CN105184824A - 基于图像传感网的智能农业驱鸟系统和方法 - Google Patents

Abstract

本发明公开了一种基于图像传感网的智能农业驱鸟系统和方法，包括：智能图像采集设备、控制器、驱鸟器；所述智能图像采集设备采集图像数据，所述智能图像采集设备连接控制器，由控制器存储图像数据，将图像数据存储在数据库中进行图像分析，所述控制器连接驱鸟器，所述控制器对图像数据进行判断，如果存在飞鸟，控制驱鸟器进行驱鸟操作。

Description

基于图像传感网的智能农业驱鸟系统和方法

技术领域

本发明涉及计算机图像识别控制领域，尤其涉及一种基于图像传感网的智能农业驱鸟系统和方法。

背景技术

近年来我国经济作物生产上关于鸟类危害的报道越来越多，不仅露地栽培的经济作物遭受鸟害，而且温室、大棚内作物也常受到鸟的侵袭。分析当前鸟类对经济作物危害加重的原因，一是随着我国全民环境保护意识的增强，鸟的种类、种群数目急剧增加；二是经济作物(尤其是水果)粒大、色艳、皮薄、汁甜，早熟与晚熟新品种不断出现，增强了对鸟类的诱惑力，尤其是外露的作物，更易遭到鸟类侵袭。其中有色作物受害尤其严重，鸟类啄食成熟经济作物(如苹果，葡萄)，被啄果汁外流，引来蜂、蝇等吸吮果汁，导致白腐病、炭疽病等病害发生，造成了严重的损失。

目前国内外的主要驱鸟方法分为：化学方法，生物方法，物理方法。化学方法主要有：放置药物、毒害气体等来驱除鸟类，此种方法，一方面污染环境，不利于作物生长；另一方面对于鸟类杀伤力过大，容易造成鸟类大量死亡影响生态平衡。生物方法主要有：利用凶猛野兽粪便、模拟稻草人等方法。此种方法的特点是：见效快，生态安全；缺点是：时效短，鸟类一旦形成习惯就不起作用。物理方法主要有：拉网法、煤气炮、录音驱鸟、超声波驱鸟器等。拉网法，由于对鸟类伤害过大，而且不利于某些经济作物生长而被大多数农户所摒弃；煤气炮容易造成危险而且成本很高，因此不可行；录音驱鸟时间久了鸟类会置若罔闻；超声波驱鸟：效果好，但是需要长时间发声需要耗费大量电力从而造成资源浪费。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于图像传感网的智能农业驱鸟系统和方法。

为了实现本发明的上述目的，本发明提供了一种基于图像传感网的智能农业驱鸟系统，其包括：智能图像采集设备、控制器、驱鸟器；

所述智能图像采集设备采集图像数据，所述智能图像采集设备连接控制器，由控制器存储图像数据，将图像数据存储在数据库中进行图像分析，所述控制器连接驱鸟器，所述控制器对图像数据进行判断，如果存在飞鸟，控制驱鸟器进行驱鸟操作。

本发明还公开一种基于图像传感网的智能农业驱鸟方法，其包括如下步骤：

S1，由智能图像采集设备采集图像，通过提取初始图像作为背景图像模型，确定背景帧图像，将帧图像转换为灰度图像，再对灰度图像进行高斯平滑；

S2，定义边缘监测模型，累积统计坐标；从图像数据中获得关于飞鸟的每一帧图像，再次分别将采集的飞鸟图像转换成灰度图像，将灰度图像进行高斯平滑；将当前帧和背景绝对图像做绝对差，求得前景图像；

S3，将图像二值化，对前景图像进行开闭合运算以除去噪声及杂点，对得到图像进行Canny边缘检测，采用目标中心点位置方法，求出目标中心点位置进行跟踪；

S4，将飞鸟图像移动轨迹数据通过无线网络传到控制器数据库，同时启动超声波驱鸟器。

所述的基于图像传感网的智能农业驱鸟方法，优选的，所述S1背景图像模型包括：

通过单摄像头的智能图像采集设备，获得背景图像模型，所述背景图像模型使用中值模型方法。

所述的基于图像传感网的智能农业驱鸟方法，优选的，所述S2前景图像目标采集包括：

背景图像模型确定之后，获取前景图像目标，根据飞鸟的运行状态采用不同的前景图像目标采集方法。

所述的基于图像传感网的智能农业驱鸟方法，优选的，所述根据飞鸟的运行状态采集前景图像模型包括：

当飞鸟图像为运动状态时，采用帧查法进行图像采集，将相邻两帧或多帧连续图像逐像素相减，以去除静止或移动缓慢的物体及背景，获取差值图像，并对该差值图像进行二值化，若图像像素值大于某一阈值，则判定此图像像素出现在运动目标上，且经过阈值操作后得到的图像直接显示出了目标的位置、大小和形状信息。

