CN105518702A - 一种对目标物体的检测方法、检测装置以及机器人 - Google Patents

一种对目标物体的检测方法、检测装置以及机器人 Download PDF

Info

Publication number
CN105518702A
CN105518702A CN201480021249.9A CN201480021249A CN105518702A CN 105518702 A CN105518702 A CN 105518702A CN 201480021249 A CN201480021249 A CN 201480021249A CN 105518702 A CN105518702 A CN 105518702A
Authority
CN
China
Prior art keywords
target object
unit
status information
information
pick
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201480021249.9A
Other languages
English (en)
Other versions
CN105518702B (zh
Inventor
魏基栋
林任
陈晟洋
张华森
任军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Dajiang Innovations Technology Co Ltd
Original Assignee
Shenzhen Dajiang Innovations Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Dajiang Innovations Technology Co Ltd filed Critical Shenzhen Dajiang Innovations Technology Co Ltd
Publication of CN105518702A publication Critical patent/CN105518702A/zh
Application granted granted Critical
Publication of CN105518702B publication Critical patent/CN105518702B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1694—Programme controls characterised by use of sensors other than normal servo-feedback from position, speed or acceleration sensors, perception control, multi-sensor controlled systems, sensor fusion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0094—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots involving pointing a payload, e.g. camera, weapon, sensor, towards a fixed or moving target
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/12—Target-seeking control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/188—Capturing isolated or intermittent images triggered by the occurrence of a predetermined event, e.g. an object reaching a predetermined position
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24097—Camera monitors controlled machine
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/40—Robotics, robotics mapping to robotics vision
    • G05B2219/40577—Multisensor object recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Molecular Biology (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明实施例提供了一种对目标物体的检测方法、检测装置以及机器人，其中，所述方法包括：识别被监测区域内的目标物体，并计算所述目标物体相对于本检测装置的第一状态信息；根据所述第一状态信息，估算所述目标物体在经历了预置的延迟时长值后的第二状态信息；根据估算的第二状态信息执行对所述目标物体的处理操作。采用本发明，可以快捷、准确地完成对目标物体的跟踪以及状态预估，增加了新的功能，满足了用户关于物体追踪与移动状态预估的自动化、智能化需求。

Description

一种对目标物体的检测方法、检测装置以及机器人
【技术领域】
本发明涉及计算机控制技术领域，尤其涉及一种对目标物体的检测方法、检测装置以及机器人。
【背景技术】
目前，现有的目标的监测、识别以及跟踪一般是通过视频图像的跟踪来实现，基于视频图像的目标跟踪技术融合了视觉、模式识别以及人工智能等领域的技术。而该技术的主要应用包括对车辆的跟踪、识别，安防监控，以及人工智能机器人。
