基于視頻分析的振蕩果實(shí)軌跡跟蹤方法

楊奕銘 陳鳳 蔡婷 宋懷波

摘要：受采摘作業(yè)及風(fēng)力等因素影響，果實(shí)目標(biāo)多處于振蕩狀態(tài)，實(shí)現(xiàn)振蕩影響下果實(shí)目標(biāo)的自動(dòng)識(shí)別與快速跟蹤是提升果實(shí)采摘機(jī)器人采摘效率、果實(shí)表型最佳監(jiān)測(cè)幀選取的關(guān)鍵。為了實(shí)現(xiàn)振蕩影響下果實(shí)目標(biāo)的準(zhǔn)確識(shí)別與跟蹤，提出了一種基于YCbCr顏色空間的果實(shí)目標(biāo)自動(dòng)識(shí)別方法;在此基礎(chǔ)上，利用Meanshift算法實(shí)現(xiàn)了振蕩果實(shí)軌跡跟蹤;最后，通過對(duì)振蕩果實(shí)運(yùn)動(dòng)軌跡跟蹤結(jié)果得到果實(shí)的運(yùn)動(dòng)速度及加速度曲線，可為采摘機(jī)器人判定最佳采摘時(shí)機(jī)、最佳果實(shí)表型監(jiān)測(cè)幀篩選奠定基礎(chǔ)。結(jié)果表明，Meanshift跟蹤方法適合于振蕩果實(shí)目標(biāo)的自動(dòng)跟蹤，可為提高振蕩果實(shí)采摘效率和果實(shí)的生長狀態(tài)無損監(jiān)測(cè)提供借鑒。

關(guān)鍵詞：蘋果;振蕩;Meanshift;運(yùn)動(dòng)曲線;果實(shí)目標(biāo)自動(dòng)識(shí)別;果實(shí)軌跡跟蹤

中圖分類號(hào)： TP391.4? 文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2020）14-0261-07

受到自然環(huán)境下風(fēng)力以及采摘作業(yè)等外界干擾因素影響，果實(shí)目標(biāo)多處于振蕩狀態(tài)，如何選擇合適的采摘時(shí)機(jī)及采摘位置已成為影響果實(shí)采摘機(jī)器人工作效率的關(guān)鍵[1-4]。實(shí)現(xiàn)振蕩影響下果實(shí)目標(biāo)的準(zhǔn)確跟蹤并獲得其運(yùn)動(dòng)軌跡，有助于進(jìn)一步提升對(duì)果實(shí)目標(biāo)的感知效率，對(duì)于提高果實(shí)生長狀態(tài)的監(jiān)測(cè)水平、推進(jìn)采摘機(jī)器人的實(shí)用化具有重要的研究意義。

在復(fù)雜的果實(shí)生長環(huán)境下，振蕩果實(shí)目標(biāo)的識(shí)別與跟蹤是制約果實(shí)目標(biāo)準(zhǔn)確感知的關(guān)鍵影響因素之一。圖像分割的傳統(tǒng)方法主要有邊界檢測(cè)法[5]、區(qū)域法[6-8]、閾值法[9]等。另外，還有基于分類技術(shù)的圖像分割方法產(chǎn)生的分類器：訓(xùn)練支持向量機(jī)（support vector machines，簡稱SVM）[10]、神經(jīng)網(wǎng)絡(luò)（neural networks）[11]等。相對(duì)于其他目標(biāo)分割，果實(shí)分割具有背景復(fù)雜，光照不均，果實(shí)形狀、顏色、大小不一，易受枝葉遮擋等特點(diǎn)。在作物識(shí)別方面，國內(nèi)外均展開了研究并取得大量成果[12-16]。王帆等通過顏色、質(zhì)地和形狀的三維特征，實(shí)現(xiàn)了果實(shí)的分離，提取區(qū)域與果實(shí)目標(biāo)區(qū)域相比，順光下相對(duì)誤差、圓心相對(duì)誤差和半徑相對(duì)誤差的平均值為3.59%、4.76%和2.60%，逆光下分別為10.77%、16.77%和11.49%[17]。Bulanon等采用分區(qū)域提取而后合并的圖像分割方法，實(shí)現(xiàn)了綠色果實(shí)目標(biāo)的分割，分割準(zhǔn)確率為88%[18]。Lucas等提出了基于閾值分割的蘋果目標(biāo)分割方法，效果顯著[19]。Linker等的方法可獲得果園中蘋果的數(shù)量，能檢測(cè)到超過85%的蘋果[20]。He等提出了一種基于改進(jìn)LDA分類器的綠色荔枝識(shí)別方法，識(shí)別率可達(dá)80.4%[21]。

