基于区域生长顺序聚类-RANSAC的水稻苗带中心线检测

为提高水稻苗带中心线检测的适应性和实时性,满足巡田机器人导航的低成本、轻量级计算、高实时性需求,针对水稻苗带中心线检测结果容易受到光照变化和机器震动等原因产生图像噪声影响的问题,该研究以返青期和分蘖初期水稻秧苗为研究对象,提出基于区域生长顺序聚类-随机抽样一致性算法(random sample consensus,RANSAC)的水稻苗带中心线检测方法。首先,对采集的水稻秧苗图像运用归一化超绿特征法(excess green,ExG)和最大类间方差法(Otsu)分割水田背景和秧苗区域,应用先腐蚀后开运算的形态学方法去除秧苗图像噪声点;然后,采用基于水平带的秧苗轮廓质心检测方法提取秧苗特征点,利用区域生长顺序聚类方法将同一秧苗行的特征点聚成一类;最后,通过RANSAC算法拟合苗带中心线,从而得到巡田机器人视觉导航基准线。试验结果表明:该方法对返青期和分蘖初期水稻苗带中心线检测率均在97%以上,比已有YOLOv3算法提高6.12个百分点,比基于区域生长均值漂移聚类算法降低2.41个百分点;平均误差角度为2.34°,比已有YOLOv3算法高1.37°,比基于区域生长均值漂移聚类算法低0.12°,平均每帧图像检测时间为15.53 ms,比已有YOLOv3算法缩短81.19%,比基于区域生长均值漂移聚类算法缩短82.74%,本文方法在保证检测精度的基础上,大幅提升了检测速度,具有良好的适应性和实时性。研究结果可为巡田机器人视觉导航提供参考。

基于区域生长的网格模型分割

提出一种新的方法-基于法向量差值的区域生长,还提出了在候选种子中选择种子的方法,根据一种新的二面角的公式即法向量面积加权的差值进行区域生长,分割后对面积过小的面片区域进行优化处理。实验表明该方法快速有效。

大场景下港口装卸设备点云的聚类识别算法研究

针对港口装卸设备位姿变化明显的特点,提出了一种基于区域生长思想的K-Normal聚类算法。该算法在区域生长聚类思想基础上,在进行K邻域搜索时分段进行随点云局部密度改变的距离阈值判定以及法向量夹角判定完成准确聚类,能有效避免过分割与欠分割。聚类完成后通过PCA算法计算不同聚类的特征值,构建特征模型作为全局特征,以特征模型为输入构造SVM分类器,完成港口不同目标的识别,识别正确率达90.5%。

基于改进NDT算法的城市场景三维点云配准

对于存在较大初始变换误差的两帧点云,正态分布变换(NDT)配准算法通常会收敛到局部最小值。为提高收敛性能,提出一种新的区域生长聚类正态分布变换(RGC-NDT)算法,该算法在优化步骤中取代体积分割,消除体素边界处评分函数的不连续性。使用主成分分析法(PCA),针对点云中的每个点计算局部特征向量及曲率。基于这些特征向量的相似性,根据区域隶属判定规则,将种子点周围的相邻点聚合为簇类,然后为每个聚类计算正态分布变换,并将该区域内的点表示为分布-分布匹配的概率密度函数。实验表明:相比于传统NDT算法,该算法匹配准确度提高1.18倍,且匹配耗时仅为其1/3。