所述的基于图像传感网的智能农业驱鸟方法，优选的，所述根据飞鸟的运行状态采集前景图像模型还包括：

当采集的背景图像时常发生变化时，通过背景差分法获取前景目标图像，通过背景建模，利用相邻序列图像估计视频中不变的或有规律变化的背景，将输入图像与背景图像进行比较，从中分割出前景运动目标。

所述的基于图像传感网的智能农业驱鸟方法，优选的，所述背景图像包括：

A、所述背景图像通过求多幅背景图像的像素点均值得到；

B、所述背景图像通过求多幅背景图像的像素点中值得到；

C、所述背景图像通过求多幅背景图像建立自适应模型得到；

基于时间的多幅图像平均法，通过求一段连续时间内多幅图像累加和的平均值而得到背景图像，如公式所示，

$B_t=\frac{1}{n}\underset{t=1}{\overset{n}{\Σ}}{I}_t$

其中，B_t为t时刻的背景图像帧，I_t为t时刻的输入图像帧，n为帧的总数。

所述的基于图像传感网的智能农业驱鸟方法，优选的，所述根据飞鸟的运行状态采集前景图像模型还包括：

根据飞鸟运动目标进行跟踪，通过运动估计法获取前景目标图像，通过视频序列的时空相关性来分析估计运动场，建立相邻帧间的对应关系，进而利用目标与背景表现运动模式的不同进行运动目标的检测与分割；图像对应点的亮度模式随着物体运动而变化，则亮度模式的表观运动为光流；由于光流包含被观测图像中运动物体的信息，因此能表征运动所引起的图像变化；当物体运动时，在图像上对应物体的亮度模式也在运动。

所述的基于图像传感网的智能农业驱鸟方法，优选的，所述根据飞鸟的运行状态采集前景图像模型还包括：

对运动目标跟踪采用基于动态轮廓的跟踪方法，

a、进行背景建模，在背景差分法的基础上，先建立一个模型，不再保存建模图片，对每帧计算前景目标，用余下的背景图片直接更新原来的模型(model*N+I)/(N+1)，model为模型图片，N为建模图片数，对建模的图片对时间序列赋权，得到背景模型；

b、将含有运动目标的图像帧和背景模型作差运算，得到作差后的结果，即对飞鸟进行检测；

c、将作差结果在一定阈值下判断与背景模型偏差较大的像素，即对飞鸟进行分割；再次，提取飞鸟形状，计算飞鸟中心点；

c、根据中心点轨迹提取出飞鸟运动区域，从视频中读取一帧，然后判断帧是否有效，若无效则程序结束，若有效则对帧图像进行处理，直至视频播放结束。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

由智能设备采集视频，通过软件提取视频前100帧作为背景，确定背景帧图像。将帧图像转换为灰度图像，再对灰度图像进行高斯平滑。针对飞鸟进行跟踪监测：定义边缘监测模型，累积统计(x,y)坐标。从视频结构中获得关于飞鸟的每一帧图像，分别将图像转换成灰度图像，将灰度图像进行高斯平滑。将当前帧和背景绝对图像做绝对差，求得前景图像。将图像二值化，对前景图像进行开闭合运算以除去噪声及杂点，对得到图像进行Canny边缘监测，采用中心点的思想，求出目标的大致中心位置进行跟踪。最后，将移动轨迹通过无线网络传到数据库，同时启动超声波驱鸟器。本发明不但能够实时进行驱鸟操作，而且能够能将驱鸟历史数据进行实时判断整理，对每次的驱鸟活动进行指导，达到更加智能化的驱鸟操作。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明基于图像传感网的智能农业驱鸟系统示意图；