现有技术中基于视频图像的追踪基本上可以较准确地从图像中确定出某个目标物体。但是，在某些情况下，仅仅从视频图像中确定出目标物体还不能满足智能化需求，例如在人工智能机器人领域，特别是智能机器人竞技领域还需要更进一步改善现有的目标跟踪技术。
【发明内容】
本发明实施例提供了一种对目标物体的检测方法、检测装置以及机器人，可满足用户关于物体追踪与移动状态预估的自动化、智能化需求。
本发明实施例提供了一种对目标物体的检测方法，包括：
检测装置识别被监测区域内的目标物体，并计算所述目标物体相对于本检测装置的第一状态信息；
根据所述第一状态信息，估算所述目标物体在经历了预置的延迟时长值后的第二状态信息；
根据估算的第二状态信息执行对所述目标物体的处理操作。
其中可选地，所述第一状态信息包括：所述目标物体相对于本检测装置的第一位置信息、速度信息以及移动方向信息；
所述根据所述第一状态信息，估算所述目标物体在经历了预置的延迟时长值后的第二状态信息，包括：
所述检测装置根据所述速度信息，计算预置的延迟时长值后所述目标物体的位移；
根据所述第一位置信息、移动方向信息以及所述计算出的位移，估算所述目标物体移动后的第二位置信息；
将所述第二位置信息确定为第二状态信息。
其中可选地，所述识别被监测区域内的目标物体，包括：
所述检测装置获取被检测区域的图像；
分析识别所述图像中是否包含具有指定颜色特征的目标对象；
若包含，则将识别出的目标对象确定为目标物体。
其中可选地，所述分析识别所述图像中是否包含具有指定颜色特征的目标对象，包括：
基于预置的颜色区间预置对所述获取的图像进行颜色检测，确定出所述图像中的具有指定颜色特征的初始对象区域；
将获取的图像量化为二值图；
对二值图中所述初始对象区域所对应的区域进行连通区域检测，确定出初始对象区域的外形轮廓；
基于预置的合并规则对确定出的各个外形轮廓进行合并操作；
根据预置的过滤形状或过滤尺寸信息，对合并后得到的各个区域进行过滤，将过滤后的区域作为目标对象。
其中可选地，所述对二值图中所述初始对象区域所对应的区域进行连通区域检测，包括：
滤除所述二值图中的噪声点；
对滤除噪声点后的二值图中所述初始对象区域所对应的区域进行连通区域检测。
其中可选地，所述基于预置的合并规则对确定出的各个外形轮廓进行合并操作，包括：
根据确定出的各个外形轮廓的边缘位置坐标，计算相邻的两个外形轮廓之间的距离；
确定相邻的两个外形轮廓之间的颜色相似度；
将距离值、相似度满足预设的合并距离以及相似度要求的两个相邻外形轮廓合并。
其中可选地，所述所述基于预置的合并规则对确定出的各个外形轮廓进行合并操作，包括：
检测相邻两个连通区域之间的区域是否符合预置的遮挡物对象特征；
若是，则所述相邻的两个连通区域满足预置的合并规则，将该相邻的两个外形轮廓合并。
其中可选地，所述计算所述目标物体相对于本检测装置的第一状态信息，包括：
根据监测到的图像计算所述目标物体相对于本检测装置的移动状态信息；
计算所述目标物体到本检测装置的距离值；
如果大于预设的距离阈值，则再次根据监测到的新的图像计算所述目标物体相对于本检测装置的移动状态信息，并再次判断所述目标物体到本检测装置的距离值是否小于预设的距离阈值，重复执行本步骤，直至确定出不大于预设的距离阈值时的移动状态信息；
如果不大于预设的距离阈值，则将所述移动状态信息确定为第一状态信息。
其中可选地，计算所述目标物体相对于本检测装置的移动状态信息，包括：
从当前时刻获取的图像中确定出目标物体的像素坐标，进行坐标映射转换，得到所述目标物体在以所述检测装置为中心的坐标系中的初始位置信息；
从预置时间间隔后的时刻获取的图像中确定出目标物体的像素坐标，进行坐标映射转换，得到所述目标物体以所述检测装置为中心的坐标系中的移动位置信息；
根据根据初始位置信息、移动位置信息以及预置时间间隔，确定出所述目标物体的速度信息以及方向信息；
将确定出的速度信息、方向信息以及所述移动位置信息作为所述目标物体的移动状态信息。
其中可选地，所述方法还包括：
所述检测装置基于每一个物体的移动状态信息对各个待监测的物体进行位置预估，根据得到的位置预估值和图像中各个待监测的物体的实际位置来关联区分每一个物体。
其中可选地，所述根据估算的第二状态信息执行对所述目标物体的处理操作，包括：
根据估算出的第二状态信息中的第二位置信息和相对于检测装置的方向，调整云台的转动参数，以使云台挂载的负载瞄准所述目标物体。
相应地，本发明实施例还提供了一种检测装置，包括：
识别模块，用于识别被监测区域内的目标物体，并计算所述目标物体相对于本检测装置的第一状态信息；
处理模块，用于根据所述第一状态信息，估算所述目标物体在经历了预置的延迟时长值后的第二状态信息；
控制模块，用于根据估算的第二状态信息执行对所述目标物体的处理操作。
其中可选地，所述第一状态信息包括：所述目标物体相对于本检测装置的第一位置信息、速度信息以及移动方向信息；
所述处理模块，具体用于根据所述速度信息，计算预置的延迟时长值后所述目标物体的位移；根据所述第一位置信息、移动方向信息以及所述计算出的位移，估算所述目标物体移动后的第二位置信息；将所述第二位置信息确定为第二状态信息。
其中可选地，所述识别模块包括：
获取单元，用于获取被检测区域的图像；
识别单元，用于分析识别所述图像中是否包含具有指定颜色特征的目标对象；
确定单元，用于在所述识别单元的识别结果为包含时，则将识别出的目标对象确定为目标物体。
其中可选地，所述识别单元，具体用于基于预置的颜色区间预置对所述获取的图像进行颜色检测，确定出所述图像中的具有指定颜色特征的初始对象区域；将获取的图像量化为二值图；对二值图中所述初始对象区域所对应的区域进行连通区域检测，确定出初始对象区域的外形轮廓；基于预置的合并规则对确定出的各个外形轮廓进行合并操作；根据预置的过滤形状或过滤尺寸信息，对合并后得到的各个区域进行过滤，将过滤后的区域作为目标对象。
