CN110348443B - 复杂环境树木主干多特征分离统计方法及树干识别方法 - Google Patents

Abstract

本发明涉及四足机器人野外环境感知技术领域，特别涉及一种复杂环境树木主干多特征分离统计方法及树干识别方法。本发明提供的复杂环境树木主干多特征分离统计的方法，通过统计的方法提取树干与周围环境的差异性特征；所提供的树干识别方法，综合颜色和树干的纹理、轮廓特征，通过对树干与周围环境景物的颜色和纹理轮廓特征的差异完成差异性特征的学习，从而实现树主干的准确识别。本发明提供的技术方案以四足机器人复杂环境树木障碍的认知方法为研究对象，使机器人能够适应多变的林木环境实现对树木障碍的准确识别，在四足机器人的导航控制领域具有重要的实际应用价值。

Description

复杂环境树木主干多特征分离统计方法及树干识别方法

技术领域

本发明涉及四足机器人野外环境感知技术领域，特别涉及一种复杂环境树木主干多特征分离统计方法及树干识别方法。

背景技术

四足机器人能够利用地面孤立的支撑点完成着地行走任务，因此其能在崎岖不平的山地、丛林等非结构化、复杂环境中灵活行走，以辅助人类完成野外物资运输、巡逻、勘探等工作任务。在山地、丛林地带随机生长的粗壮树木往往成为四足机器人自主行走的障碍。为了有效的规避这些粗壮树木，需对其进行检测识别，而采用机器视觉环境图像信息进行处理，进而通过树主干识别实现树木障碍的检测是较为有效的方法。

在复杂环境的树干识别中，常见的有采用简单的颜色、轮廓等特征进行树干识别，由于受到环境变化的光线、枝叶等因素的影响，通常情况下很难对树干进行准确的识别。若采用颜色特征进行识别，当树干和周围枝叶有明显差异且光线良好树干无阴影遮挡时具有较好的效果，但在野外的复杂多变环境中很难满足该条件。

由于粗壮树木主干具有明显的垂直地面的直线轮廓特征，因此在现有的树干识别方法中还可以对环境景物的边缘特征进行，通过提取平行、竖直的两条相邻轮廓为树干边界线，从而实现树干识别。若环境图像中除树木外其它景物的干扰少，即提取的图像轮廓基本为树干轮廓，那么该方法具有较好效果，但野外复杂环境中一方面树干受到枝叶或其它物体遮挡，另一方面环境存在非树干的垂直轮廓干扰，这使得依靠轮廓特征提取树干环境适应性较差。

发明内容

为了解决背景技术中提到的四足机器人在野外复杂多变的林木环境中树干和周围环境特征难以辨别的问题，本发明提供一种复杂环境树木主干多特征分离统计的方法，包括以下步骤：

S100、采集野外林木环境的树干和干扰物的样本图像；

S200、将采集样本图像的所有RGB颜色空间的彩色图像转换为HSI颜色空间图像；

S300、将HSI颜色空间的图像进行H、S、I三通道颜色分离，将每个样本图像分解为三幅H、S、I单颜色通道灰度图，划分为若干个灰度等级，并统计每一个灰度等级中像素点的个数；

S400、以灰度等级数为横坐标，以H、S、I三颜色分量中每个灰度等级的像素点个数为纵坐标，绘制统计特征曲线图；

S500、根据绘制统计特征曲线图，分别统计所有树干和干扰物样本图像的灰度曲线峰值点所在的灰度等级的区间；

S600、根据灰度等级的区间，提取样本图像的H、S、I任意一个通道的单通道图像像素点梯度方向角的统计特征；

S700、将图像像素点梯度方向角φ从0～π平均分为若干个区间；统计图像中每个角度区间像素点占图像总像素点的比例，以此描绘图像的纹理梯度特征的直方图；

S800、分别对所有树干和干扰物图像的梯度方向直方图的特征均值进行多次样条曲线拟合，设拟合曲线的数学表达式分别为f₀(x)和f₁(x)；通过本步骤拟合曲线及S500提取的灰度曲线峰值点完成复杂环境树木主干颜色、纹理和轮廓特征的分离统计。

在上述方案的基础上，进一步地，S100中，所采集的树干和干扰物的图像的数量各为N张，大小均为宽×高，单位为像素点；

S300中所述灰度等级的数量为32；

S700中，将像素点梯度方向角φ从0～π平均分为1-9个区间。

在上述方案的基础上，进一步地，S200中，将每个像素点的颜色按照如下公式进行转换：

即可将采集样本图像的所有RGB颜色空间的彩色图像转换为HSI颜色空间图像。

在上述方案的基础上，进一步地，S300中，划分灰度等级的方法为将h、s、I三颜色分量规范化到[0，255]范围，使H＝(h/(2π))×255，S＝s×255,I＝I；将图像的灰度值域[0，255]，完成灰度等级的划分。