图2是本发明基于图像传感网的智能农业驱鸟方法流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本系统基于图像处理技术和超声波驱鸟器的结合，利用图像处理技术捕捉鸟类信息，并以此作为开关来控制超声波驱鸟器的运作。实现了对经济作物区域的鸟类信息的采集，解决了鸟类报警不及时以及超声波驱鸟器长时间运作造成的成本增加。初步解决了传统驱鸟的时效性低下，管理成本过高以及人员需要多的问题。

智能农业驱鸟系统结构介绍：基于对经济作物区域的考察，提出了以图像传感网为核心的智能农业驱鸟系统。利用图像处理技术作物系统的命令枢纽，借助无线网络传感鸟类的信息、控制信息，来控制超声波驱鸟器进行驱鸟，从而达到为经济作物区域驱鸟效果。与传统的驱鸟设备相比较，本系统突出了鸟类情况采集的智能化和电子化，并且可以将鸟的情况存入数据库方便以后的数据分析。另外，在此采用图像传感网还将提供智能农业的其他接口(包括：智能施肥、智能灌溉等)。

智能农业驱鸟系统如图1所示，鸟类进入经济作物区域后被区域内的摄像头所采集，采集到的数据经过分析确定为鸟类后开启超声波驱鸟器。与此同时，将鸟类的图像或视频存入数据库，以备后来的数据统计和数据挖掘。

如图1所示，本系统的图像处理技术主要采取：由智能设备采集视频，通过软件提取视频前100帧作为背景，确定背景帧图像。将帧图像转换为灰度图像，再对灰度图像进行高斯平滑。针对飞鸟进行跟踪监测：定义边缘监测模型，累积统计(x，y)坐标。从视频结构中获得关于飞鸟的每一帧图像，分别将图像转换成灰度图像，将灰度图像进行高斯平滑。将当前帧和背景绝对图像做绝对差，求得前景图像。将图像二值化，对前景图像进行开闭合运算以除去噪声及杂点，对得到图像进行Canny边缘监测，采用中心点的思想，求出目标的大致中心位置进行跟踪。最后，将移动轨迹通过无线网络传到数据库，同时启动超声波驱鸟器。

为了实现智能农业驱鸟系统的开发，需要从以下方面对现有目标检测技术进行研究，主要包括：背景模型、目标分割、目标跟踪等。背景模型和目标分割的目的是实现前景的有效提取；目标跟踪的目的是获取前景时空信息，为后期统计分析等提供参数。

背景模型研究

为了实现对前景的有效提取，在进行视频检测时常需要先通过建立背景模型对图像进行分割。在环境成分较为单一的场景中，简单的背景模型就可以较好地实现背景表达，例如均值模型和中值模型等。

本发明研究的是单摄像头且摄像头固定的情况，对比分析均值模型和中值模型，发现中值模型的效果略好于均值模型，对于单高斯模型(SingleGaussModel，SGM)、混合高斯模型(GaussianMixtureModel，GMM)、非参数化模型以及它们的改进模型等，在简单的道路场景中与均值模型的差别不大。因此，本发明采用的中值模型来减少运算量和资源需求量。

目标分割研究

在运动目标检测中，需要通过目标分割等方法来实现前景图像目标的提取，为图像的分类和识别奠定基础。前景图像目标分割方法主要包括：帧差法、背景差分法和运动场估计法。

帧差法

帧差方法的基本思想是：将相邻两帧(或多帧)连续图像逐像素相减，以去除静止或移动缓慢的物体及背景，获取差值图像，并对该差值图像进行二值化，若像素值大于某一阈值，则判定此像素出现在运动目标上，见公式(1)且经过阈值操作后得到的图像直接显示出了目标的位置、大小和形状等信息，从而达到检测出运动目标的目的，它是消除两帧连续图像中的静止物体以及提供运动物体(飞鸟)运动轨迹最直接的方法。除了最简单的逐像素相减，帧差图像还可由两组属于相邻图像帧的像素(如相邻的四个元素)的均值相减得到；

式中f₁(x,y)为输入图像帧，f₂(x,y)为背景图像帧。如果输入图像帧不含目标，则和背景图像帧几乎相同，此时d(x,y)为0，相反，如果输入图像帧中包含目标，则和背景图像帧有很大不同，此时根据阈值Th的大小判定d(x,y)值。