其中可选地，所述识别单元，在用于对二值图中所述初始对象区域所对应的区域进行连通区域检测时，具体用于滤除所述二值图中的噪声点；对滤除噪声点后的二值图中所述初始对象区域所对应的区域进行连通区域检测。
其中可选地，所述识别单元，在用于基于预置的合并规则对确定出的各个外形轮廓进行合并操作时，具体用于根据确定出的各个外形轮廓的边缘位置坐标，计算相邻的两个外形轮廓之间的距离；确定相邻的两个外形轮廓之间的颜色相似度；将距离值、相似度满足预设的合并距离以及相似度要求的两个相邻外形轮廓合并。
其中可选地，所述识别单元，在用于基于预置的合并规则对确定出的各个外形轮廓进行合并操作时，具体用于检测相邻两个连通区域之间的区域是否符合预置的遮挡物对象特征；若是，则所述相邻的两个连通区域满足预置的合并规则，将该相邻的两个外形轮廓合并。
其中可选地，所述识别模块还包括：
状态计算单元，用于根据监测到的图像计算所述目标物体相对于本检测装置的移动状态信息；
距离计算单元，用于计算所述目标物体到本检测装置的距离值；
状态处理单元，用于如果大于预设的距离阈值，则再次根据监测到的新的图像计算所述目标物体相对于本检测装置的移动状态信息，并再次判断所述目标物体到本检测装置的距离值是否小于预设的距离阈值，重复执行本步骤，直至确定出不大于预设的距离阈值时的移动状态信息；
状态确定单元，用于如果不大于预设的距离阈值，则将所述移动状态信息确定为第一状态信息。
其中可选地，所述状态计算单元或者所述状态处理单元，在用于计算所述目标物体相对于本检测装置的移动状态信息时，具体用于从当前时刻获取的图像中确定出目标物体的像素坐标，进行坐标映射转换，得到所述目标物体在以所述检测装置为中心的坐标系中的初始位置信息；从预置时间间隔后的时刻获取的图像中确定出目标物体的像素坐标，进行坐标映射转换，得到所述目标物体以所述检测装置为中心的坐标系中的移动位置信息；根据根据初始位置信息、移动位置信息以及预置时间间隔，确定出所述目标物体的速度信息以及方向信息；将确定出的速度信息、方向信息以及所述移动位置信息作为所述目标物体的移动状态信息。
其中可选地，所述装置还包括：
区分模块，用于基于每一个物体的移动状态信息对各个待监测的物体进行位置预估，根据得到的位置预估值和图像中各个待监测的物体的实际位置来关联区分每一个物体。
其中可选地，所述控制模块，具体用于根据估算出的第二状态信息中的第二位置信息和相对于检测装置的方向，调整云台的转动参数，以使云台挂载的负载瞄准所述目标物体。
相应地，本发明实施例还提供了一种机器人，包括：图像采集装置和处理器，其中：
所述图像采集装置，用于拍摄被检测区域的图像；
所述处理器，用于根据所述图像采集装置拍摄的图像识别被监测区域内的目标物体，并计算所述目标物体相对于本检测装置的第一状态信息；根据所述第一状态信息，估算所述目标物体在经历了预置的延迟时长值后的第二状态信息；根据估算的第二状态信息执行对所述目标物体的处理操作。
本发明实施例能够实现对目标物体的识别以及移动位置等状态的预估，能够快捷、准确地完成对目标物体的跟踪以及状态预估，增加了新的功能，满足了用户关于物体追踪与移动状态预估的自动化、智能化需求。
【附图说明】
图1是本发明实施例的一种对目标物体的检测方法的流程示意图；
图2是本发明实施例的另一种对目标物体的检测方法的流程示意图；
图3是本发明实施例的识别具有特定颜色特征的目标对象的方法流程示意图；
图4是本发明实施例的移动状态计算方法的流程示意图；
图5是目标物体的状态估计示意图；
图6是本发明实施例的一种检测装置的结构示意图；
图7是图6中的识别模块的其中一种结构示意图；
图8是本发明实施例的一种机器人的结构示意图。
【具体实施方式】
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例能够基于目标物体当前的移动状态，预估该目标物体下一时刻(某个时间间隔后的时刻)的移动状态，实现目标物体跟踪、预判功能。具体可以通过图像中的像素坐标转换为实际位置坐标，然后基于时间间隔、在该时间间隔的实际位置坐标的位移，来计算运动速度和方向，确定出包括位置、运动速度以及方向的移动状态。
具体请参见图1，是本发明实施例的一种对目标物体的检测方法的流程示意图，本发明实施例的所述方法可以应用在物体追踪装置中，由检测装置来实现，例如竞技机器人等装置实现，具体的，所述方法包括：
S101：检测装置识别被监测区域内的目标物体，并计算所述目标物体相对于本检测装置的第一状态信息。
可以调用相机等模块来拍摄被监测区域的图像，基于预置的关于目标物体的颜色和/或轮廓形状、尺寸等来识别出在当前时刻下，该区域中是否包括目标物体。如果包括，则进行第一状态信息的计算，如果没有，则继续转换相机角度或移动检测装置，拍摄图像寻找目标物体。该相机为经过标定后的相机。
在监测到目标物体后，即可计算所述目标物体相对于本检测装置的第一状态信息，所述的第一状态信息具体可以包括：该目标物体相对于本检测装置的位置、移动速度、方向等信息。具体同样可以基于拍摄到的包括目标物体的图像来计算。
在具体实施时，目标物体相对于检测装置的位置的计算可以为：确定图像中所述目标物体所在区域的像素位置坐标；将像素坐标映射到以检测装置为中心的坐标系中，得到所述目标物体在以检测装置为中心的坐标系中的位置坐标，该位置坐标即为所述目标物体相对于本检测装置的位置信息，需要说明的是，所述的像素位置坐标和相对于检测装置的位置坐标可以仅仅是所述目标物体的几何中心点的位置坐标，而以检测装置为中心的坐标系则可以是指以所述检测装置的相机的中心点为坐标系的原点。
在得到的相对位置后，可以计算下一时刻(例如1秒后的时刻)，所述目标物体的新的相对位置，基于该新的相对位置和上一时刻的相对位置能够得到目标物体的位移和相对移动方向，根据位移和时间间隔，则可以计算到此次的移动速度。
S102：根据所述第一状态信息，估算所述目标物体在经历了预置的延迟时长值后的第二状态信息。