在上述方案的基础上，进一步地，S300中，按照以下方法统计像素点的个数：

其中，H(i)，S(i)，I(i)分别代表H、S、I三颜色分量中每个灰度等级的像素点个数，i为灰度等级数i＝0，1，2，…，31；

w，h为图像像素点宽和高的位置坐标；p(w,h)代表样本图像上的像素点；f_H(w,h)，f_S(w,h)，f_I(w,h)为像素点p(w,h)上H，S，I三颜色分量的灰度值。

在上述方案的基础上，进一步地，S400中，以i为横坐标值，H(i)，S(i)，I(i)为纵坐标值即像素点个数为纵坐标绘制统计特征曲线图，即为图像颜色特征曲线，并根据S400-S500得到树干的峰值点的灰度等级区间

和干扰物灰度曲线峰值点的灰度等级区间

在上述方案的基础上，进一步地，提取样本图像统计特征的公式为：

G_x(x,y)＝I(x+1,y)-I(x,y)

G_y(x,y)＝I(x,y+1)-I(x,y)

其中，参数x，y为像素点的图像坐标，I(x,y)、Gx(x,y)、Gy(x,y)分别为灰度图像素点p(x,y)的像素值、宽、高度方向的梯度值，φ(x,y)为梯度方向角，即图像纹理、轮廓的方向角。

为了解决复杂环境树干难以识别的问题，本发明还提供一种如上任意所述复杂环境树木主干多特征分离统计的方法进行的树干识别方法，通过对复杂环境树木主干纹理轮廓特征的统计方法进行的树干识别，采用纹理轮廓特征的学习数学模型公式：

计算所有样本树干和干扰物图像的纹理轮廓特征值B₀(n)、B₁(n)与拟合曲线函数f₀(x)、f₁(x)的类标准差B₀和B₁，并得到类标准差所在区间[B_0a,B_0b]和[B_1a,B_1b]；最终，再过判断图像的类标准差值是否在树干的类标准差区间中而对图像的树干进行识别。

在上述方案的基础上，进一步地，树干识别的具体步骤为：

设置一个图像扫描窗，窗的大小为72×128(宽×高,单位为像素)即为图像感兴趣区域，记为ROI；

以8个像素为步长将ROI窗口沿着环境图像的宽度和高度方向依次扫描整个图像；

根据S400计算ROI窗口中图像的峰值点灰度等级

再根据S800和计算所有样本树干和干扰物图像的纹理轮廓特征值B₀(n)、B₁(n)与拟合曲线函数f₀(x)、f₁(x)的类标准差B₀和B₁的方法，计算纹理轮廓特征的类标准差B_ROI；

最后，通过判断

是否属于区间

和B_ROI是否属于区间[B_0a,B_0b]，以判断所检测的图像区域是否为树干。

本发明提供的复杂环境树木主干多特征分离统计的方法，通过统计的方法对树干提取树干与周围环境的差异性特征；所提供的树干识别方法，将综合颜色和树干的纹理、轮廓特征，通过对树干与周围环境景物的颜色和纹理轮廓的差异性特征完成差异性特征的学习，从而实现树主干的准确识别。本发明提供的技术方案以四足机器人复杂环境树木障碍的认知方法为研究对象，使机器人能够适应多变的林木环境，并实现对树木障碍的准确识别。在四足机器人的控制领域具有重要的实际应用价值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的树干多特征分离统计方法流程图；

图2为树干多特征分离统计方法中颜色统计特征图；

图3为图像梯度方向角统计直方图；

图4为纹理轮廓特征统计直方图曲线拟合图；

图5为本发明提供的树干识别方法流程图；

图6为本发明提供的复杂环境树木主干多特征分离统计方法及树干识别方法总流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供一种复杂环境树木主干多特征分离统计方法及树干识别方法。

在野外林木环境中，非树主干的物体如树木的枝叶、天空背景、地面等是典型的干扰物，其是造成树干误识别主要的原因。由于不同物体的颜色、纹理和轮廓特征存在着差异，因此可以通过提取并分析树干与干扰物体的特征差异性进而实现树干识别。

图1为树干多特征分离统计方法流程图，如图1所示，具体通过统计的方法对树干提取树干与周围环境的差异性特征的方法为：

S10、采集野外林木环境的树干和干扰物的图像；所采集的树干和干扰物的图像的数量各为N张，大小均为72像素×128像素；设树干、树木的枝叶、天空背景、地面的样本图像集合分别为T_N，F_N，S_N，G_N，N为每种样本总数