帧差方法的优点是计算简单且不易受环境光线变化的影响，但它不能检测静止飞鸟，且处理效果与图像采样频率以及被检测飞鸟的速度有关。如果视频检测器采样频率过小，而速较快，可能会造成误分割。但如果采样频率过大且速度较慢，又会造成过度覆盖，极端情况下运动物体可能完全重叠，类似于静止鸟类，从而导致无法分割出运动物体。

背景差分法

背景差分法是运动目标检最常用的方法之一，它的基本思想是：通过背景建模，利用相邻序列图像估计视频中不变的或有规律变化的背景，将输入图像与背景图像进行比较，从中分割出前景运动目标。背景图像通常是整个场景中变化相对缓慢的部分，如交通视频图像中的道路(与移动的鸟类相比它的变化相对缓慢)。

背景差分法的另一个比较重要的内容就是背景图像的获得。由于图像很容易受到外界因素的干扰，如光照、阴雨、摄像机的抖动等，都会对差分的效果产生很大影响，因此如何得到一个好的背景至关重要。背景图像的获得主要有以下三种方法：

(1)通过求多幅图像的像素点均值得到。

(2)通过求多幅图像的像素点中值得到。

(3)通过建立自适应模型得到。

基于时间的多幅图像平均法，通过求一段连续时间内多幅图像累加和的平均值而得到背景图像。如公式(2)所示。

$B_t=\frac{1}{n}\underset{t=1}{\overset{n}{\Σ}}{I}_t---\left(2\right)$

其中，B_t为t时刻的背景图像帧，I_t为t时刻的输入图像帧，n为帧的总数。

运动场估计法

运动场估计法是指通过视频序列的时空相关性来分析估计运动场，建立相邻帧间的对应关系，进而利用目标与背景表现运动模式的不同进行运动目标的检测与分割。主要是光流法，即图像对应点的亮度模式随着物体运动而变化，则亮度模式的表观运动即为光流。由于光流包含被观测图像中运动物体的信息，因此能表征因为运动所引起的图像变化。光流法检测采用了目标随时间变化的光流特性，当物体运动时，在图像上对应物体的亮度模式也在运动，从而称光流是图像亮度模式的表现运动。在光流场中，不同的物体会有不同的速度，大面积背景的运动会在图像上产生较为均匀的速度矢量区域，这为具有不同速度的其他运动物体的检测提供了方便。

运动目标跟踪就是在视频图像序列中实时地发现并标记运动目标，在帧与帧之间建立鸟类运动的某些特征，如位置、速度、形状和方向等之间的联系，不断跟踪目标，并计算出运动目标的轨迹。

目前运动目标跟踪的方法有很多。针对视频图像中运动目标的跟踪方法主要有基于模型的跟踪法、基于区域的跟踪法、基于动态轮廓的跟踪法和基于特征的跟踪法4种。

本发明对运动目标跟踪采用的是基于动态轮廓的跟踪方法，由于目标在运动中外界环境会不断变化，目标的轮廓也会出现不规则变形，有时还会出现各种断裂不连续的现象，甚至内部有空洞。考虑到鸟类是不规则形，为了更好地跟踪目标运动轨迹，采用中心点的思想，求出目标的大致中心位置。

其整体设计思路如下：

首先进行背景建模，在背景差分法的基础上，先建立一个模型，不再保存建模图片，对每帧计算前景目标，用余下的背景图片直接更新原来的模型(model*N+I)/(N+1)(model为模型图片，N为建模图片数)，对建模的图片对时间序列赋权，得到背景模型；

然后将含有运动目标的图像帧和背景模型作差运算，得到作差后的结果，即对飞鸟进行检测；

其次，将作差结果在一定阈值下判断与背景模型偏差较大的像素，即对飞鸟进行分割；再次，提取飞鸟形状，计算飞鸟中心点；

最后，根据中心点轨迹提取出运动区域。

运动飞鸟检测跟踪系统虽然载入的是视频文件，但实质处理的是视频中的帧图像，首先从视频中读取一帧，然后判断帧是否有效，若无效则程序结束，若有效则对帧图像进行处理，直至视频播放结束，系统的主要流程如图2所示。

为了提高目标识别的准确度，在飞鸟以及环境各种噪声情况复杂的情况下，采用SIFI算法来提高目标识别的准确度，该算法能有效避免因光照，仿射变换和噪音等因素而变化的点，如角点、边缘点、暗区的亮点及亮区的暗点等，该算法优点是其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。

尺度不变特征转换(Scale-invariantfeaturetransform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。