具体的，估算出的第二状态信息主要包括所述目标物体相对于本检测装置的位置和方向。所述预置的延迟时长可以是预置的一个时间间隔，例如，对于机器人竞技中，该预置的延迟时长是根据所述S102中的估算时长、云台等用于方向调整的装置的调整时长以及竞技炮弹的装填和/或发射时长来中和判断的，其中，所述的估算时长、调整时长以及装填和/或发射时长是通过大量的实际时长计算训练学习出的时长值。
S103：根据估算的第二状态信息执行对所述目标物体的处理操作。
在得到所述第二状态信息后，即可根据实际的应用需要，执行对所述目标物体的处理操作。例如，在竞技机器人中，可根据第二状态信息中的相对方向信息，调整云台等装置的方向角度，以指向瞄准所述第二状态信息中的位置，并发射竞技炮弹以打击所述目标物体。
本发明实施例能够实现对目标物体的识别以及移动位置等状态的预估，能够快捷、准确地完成对目标物体的跟踪以及状态预估，增加了新的功能，满足了用户关于物体追踪与移动状态预估的自动化、智能化需求。
再请参见图2，是本发明实施例的另一种对目标物体的检测方法的流程示意图，本发明实施例的所述方法可以应用在物体追踪装置中，由检测装置来实现，例如竞技机器人等装置实现，具体的，所述方法包括：
S201：所述检测装置获取被检测区域的图像。
具体通过调用在本检测装置中配置的相机来拍摄获取当前环境下图像。
S202：分析识别所述图像中是否包含具有指定颜色特征的目标对象。
基于颜色识别策略对图像进行分析识别，可以简单、快捷地识别出图像中的目标对象。可以预先大量采集目标物体的图片数据，并进行训练，得到该目标物体可能存在的颜色区间，后续再以此颜色区间为阈值对在所述S201中获取到的图像进行颜色检测，找到疑似为目标物体的区域，即找到具有指定颜色特征的目标区域。
在所述S202中，对所述在S201中所获取图像的分析识别可参考图3对应实施例中的描述。如果找到疑似为目标物体的区域，则执行下述的S203，否则，重新执行S201和S202，直至在对应的图像中找到疑似为目标物体的区域。
S203：若包含，则将识别出的目标对象确定为目标物体。
S204：计算所述目标物体相对于本检测装置的第一状态信息。
具体的，所述第一状态信息包括所述目标物体相对于本检测装置的第一位置信息、速度信息以及移动方向信息。其中的位置信息可以通过图像像素坐标到以检测装置的相机为中心的实际坐标的映射转换来得到，而速度和移动方向则可以根据一定时间间隔的位置差来计算得到。
对于图像中目标物体的实际位置的获取，具体可以为：首先，上述提到的对相机进行标定是指：建立图像坐标系与实际空间坐标系之间的变换关系，以确定图像中的一点在实际空间中相对于检测装置(相机)的位置。具体的标定方法是在某个确定的场景中放置一个独特的标定物，并测量其相对于相机的位置，通过采集大量的图像数据，来计算两个坐标系之间的变换关系。在确定了坐标系之间的变换关系后，通过图像坐标即可确定目标物体的实际空间坐标。
其次，经过标定之后，可以将图像坐标系中的一点根据计算出的变换关系(旋转与平移等)，计算在实际空间中的位置。需要说明的是，依靠单目相机无法准确还原出图像坐标中某点在实际空间中位置的，在本发明实施例中，在使用单目相机时具体可以忽略其高度信息，因而可得到一个相对准确的变换关系。
其中，计算所述第一状态信息可参考图4对应实施例中关于移动状态信息获取的描述。
S205：根据所述速度信息，计算预置的延迟时长值后所述目标物体的位移。
S206：根据所述第一位置信息、移动方向信息以及所述计算出的位移，估算所述目标物体移动后的第二位置信息。
S207：将所述第二位置信息确定为第二状态信息。
根据速度和时长的乘积可得到位移，而将乘积结合运动方向即可综合确定在此延迟时长值后所述目标物体在以本检测装置的相机为中心的坐标系中的确切位置。
在执行所述S205之前，还可以先判断所述目标物体距离本检测装置的距离，该距离值同样可以通过以以本检测装置的相机为中心的坐标系来计算。在距离本检测装置较近(一定距离阈值内)时，执行所述S205，否则，继续执行所述S201至S204。
S208：根据估算的第二状态信息执行对所述目标物体的处理操作。
其中，在本发明实施例中，所述S208具体可以包括：根据估算出的第二状态信息中的第二位置信息和相对于检测装置的方向，调整云台的转动参数，以使云台挂载的负载瞄准所述目标物体。
具体请参见图3，是本发明实施例的识别具有特定颜色特征的目标对象的方法流程示意图，所述方法对应于上述的S202，具体包括：
S301：基于预置的颜色区间预置对所述获取的图像进行颜色检测，确定出所述图像中的具有指定颜色特征的初始对象区域；
S302：将获取的图像量化为二值图；
可以采集大量目标物体的图片数据，并进行训练，得到该目标物体的颜色区间，在所述S301中以该颜色区间对获取到的图像进行颜色检测，找到该图像中疑似目标物体的区域，并量化成二值图。
S303：对二值图中所述初始对象区域所对应的区域进行连通区域检测，确定出初始对象区域的外形轮廓；
其中具体的，所述对二值图中所述初始对象区域所对应的区域进行连通区域检测，包括：滤除所述二值图中的噪声点；对滤除噪声点后的二值图中所述初始对象区域所对应的区域进行连通区域检测。
可以对得到的二值图像进行开运算处理，滤除颜色检测结果中的噪声点。具体的由于本***是通过颜色识别的方法来检测目标物体，而环境中可能存在与目标物体的颜色一致或相似的其他物体，或者因为光照的原因使图像中产生对应的颜色区域。在通过颜色信息过滤时，有可能会保留不是目标的颜色区域，因此要予以滤除。在噪声的滤除过程中，可以通过分析实际数据，发现噪声区域的大小和形状等与目标车辆有很大的区别，因此，可以通过大小限制和形状限制(长宽比，周长面积比等)对噪声点予以滤除。
S304：基于预置的合并规则对确定出的各个外形轮廓进行合并操作；
其中，所述S304具体可以包括：根据确定出的各个外形轮廓的边缘位置坐标，计算相邻的两个外形轮廓之间的距离；确定相邻的两个外形轮廓之间的颜色相似度；将距离值、相似度满足预设的合并距离以及相似度要求的两个相邻外形轮廓合并。
对图像的疑似区域进行连通区域检测，计算出每个疑似区域的外部轮廓，可以用矩形近似表示。根据连通区域之间的距离和颜色相似性，将距离接近且相似性高的连通区域进行合并。