在運(yùn)動(dòng)目標(biāo)跟蹤方面，視頻目標(biāo)跟蹤即在一系列圖像中獲取準(zhǔn)確、魯棒的確定感興趣目標(biāo)的位置和運(yùn)動(dòng)軌跡[22]。通過目標(biāo)建模或有效表達(dá)和在幀圖像中的相似度匹配即可達(dá)到跟蹤目標(biāo)的目的。在目標(biāo)的有效表達(dá)和相似度匹配方面，目標(biāo)跟蹤主要有基于區(qū)域、特征、輪廓和模型的目標(biāo)跟蹤算法[23-29]。在果實(shí)的自動(dòng)識(shí)別和跟蹤領(lǐng)域，李國利等提出一種基于單目視覺與超聲檢測(cè)的振蕩果實(shí)采摘識(shí)別與定位方法，采摘成功率為86%[30]。呂繼東等通過FFT建模和單目視覺分別獲得果實(shí)的振蕩周期和深度信息，采摘成功率達(dá)到84%[31]。王輝等通過單、雙目視覺組合設(shè)計(jì)了蘋果作業(yè)機(jī)器人識(shí)別與定位系統(tǒng)[32]。Jiménez等通過Ac4000-LIR型激光測(cè)距儀對(duì)目標(biāo)進(jìn)行掃描再進(jìn)行圖像處理來檢測(cè)果實(shí)，然后獲得果實(shí)的三維位置，試驗(yàn)結(jié)果表明，定位精度為10 mm[33]。Tanigaki等通過用紅外激光和紅色激光同時(shí)掃描櫻桃，通過三角測(cè)量的方法，利用位置敏感器件（position sensitive detector，簡稱PSD）的2個(gè)電極的電流比值來獲得掃描點(diǎn)到傳感器的距離，設(shè)計(jì)了一套櫻桃采摘機(jī)器人3-D視覺系統(tǒng)[34]。

在果實(shí)軌跡跟蹤過程中，若對(duì)視頻幀中的所有內(nèi)容進(jìn)行匹配，勢(shì)必會(huì)加多冗余信息和加長處理時(shí)間。若能采用一定的預(yù)估算法預(yù)先估計(jì)目標(biāo)可能出現(xiàn)的位置，則能達(dá)到減小搜索范圍、縮短處理時(shí)間、提升采摘效率的目的。鑒于Meanshift算法[35]能優(yōu)化搜索方向的特點(diǎn)，本研究采用Meanshift目標(biāo)跟蹤方法來獲得振蕩蘋果的二維位置信息。同時(shí)，為了避免在跟蹤果實(shí)前需要人工輔助選擇目標(biāo)的缺陷，進(jìn)一步提高方法的自適應(yīng)性和實(shí)用性，本研究提出在首幀圖像中基于YCbCr顏色空間的目標(biāo)自動(dòng)分割算法，以期實(shí)現(xiàn)振蕩果實(shí)目標(biāo)的自動(dòng)識(shí)別和軌跡跟蹤。

