基于HOG与支持向量机成熟苹果自动识别.docVIP

基于HOG与支持向量机成熟苹果自动识别 　　摘要：由于采摘目标背景复杂多变，采摘机器人提取目标时经常会出现轮廓不均匀以及分割不准确的现象。针对前期背景和目标物的分离处理，选取了最大类间方差法即Otsu算法提取目标物的粗轮廓，引入目标轮廓的HOG梯度方向特征训练支持向量机，进而对提取的轮廓进行细筛选，实现自动识别目标。以识别成熟苹果的试验证明，支持向量机能够准确识别单个苹果的轮廓，准确率在93%以上，并获得了较好的识别效果。 　　关键词：最大类间方差法；支持向量机；HOG特征；采摘识别 　　中图分类号： TP391.41文献标志码： A文章编号：1002-1302（2017）07-0211-05 　　采摘机器人视觉系统在野外成熟果实的识别过程中，容易受到光照强度变化以及复杂背景的干扰，在很大程度上降低采摘机器人作业的实时性和识别的准确率。快速、准确地识别出果实是采摘机器人视觉系统最重要而关键的部分，因而很多学者在此领域进行了大量的研究。毛亮等通过模糊聚类算法自动获取合适的初始演化曲线轮廓，然后利用水平集方法对目标区域轮廓进行精确的提取，很好地保持了目标区域的完整性[1]。熊俊涛等利用基于双边滤波的Retinex算法进行荔枝图像增强，从而凸显果实和果梗，降低不同光照对荔枝的干扰[2]。郭艾侠等提出基于EA与FCM相结合的策略，将荔枝果与结果母枝从已识别的荔枝串中提取出来，但是对于强光条件下的荔枝果分割所产生的凹陷，处理并不好[3]。孔德运等利用蚁群算法确定初始化的聚类中心，最后引入空间约束FCM对初始分割目标区域进行提取，并且避免了FCM在迭代过程中陷入局部最优解[4]。杨永提出了一种基于离散小波变换的图像模型，对于传统的中值滤波算法，其处理速度更加高效[5]。对于水果图像识别的通用快速图像分割算法，彭红星等提出一种基于改进的双次Otsu算法，能够对图像中的背景、果梗、果实进行粗分割和细分割，表现出良好的分割质量以及稳定性[6]。 　　对于环境光照变化以及干扰物的遮掩，传统的分割算法处理效果并不好。为改进对果实轮廓的提取，本研究选取了YCbCr色彩空间Cr分量来提取背景，能够有效地去除果梗以及叶子等复杂大背景信息。以Cr分量灰度图为基础，比较区域增长法、K-means、FCM以及Otsu法[7]对轮廓的识别率以及运行时间，试验结果表明，Otsu算法对于复杂背景下的分割具有良好的效果，同时其算法复杂度也低于传统的 K-means 以及FCM[8]，具有实时性高、轮廓切割平滑的特点，因此本研究选用Otsu法进行轮廓的粗提取。 　　结合果实轮廓特征，本研究首次引入了一种基于方向梯度直方图（histogram of oriented gradient，HOG）特征[9]的机器学习算法。HOG特征通过计算和统计图像局部梯度方向直方图来构成特征，对于成熟苹果的梯度特征，建立正HOG特征集合与负HOG特征集的监督学习来训练SVM，对于Otsu提取的粗轮廓，进一步来筛选成熟果实的轮廓，从而实现对果实的有效识别。 　　1苹果轮廓提取 　　1.1颜色模型选择 　　对于普通的RGB图像来说，由于在野外复杂环境下会有向光、背光、遮挡等自然光的变化，因此选取一种能够在任何光照条件下不变的特征分量是很重要的。YCbCr颜色模型[10]是色彩空间的一种，通常会用于影片中的影像连续处理，或是数字摄影系统中，其中Y是亮度分量，Cb是蓝色色度分量，Cr是红色色度分量，其中RGB与YCbCr的相互转换公式为[11]： 　　YCbCr颜色模型中Cr分量的取值范围较Y分量和Cb分量集中，对于成熟苹果的颜色空间分析，可以发现其在Cr红色颜色分量的灰度化图像中较好地保留了与背景物的颜色分量差异[12]，因此应用YCbCr色彩空间的Cr分量具有较好的分割背景的能力。 　　1.2提取苹果轮廓 　　Otsu法即最大类间方差法[13]，其基本思想是使用1个阈值将整个数据分成2个类，如果2个类之间的方差最大，那么这个阈值就是最佳的阈值。其中方差的定义为[14]： 　　式中：pi表示某样本分布概率，μ=E（X）表示X期望值，xi表示某样本值。若一幅图像有L个灰度级，[1，2，…，L]表示一幅灰度图的等级，假?O通过一个灰度级为k的门限将这些像素点划分为2类：C0和C1（背景和目标），则C0表示灰度级为[1，…，k]的像素点，C1表示灰度级为[k+1，…，L]的像素点。那么，每一类出现的概率以及各类的平均灰度级分别由下面的式子给出： 　　式中：ω（k）=∑ki=1pi表示像素点占图像比例，μ（k）=∑ki=1ipi表示像素点的平均灰度值，μT=μ（L）=∑Li=1ipi表示图像的总平均灰度值。 　　同时定义类内方差σ2W与类间方差σ2B、总方差β如下：