基于機(jī)器視覺邊緣檢測(cè)的園林噴藥機(jī)器人導(dǎo)航線提取*

陳繼清，王志奎，強(qiáng)虎，吳家華，趙超陽，譚成志

(廣西大學(xué)機(jī)械工程學(xué)院，廣西制造系統(tǒng)與先進(jìn)制造技術(shù)重點(diǎn)實(shí)驗(yàn)室，南寧市，530007)

0 引言

隨著社會(huì)的發(fā)展和城市的建設(shè)，人們對(duì)城市綠化的要求越來越高，城市園林綠化建設(shè)已成為城市環(huán)境建設(shè)的重要組成部分[1-2]。但是在園林植株的維護(hù)上，要付出高昂的成本。

傳統(tǒng)上主要采取人工的方式維護(hù)園林，這種方式存在效率低下，成本高的缺點(diǎn)，甚至很難達(dá)到預(yù)期效果。在農(nóng)業(yè)已經(jīng)廣泛將小型移動(dòng)機(jī)器人應(yīng)用到實(shí)際工作中，包括果蔬采摘機(jī)器人、除草機(jī)器人、施肥機(jī)器人、噴藥機(jī)器人等，這些機(jī)器人結(jié)構(gòu)緊湊，靈活方便極大提高工作效率[3]。類似的也可以將這些機(jī)器人應(yīng)用在園林的維護(hù)上，例如對(duì)園林科學(xué)防治上，往往都要求噴灑藥物均勻且在規(guī)定的時(shí)間內(nèi)完成，人工就很難滿足要求。郭亭亭等[4]開發(fā)了一套基于機(jī)器視覺的噴藥機(jī)器人，用于溫室內(nèi)雜草的防治。丁天航等[5]研究了風(fēng)送式果園噴霧機(jī)發(fā)展現(xiàn)狀及趨勢(shì)，指出風(fēng)送式果園噴霧技術(shù)不僅能有效提高農(nóng)藥利用率，還能降低對(duì)環(huán)境的污染。機(jī)械化噴霧是提高噴霧作業(yè)效率和噴霧質(zhì)量的重要手段，也是現(xiàn)代規(guī)模化水果產(chǎn)業(yè)發(fā)展的必然趨勢(shì)[6]。隨著機(jī)器視覺技術(shù)的發(fā)展，將機(jī)器視覺技術(shù)應(yīng)用在移動(dòng)機(jī)器人提高機(jī)器的智能化程度。馬志艷等[7]對(duì)基于視覺除草關(guān)鍵技術(shù)做了研究。韓正笑等[8]利用圖像處理技術(shù)成功計(jì)算出稻田雜草蓋度。段宇飛等[9]基于機(jī)器視覺完成了油茶果殼與果籽的分選。徐雪峰等[10]開發(fā)了一套基于機(jī)器視覺的智能采摘平臺(tái)，實(shí)現(xiàn)對(duì)目標(biāo)的采摘，準(zhǔn)確率達(dá)到94.67%。將機(jī)器視覺應(yīng)用于自動(dòng)化的噴藥移動(dòng)機(jī)器人是目前自動(dòng)化導(dǎo)航的發(fā)展方向，而導(dǎo)航線的提取是視覺導(dǎo)航機(jī)器人的關(guān)鍵技術(shù)。

劉陽等[11]在獲取道路兩側(cè)樹干后，先進(jìn)行邊緣提取，并以其內(nèi)側(cè)角點(diǎn)作為特征點(diǎn)，擬合左右邊界線，然后求其中線作為導(dǎo)航基準(zhǔn)線，實(shí)現(xiàn)果樹林間移動(dòng)機(jī)器人的導(dǎo)航線提取。侯雨等[12]利用改進(jìn)的Canny邊緣檢測(cè)算法實(shí)現(xiàn)對(duì)大豆雜草的識(shí)別。徐黎明等[13]利用SUSAN算子不需要梯度計(jì)算的特點(diǎn)，自適應(yīng)選取閥值進(jìn)行邊緣檢測(cè)，實(shí)現(xiàn)楊梅果實(shí)的邊緣提取。刁智華等在2015年提出一種通過提取作物行骨架，擬合作物行直線的導(dǎo)航線提取算法。張西亞等[14]利用粒子群算法優(yōu)化Ostu算法二值化圖像，然后用位置聚類算法提取導(dǎo)航點(diǎn)，最后用最小二乘法擬合導(dǎo)航線。李西鋒等[15]采用最小二乘法擬合直線，解決了AGV小車的視覺引導(dǎo)。Keun HaChoi等[16]，基于莊稼的幾何形態(tài)計(jì)算導(dǎo)航點(diǎn)，然后采用加權(quán)最小二乘法擬合出導(dǎo)航線。將Hough變換技術(shù)應(yīng)用于公路車道線提取、農(nóng)田作物行提取也得到了廣泛的研究[17]。袁挺等[18]利用改進(jìn)的Hough變換擬合導(dǎo)航路徑，導(dǎo)航線平均識(shí)別率93.9%。趙穎等[19]利用過已知點(diǎn)的Hough變換實(shí)現(xiàn)犁溝線的識(shí)別。胡波等[20]在連通區(qū)域中提取出圖像特征點(diǎn)，實(shí)現(xiàn)導(dǎo)航線的提取。姜漢榮等[21]在HIS空間中實(shí)現(xiàn)對(duì)AGV道路標(biāo)線中心線提取。