1 材料與方法

1.1 試驗(yàn)材料

本試驗(yàn)所用果實(shí)振蕩視頻均拍攝于自然環(huán)境下處于采摘期的蘋果，拍攝時(shí)間為2017年8月22日，拍攝時(shí)為晴朗天氣，風(fēng)力為2級(jí)，拍攝地點(diǎn)為西北農(nóng)林科技大學(xué)北校區(qū)園藝學(xué)院蘋果園。拍攝相機(jī)為Canon EOS 700D單反相機(jī)，幀速率為25幀/s，共拍攝不同環(huán)境下的果實(shí)振蕩視頻26段，視頻圖像分辨率為1 920 pixel×1 088 pixel。所拍攝視頻的具體信息見表1。由于錄制視頻時(shí)處于蘋果園內(nèi)的自然環(huán)境中，分別在不同的時(shí)間段進(jìn)行錄制，果實(shí)振蕩的拍攝效果會(huì)受光照、風(fēng)力、農(nóng)事操作、外來障礙物等影響。太陽直射角不同以及可能會(huì)受到云團(tuán)的遮擋，導(dǎo)致光照過強(qiáng)或過弱和由于光照強(qiáng)度驟變而出現(xiàn)顏色不均的現(xiàn)象。風(fēng)力大小和農(nóng)事操作會(huì)導(dǎo)致出現(xiàn)葉片遮擋、果實(shí)運(yùn)動(dòng)幅度過大而脫離視野、攝像機(jī)抖動(dòng)等問題。此外，若攝像機(jī)在果實(shí)振蕩時(shí)無法對(duì)果實(shí)進(jìn)行聚焦，則會(huì)出現(xiàn)目標(biāo)果實(shí)模糊的問題。上述情況都可能會(huì)對(duì)目標(biāo)果實(shí)的跟蹤產(chǎn)生干擾。

本研究所有程序均在MATLAB環(huán)境下運(yùn)行，編程硬件為華碩W519L筆記本電腦，內(nèi)存4 GB，主頻3.0 GHz。

1.2 方法

1.2.1 待跟蹤區(qū)域的自動(dòng)識(shí)別方法

要實(shí)現(xiàn)振蕩目標(biāo)果實(shí)軌跡跟蹤，需要首先確定待跟蹤目標(biāo)，現(xiàn)有研究多使用人工輔助標(biāo)記的方式進(jìn)行首幀待選目標(biāo)的處理，雖然算法跟蹤效率高，但由于需要人工干預(yù)，算法的自適應(yīng)能力不強(qiáng)。由于處于采摘期的蘋果與背景的差異較大，在特定顏色空間下即可分割出果實(shí)。圖像的R、G、B顏色分量相關(guān)性較高，受光照影響較大，不利于果實(shí)分割。為減小光照對(duì)果實(shí)分割的影響，本研究選擇受光照影響較小的顏色分量分割果實(shí)。HSI或HSV顏色空間的H分量與光照無關(guān)，但從RGB顏色空間轉(zhuǎn)換到HSV或HSI顏色空間計(jì)算復(fù)雜，而且分割噪聲較多。在YCbCr顏色空間中，亮度分量與顏色分量相互垂直，在光照差異較大的情況下，Cb和Cr分量仍能保持較小的變化，且從RGB顏色空間到Y(jié)CbCr顏色空間的轉(zhuǎn)換較簡單，所以選擇YCbCr顏色空間[36]。YCbCr顏色空間廣泛地應(yīng)用于視頻圖像中，亮度信息用分量Y來表示，Cb和Cr則為藍(lán)色和紅色的濃度偏移量成分。其中，YCbCr顏色空間與RGB空間的數(shù)學(xué)關(guān)系如公式（1）所示：

各顏色分量下的果實(shí)圖像見圖1，其中，圖1-a為視頻分解后的首幀圖像，圖1-b為Y分量下的目標(biāo)圖像，圖1-c為Cb分量下的目標(biāo)圖像，圖1-d為Cr分量下的目標(biāo)圖像，可見在Cr顏色分量下果實(shí)最明顯，所以本研究選擇利用Cr顏色分量蘋果目標(biāo)。在Cr顏色空間下對(duì)圖像進(jìn)行Otsu自適應(yīng)二值化處理，經(jīng)形態(tài)學(xué)處理去除小噪聲，最后選出面積最大的的區(qū)域作為目標(biāo)區(qū)域，從圖2可以看出，在YCbCr顏色空間下可以較好地實(shí)現(xiàn)果實(shí)目標(biāo)的準(zhǔn)確分割，為后續(xù)果實(shí)目標(biāo)的識(shí)別與準(zhǔn)確跟蹤奠定了基礎(chǔ)。

