基于特征匹配的農(nóng)業(yè)智能小車故障檢測算法案例在需求分析階段已談及用戶需要了解小車實時的運行狀態(tài)。本文小車存在五種狀態(tài)：三種正常狀態(tài)分別是未連接狀態(tài)、待機狀態(tài)和巡檢狀態(tài)，兩種異常狀態(tài)是移動故障和通信故障。各個狀態(tài)判定如下：當(dāng)計算機未與小車進(jìn)行通信連接時小車處于未連接狀態(tài)。當(dāng)小車與計算機通信端口正常連接且小車未巡檢則判定為待機狀態(tài)。當(dāng)小車被分派巡檢任務(wù)且有實時有效圖像傳輸則處于巡檢狀態(tài)。當(dāng)計算機無法與小車進(jìn)行連接則處于通信故障狀態(tài)。當(dāng)小車巡檢時傳輸?shù)倪B續(xù)多幀圖像一樣則處于移動故障狀態(tài)。小車常常處于大棚的無人環(huán)境中工作，需具備一定的故障檢測能力，以便及時通知相關(guān)人員前來查看。對于因車載軟硬件出現(xiàn)故障而導(dǎo)致無法進(jìn)行正常通信的故障檢測較為簡單，僅需要對通信連接以及是否接收到數(shù)據(jù)進(jìn)行檢查即可。而對于小車移動故障的判別則相對復(fù)雜，目前移動機器人領(lǐng)域的常用移動監(jiān)測方法有三種：一是通過GPS定位來監(jiān)測機器人移動，二是通過IMU慣性傳感器監(jiān)測機器人加速度，三是通過視覺里程計來定位小車移動。本應(yīng)用場景下，因大棚材料遮擋GPS信號而無法采用第一種方法，而使用IMU則會增加成本，考慮到小車本就具備拍照功能，因此采用第三種視覺方式來檢測小車移動故障。當(dāng)小車在大棚內(nèi)正常移動拍照時，每一幀照片所拍攝的物體是不同的，而當(dāng)小車出現(xiàn)移動故障時，所拍攝的多幀圖片將會聚焦同一場景，而使得多幀圖片具有極高的相似度，通過相似度分析便可對小車移動故障進(jìn)行判斷。本文采用基于FAST特征的匹配算法進(jìn)行圖像相似度分析，此算法流程分為兩步：第一步為特征提取，第二步為特征匹配。（1）特征提取特征提取步驟的目標(biāo)是對圖片提取出FAST特征并計算描述子。FAST特征點是一種角點，其最大的優(yōu)點是計算效率極高，非常適合于實時視頻處理應(yīng)用。BRIEF通過二進(jìn)制值串對特征點進(jìn)行描述，在描述子的構(gòu)建和匹配速度方面具有優(yōu)勢。本特征提取需先進(jìn)行FAST特征點提取，然后再為特征點計算BRIEF描述子。FAST特征點定義為圖像中局部像素灰度變化較大的區(qū)域，通過對比一個像素與其周圍像素亮度的方式進(jìn)行提取，本文所使用算法如下表1.1。表1.1FAST特征點提取算法Table1.1FASTfeaturepointextractionalgorithm算法：FAST特征點提取輸入：圖片輸出：特征點像素坐標(biāo)列表1:for(pinimage)//遍歷圖像中所有像素2:T=0.2?IP//I3:if(p為圓心半徑為3的圓上存在連續(xù)12個像素的亮度>IP+T或<4:將p點加入到列表L中5:returnL在提取到特征點之后，需要為每一個特征點計算一個描述子。BRIEF描述子作為一種有效的特征點描述符，使用二元特征向量進(jìn)行特征描述。二元特征向量是只包含1和0的特征向量，特征向量的每個值取決于特征點附近兩個隨機像素的大小關(guān)系，公式如下：vp;x,y=1:px如果取256個像素對，就可以得到一個256維的特征向量來描述特征點。在特征匹配時，就可以通過計算特征向量之間的距離來判定特征點是否為同一個。（2）特征匹配特征匹配所做的是將兩張圖片提取出的兩組特征點的描述子最相似的特征點匹配起來，最簡單的就是將一個特征點與另一組的所有特征點都匹配一遍，并排序出描述子最相似的特征點作為匹配點的暴力匹配。在計算描述子的相似度時，通常使用漢明距離進(jìn)行度量。漢明距離為兩個描述子向量對應(yīng)位置不同位數(shù)的個數(shù)。因為本應(yīng)用場景下實時性要求較低，且匹配只是針對最近的幾幀圖像，故而可以使用暴力匹配。特征匹配完成之后，算法會得到一個個匹配好的點對。此時需要通過經(jīng)驗設(shè)置一個描述子距離的最大值，一般是最小距離的兩倍，當(dāng)匹配點對的描述子距離小于此最大值，則認(rèn)為匹配有效。最后統(tǒng)計出滿足的匹配點數(shù)，并計算其與總特征點數(shù)的比例，便可得出圖片相似度。下圖1.5為小車前行移動拍攝的四張圖像，其中相鄰圖像的相同像素數(shù)約為2/3。下面將對此組圖片使用上述特征匹配算法進(jìn)行圖像相似度分析，一系列實驗展開如下。圖1.5小車連續(xù)拍攝的四幀圖像Fig.1.5Foursuccessiveframesofimagestakenbythetrolley首先讓IMG1與其自身進(jìn)行匹配，得到總的特征點數(shù)為471，匹配的特征點為471，圖像相似度為100%。圖1.6IMG1與自身進(jìn)行特征匹配Fig.1.6IMG1matchesfeatureswithitself隨后使用IMG1與IMG2進(jìn)行特征匹配，如下圖所示。IMG1提取的特征點數(shù)依舊是471，匹配上的特征點數(shù)為210，圖像相似度約為41.6%。已知此兩張圖片具有2/3的相同像素，按理說圖片相似度應(yīng)為66.7%，本實驗計算所出的卻為41.6%，差距較大。究其原因在于所提取特征點區(qū)域分布的不均勻性，由上圖可以看出，一些明暗變化較大的像素區(qū)域的特征點數(shù)較為密集，而另一些像素區(qū)域則稀少，如此便導(dǎo)致了兩張圖片的相同像素數(shù)為2/3而相同特征點數(shù)并非2/3的情況。這對于需要精確計算圖像相似度的應(yīng)用場景來說當(dāng)然不行，但本文僅僅用于小車移動故障檢測，只要相關(guān)性可以保證，粗略的數(shù)值即可。圖1.7IMG1與IMG2進(jìn)行特征匹配Fig.1.7IMG1matchesfeatureswithIMG2接下來將IMG1與IMG3進(jìn)行匹配，471個特征點匹配上的只有21個，圖片相似度為1.5%。盡管兩張圖片仍存在1/3的相同像素，此次匹配到的特征點數(shù)已經(jīng)降到很少了，且從下圖可以看出存在誤匹配的現(xiàn)象，這是由于此場景下皆為茄子植株，不同植株之間難免存在相似的紋理特征，可以通過降低描述子距離上限來解決。圖1.8IMG1與IMG3進(jìn)行特征匹配Fig.1.8IMG1matchesfeatureswithIMG3最后將IMG1與IMG4進(jìn)行特征匹配，此次匹配到的特征點數(shù)為0，相似度為0%。