进行SIFI算法详解

(1)高斯模糊

SIFT算法是在不同的尺度空间上查找关键点，而尺度空间的获取需要使用高斯模糊来实现，

高斯模糊是一种图像滤波器，它使用正态分布(高斯函数)计算模糊模板，并使用该模板与原图像做卷积运算，达到模糊图像的目的。

N维空间正态分布方程为：

$G\left(r\right)=\frac{1}{{\sqrt{2{\mathrm{\π\σ}}^2}}^N}{e}^{-r^2/\left(2{\mathrm{\σ}}^2\right)}---(1-1)$

其中，σ是正态分布的标准差，σ值越大，图像越模糊(平滑)。r为模糊半径，模糊半径是指模板元素到模板中心的距离。如二维模板大小为m*n，则模板上的元素(x,y)对应的高斯计算公式为：

$G(x,y)=\frac{1}{2{\mathrm{\π\σ}}^2}{e}^{-\frac{{(x-m/2)}^2+{(y-n/2)}^2}{2{\mathrm{\σ}}^2}}---(1-2)$

在二维空间中，这个公式生成的曲面的等高线是从中心开始呈正态分布的同心圆，分布不为零的像素组成的卷积矩阵与原始图像做变换。每个像素的值都是周围相邻像素值的加权平均。原始像素的值有最大的高斯分布值，所以有最大的权重，相邻像素随着距离原始像素越来越远，其权重也越来越小。这样进行模糊处理比其它的均衡模糊滤波器更高地保留了边缘效果。

理论上来讲，图像中每点的分布都不为零，这也就是说每个像素的计算都需要包含整幅图像。在实际应用中，在计算高斯函数的离散近似时，在大概3σ距离之外的像素都可以看作不起作用，这些像素的计算也就可以忽略。通常，图像处理程序只需要计算(6σ+1)×(6σ+1)的矩阵就可以保证相关像素影响。

(2)图像的二维高斯模糊

根据σ的值，计算出高斯模板矩阵的大小((6σ+1)×(6σ+1))，使用公式(1-2)计算高斯模板矩阵的值，与原图像做卷积，即可获得原图像的平滑(高斯模糊)图像。为了确保模板矩阵中的元素在[0，1]之间，需将模板矩阵归一化。5*5的高斯模板如表所示。

表2.15*5的高斯模板(σ＝0.6)

6.58573e-006	0.000424781	0.00170354	0.000424781	6.58573e-006
					0.000424781	0.0273984	0.109878	0.0273984	0.000424781
0.00170354	0.109878	0.440655	0.109878	0.00170354
					0.000424781	0.0273984	0.109878	0.0273984	0.000424781
6.58573e-006	0.000424781	0.00170354	0.000424781	6.58573e-006

(3)尺度空间极值检测

尺度空间使用高斯金字塔表示。在尺度空间检测稳定的关键点。

①尺度空间的表示

一个图像的尺度空间，定义为一个变化尺度的高斯函数G(x，y，σ)与原图像I(x，y)的卷积。

L(x，y，σ)＝G(x，y，σ)*I(x，y)(3-1)

其中，*表示卷积运算，

$G(x,y,\mathrm{\σ})=\frac{1}{2{\mathrm{\π\σ}}^2}{e}^{-\frac{{(x-m/2)}^2+{(y-n/2)}^2}{2{\mathrm{\σ}}^2}}---(3-2)$

与公式(1-2)相同，m，n表示高斯模板的维度(由(6σ+1)×(6σ+1)确定)。(x，y)代表图像的像素位置。σ是尺度空间因子，值越小表示图像被平滑的越少，相应的尺度也就越小。大尺度对应于图像的概貌特征，小尺度对应于图像的细节特征。

②高斯金字塔的构建

尺度空间在实现时使用高斯金字塔表示，高斯金字塔的构建分为两部分：

1.对图像做不同尺度的高斯模糊；

2.对图像做降采样(隔点采样)。

图像的金字塔模型是指，将原始图像不断降阶采样，得到一系列大小不一的图像，由大到小，从下到上构成的塔状模型。原图像为金子塔的第一层，每次降采样所得到的新图像为金字塔的一层(每层一张图像)，每个金字塔共n层。金字塔的层数根据图像的原始大小和塔顶图像的大小共同决定，其计算公式如下：