S20、将采集的所有RGB颜色空间的彩色图像转换为HSI颜色空间图像；

将原RGB颜色空间的彩色图像转换为HSI颜色空间图像，转换方法为：

将每个像素点的颜色转换公式如下：

S30、将HSI颜色空间的图像进行H、S、I三通道颜色分离，将每个样本图像分解为三幅H、S、I单颜色通道灰度图，将h、s、I三颜色分量规范化到[0，255]范围，使H＝(h/(2π))×255，S＝s×255,I＝I；将图像的灰度值域[0，255]划分为32个灰度等级，按照以下方法统计像素点的个数：

其中，H(i)，S(i)，I(i)分别代表H、S、I三颜色分量中每个灰度等级的像素点个数，i为灰度等级数i＝0，1，2，…，31；

w，h为图像像素点宽和高的位置坐标；p(w,h)代表样本图像上的像素点；f_H(w,h)，f_S(w,h)，f_I(w,h)为像素点p(w,h)上H，S，I三颜色分量的灰度值。

S40、以灰度等级数i为横坐标，以H(i)，S(i)，I(i)三颜色分量中每个灰度等级的像素点个数为纵坐标，即像素点个数为纵坐标绘制统计特征曲线图，如图2所示，设

分别表示第i个样本图像的灰度峰值，以每个样本图像的H、S、I三通道灰度曲线峰值点作为灰度等级

S50、分别统计树干和干扰物图像灰度曲线峰值点所在的灰度等级的区间，并根据S400-S500得到树干的峰值点的灰度等级区间

和干扰物灰度曲线峰值点的灰度等级区间

S60、提取样本图像的H、S、I任意一个通道的单通道图像像素点梯度方向角的统计特征；

按照公式：

G_x(x,y)＝I(x+1,y)-I(x,y) (7)

G_y(x,y)＝I(x,y+1)-I(x,y) (8)

其中，参数x，y为像素点的图像坐标，I(x,y)、Gx(x,y)、Gy(x,y)分别为灰度图像素点p(x,y)的像素值、宽、高度方向的梯度值，φ(x,y)为梯度方向角，即图像纹理、轮廓的方向角；将方向角记为φ_i；

S70、将像素点梯度方向角φ从0～π平均分为1-9个区间:

φ₀＝[0,π/9)，φ₁＝[π/9,2π/9)，φ₂＝[2π/9,3π/9)，φ₃＝[3π/9,4π/9),φ₄＝[4π/9,5π/9),φ₅＝[5π/9,6π/9)φ₆＝[6π/9,7π/9)，φ₇＝[7π/9,8π/9)，φ₈＝[8π/9,π)；

统计图像中每个角度区间像素点占图像总像素点的比例，树干和干扰物每个区间的值分别用B₀(n)和B₁(n)表示，并以此描绘图像的纹理梯度特征的直方图,其特征图示例如下图3所示，其中图3(a)为树干图像梯度特征的直方图，图3(b)为其它干扰物图像梯度特征的直方图。

S80、分别对所有树干和干扰物图像的直方图的特征均值进行多次样条曲线拟合，如图4所示为拟合结果示例，设拟合曲线的数学表达式分别为f₀(x)和f₁(x)；通过本步骤的拟合曲线和S40灰度等级峰值点的提取即可完成复杂环境树木主干多特征分离统计。

以上述多特征分离统计为基础，本发明还提供以下树干识别方法实施例，流程图如图5所示，具体方法为：

S90、通过S50提取的峰值点的灰度等级区间，再根据纹理轮廓特征的学习数学模型公式：

计算所有样本树干和干扰物图像的纹理轮廓特征值B₀(n)、B₁(n)与拟合曲线函数f₀(x)、f₁(x)的类标准差B₀和B₁，并得到类标准差所在区间[B_0a,B_0b]和[B_1a,B_1b]；

S100、根据对树干和干扰物的颜色、纹理、轮廓特征学习的知识，完成树干识别。采集野外林木环境中待树干识别的图像，设置一个图像扫描窗，窗的大小为72×128(宽×高，单位为像素点)即为图像感兴趣区域(ROI)，以8个像素为步长将ROI窗口沿着环境图像的宽度和高度方向依次扫描整个图像；

通过步骤S30和S40，计算ROI窗口中图像的灰度曲线峰值点灰度等级

通过S90计算纹理轮廓特征的类标准差B_ROI；

S110、通过判断

是否属于区间

和B_ROI是否属于区间[B_0a,B_0b]，以判断所检测的图像区域是否为树干。

经过上述步骤后，可以完成树干和干扰物图像的特征分离提取和基于特征统计学习的树干识别任务。复杂环境树木主干多特征分离统计方法及树干识别方法的总体实施流程如图6所示。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (4)