或者，所述S304具体可以包括：检测相邻两个连通区域之间的区域是否符合预置的遮挡物对象特征；若是，则所述相邻的两个连通区域满足预置的合并规则，将该相邻的两个外形轮廓合并。
S305：根据预置的过滤形状或过滤尺寸信息，对合并后得到的各个区域进行过滤，将过滤后的区域作为目标对象。
进行外形轮廓合并操作后得到的外形可能仅仅是一些环境中柱子等物体，需要将这些物体过滤。具体可以预先对大量的目标物体的图像进行训练，得到目标物体的形状(例如长宽高比)和/或尺寸信息(面积)，并以此为依据将不符合的区域过滤掉。
经过上述的S301至S305的步骤，基本可以确定出图像中关于目标物体的图形对象，进而执行对该目标物体的追踪以及位置、速度以及移动方向的检测。
再请参见图4，是本发明实施例的移动状态计算方法的流程示意图，本发明实施例的所述方法具体包括：
S401：根据监测到的图像计算所述目标物体相对于本检测装置的移动状态信息；
S402：计算所述目标物体到本检测装置的距离值；
S403：如果大于预设的距离阈值，则再次根据新的图像计算所述目标物体相对于本检测装置的移动状态信息，并再次判断所述目标物体到本检测装置的距离值是否小于预设的距离阈值，重复执行本步骤，直至确定出不大于预设的距离阈值时的移动状态信息；其中，每一次在判断距离后获取新的图像可以在经过一定的时间间隔后才执行。
S404：如果不大于预设的距离阈值，则将所述移动状态信息确定为第一状态信息。
在所述目标物体距离本检测装置较远时，可能无法对其执行对应的处理操作，例如在竞技机器人中无法进行瞄准打击。因此，需要在距离较近时，才将对应的移动状态信息确定为第一状态信息，以供后续确定第二状态信息。而在目标物体(或本检测装置)移动过程中，所述S403持续监测到的移动状态信息需要一直进行更新，直至目标物体到本检测装置的距离不大于预设的距离阈值。
其中，为了使本检测装置尽快接近所述目标物体，可以根据检测到的所述目标物体的移动状态信息(位置、方向等)，生成控制信号控制本端的动力组件，使本检测装置向所述目标物体移动。
其中，上述计算所述目标物体相对于本检测装置的移动状态信息的步骤具体可以包括：
从当前时刻获取的图像中确定出目标物体的像素坐标，进行坐标映射转换，得到所述目标物体在以所述检测装置为中心的坐标系中的初始位置信息；
从预置时间间隔后的时刻获取的图像中确定出目标物体的像素坐标，进行坐标映射转换，得到所述目标物体以所述检测装置为中心的坐标系中的移动位置信息；
根据根据初始位置信息、移动位置信息以及预置时间间隔，确定出所述目标物体的速度信息以及方向信息；
将确定出的速度信息、方向信息以及所述移动位置信息作为所述目标物体的移动状态信息。
其中，所述检测装置基于每一个物体的移动状态信息对各个待监测的物体进行位置预估，根据得到的位置预估值和图像中各个待监测的物体的实际位置进行关联来确定每一个物体。也就是说，检测装置可以根据上一时刻目标物体的移动状态(位置、速度、方向)，估计当前时刻目标物体的移动状态(新的位置、速度、方向)，然后根据位置和颜色信息，对当前时刻目标物体的估计状态和检测结果进行关联，为对应的目标物体更新新的移动状态。
具体以图5的示意图为例来进行说明。对于挂载有本监测装置的物体A，可以对视觉范围内的目标物体B和目标物体C进行监控。在T1时刻，目标物体B和目标物体C距离本监测装置较远，尚不满足发射条件，此时根据前一时刻信息，可以计算出B和C的位置P、速度V和方位O；T2时刻，通过检测手段确定当前时刻B和C位置的测量值以及前后时刻的时间差，根据T1时刻B和C的状态及时间差，可以估计T2时刻的P、V以及O，并根据测量值和估计值之间的位置关系进行关联，来确定一一对应关系。在T2时刻，目标B与A的距离已经满足发射条件，所以根据该时刻B的状态(位置和速度等)预测B在T3(延迟时长)时刻的状态估计值，得到(Pb’、Ob’)，将Pb’作为第二状态，根据该坐标Pb’(x、y)，采用惯性测量单元，通过卡尔曼滤波器估计俯仰角度，实现位置环和速度环的控制，偏转轴则采用高稳定性、高精度单轴陀螺仪模块实现位置环和速度环的控制，同时实现底盘的随动。最终完成对Pb’(x、y)的瞄准。
需要指出的是，以图5为例，在上述方法项实施例中提到的基于预估值和实际位置进行关联区分是指：在T1时刻，C的状态为(Pc1、Vc1，Oc1)，预估后可以得到(Pc’)，而在T2时刻的图像中，检测到距离(Pc’)最近的包括物体的位置为(Pc2)，因此，可以关联确定出T2时刻在(Pc2)处的物体为C，那么在T2时刻，C的状态即可根据Pc1和Pc2的差值、T2与T1的差值，得到对应的速度和移动方向。同理可得到T2时刻，物体B的位置、速度以及移动方向。完成物体B和物体C的区分确定以及准确的状态更新。
其中，上述方法实施例中所涉及到的位置、速度以及方向可以是目标物体相对于所述检测装置的相对变量，其中所涉及的时间间隔也可以根据精度的需要为一个较小的时间间隔。
本发明实施例能够较为准确地从图像中识别出目标物体，并进行有效的移动状态和预估移动状态的计算，能够快捷、准确地完成对目标物体的跟踪以及状态预估，增加了新的功能，满足了用户关于物体追踪与移动状态预估的自动化、智能化需求。
下面对本发明实施例的检测装置及机器人进行详细描述。
请参见图6，是本发明实施例的一种检测装置的结构示意图，本发明实施例的所述装置可设置在竞技机器人等物体上，具体的，所述装置包括：
识别模块1，用于识别被监测区域内的目标物体，并计算所述目标物体相对于本检测装置的第一状态信息；
处理模块2，用于根据所述第一状态信息，估算所述目标物体在经历了预置的延迟时长值后的第二状态信息；
控制模块3，用于根据估算的第二状态信息执行对所述目标物体的处理操作。
所述识别模块1具体可以调用相机等模块来拍摄被监测区域的图像，基于预置的关于目标物体的颜色和/或轮廓形状、尺寸等来识别出在当前时刻下，该区域中是否包括目标物体。如果包括，则进行第一状态信息的计算，如果没有，则继续转换相机角度或移动检测装置，拍摄图像寻找目标物体。该相机为经过标定后的相机。