上述方法對(duì)于導(dǎo)航線的提取都取得了一定的效果，但是局限性也比較大，難以在園林環(huán)境復(fù)雜的道路上取得良好效果。最小二乘法擬合導(dǎo)航點(diǎn)極易受到干擾點(diǎn)影響，而Hough變換存在計(jì)算量大，耗時(shí)等缺點(diǎn)。本文采取“化曲為直”的思想，截取相機(jī)拍攝圖像的部分區(qū)域作為感興趣區(qū)域，這樣不僅解決園林道路彎曲的問題，而且也減少圖像的計(jì)算量。利用道路和綠植的顏色差異，提出適合園林的灰度化因子二值化圖像。根據(jù)噪聲和道路在幾何上的差異，來提取道路邊界點(diǎn)擬合出道路邊界線。計(jì)算梯形道路的中軸線作為導(dǎo)航線，為園林移動(dòng)機(jī)器人提供導(dǎo)航路徑。

1 試驗(yàn)平臺(tái)的搭建及工作流程

本文主要研究園林移動(dòng)機(jī)器人的導(dǎo)航，所以暫時(shí)不考慮噴灑模塊。試驗(yàn)平臺(tái)如圖1，主要包括履帶車底座、主控計(jì)算機(jī)、攝像模塊、電機(jī)運(yùn)動(dòng)控制模塊；實(shí)驗(yàn)數(shù)據(jù)主要在平臺(tái)MATLAB上處理；攝像機(jī)選用大恒圖像的工業(yè)相機(jī)MER-132-43U3C-L，采用USB3.0傳送數(shù)據(jù)；上位機(jī)采用PC電腦，主要負(fù)責(zé)處理攝像機(jī)傳來的圖像以及和下位機(jī)進(jìn)行通信；下位機(jī)采用STM32F103型號(hào)的單片機(jī)，使用串口和上位機(jī)通信，主要負(fù)責(zé)履帶車的運(yùn)動(dòng)控制。圖像處理軟件在VisualStudio平臺(tái)下開發(fā)，通過Arm-linux-gcc完成程序的交叉編譯，然后移植至主控計(jì)算機(jī)。

圖1 試驗(yàn)平臺(tái)

攝像機(jī)采集到圖像序列后發(fā)送給主控計(jì)算機(jī)，主控計(jì)算機(jī)利用本文算法對(duì)道路圖像進(jìn)行分析處理提取出導(dǎo)航線，然后通過UART串口傳輸導(dǎo)航參數(shù)至小車運(yùn)動(dòng)控制模塊，最后驅(qū)動(dòng)履帶車沿著導(dǎo)航線運(yùn)動(dòng)，實(shí)現(xiàn)小車的自主導(dǎo)航。硬件平臺(tái)整體框架如圖2所示。

圖2 硬件平臺(tái)總體框架圖

2 材料和方法

2.1 圖像采集

本文主要以園林結(jié)構(gòu)化道路為研究對(duì)象，在廣西大學(xué)園林采集常見的道路圖像一共786幅，本文采集的道路圖像主要考慮道路周圍環(huán)境復(fù)雜，道路被人為干擾以及道路邊界被雜草干擾三種情況，其中復(fù)雜環(huán)境路況下采集235幅圖像，人為干擾路況下采集350幅圖像，雜草干擾路況下采集201幅圖像。其中70%幅圖像作為訓(xùn)練集，剩下30%幅圖像作為測(cè)試集驗(yàn)證本文算法性能。采用大恒的工業(yè)相機(jī)MER-132-43U3C-L采集圖像，攝像頭支架固定在履帶車正中間，攝像機(jī)距地面垂直高度為1.5 m，圖3(a)是相機(jī)圖片，采集的道路圖像如圖3(b)所示。