1.2.2 Meanshift算法原理

Meanshift是指一個(gè)偏移的均值向量[37]，是一種基于核概率密度估計(jì)的快速模式匹配算法。在目標(biāo)跟蹤中，通過目標(biāo)檢測(cè)或者手動(dòng)的方式確定目標(biāo)，用核函數(shù)直方圖來描述目標(biāo)，然后用相同的方法計(jì)算核函數(shù)加權(quán)下當(dāng)前幀對(duì)應(yīng)候選模型窗口的直方圖分布，對(duì)目標(biāo)模型和候選模型進(jìn)行相似度度量，并沿著相似度的梯度方向迭代搜索目標(biāo)位置，直到滿足一定條件時(shí)停止迭代，位置迭代的過程就是不斷尋找概率密度局部最大值的過程。其跟蹤過程如下[38]：

1.2.2.1 建立目標(biāo)模型

1.2.2.2 建立候選模型

1.2.2.3 相似性函數(shù)

目標(biāo)跟蹤的問題變成尋找一個(gè)新的位置y使q[DD（-1][HT6]^[DD）]u和p[DD（-1][HT6]^[DD）]u（y）最相似。用Bhattacharyya系數(shù)作為相似性度量函數(shù)。系數(shù)定義如公式（4）所示：

1.2.2.4 定位目標(biāo)

2 結(jié)果與分析

2.1 基于Meanshift算法的果實(shí)目標(biāo)跟蹤

跟蹤區(qū)域自動(dòng)分割后，進(jìn)行Meanshift迭代，方框向果實(shí)重心所在位置移動(dòng)，最后移動(dòng)到果實(shí)所在位置。在下一幀圖像中用上一幀圖像的最終迭代位置作為初始迭代位置。圖3為一段成功實(shí)現(xiàn)果實(shí)軌跡跟蹤的4幀抽樣系列。矩形框所包含果實(shí)是對(duì)圖2檢測(cè)目標(biāo)的跟蹤結(jié)果。從圖3可以看出，首幀圖像中基于YCbCr顏色空間分割后，基于Meanshift的目標(biāo)跟蹤方法能有效跟蹤振蕩果實(shí)。

2.2 振蕩果實(shí)運(yùn)動(dòng)軌跡的獲取

在軌跡跟蹤過程中，每一幀圖像迭代結(jié)束后，可獲得包含果實(shí)的矩形框中心所在位置。根據(jù)每一幀圖像中矩形框中心所在位置，可獲得果實(shí)位置相對(duì)初始果實(shí)的距離。其計(jì)算如公式（6）所示：

由于幀頻為29.86幀/s，所以dt=1/30。由公式（6）至公式（8）獲得的振蕩果實(shí)運(yùn)動(dòng)曲線、速度曲線、加速度曲線分別見圖4至圖6。圖4中曲線表示視頻的每一幀中，包含目標(biāo)振蕩果實(shí)的矩形框中心相對(duì)首幀圖像矩形框中心的距離。從圖3可以看出，矩形框中心位置可近似表示蘋果中心所在的位置。

圖5為根據(jù)圖4和公式（7）所獲得的速度曲線。x軸、y軸分別表示幀數(shù)和速度。其中紅色虛線代表水平方向速度，而藍(lán)色曲線代表垂直方向速度。同理，根據(jù)圖5和公式（8）可獲得圖6所表示的果實(shí)加速度曲線，x軸、y軸分別表示幀數(shù)和加速度。其中紅色虛線代表水平方向加速度，而藍(lán)色曲線代表垂直方向加速度。圖4至圖6的結(jié)果說明，基于Meanshift的果實(shí)軌跡跟蹤方法具有較好的魯棒性。

