【《基于特征匹配的农业智能小车故障检测算法案例》2100字】

基于特征匹配的农业智能小车故障检测算法案例在需求分析阶段已谈及用户需要了解小车实时的运行状态。本文小车存在五种状态：三种正常状态分别是未连接状态、待机状态和巡检状态，两种异常状态是移动故障和通信故障。各个状态判定如下：当计算机未与小车进行通信连接时小车处于未连接状态。当小车与计算机通信端口正常连接且小车未巡检则判定为待机状态。当小车被分派巡检任务且有实时有效图像传输则处于巡检状态。当计算机无法与小车进行连接则处于通信故障状态。当小车巡检时传输的连续多帧图像一样则处于移动故障状态。小车常常处于大棚的无人环境中工作，需具备一定的故障检测能力，以便及时通知相关人员前来查看。对于因车载软硬件出现故障而导致无法进行正常通信的故障检测较为简单，仅需要对通信连接以及是否接收到数据进行检查即可。而对于小车移动故障的判别则相对复杂，目前移动机器人领域的常用移动监测方法有三种：一是通过GPS定位来监测机器人移动，二是通过IMU惯性传感器监测机器人加速度，三是通过视觉里程计来定位小车移动。本应用场景下，因大棚材料遮挡GPS信号而无法采用第一种方法，而使用IMU则会增加成本，考虑到小车本就具备拍照功能，因此采用第三种视觉方式来检测小车移动故障。当小车在大棚内正常移动拍照时，每一帧照片所拍摄的物体是不同的，而当小车出现移动故障时，所拍摄的多帧图片将会聚焦同一场景，而使得多帧图片具有极高的相似度，通过相似度分析便可对小车移动故障进行判断。本文采用基于FAST特征的匹配算法进行图像相似度分析，此算法流程分为两步：第一步为特征提取，第二步为特征匹配。（1）特征提取特征提取步骤的目标是对图片提取出FAST特征并计算描述子。FAST特征点是一种角点，其最大的优点是计算效率极高，非常适合于实时视频处理应用。BRIEF通过二进制值串对特征点进行描述，在描述子的构建和匹配速度方面具有优势。本特征提取需先进行FAST特征点提取，然后再为特征点计算BRIEF描述子。FAST特征点定义为图像中局部像素灰度变化较大的区域，通过对比一个像素与其周围像素亮度的方式进行提取，本文所使用算法如下表1.1。表1.1FAST特征点提取算法Table1.1FASTfeaturepointextractionalgorithm算法：FAST特征点提取输入：图片输出：特征点像素坐标列表1:for(pinimage)//遍历图像中所有像素2:T=0.2∗IP//I3:if(p为圆心半径为3的圆上存在连续12个像素的亮度>IP+T或<4:将p点加入到列表L中5:returnL在提取到特征点之后，需要为每一个特征点计算一个描述子。BRIEF描述子作为一种有效的特征点描述符，使用二元特征向量进行特征描述。二元特征向量是只包含1和0的特征向量，特征向量的每个值取决于特征点附近两个随机像素的大小关系，公式如下：vp;x,y=1:px如果取256个像素对，就可以得到一个256维的特征向量来描述特征点。在特征匹配时，就可以通过计算特征向量之间的距离来判定特征点是否为同一个。（2）特征匹配特征匹配所做的是将两张图片提取出的两组特征点的描述子最相似的特征点匹配起来，最简单的就是将一个特征点与另一组的所有特征点都匹配一遍，并排序出描述子最相似的特征点作为匹配点的暴力匹配。在计算描述子的相似度时，通常使用汉明距离进行度量。汉明距离为两个描述子向量对应位置不同位数的个数。因为本应用场景下实时性要求较低，且匹配只是针对最近的几帧图像，故而可以使用暴力匹配。特征匹配完成之后，算法会得到一个个匹配好的点对。此时需要通过经验设置一个描述子距离的最大值，一般是最小距离的两倍，当匹配点对的描述子距离小于此最大值，则认为匹配有效。最后统计出满足的匹配点数，并计算其与总特征点数的比例，便可得出图片相似度。下图1.5为小车前行移动拍摄的四张图像，其中相邻图像的相同像素数约为2/3。下面将对此组图片使用上述特征匹配算法进行图像相似度分析，一系列实验展开如下。图1.5小车连续拍摄的四帧图像Fig.1.5Foursuccessiveframesofimagestakenbythetrolley首先让IMG1与其自身进行匹配，得到总的特征点数为471，匹配的特征点为471，图像相似度为100%。图1.6IMG1与自身进行特征匹配Fig.1.6IMG1matchesfeatureswithitself随后使用IMG1与IMG2进行特征匹配，如下图所示。IMG1提取的特征点数依旧是471，匹配上的特征点数为210，图像相似度约为41.6%。已知此两张图片具有2/3的相同像素，按理说图片相似度应为66.7%，本实验计算所出的却为41.6%，差距较大。究其原因在于所提取特征点区域分布的不均匀性，由上图可以看出，一些明暗变化较大的像素区域的特征点数较为密集，而另一些像素区域则稀少，如此便导致了两张图片的相同像素数为2/3而相同特征点数并非2/3的情况。这对于需要精确计算图像相似度的应用场景来说当然不行，但本文仅仅用于小车移动故障检测，只要相关性可以保证，粗略的数值即可。图1.7IMG1与IMG2进行特征匹配Fig.1.7IMG1matchesfeatureswithIMG2接下来将IMG1与IMG3进行匹配，471个特征点匹配上的只有21个，图片相似度为1.5%。尽管两张图片仍存在1/3的相同像素，此次匹配到的特征点数已经降到很少了，且从下图可以看出存在误匹配的现象，这是由于此场景下皆为茄子植株，不同植株之间难免存在相似的纹理特征，可以通过降低描述子距离上限来解决。图1.8IMG1与IMG3进行特征匹配Fig.1.8IMG1matchesfeatureswithIMG3最后将IMG1与IMG4进行特征匹配，此次匹配到的特征点数为0，相似度为0%。