农田环境复杂多变,基于立体视觉的导航方法对图像中的信息量有一定的要求,否则会碾压作物。而图像的特征信息描述了图像的某种属性,特征点为特征匹配和三维计算等技术提供基础。因此,在保持绿色作物特征尺度、光照和旋转不变性的基础上,提高特征点的数量和特征匹配的对数是本论文的主要目的。本论文首先对基于SIFT特征点提取算法原理进行分析,对算法处理的每个过程给出详细的实验结果。为了提高用于特征匹配的特征点数量,将高斯同态滤波嵌入到SIFT金字塔各组中,以对图像进行增强处理,但图像偏暗,细节信息对比不明显,故采用直方图均衡化增强图像对比度。在多尺度图像中,通过高斯同态滤波和直方图均衡化处理,可有效地改进尺度和光照的问题,使目标特征点的数量提高2倍多。实验结果表明,基于高斯同态滤波的SIFT算法在提高特征点数量的同时,保持了特征点的尺度、光照和旋转不变性。之后,本文对所获得的特征点进行特征匹配,利用视差得到作物的三维信息,并构建基于三维信息的高程图。其次,采用灰度化、二值化、滤波、边缘提取算子和形态学方法对田间绿色作物图像进行边缘轮廓提取。然后,将得到的高程图和边缘轮廓进行图像融合,生成置信密度图。最后,基于置信密度图构建导航模型,并通过导航角和侧边距离的约束,设计了控制农业机器人5种运行状态方程组。采用S型和O型路径对农业机器人运行状态方程组进行验证,实验结果表明,农业机器人的横向偏差为[-8cm,10cm],并没有碾压农作物的边缘。同时,对S型路径的导航角和农业机器人实际转过的角度进行拟合,得到导航角(?)和农业机器人实际转过的角度(σ)满足Fourier函数关系,相关系数为0.96。采用S型路径对该函数进行验证,将得到数据与O型路径的数据进行分析,实验结果表明,其均值误差和方差分别为0.7°和1.5°。