2.3 試驗(yàn)結(jié)果分析

本試驗(yàn)材料為自然光照條件下處于采摘期的蘋果。振蕩果實(shí)的速度大小為0的幾個(gè)時(shí)刻中，加速度變化最緩慢時(shí)刻的圖像幀即可作為果實(shí)最佳采摘幀的候選，也可為果實(shí)表型監(jiān)測(cè)幀的篩選提供借鑒。根據(jù)振蕩果實(shí)的速度、加速度曲線，即可得到最佳的待采摘幀或果實(shí)表型監(jiān)測(cè)幀?？梢姡O果采摘機(jī)器人在實(shí)際的采摘過程中，若能成功地實(shí)現(xiàn)振蕩果實(shí)的軌跡跟蹤，就能根據(jù)果實(shí)振蕩的先驗(yàn)知識(shí)，及時(shí)判斷出果實(shí)振蕩的類型，然后估計(jì)出最佳的采摘時(shí)間和采摘位置。果實(shí)目標(biāo)的跟蹤結(jié)果也可為果實(shí)表型信息的自動(dòng)監(jiān)測(cè)奠定基礎(chǔ)。

不同的參數(shù)條件下，部分振蕩果實(shí)的目標(biāo)跟蹤效果見表2。為測(cè)試不同情況下的果實(shí)軌跡跟蹤的效果，按照光照強(qiáng)度的不同、果實(shí)是否脫離視野、視頻長度、振蕩頻率4個(gè)指標(biāo)選取蘋果振蕩視頻片段來進(jìn)行測(cè)試。

本試驗(yàn)共選取7段蘋果振蕩視頻片段進(jìn)行了試驗(yàn)，其中有4段視頻能成功實(shí)現(xiàn)果實(shí)軌跡的跟蹤。試驗(yàn)結(jié)果表明，視頻長度及振蕩頻率的變化不會(huì)影響振蕩果實(shí)軌跡的跟蹤，而光照強(qiáng)度會(huì)影響果實(shí)目標(biāo)的識(shí)別，果實(shí)脫離視野會(huì)造成果實(shí)目標(biāo)無法繼續(xù)跟蹤。在光照強(qiáng)度弱且果實(shí)不脫離視野時(shí)跟蹤率能達(dá)到100%，能很好地跟蹤果實(shí)目標(biāo)。光照強(qiáng)度的瞬間變化會(huì)導(dǎo)致目標(biāo)顏色、紋理等信息的丟失，在此情況下難以實(shí)現(xiàn)果實(shí)目標(biāo)的跟蹤。若光照強(qiáng)度弱但果實(shí)脫離視野時(shí)則跟蹤率為24.59%，跟蹤效果略差。因此，光照強(qiáng)度和果實(shí)目標(biāo)是否脫離視野是影響果實(shí)跟蹤的重要因素。沒有實(shí)現(xiàn)振蕩果實(shí)軌跡跟蹤的例子見圖7，其中圖7-a為沒能正確識(shí)別目標(biāo)的情況，圖7-b為沒能正確跟蹤目標(biāo)的情況。

3 結(jié)論

為了實(shí)現(xiàn)自然生長環(huán)境下的果實(shí)目標(biāo)跟蹤，本研究在YCbCr顏色空間下，實(shí)現(xiàn)了首幀待監(jiān)測(cè)目標(biāo)的自動(dòng)選擇，并利用Meanshift算法對(duì)不同振蕩頻率下的果實(shí)目標(biāo)進(jìn)行了跟蹤測(cè)試，試驗(yàn)結(jié)果表明，該方法可以得到較好的跟蹤結(jié)果，主要結(jié)論如下：（1）結(jié)合首幀目標(biāo)自動(dòng)檢測(cè)與Meanshift跟蹤技術(shù)，可以較好地實(shí)現(xiàn)振蕩影響的果實(shí)目標(biāo)跟蹤，果實(shí)目標(biāo)的自動(dòng)跟蹤可為果實(shí)的自動(dòng)采摘、果實(shí)表型的自動(dòng)監(jiān)測(cè)奠定基礎(chǔ)。（2）在弱光條件下Meanshift算法基本可以跟蹤到果實(shí)目標(biāo)，但是在強(qiáng)光條件下Meanshift算法對(duì)果實(shí)目標(biāo)的跟蹤效果不理想，尚需進(jìn)一步改進(jìn)。

