草坪是城市绿化中不可缺少的部分,目前割草机缺乏智能化。随着人工智能的发展,基于视觉的移动机器人导航成了热点问题。本文主要研究基于数字图像处理的草坪场景障碍物的识别问题,主要包括以下内容:(1)障碍物分割针对草坪场景中的两类障碍物,分别研究了基于颜色、纹理的图像分割方法。颜色分割中:运用统计法估计了草坪像素色调值范围,并将该色调范围的两端点值设为分割阈值,从而实现基于色调统计阈值的分割。通过实验分析草坪像素R(Red)、G(Green)、B(Blue)分量的分布特性,得出在一定光照范围内草坪像素具有G分量最高的特性。对比色调统计阈值、自适应色调阈值、超绿特征阈值分割方法,得到色调统计阈值分割方法的分割准确率及鲁棒性均优于另两种算法的结论。纹理分割中:设计用于分析纹理特征数据的流程,以选择提取纹理特征的最优参数。并制作纹理特征样本以训练支持向量机模型,通过图像分块操作方法实现了基于纹理特征的障碍物分割。最后将本文的纹理分割算法与基于Canny边缘特征和基于模糊聚类的分割算法进行对比,验证了纹理分割算法的优越性。(2)障碍物识别运用卷积神经网络算法识别障碍物。首先,通过数据增强和划分获取障碍物识别数据集。然后,通过实验分析了学习率的大小对模型训练的影响,运用逐步增大学习率的方法,得到了适合本文研究对象的学习率初值范围。并对比分析了固定学习率、衰减学习率、周期学习率的性能。完成了卷积神经网络层数、卷积核个数等超参数的设计与实验。最后,从数据和算法两个角度提升了模型的泛化能力,使模型在验证集上达到95.58%的识别准确率。