(a)攝像機(jī)

2.2 圖像截取

園林中多為人工修建的小路，道路兩旁規(guī)則，大都呈現(xiàn)直線型邊緣，但是也有道路復(fù)雜的彎曲小路，因此本文采用化曲為直的思想，只截取拍攝圖像的部分區(qū)域作為研究對(duì)象。經(jīng)350組試驗(yàn)驗(yàn)證，截取拍攝圖像的最后200像素行作為感興趣區(qū)域取得的效果最好，不僅解決園林道路存在弧度的問題，而且簡(jiǎn)化圖像處理的計(jì)算量、減少干擾，從而保證導(dǎo)航路徑的精度和實(shí)時(shí)性，截取圖像如圖4(a)所示。

(a)截取道路圖

2.3 圖像預(yù)處理

2.3.1圖像灰度化

相機(jī)拍攝的圖像以RGB格式保存，其他顏色空間需要從RGB顏色空間轉(zhuǎn)換得到，為了減少圖像預(yù)處理的時(shí)間，本文在圖像的RGB顏色空間進(jìn)行分析。從拍攝的圖像可以看出，園林中植物種類較多，不僅有綠色植被，還有紅色以及黃色雜草等植物，道路環(huán)境的復(fù)雜性給圖像預(yù)處理增添了難度，因此需要選取合適的灰度化因子來減少環(huán)境中的干擾。在圖像中，可以明顯看出道路環(huán)境雖然復(fù)雜，但是道路的顏色和綠植有著明顯的差異，因此本文提取一種針對(duì)道路的灰度化因子，使道路與背景良好分割。

分析圖4中R，G，B三個(gè)通道的圖像可知，B分量中，路面和背景的差異較大，對(duì)比明顯。經(jīng)過200組灰度試驗(yàn)，提出式(1)灰度化因子，灰度化效果如圖4(f)所示。圖4(e)是采用超綠灰度化因子得到的，可以看出超綠灰度化因子能很好區(qū)分綠色植物和道路，但是對(duì)于圖中的紅色植物誤將分割為道路，不能適用于園林中復(fù)雜的環(huán)境。通過對(duì)比可以看出，本文提出的灰度化因子得到較好效果。

(1)

2.3.2 圖像二值化及形態(tài)學(xué)處理

二值化圖像是數(shù)字圖像處理的重要步驟，常用的全局圖像二值化算法有雙峰法、迭代法、Ostu法等。楊振宇等[22]利用Ostu方法成功將黃瓜從背景中分離出來。本文采用最大類間方差法(Ostu)進(jìn)行二值化圖像。Ostu法是一種自適應(yīng)閾值分割算法，針對(duì)園林復(fù)雜的環(huán)境，可以很好的將道路和背景區(qū)分，得到比較滿意的二值化效果。

得到的二值化圖像，常常會(huì)伴隨著噪聲和空洞的一些干擾，因此需要對(duì)圖像進(jìn)行形態(tài)學(xué)的處理，消除干擾。為了減弱這些孔洞對(duì)導(dǎo)航線提取的影響，本文使用數(shù)學(xué)上的閉運(yùn)算來填補(bǔ)孔洞，如式(2)所示。

A·g=(A⊕g)Θg

(2)

1)首先使用結(jié)構(gòu)元素g對(duì)圖像A膨脹，如式(3)。

(A⊕g)={x|(g+x)∩x≠}

(3)

2)然后使用結(jié)構(gòu)元素g對(duì)膨脹過的圖像進(jìn)行腐蝕，如式(4)所示。

BΘg={x|(g+x)?A}

(4)

其次，繼續(xù)對(duì)圖像進(jìn)行中值濾波處理，使圖像變得平滑，低噪。

2.4 導(dǎo)航線提取

2.4.1 邊緣檢測(cè)