參考文獻(xiàn)：

[1]Zhang L B，Yang Q H，Bao G J，et al. Overview of research on agricultural robots in China[J]. International Journal of Agricultural and Biological Engineering，2008，1（1）：12-21.

[2]Kondo N，Ting K C. Robotics for bioproduction systems[M]. New York：ASAE Publication，1998：231-251.

[3]Baeten J，Donné K，Boedrij S，et al. Autonomous fruit picking machine：a robotic apple harvester[C]//Field and service robotics.Berlin，Heildelberg：Springer，2008：531-539.

[4]Zhao D A，Lv J D，Ji W，et al. Design and control of an apple harvesting robot[J]. Biosystems Engineering，2011，110（2）：112-122.

[5]Larry S D. A survey of edge detection techniques[J]. Computer Graphics and Image Processing，1975，4（3）：248-270.

[6]Adams R，Bischof L. Seeded region growing[J]. IEEE Trans on Pattern Analysis and Machine Intelligence，1994，16（6）：641-647.

[7]Meyer F. Skeletons and watershed lines in digital spaces[C]//Proceedings of SPIE.Society of Photo-optical Instrumentation Engineers，1990：85-102.

[8]Otsu N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems，Man，and Cybernetics，1979，9（1）：62-66.

[9]Vapnik V N，Vapnik V. Statistical learning theory[M]. New York：Wiley，1998.

[10]田有文，李天來，李成華，等. 基于支持向量機(jī)的葡萄病害圖像識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2007，23（6）：175-180.

[11]Atsumi M . Saliency-based scene recognition based on growing competitive neural network[C]//Systems，man and cybernetics IEEE Xplore，2003.

[12]Mcdonald T，Chen Y R. Application of morphological image processing in agriculture[J]. Transactions of the ASAE，1990，33（4）：1346-1352.

[13]Franz E，Gebhardt M R，Unklesbay K B. Shape description of completely visible and partially occluded leaves for identifying plants in digital images[J]. Transactions of the ASAE，1991，34（2）：673-681.

[14]Nandi C S，Tudu B，Koley C. A machine vision technique for grading of harvested mangoes based on maturity and quality[J]. IEEE Sensors Journal，2016，16（16）：6387-6396.

[15]Humphries S，Simonton W. Identification of plant parts using color and geometric image data[J]. Transactions of the ASAE，1993，36（5）：1493-1500.

[16]Rakun J，Stajnko D，Zazula D. Detecting fruits in natural scenes by using spatial-frequency based texture analysis and multiview geometry[J]. Computers and Electronics in Agriculture，2011，76（1）：80-88.

[17]王 帆，呂繼東，申根榮，等. 基于CLAHE和開閉運(yùn)算的綠色蘋果圖像分割[J]. 計(jì)算機(jī)測(cè)量與控制，2017，25（2）：141-145.

[18]Bulanon D M，Kataoka T，Ota Y，et al. AE-automation and emerging technologies：a segmentation algorithm for the automatic recognition of Fuji apples at harvest[J]. Biosystems Engineering，2002，83（4）：405-412.

[19]Lucas B D，Kanade T. An iterative image registration technique with an application to stereo vision[C]//Proc. of international joint conference on artificial intelligence. San Francisco：Morgan Kaufmann Publishers Inc，1981：285-289.

[20]Linker R，Cohen O，Naor A. Determination of the number of green apples in RGB images recorded in orchards[J]. Computers and Electronics in Agriculture，2012，81：45-57.

[21]He Z L，Xiong J T，Rui L，et al. A method of green litchi recognition in natural environment based on improved LDA classifier[J]. Computers and Electronics in Agriculture，2017，140：159-167.

