四组初始点对的坐标为初始值；

37、s2.3、利用初始值计算得到第1个逆透视变换矩阵为m(1)，变换原图像为第1幅新图像；

38、s2.4、经过k次迭代，逆透视变换矩阵为m(k)，得到原图像的第k幅新图像；

39、s2.5、分别对原图像和第k幅新图像进行处理，获得目标函数计算所需要的齐次坐标，计算目标函数的结果r(k)；

40、s2.6、利用梯度下降法更新目标函数的参数；

41、s2.7、根据逆透视变换矩阵m(k+1)，得到原图像的第k+1幅新图像；

42、s2.8、分别对原图像和第k+1幅新图像进行处理，获得目标函数计算所需要的齐次坐标，计算目标函数的结果r(k+1)；

43、s2.9、如果r(k)和r(k+1)的差值小于设定值，停止迭代，得到最优逆透视变换矩阵m*；否则，重复s2.4步至第s2.9步。

44、进一步地，步骤s2.6具体为：

45、利用以下公式更新目标函数的参数：

46、

47、式中，α是参数更新时的学习率，表示对目标函数l(m(k))求梯度。

48、进一步地，步骤s3具体包括：

49、s3.1、根据水稻株测量要求，在场景中采集水稻田图像，作为待测图像；

50、s3.2、对待测图像进行预处理，使图像中水稻株与背景分离；

51、s3.3、预处理后的图像使用轮廓检测，提取出每个水稻株的轮廓，根据水稻株轮廓的位置，提取出每个水稻株的中心点的亚像素坐标；

52、s3.4、将亚像素坐标代入利用由最优逆透视变换矩阵构成的逆透视变换公式得到水稻株中心点的物理坐标。

53、进一步地，步骤s3.2中，所述预处理包括将图像进行灰度化、滤波和二值化处理。

54、本发明的有益效果是：

55、本发明提出了一种基于最优化逆透视变换的水稻株行间距测量方法，优化了逆透视变换效果，提升单目视觉相机的水稻株行距测距精度。最优化逆透视变换的关键在于通过提升变换后新图像中标定件与理想轮廓的拟合程度，对逆透视变换模型参数优化。在优化任务开始前主动赋予一次参数作为初值，通过参数迭代更新，将拟合程度符合要求时的参数作为最优化逆透视变换参数。使用最优化逆透视变换模型对含有水稻株的图像做逆透视变换，得到图像的鸟瞰视图，实现水稻株行距的高精度测量。与人工选取点对信息用于逆透视变换，最优化逆透视变换方法能够优化模型参数，提升测距精度和鲁棒性。