基于相機(jī)的成像原理，拍攝的道路圖像近似于梯形。因此，要將道路的兩側(cè)邊緣檢測(cè)出來，進(jìn)而分割出實(shí)際中的道路圖像。由于圖像中，邊緣方向的像素值不會(huì)發(fā)生改變，而垂直于邊緣的像素值發(fā)生變化，因此傳統(tǒng)圖像邊緣檢測(cè)都是采用微分算子，例如Roberts算子，Sobel算子，Prewitt算子，Canny算子。但微分算子會(huì)進(jìn)行求導(dǎo)運(yùn)算，這加大對(duì)計(jì)算機(jī)的要求，降低處理效率。馬志艷等[23]就利用Canny算子對(duì)二值圖像進(jìn)行邊緣檢測(cè)，提取玉米的輪廓，但單張圖像處理時(shí)間達(dá)到721 ms，實(shí)時(shí)性得不到保證。

本文利用噪聲和道路在幾何形狀上的差異來檢測(cè)道路邊緣。噪聲在橫向上的寬度值遠(yuǎn)遠(yuǎn)小于道路的寬度值，設(shè)置合適的閾值T，即可判別出道路和噪聲。二值圖像對(duì)應(yīng)的矩陣Vij代表每個(gè)像素值，其中圖像中白色像素對(duì)應(yīng)1，黑色為0，M代表圖像矩陣的行數(shù)，N代表圖像矩陣的列數(shù)，檢測(cè)算法主要分三個(gè)部分。

1)逐行掃描，對(duì)連續(xù)白色像素值進(jìn)行累加，求出白色區(qū)域的橫向?qū)挾萐，公式如式(5)。

(5)

2)連續(xù)白色區(qū)域累加值(幾何上表示白色區(qū)域?qū)挾萐)與設(shè)定閾值T進(jìn)行比較，S>T判定白色區(qū)域?yàn)榈缆罚粗疄樵肼暋?/p>

3)當(dāng)滿足S>T，停止掃描，將記錄當(dāng)前掃描的行i以及列j，根據(jù)式(6)計(jì)算出邊界點(diǎn)列坐標(biāo)，并將邊界的坐標(biāo)(i，St)加入到邊界集合C中。

St=j-S

(6)

以檢測(cè)左邊界為例，具體流程圖如圖5所示。

圖5 邊界檢測(cè)流程圖

2.4.2 感興趣區(qū)域截取

檢測(cè)出道路的邊界線以后，要進(jìn)行道路的分割。實(shí)際園林中的道路，都是人工修建的矩形，道路兩側(cè)呈直線，但相機(jī)拍攝出的道路圖像形狀為梯形。準(zhǔn)確確定梯形的四個(gè)頂點(diǎn)，即可提取出道路。

考慮到實(shí)際圖像中噪聲的干擾，為了能包含至少兩行道路的邊界信息，本文取圖像前五行道路邊界點(diǎn)的均值作為梯形上底的兩個(gè)頂點(diǎn)，取圖像的后五行邊界點(diǎn)的均值作為梯形下低的頂點(diǎn)。計(jì)算公式如式(7)所示。

(7)

式中：Sl1，Sr1，Sl2，Sr2——四個(gè)頂點(diǎn)列坐標(biāo)；

Li——左邊界列坐標(biāo)；

Ri——右邊界列坐標(biāo)。

得到梯形道路四個(gè)頂點(diǎn)坐標(biāo)分別為(1，Sl1)、(1，Sr1)、(M，Sl2)、(M，Sr2)，由式(8)、式(9)得到左右邊界方程。

(8)

(9)

2.4.3 提取導(dǎo)航線

傳統(tǒng)上采用最小二乘法或者Hough變換來提取導(dǎo)航線。其中最小二乘法受干擾點(diǎn)的影響比較大，而Hough變換的計(jì)算量大，不能滿足實(shí)時(shí)性的要求。本文在2.4.2計(jì)算出梯形道路四個(gè)頂點(diǎn)基礎(chǔ)上，提取導(dǎo)航線。

梯形道路的中軸線即為自動(dòng)化車輛的導(dǎo)航線，由梯形的幾何性質(zhì)可知，梯形的上底和下低中點(diǎn)連線，即為所要提取的導(dǎo)航線。

根據(jù)式(10)、式(11)計(jì)算出梯形上底和下低中點(diǎn)(1，Z1)、(M，Z2)，根據(jù)直線的一般式(12)，將上底和下低中點(diǎn)代入，得到導(dǎo)航線(13)。

(10)

(11)

Ax+By+C=0

(12)

其中：A=x1-x2;B=y1-y2;C=x2y1-x1y2

(M-1)x+(Z2-Z1)y+(M×Z1-Z2)=0

(13)