1.一种复杂环境树木主干多特征分离统计的方法，其特征在于，包括以下步骤：

S100、采集野外林木环境的树干和干扰物的样本图像；

S200、将采集样本图像的所有RGB颜色空间的彩色图像转换为HSI颜色空间图像；

S300、将HSI颜色空间的图像进行H、S、I三通道颜色分离，将每个样本图像分解为三幅H、S、I单颜色通道灰度图，划分为若干个灰度等级，并统计每一个灰度等级中像素点的个数；

S400、以灰度等级数为横坐标，以H、S、I三颜色分量中每个灰度等级的像素点个数为纵坐标，绘制统计特征曲线图；

S500、根据绘制统计特征曲线图，分别统计所有树干和干扰物样本图像的灰度曲线峰值点所在的灰度等级的区间；

S600、根据灰度等级的区间，提取样本图像的H、S、I任意一个通道的单通道图像像素点梯度方向角的统计特征；

S700、将图像像素点梯度方向角φ从0～π平均分为若干个区间；统计图像中每个角度区间像素点占图像总像素点的比例，以此描绘图像的纹理梯度特征的直方图；

S800、分别对所有树干和干扰物图像的梯度方向直方图的特征均值进行多次样条曲线拟合，设拟合曲线的数学表达式分别为f₀(x)和f₁(x)；通过本步骤的拟合曲线及S500提取的灰度峰值点完成复杂环境树木主干颜色、纹理和轮廓特征的分离统计；

S100中，所采集的树干和干扰物的图像的数量各为N张，大小均为宽×高，单位为像素点；

S300中所述灰度等级的数量为32；

S700中，将像素点梯度方向角φ从0～π平均分为1-9个区间；

S300中，划分灰度等级的方法为将h、s、I三颜色分量规范化到[0，255]范围，使H＝(h/(2π))×255，S＝s×255,I＝I；将图像的灰度值域[0，255]，完成灰度等级的划分；

S300中，按照以下方法统计像素点的个数：

其中，H(i)，S(i)，I(i)分别代表H、S、I三颜色分量中每个灰度等级的像素点个数，i为灰度等级数i＝0，1，2，…，31；

w，h为图像像素点宽和高的位置坐标；p(w,h)代表样本图像上的像素点；f_H(w,h)，f_S(w,h)，f_I(w,h)为像素点p(w,h)上H，S，I三颜色分量的灰度值；

S400中，设每个样本图像的H、S、I三通道灰度曲线峰值点所在的灰度等级为

S500中，树干灰度曲线峰值点的灰度等级区间为

干扰物灰度曲线峰值点的灰度等级区间

通过对复杂环境树木主干纹理轮廓特征的统计方法进行的树干识别，采用纹理轮廓特征的学习数学模型公式：

计算所有样本树干和干扰物图像的纹理轮廓特征值B₀(n)、B₁(n)与拟合曲线函数f₀(x)、f₁(x)的类标准差B₀和B₁，并得到类标准差所在区间[B_0a,B_0b]和[B_1a,B_1b]；再过判断图像的类标准差值是否在树干的类标准差区间中而对图像的树干进行识别；

树干识别的具体步骤为：

设置一个图像扫描窗，窗的大小为宽×高,单位为像素，即为图像感兴趣区域，记为ROI；

以8个像素为步长将ROI窗口沿着环境图像的宽度和高度方向依次扫描整个图像；

根据S400计算ROI窗口中图像的峰值点灰度等级

再根据S800和计算所有样本树干和干扰物图像的纹理轮廓特征值B₀(n)、B₁(n)与拟合曲线函数f₀(x)、f₁(x)的类标准差B₀和B₁的方法，计算纹理轮廓特征的类标准差B_ROI；

最后，通过判断

是否属于区间

和B_ROI是否属于区间[B_0a,B_0b]，以判断所检测的图像区域是否为树干。

2.根据权利要求1所述的复杂环境树木主干多特征分离统计的方法，其特征在于：S200中，将每个像素点的颜色按照如下公式进行转换：

即可将采集样本图像的所有RGB颜色空间的彩色图像转换为HSI颜色空间图像。

3.根据权利要求1所述的复杂环境树木主干多特征分离统计的方法，其特征在于：S400中，以i为横坐标值，H(i)，S(i)，I(i)为纵坐标值即像素点个数为纵坐标绘制统计特征曲线图，即为图像颜色特征曲线。

4.根据权利要求1所述的复杂环境树木主干多特征分离统计的方法，其特征在于，提取样本图像统计特征的公式为：

G_x(x,y)＝I(x+1,y)-I(x,y)

G_y(x,y)＝I(x,y+1)-I(x,y)

其中，参数x，y为像素点的图像坐标，I(x,y)、G_x(x,y)、G_y(x,y)分别为灰度图像素点p(x,y)的像素值、宽、高度方向的梯度值，φ(x,y)为梯度方向角，即图像纹理、轮廓的方向角。

Images