[22]Yilmaz A，Javed O，Shah M. Object tracking：a survey[J]. ACM Computing Surveys，2006，38（4）：1-45.

[23]Jepson A D，F(xiàn)leet D J，El-Maraghi T F. Robust online appearance models for visual tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2003，25（10）：1296-1311.

[24]Lowe D G. Distinctive image features from scale-invariant key points[J]. International Journal of Computer Vision，2004，60（2）：91-110.

[25]Zhu G P，Zeng Q S，Wang C H. Efficient edge-based object tracking[J]. Pattern Recognition，2006，39（11）：2223-2226.

[26]Kass M，Witkin A，Terzopoulos D. Snakes：active contour models[J]. International Journal of Computer Vision，1988，1（4）：321-331.

[27]Paragios N，Deriche R. Geodesic active contours and level sets for the detection and tracking of moving objects[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22（3）：266-280.

[28]Kwon J，Lee K M. Visual tracking decomposition[C]//IEEE computer society conference on computer vision and pattern recognition.San Francisco：Institude of Electrical and Electronics Engineers，2010：1269-1276.

[29]吳俊杭，曾窕俊，馬本學(xué)，等. 基于歷史幀路徑搜索的紅棗動(dòng)態(tài)圖像采集[J]. 江蘇農(nóng)業(yè)科學(xué)，2019，47（10）：219-223.

[30]李國利，姬長英，顧寶興. 基于單目視覺與超聲波檢測(cè)的振蕩果實(shí)采摘識(shí)別與定位[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（11）：1-8.

[31]呂繼東，趙德安，姬 偉，等. 蘋果采摘機(jī)器人對(duì)振蕩果實(shí)的快速定位采摘方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（13）：48-53，293.

[32]王 輝，毛文華，劉 剛，等. 基于視覺組合的蘋果作業(yè)機(jī)器人識(shí)別與定位[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012，43（12）：165-170.

[33]Jiménez A R，Ceres R，Pons J L. A vision system based on a laser range-finder applied to robotic fruit harvesting[J]. Machine Vision and Applications，2000，11（6）：321-329.

[34]Tanigaki K，F(xiàn)ujiura T，Akira A，et al. Cherry-harvesting robot[J]. Computers and Electronics in Agriculture，2008，63（1）：65-72.

[35]Hsia C，Liou Y，Chiang J. Directional prediction CamShift algorithm based on adaptive search pattern for moving object tracking[J]. Journal of Real - Time Image Processing，2016，12（1）：183-195.

[36]Shaik K B，Ganesan P，Kalist V，et al. Comparative study of skin color detection and segmentation in HSV and YCbCr color space[J]. Procedia Computer Science，2015，57：41-48.

[37]Fukunaga K，Hostetler L. The estimation of the gradient of a density function，with applications in pattern recognition[J]. IEEE Transactions on Information Theory，1975，21（1）：32-40.

[38]Bao H Y，De X Z，Kui F，et al. Video tracking of human with occlusion based on MeanShift and Kalman filter[J]. Applied Mechanics and Materials，2013，380-384：3672-3677.

收稿日期：2019-11-07

基金項(xiàng)目：國家重點(diǎn)研發(fā)計(jì)劃（編號(hào)：2019YFD100072）;國家高技術(shù)研究發(fā)展計(jì)劃（863計(jì)劃）（編號(hào)：2013AA10230402）;陜西省農(nóng)業(yè)科技創(chuàng)新與攻關(guān)項(xiàng)目（編號(hào)：2016NY-157）;中央高?；究蒲袠I(yè)務(wù)費(fèi)項(xiàng)目（編號(hào)：2452016077）。

作者簡介：楊奕銘（1999—），男，廣東惠州人，主要從事數(shù)字圖像處理研究。E-mail：y352184741@163.com。

通信作者：宋懷波，博士，副教授，博士生導(dǎo)師，主要從事數(shù)字圖像處理研究。E-mail：songyangfeifei@163.com。