在监测到目标物体后，所述识别模块1即可计算所述目标物体相对于本检测装置的第一状态信息，所述的第一状态信息具体可以包括：该目标物体相对于本检测装置的位置、移动速度、方向等信息。具体同样可以基于拍摄到的包括目标物体的图像来计算。
具体的，所述处理模块2估算出的第二状态信息主要包括所述目标物体相对于本检测装置的位置和方向。所述预置的延迟时长可以是预置的一个时间间隔，例如，对于机器人竞技中，该预置的延迟时长是根据所述识别模块1中的估算时长、云台等用于方向调整的装置的调整时长以及竞技炮弹的装填和/或发射时长来中和判断的，其中，所述的估算时长、调整时长以及装填和/或发射时长是通过大量的实际时长计算训练学习出的时长值。
在得到所述第二状态信息后，所述控制模块3即可根据实际的应用需要，执行对所述目标物体的处理操作。例如，在竞技机器人中，可根据第二状态信息中的相对方向信息，调整云台等装置的方向角度，以指向瞄准所述第二状态信息中的位置，并发射竞技炮弹以打击所述目标物体。
具体可选地，所述第一状态信息包括：所述目标物体相对于本检测装置的第一位置信息、速度信息以及移动方向信息；
所述处理模块2，具体用于根据所述速度信息，计算预置的延迟时长值后所述目标物体的位移；根据所述第一位置信息、移动方向信息以及所述计算出的位移，估算所述目标物体移动后的第二位置信息；将所述第二位置信息确定为第二状态信息。
具体可选地，请参见图7，所述识别模块1可以包括：
获取单元11，用于获取被检测区域的图像；
识别单元12，用于分析识别所述图像中是否包含具有指定颜色特征的目标对象；
确定单元13，用于在所述识别单元的识别结果为包含时，则将识别出的目标对象确定为目标物体。
具体可选地，所述识别单元12，具体用于基于预置的颜色区间预置对所述获取的图像进行颜色检测，确定出所述图像中的具有指定颜色特征的初始对象区域；将获取的图像量化为二值图；对二值图中所述初始对象区域所对应的区域进行连通区域检测，确定出初始对象区域的外形轮廓；基于预置的合并规则对确定出的各个外形轮廓进行合并操作；根据预置的过滤形状或过滤尺寸信息，对合并后得到的各个区域进行过滤，将过滤后的区域作为目标对象。
具体可选地，所述识别单元12，在用于对二值图中所述初始对象区域所对应的区域进行连通区域检测时，具体用于滤除所述二值图中的噪声点；对滤除噪声点后的二值图中所述初始对象区域所对应的区域进行连通区域检测。
具体可选地，所述识别单元12，在用于基于预置的合并规则对确定出的各个外形轮廓进行合并操作时，具体用于根据确定出的各个外形轮廓的边缘位置坐标，计算相邻的两个外形轮廓之间的距离；确定相邻的两个外形轮廓之间的颜色相似度；将距离值、相似度满足预设的合并距离以及相似度要求的两个相邻外形轮廓合并。
具体可选地，所述识别单元12，在用于基于预置的合并规则对确定出的各个外形轮廓进行合并操作时，具体用于检测相邻两个连通区域之间的区域是否符合预置的遮挡物对象特征；若是，则所述相邻的两个连通区域满足预置的合并规则，将该相邻的两个外形轮廓合并。
具体可选地，请参见图7，所述识别模块1还可以包括：
状态计算单元14，用于根据监测到的图像计算所述目标物体相对于本检测装置的移动状态信息；
距离计算单元15，用于计算所述目标物体到本检测装置的距离值；
状态处理单元16，用于如果大于预设的距离阈值，则再次根据监测到的新的图像计算所述目标物体相对于本检测装置的移动状态信息，并再次判断所述目标物体到本检测装置的距离值是否小于预设的距离阈值，重复执行本步骤，直至确定出不大于预设的距离阈值时的移动状态信息；
状态确定单元17，用于如果不大于预设的距离阈值，则将所述移动状态信息确定为第一状态信息。
具体可选地，所述状态计算单元14或者所述状态处理单元16，在用于计算所述目标物体相对于本检测装置的移动状态信息时，具体用于从当前时刻获取的图像中确定出目标物体的像素坐标，进行坐标映射转换，得到所述目标物体在以所述检测装置为中心的坐标系中的初始位置信息；从预置时间间隔后的时刻获取的图像中确定出目标物体的像素坐标，进行坐标映射转换，得到所述目标物体以所述检测装置为中心的坐标系中的移动位置信息；根据根据初始位置信息、移动位置信息以及预置时间间隔，确定出所述目标物体的速度信息以及方向信息；将确定出的速度信息、方向信息以及所述移动位置信息作为所述目标物体的移动状态信息。
具体可选地，所述检测装置还可以包括：
区分模块，用于基于每一个物体的移动状态信息对各个待监测的物体进行位置预估，根据得到的位置预估值和图像中各个待监测的物体的实际位置来关联区分每一个物体。
具体可选地，所述控制模块3，具体用于根据估算出的第二状态信息中的第二位置信息和相对于检测装置的方向，调整云台的转动参数，以使云台挂载的负载瞄准所述目标物体。
需要说明的是，本发明实施例的所述监测中各个模块及单元的具体实现可参考图1至图5对应实施例中相关步骤的描述。
本发明实施例能够实现对目标物体的识别以及移动位置等状态的预估，能够快捷、准确地完成对目标物体的跟踪以及状态预估，增加了新的功能，满足了用户关于物体追踪与移动状态预估的自动化、智能化需求。
进一步如图8所示，是本发明实施例的一种机器人的结构示意图，本发明实施例所述的机器人包括现有的机器结构，例如机器人外壳、动力***、各种传感器、控制器等，在本发明实施例中，所述机器人还包括：图像采集装置100和处理器200，其中：
所述图像采集装置100，用于拍摄被检测区域的图像；
所述处理器200，用于根据所述图像采集装置100拍摄的图像识别被监测区域内的目标物体，并计算所述目标物体相对于本检测装置的第一状态信息；根据所述第一状态信息，估算所述目标物体在经历了预置的延迟时长值后的第二状态信息；根据估算的第二状态信息执行对所述目标物体的处理操作。
所述机器人还包括云台装置，该云台装置具体可以为两轴云台或者多轴云台，能够通过调整角度、朝向的方式实现对所述目标物体的诸如竞技打击等处理操作。