其中M，N为原图像的大小，t为塔顶图像的最小维数的对数值。如，对于大小为512*512的图像，金字塔上各层图像的大小如表3.1所示，当塔顶图像为4*4时，n＝7，当塔顶图像为2*2时，n＝8。

表31512*512图像金字塔顶层图像大小与层数的关系

图像大小	512	216	128	64	16	8	4	2	1
										金字塔层数	1	2	3	4	5	6	7	8	9

为了让尺度体现其连续性，高斯金字塔在简单降采样的基础上加上了高斯滤波。将图像金字塔每层的一张图像使用不同参数做高斯模糊，使得金字塔的每层含有多张高斯模糊图像，将金字塔每层多张图像合称为一组(Octave)，金字塔每层只有一组图像，组数和金字塔层数相等，使用公式(3-3)计算，每组含有多张(也叫层Interval)图像。另外，降采样时，高斯金字塔上一组图像的初始图像(底层图像)是由前一组图像的倒数第三张图像隔点采样得到的。

注：由于组内的多张图像按层次叠放，因此组内的多张图像也称做多层，为避免与金字塔层的概念混淆，本文以下内容中，若不特别说明是金字塔层数，层一般指组内各层图像。

3高斯差分金字塔

尺度归一化的高斯拉普拉斯函数的极大值和极小值同其它的特征提取函数，例如：梯度，Hessian或Harris角特征比较，能够产生最稳定的图像特征。

高斯差分函数(DifferenceofGaussian，简称DOG算子)与尺度归一化的高斯拉普拉斯函数非常近似。其中D(x，y，σ)和的关系可以从如下公式推导得到：

$\frac{\∂G}{\∂\mathrm{\σ}}=\mathrm{\σ}{\▿}^{2}G$

利用差分近似代替微分，则有：

$\mathrm{\σ}{\▿}^{2}G=\frac{\∂G}{\∂\mathrm{\σ}}\≈\frac{G(x,y,k\mathrm{\σ})-G(x,y,\mathrm{\σ})}{k\mathrm{\σ}-\mathrm{\σ}}$

因此有

$G(x,y,k\mathrm{\σ})-G(x,y,\mathrm{\σ})\≈(k-1){\mathrm{\σ}}^2{\▿}^{2}G$

其中k-1是个常数，并不影响极值点位置的求取。

使用更高效的高斯差分算子代替拉普拉斯算子进行极值检测，如下：

D(x，y，σ)＝G(x，y，kσ)-G(x，y，σ))*I(x，y)

＝L(x，y，kσ)-L(x，y，σ)(3-4)

在实际计算时，使用高斯金字塔每组中相邻上下两层图像相减，得到高斯差分图像，进行极值检测。

4空间极值点检测关键点的初步探查

关键点是由DOG空间的局部极值点组成的，关键点的初步探查是通过同一组内各DoG相邻两层图像之间比较完成的。为了寻找DoG函数的极值点，每一个像素点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小。中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点。

由于要在相邻尺度进行比较，右侧每组含4层的高斯差分金子塔，只能在中间两层中进行两个尺度的极值点检测，其它尺度则只能在不同组中进行。为了在每组中检测S个尺度的极值点，则DOG金字塔每组需S+2层图像，而DOG金字塔由高斯金字塔相邻两层相减得到，则高斯金字塔每组需S+3层图像，实际计算时S在3到5之间。

当然这样产生的极值点并不全都是稳定的特征点，因为某些极值点响应较弱，而且DOG算子会产生较强的边缘响应。

5构建尺度空间需确定的参数

σ—尺度空间坐标

O—组(octave)数

S—组内层数

在上述尺度空间中，O和S，σ的关系如下：

$\mathrm{\σ}(o,s)={\mathrm{\σ}}_0{2}^{o+\frac{s}{S}}o\∈\[0,\mathrm{...},O-1\],s\∈\[0,\mathrm{...},S+2\]---(3-5)$

其中σ₀是基准层尺度，o为组octave的索引，s为组内层的索引。关键点的尺度坐标σ就是按关键点所在的组和组内的层，利用公式(3-5)计算而来。

在最开始建立高斯金字塔时，要预先模糊输入图像来作为第0个组的第0层的图像，这时相当于丢弃了最高的空域的采样率。因此通常的做法是先将图像的尺度扩大一倍来生成第-1组。我们假定初始的输入图像为了抗击混淆现象，已经对其进行σ_-1＝0.5的高斯模糊，如果输入图像的尺寸用双线性插值扩大一倍，那么相当于σ_-1＝1.0。