3 試驗(yàn)與分析

3.1 算法流程

試驗(yàn)在廣西大學(xué)公園進(jìn)行，拍攝圖像大小為640像素×480像素；為了驗(yàn)證本文算法的有效性，選取干擾較大，綠色植物豐富的圖像作為研究對(duì)象，拍攝圖像如圖3(b)所示，圖4(a)是截取的目標(biāo)區(qū)域作為提取對(duì)象。圖4(b)、圖4(c)、圖4(d)是目標(biāo)區(qū)域的RGB分量圖，圖4(f)是采取本文灰度化因子得到的灰度圖像。實(shí)驗(yàn)流程和結(jié)果如圖6所示，其中圖6(a)是采用Ostu方法得到的二值圖像，由圖可知存在大量噪聲干擾，采用形態(tài)學(xué)處理以及中值濾波，可消除大部分噪聲，再經(jīng)過孔洞填充后得到圖6(b)所示的圖像。利用本文邊界檢測(cè)算法得到道路的邊界，如圖6(c)，圖中三角符號(hào)是檢測(cè)出的邊界線，從圖中得到，檢測(cè)結(jié)果受噪聲干擾小。根據(jù)本文的邊界檢測(cè)算法檢測(cè)出道路邊界后，分別取出左右邊界線前5行和后5行，邊界坐標(biāo)并根據(jù)式(7)計(jì)算均值后，得到梯形道路的四個(gè)邊界頂點(diǎn)坐標(biāo)，如表1所示，其中均值A(chǔ)表示梯形左上角頂點(diǎn)坐標(biāo)，均值B是左下角頂點(diǎn)坐標(biāo)，均值C和D分別表示梯形右上角和右下角頂點(diǎn)坐標(biāo)。

(a)二值化

表1 道路頂點(diǎn)坐標(biāo)

計(jì)算出道路梯形的四個(gè)頂點(diǎn)后，擬合出道路邊界，如圖6(d)，并將道路區(qū)域分割出來，如圖6(e)。對(duì)截取的道路區(qū)域計(jì)算出梯形道路上邊和下邊的中點(diǎn)坐標(biāo)，得到中軸線，提取出導(dǎo)航線，結(jié)果為圖6(f)所示。最后提取效果如圖6(g)～圖6(h)所示，虛線代表擬合出的道路邊界線，實(shí)線是提取的導(dǎo)航線，從圖中可以得到，提取的導(dǎo)航線分布在道路中間。

3.2 算法對(duì)比

為了驗(yàn)證本文算法，隨機(jī)選取了不同的園林道路進(jìn)行實(shí)驗(yàn)驗(yàn)證，圖7顯示了常見的路面干擾路況。圖7(b)是道路周圍環(huán)境復(fù)雜的路況，圖7(d)是在人為干擾下的路況，圖7(f)是道路邊界有雜草干擾下的路況，圖7(a)、圖7(c)、圖7(e)分別是對(duì)應(yīng)二值化圖像，分別在這些路況應(yīng)用本文算法和最小二乘法提取導(dǎo)航線。提取的邊界線和導(dǎo)航線如圖7所示，其中實(shí)線是最小二乘法擬合出的直線，虛線是本文算法擬合出的直線。

(a)復(fù)雜環(huán)境下路況

根據(jù)式(7)算出道路頂點(diǎn)后，根據(jù)式(8)擬合出道路兩側(cè)邊界線，然后算出道路上底和下低的中點(diǎn)坐標(biāo)，如表2所示，表2中的實(shí)際中點(diǎn)坐標(biāo)，是由人工在實(shí)際道路中測(cè)量得到，根據(jù)式(12)算出中軸線方程，用k，b表示，如表3。為了驗(yàn)證本文算法的精度，分別計(jì)算本文算法、最小二乘法和人工計(jì)算的實(shí)際導(dǎo)航線與水平方向的夾角，如表4所示。由此算出不同算法擬合出的導(dǎo)航線誤差，如表5所示。

表2 不同算法法提取導(dǎo)航路徑中點(diǎn)坐標(biāo)

表3 不同算法提取導(dǎo)航路徑方程

表4 不同算法提取導(dǎo)航線水平夾角

分析表5中實(shí)驗(yàn)數(shù)據(jù)，圖7(a)是復(fù)雜環(huán)境下的路況，由于道路旁邊紅色植被的影響，二值化后并不能得到完整的邊界線，圖中道路左側(cè)邊界線有少量噪聲干擾。本文算法在左側(cè)邊界線有干擾的情況下準(zhǔn)確擬合出了邊界線，最后提取出的導(dǎo)航線誤差在0.143°，而使用最小二乘法提取出的左側(cè)邊界線受干擾點(diǎn)影響，最終提取出的導(dǎo)航線誤差是0.72°，高出本文算法0.577°。