进一步地，所述处理器200在具体实现时，可以调用对应的应用程序执行上述图1至图4对应实施例中各个步骤。
本发明实施例能够实现对目标物体的识别以及移动位置等状态的预估，能够快捷、准确地完成对目标物体的跟踪以及状态预估，增加了新的功能，满足了用户关于物体追踪与移动状态预估的自动化、智能化需求。
在本发明所提供的几个实施例中，应该理解到，所揭露的相关装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得计算机处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (23)

1.一种对目标物体的检测方法，其特征在于，包括：
检测装置识别被监测区域内的目标物体，并计算所述目标物体相对于本检测装置的第一状态信息；
根据所述第一状态信息，估算所述目标物体在经历了预置的延迟时长值后的第二状态信息；
根据估算的第二状态信息执行对所述目标物体的处理操作。
2.如权利要求1所述的方法，其特征在于，所述第一状态信息包括：所述目标物体相对于本检测装置的第一位置信息、速度信息以及移动方向信息；
所述根据所述第一状态信息，估算所述目标物体在经历了预置的延迟时长值后的第二状态信息，包括：
所述检测装置根据所述速度信息，计算预置的延迟时长值后所述目标物体的位移；
根据所述第一位置信息、移动方向信息以及所述计算出的位移，估算所述目标物体移动后的第二位置信息；
将所述第二位置信息确定为第二状态信息。
3.如权利要求1所述的方法，其特征在于，所述识别被监测区域内的目标物体，包括：
所述检测装置获取被检测区域的图像；
分析识别所述图像中是否包含具有指定颜色特征的目标对象；
若包含，则将识别出的目标对象确定为目标物体。
4.如权利要求3所述的方法，其特征在于，所述分析识别所述图像中是否包含具有指定颜色特征的目标对象，包括：
基于预置的颜色区间预置对所述获取的图像进行颜色检测，确定出所述图像中的具有指定颜色特征的初始对象区域；
将获取的图像量化为二值图；
对二值图中所述初始对象区域所对应的区域进行连通区域检测，确定出初始对象区域的外形轮廓；
基于预置的合并规则对确定出的各个外形轮廓进行合并操作；
根据预置的过滤形状或过滤尺寸信息，对合并后得到的各个区域进行过滤，将过滤后的区域作为目标对象。
5.如权利要求4所述的方法，其特征在于，所述对二值图中所述初始对象区域所对应的区域进行连通区域检测，包括：
滤除所述二值图中的噪声点；
对滤除噪声点后的二值图中所述初始对象区域所对应的区域进行连通区域检测。
6.如权利要求4所述的方法，其特征在于，所述基于预置的合并规则对确定出的各个外形轮廓进行合并操作，包括：
根据确定出的各个外形轮廓的边缘位置坐标，计算相邻的两个外形轮廓之间的距离；
确定相邻的两个外形轮廓之间的颜色相似度；
将距离值、相似度满足预设的合并距离以及相似度要求的两个相邻外形轮廓合并。
7.如权利要求4所述的方法，其特征在于，所述所述基于预置的合并规则对确定出的各个外形轮廓进行合并操作，包括：
检测相邻两个连通区域之间的区域是否符合预置的遮挡物对象特征；
若是，则所述相邻的两个连通区域满足预置的合并规则，将该相邻的两个外形轮廓合并。
8.如权利要求3所述的方法，其特征在于，所述计算所述目标物体相对于本检测装置的第一状态信息，包括：
根据监测到的图像计算所述目标物体相对于本检测装置的移动状态信息；
计算所述目标物体到本检测装置的距离值；
如果大于预设的距离阈值，则再次根据新的图像计算所述目标物体相对于本检测装置的移动状态信息，并再次判断所述目标物体到本检测装置的距离值是否小于预设的距离阈值，重复执行本步骤，直至确定出不大于预设的距离阈值时的移动状态信息；
如果不大于预设的距离阈值，则将所述移动状态信息确定为第一状态信息。
9.如权利要求8所述的方法，其特征在于，计算所述目标物体相对于本检测装置的移动状态信息，包括：
从当前时刻获取的图像中确定出目标物体的像素坐标，进行坐标映射转换，得到所述目标物体在以所述检测装置为中心的坐标系中的初始位置信息；
从预置时间间隔后的时刻获取的图像中确定出目标物体的像素坐标，进行坐标映射转换，得到所述目标物体以所述检测装置为中心的坐标系中的移动位置信息；
根据根据初始位置信息、移动位置信息以及预置时间间隔，确定出所述目标物体的速度信息以及方向信息；
将确定出的速度信息、方向信息以及所述移动位置信息作为所述目标物体的移动状态信息。
10.如权利要求9所述的方法，其特征在于，还包括：
所述检测装置基于每一个物体的移动状态信息对各个待监测的物体进行位置预估，根据得到的位置预估值和图像中各个待监测的物体的实际位置来关联确定每一个物体。
11.如权利要求2所述的方法，其特征在于，所述根据估算的第二状态信息执行对所述目标物体的处理操作，包括：
根据估算出的第二状态信息中的第二位置信息和相对于检测装置的方向，调整云台的转动参数，以使云台挂载的负载瞄准所述目标物体。
12.一种检测装置，其特征在于，包括：
识别模块，用于识别被监测区域内的目标物体，并计算所述目标物体相对于本检测装置的第一状态信息；
处理模块，用于根据所述第一状态信息，估算所述目标物体在经历了预置的延迟时长值后的第二状态信息；
控制模块，用于根据估算的第二状态信息执行对所述目标物体的处理操作。
13.如权利要求12所述的装置，其特征在于，所述第一状态信息包括：所述目标物体相对于本检测装置的第一位置信息、速度信息以及移动方向信息；
所述处理模块，具体用于根据所述速度信息，计算预置的延迟时长值后所述目标物体的位移；根据所述第一位置信息、移动方向信息以及所述计算出的位移，估算所述目标物体移动后的第二位置信息；将所述第二位置信息确定为第二状态信息。
14.如权利要求12所述的装置，其特征在于，所述识别模块包括：
获取单元，用于获取被检测区域的图像；
识别单元，用于分析识别所述图像中是否包含具有指定颜色特征的目标对象；
确定单元，用于在所述识别单元的识别结果为包含时，则将识别出的目标对象确定为目标物体。