取式(3-4)中的k为组内总层数的倒数，即

$k=2^{\frac{1}{S}}---(3-6)$

在构建高斯金字塔时，组内每层的尺度坐标按如下公式计算：

$\mathrm{\σ}\left(s\right)=\sqrt{{\left(k^s{\mathrm{\σ}}_0\right)}^2-{\left(k^{s-1}{\mathrm{\σ}}_0\right)}^2}---(3-7)$

其中σ₀初始尺度，lowe取σ₀＝1.6，S＝3，s为组内的层索引，不同组相同层的组内尺度坐标σ(s)相同。组内下一层图像是由前一层图像按σ(s)进行高斯模糊所得。式(3-7)用于一次生成组内不同尺度的高斯图像，而在计算组内某一层图像的尺度时，直接使用如下公式进行计算：

$\mathrm{\σ}\_oct\left(s\right)={\mathrm{\σ}}_0{2}^{\frac{s}{S}}s\∈\[0,\mathrm{...},S+2\]---(3-8)$

该组内尺度在方向分配和特征描述时确定采样窗口的大小。

由上，式(3-4)可记为

D(x，y，σ)＝G(x，y，σ(s+1))-G(x，y，σ(s)))*I(x，y)

＝L(x，y，σ(s+1))-L(x，y，σ(s))(3-9)

6关键点定位

以上方法检测到的极值点是离散空间的极值点，以下通过拟合三维二次函数来精确确定关键点的位置和尺度，同时去除低对比度的关键点和不稳定的边缘响应点(因为DoG算子会产生较强的边缘响应)，以增强匹配稳定性、提高抗噪声能力。

①关键点的精确定位

离散空间的极值点并不是真正的极值点，利用已知的离散空间点插值得到的连续空间极值点的方法叫做子像素插值(Sub-pixelInterpolation)。

为了提高关键点的稳定性，需要对尺度空间DoG函数进行曲线拟合。利用DoG函数在尺度空间的Taylor展开式(拟合函数)为：

$D\left(X\right)=D+\frac{\∂D^T}{\∂X}X+\frac{1}{2}{X}^T\frac{{\∂}^{2}D}{\∂X^2}X---(4-1)$

其中，X＝(x，y，σ)^T。求导并让方程等于零，可以得到极值点的偏移量为：

$\hat{X}=-\frac{{\∂}^2{D}^{-1}}{\∂X^2}\frac{\∂D}{\∂X}---(4-2)$

对应极值点，方程的值为：

$D\left(\hat{X}\right)=D+\frac{1}{2}\frac{\∂D^T}{\∂X}\hat{X}---(4-3)$

其中,代表相对插值中心的偏移量，当它在任一维度上的偏移量大于0.5时(即x或y或σ)，意味着插值中心已经偏移到它的邻近点上，所以必须改变当前关键点的位置。同时在新的位置上反复插值直到收敛；也有可能超出所设定的迭代次数或者超出图像边界的范围，此时这样的点应该删除，在Lowe中进行了5次迭代。另外，过小的点易受噪声的干扰而变得不稳定，所以将小于某个经验值(Lowe论文中使用0.03，RobHess等人实现时使用0.04/S)的极值点删除。同时，在此过程中获取特征点的精确位置(原位置加上拟合的偏移量)以及尺度(σ(o，s)和σ_oct(s))。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (9)

1.一种基于图像传感网的智能农业驱鸟系统，其特征在于，包括：智能图像采集设备、控制器、驱鸟器；

所述智能图像采集设备采集图像数据，所述智能图像采集设备连接控制器，由控制器存储图像数据，将图像数据存储在数据库中进行图像分析，所述控制器连接驱鸟器，所述控制器对图像数据进行判断，如果存在飞鸟，控制驱鸟器进行驱鸟操作。

2.一种基于图像传感网的智能农业驱鸟方法，其特征在于，包括如下步骤：

S1，由智能图像采集设备采集图像，通过提取初始图像作为背景图像模型，确定背景帧图像，将帧图像转换为灰度图像，再对灰度图像进行高斯平滑；

S2，定义边缘监测模型，累积统计坐标；从图像数据中获得关于飞鸟的每一帧图像，再次分别将采集的飞鸟图像转换成灰度图像，将灰度图像进行高斯平滑；将当前帧和背景绝对图像做绝对差，求得前景图像；