表5 不同算法提取導(dǎo)航路徑精度

圖7(c)是常見的人為干擾邊界路況，從二值圖像可以看出，道路的左邊界，有很多干擾點(diǎn)并且嚴(yán)重偏離道路真實(shí)邊界線。本文算法在這種路況下提取的導(dǎo)航線誤差為0.14°，而最小二乘法受干擾點(diǎn)影響嚴(yán)重，誤差高達(dá)2.01°，高出本文算法1.87°。圖7(e)也是常見的道路邊界被周圍雜草干擾的路況，自然生長(zhǎng)下道路旁邊的雜草會(huì)連續(xù)分布在道路邊界，從二值圖像可以看出，干擾點(diǎn)存在道路邊界連續(xù)的一部分。最終本文算法提取的導(dǎo)航線誤差為0.56°，最小二乘法的誤差為2.83°，高出本文算法2.27°，得到的導(dǎo)航線已經(jīng)失去應(yīng)用意義。

經(jīng)過三種路況的對(duì)比，本文算法提取的導(dǎo)航線誤差不超過0.6°，表明本文算法抗干擾性強(qiáng)，而最小二乘法在道路邊界受到輕微干擾情況下，還能準(zhǔn)確擬合導(dǎo)航線，但是當(dāng)干擾較大時(shí)，算法擬合出的導(dǎo)航線誤差超過2.8°，嚴(yán)重偏離了實(shí)際的導(dǎo)航線。

通過實(shí)驗(yàn)對(duì)比，結(jié)果表明本文所提算法在精度上優(yōu)于最小二乘法。由圖7不同環(huán)境下導(dǎo)航線擬合結(jié)果可知，本算法對(duì)不同干擾，都表現(xiàn)出良好的效果，抗干擾能力強(qiáng)，算法魯棒性好。

表6是不同導(dǎo)航線提取算法耗時(shí)對(duì)比，分析表中數(shù)據(jù)可知，本文所提算法用時(shí)為53 ms，比最小二乘法快22 ms，比Hough變換快55 ms，使得移動(dòng)機(jī)器人更快的做出響應(yīng)，更好的滿足實(shí)時(shí)性的要求。

表6 不同法提取導(dǎo)航路徑耗時(shí)

4 結(jié)論

本文針對(duì)園林的結(jié)構(gòu)化道路環(huán)境復(fù)雜，干擾嚴(yán)重的問題，提出一種基于邊緣檢測(cè)的導(dǎo)航線提取算法，取得如下成果。

1)采取“化曲為直”的思想，從拍攝圖像中截取一部分圖像來提取導(dǎo)航線，能很好解決彎路情況，適用園林中道復(fù)雜的道路。這種處理方法減少計(jì)算量，實(shí)時(shí)性得到保證，提高算法的魯棒性。

2)采取改進(jìn)的灰度化因子對(duì)圖像灰度化處理，能很好適應(yīng)園林中顏色豐富的復(fù)雜環(huán)境，較好區(qū)分道路和背景，受光照影響較小。

3)利用噪聲和道路在幾何形態(tài)學(xué)上的差異，提出設(shè)置閾值T的道路邊界檢測(cè)算法，計(jì)算簡(jiǎn)單，噪聲影響較小，算法效率高，魯棒性好。

4)本文將園林中道路近似為梯形，通過計(jì)算梯形中軸線提取導(dǎo)航線，算法簡(jiǎn)單，執(zhí)行速度快，可以滿足實(shí)時(shí)性要求。

通過試驗(yàn)表明，該算法能適合大部分的園林場(chǎng)景，在不同的路面，干擾情況下都表現(xiàn)很好。在路面周圍環(huán)境復(fù)雜的路況下，本文算法提取的導(dǎo)航線誤差僅為0.143°，人為干擾和雜草干擾這樣存在嚴(yán)重干擾的路況，本文算法誤差小于0.6°，顯著優(yōu)于傳統(tǒng)最小二乘法2.83°的誤差。本文算法平均處理一幅圖像僅耗時(shí)53 ms，相比于傳統(tǒng)最小二乘法和Hough變換法，本文算法的抗干擾性更強(qiáng)，精度更高，耗時(shí)更少。