首页技术中心行业应用用于精确映射的高效园艺图像特征匹配算法

用于精确映射的高效园艺图像特征匹配算法

发布时间：2026-03-05 15:53:38 阅读数： 539

现代农业发展的主要指标之一是自动化技术的熟练运用。为了推进机器人在实际作业环境中的应用，必须对园艺图像进行精确处理。浙江农林科技大学光电工程学院刘宇教授课题组的研究成果表明，一种适用于园艺图像的图像特征匹配算法优于以往的方法。他们的研究成果发表在最新一期的《遥感》（Remote Sensing ）期刊上，该算法采用了先进的定向快速旋转BRIEF（ORB）和Lucas-Kanade（LK）光流算法。

图片描述

研究：基于改进ORB和LK光流的园艺图像特征匹配算法。

农业是保障国家经济的重要基础部门。为了最大限度地提高园艺业的产量、发展和资源分配，自动化技术已成为该行业的驱动力。当前农业发展的一个关键领域是研发高度智能化的农业设备。

园艺机器人作为农业机械领域的一项创新，在提高农业产量方面具有巨大的经济优势，并拥有广泛的未来应用前景。其自主性和智能化程度正在不断提高。

园艺图片

通常，园艺机器人系统首先使用图像采集工具（例如相机）获取三维物体的二维图像。然后使用特征匹配算法处理得到的二维图像，以执行图像提取和其他图像理解操作。

特征匹配算法

特征提取、特征点描述和特征向量匹配是传统特征匹配算法的三个阶段。然而，由于在过滤不匹配项方面存在各种技术限制，该技术在实时图像采集方面一直面临挑战。

基于光流技术的特征匹配算法提高了计算速度和高频效率。但由于其假设灰度不变而缺乏适当的表征，因此迄今为止，该算法在园艺图像特征匹配中的应用受到限制。

刘宇教授团队在近期发表的研究中，采用了一种基于改进的ORB和LK光流方法的创新性园艺图像特征匹配算法。该研究旨在提高园艺图像特征匹配的准确性、一致性和鲁棒性。

算法开发

ORB方法的创新应用包含两个方面。首先，系统地改进了ORB的特征点提取方法。其次，实现了一种组合特征匹配协议。

改进 ORB 特征点提取的第一步是构建二维图像的高斯金字塔分层结构。遥感报告对此过程进行了详细描述。图像金字塔的各层分辨率由高到低依次递增。这是通过对每一层进行固定放大倍率的缩小和高斯滤波来实现的。特征匹配通过在相邻时刻逐层匹配金字塔图像来实现尺度不变性。

通过分析描述符之间的距离，暴力匹配常用于ORB特征匹配。然而，当需要匹配的点很多时，这种方法耗时较长，降低了匹配效率。为了提高特征匹配的效率和准确率，本文将一种改进的LK光流匹配算法与特征描述符相结合。

光流是计算机视觉中描述像素距离和方向随时间变化的动态过程，它揭示了物体运动与图像信息变化之间的联系。传统的LK光流方法在灰度不变性的前提下，利用两幅图像的亮度差异来追踪特征点的瞬时速度。新算法通过改进原算法的梯度计算方法，提高了光流预测的鲁棒性和有效性。

验证算法

为了测试新算法，我们设计了两个实验，分别用于特征点提取和特征匹配。在每个实验中，我们也应用了相应的现有算法，以便与新方法进行比较。

为了进行特征提取实验，我们采集了四种典型的园艺样本机器人图像。这些图像分别在正常光照、弱光、高纹理和低纹理条件下拍摄。

刘氏团队开发的园艺图像特征匹配算法，相比传统方法，特征点提取的精度和均匀性分别提高了50.47%和0.22。新算法的匹配精度提高了14.59%，匹配时间和总运行时间分别缩短了39.18%和44.79%。改进后的ORB和LK技术在园艺机器人的视觉同步定位与建图（VSLAM）中具有巨大的应用潜力，能够实现更高的实时定位和地图构建精度。