S3，将图像二值化，对前景图像进行开闭合运算以除去噪声及杂点，对得到图像进行Canny边缘检测，采用目标中心点位置方法，求出目标中心点位置进行跟踪；

S4，将飞鸟图像移动轨迹数据通过无线网络传到控制器数据库，同时启动超声波驱鸟器。

3.根据权利要求2所述的基于图像传感网的智能农业驱鸟方法，其特征在于，所述S1背景图像模型包括：

通过单摄像头的智能图像采集设备，获得背景图像模型，所述背景图像模型使用中值模型方法。

4.根据权利要求2所述的基于图像传感网的智能农业驱鸟方法，其特征在于，所述S2前景图像目标采集包括：

背景图像模型确定之后，获取前景图像目标，根据飞鸟的运行状态采用不同的前景图像目标采集方法。

5.根据权利要求4所述的基于图像传感网的智能农业驱鸟方法，其特征在于，所述根据飞鸟的运行状态采集前景图像模型包括：

当飞鸟图像为运动状态时，采用帧查法进行图像采集，将相邻两帧或多帧连续图像逐像素相减，以去除静止或移动缓慢的物体及背景，获取差值图像，并对该差值图像进行二值化，若图像像素值大于某一阈值，则判定此图像像素出现在运动目标上，且经过阈值操作后得到的图像直接显示出了目标的位置、大小和形状信息。

6.根据权利要求4所述的基于图像传感网的智能农业驱鸟方法，其特征在于，所述根据飞鸟的运行状态采集前景图像模型还包括：

当采集的背景图像时常发生变化时，通过背景差分法获取前景目标图像，通过背景建模，利用相邻序列图像估计视频中不变的或有规律变化的背景，将输入图像与背景图像进行比较，从中分割出前景运动目标。

7.根据权利要求1所述的基于图像传感网的智能农业驱鸟方法，其特征在于，所述背景图像包括：

A、所述背景图像通过求多幅背景图像的像素点均值得到；

B、所述背景图像通过求多幅背景图像的像素点中值得到；

C、所述背景图像通过求多幅背景图像建立自适应模型得到；

基于时间的多幅图像平均法，通过求一段连续时间内多幅图像累加和的平均值而得到背景图像，如公式所示，

$B_t=\frac{1}{n}\underset{t=1}{\overset{n}{\Σ}}{I}_t$

其中，B_t为t时刻的背景图像帧，I_t为t时刻的输入图像帧，n为帧的总数。

8.根据权利要求4所述的基于图像传感网的智能农业驱鸟方法，其特征在于，所述根据飞鸟的运行状态采集前景图像模型还包括：

根据飞鸟运动目标进行跟踪，通过运动估计法获取前景目标图像，通过视频序列的时空相关性来分析估计运动场，建立相邻帧间的对应关系，进而利用目标与背景表现运动模式的不同进行运动目标的检测与分割；图像对应点的亮度模式随着物体运动而变化，则亮度模式的表观运动为光流；由于光流包含被观测图像中运动物体的信息，因此能表征运动所引起的图像变化；当物体运动时，在图像上对应物体的亮度模式也在运动。

9.根据权利要求4所述的基于图像传感网的智能农业驱鸟方法，其特征在于，所述根据飞鸟的运行状态采集前景图像模型还包括：

对运动目标跟踪采用基于动态轮廓的跟踪方法，

a、进行背景建模，在背景差分法的基础上，先建立一个模型，不再保存建模图片，对每帧计算前景目标，用余下的背景图片直接更新原来的模型(model*N+I)/(N+1)，model为模型图片，N为建模图片数，对建模的图片对时间序列赋权，得到背景模型；

b、将含有运动目标的图像帧和背景模型作差运算，得到作差后的结果，即对飞鸟进行检测；

c、将作差结果在一定阈值下判断与背景模型偏差较大的像素，即对飞鸟进行分割；再次，提取飞鸟形状，计算飞鸟中心点；

c、根据中心点轨迹提取出飞鸟运动区域，从视频中读取一帧，然后判断帧是否有效，若无效则程序结束，若有效则对帧图像进行处理，直至视频播放结束。