15.如权利要求14所述的装置，其特征在于，
所述识别单元，具体用于基于预置的颜色区间预置对所述获取的图像进行颜色检测，确定出所述图像中的具有指定颜色特征的初始对象区域；将获取的图像量化为二值图；对二值图中所述初始对象区域所对应的区域进行连通区域检测，确定出初始对象区域的外形轮廓；基于预置的合并规则对确定出的各个外形轮廓进行合并操作；根据预置的过滤形状或过滤尺寸信息，对合并后得到的各个区域进行过滤，将过滤后的区域作为目标对象。
16.如权利要求15所述的装置，其特征在于，
所述识别单元，在用于对二值图中所述初始对象区域所对应的区域进行连通区域检测时，具体用于滤除所述二值图中的噪声点；对滤除噪声点后的二值图中所述初始对象区域所对应的区域进行连通区域检测。
17.如权利要求15所述的装置，其特征在于，
所述识别单元，在用于基于预置的合并规则对确定出的各个外形轮廓进行合并操作时，具体用于根据确定出的各个外形轮廓的边缘位置坐标，计算相邻的两个外形轮廓之间的距离；确定相邻的两个外形轮廓之间的颜色相似度；将距离值、相似度满足预设的合并距离以及相似度要求的两个相邻外形轮廓合并。
18.如权利要求15所述的装置，其特征在于，
所述识别单元，在用于基于预置的合并规则对确定出的各个外形轮廓进行合并操作时，具体用于检测相邻两个连通区域之间的区域是否符合预置的遮挡物对象特征；若是，则所述相邻的两个连通区域满足预置的合并规则，将该相邻的两个外形轮廓合并。
19.如权利要求14所述的装置，其特征在于，所述识别模块还包括：
状态计算单元，用于根据监测到的图像计算所述目标物体相对于本检测装置的移动状态信息；
距离计算单元，用于计算所述目标物体到本检测装置的距离值；
状态处理单元，用于如果大于预设的距离阈值，则再次根据监测到的新的图像计算所述目标物体相对于本检测装置的移动状态信息，并再次判断所述目标物体到本检测装置的距离值是否小于预设的距离阈值，重复执行本步骤，直至确定出不大于预设的距离阈值时的移动状态信息；
状态确定单元，用于如果不大于预设的距离阈值，则将所述移动状态信息确定为第一状态信息。
20.如权利要求19所述的装置，其特征在于，所述状态计算单元或者所述状态处理单元，在用于计算所述目标物体相对于本检测装置的移动状态信息时，具体用于从当前时刻获取的图像中确定出目标物体的像素坐标，进行坐标映射转换，得到所述目标物体在以所述检测装置为中心的坐标系中的初始位置信息；从预置时间间隔后的时刻获取的图像中确定出目标物体的像素坐标，进行坐标映射转换，得到所述目标物体以所述检测装置为中心的坐标系中的移动位置信息；根据根据初始位置信息、移动位置信息以及预置时间间隔，确定出所述目标物体的速度信息以及方向信息；将确定出的速度信息、方向信息以及所述移动位置信息作为所述目标物体的移动状态信息。
21.如权利要求20所述的装置，其特征在于，还包括：
区分模块，用于基于每一个物体的移动状态信息对各个待监测的物体进行位置预估，根据得到的位置预估值和图像中各个待监测的物体的实际位置来关联区分每一个物体。
22.如权利要求13所述的装置，其特征在于，
所述控制模块，具体用于根据估算出的第二状态信息中的第二位置信息和相对于检测装置的方向，调整云台的转动参数，以使云台挂载的负载瞄准所述目标物体。
23.一种机器人，其特征在于，包括：图像采集装置和处理器，其中：
所述图像采集装置，用于拍摄被检测区域的图像；
所述处理器，用于根据所述图像采集装置拍摄的图像识别被监测区域内的目标物体，并计算所述目标物体相对于本检测装置的第一状态信息；根据所述第一状态信息，估算所述目标物体在经历了预置的延迟时长值后的第二状态信息；根据估算的第二状态信息执行对所述目标物体的处理操作。
CN201480021249.9A 2014-11-12 2014-11-12 一种对目标物体的检测方法、检测装置以及机器人 Expired - Fee Related CN105518702B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2014/090907 WO2016074169A1 (zh) 2014-11-12 2014-11-12 一种对目标物体的检测方法、检测装置以及机器人

Publications (2)

Publication Number Publication Date
CN105518702A true CN105518702A (zh) 2016-04-20
CN105518702B CN105518702B (zh) 2018-06-26

Family

ID=55725021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480021249.9A Expired - Fee Related CN105518702B (zh) 2014-11-12 2014-11-12 一种对目标物体的检测方法、检测装置以及机器人

Country Status (4)

Country Link
US (2) US10551854B2 (zh)
JP (1) JP6310093B2 (zh)
CN (1) CN105518702B (zh)
WO (1) WO2016074169A1 (zh)

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106067021A (zh) * 2016-05-26 2016-11-02 北京新长征天高智机科技有限公司 一种人工辅助的生活垃圾目标识别***
CN106897665A (zh) * 2017-01-17 2017-06-27 北京光年无限科技有限公司 应用于智能机器人的物体识别方法及***
CN106934833A (zh) * 2017-02-06 2017-07-07 江苏华航威泰机器人科技有限公司 一种散乱堆放物料拾取装置和方法
CN106970581A (zh) * 2017-04-30 2017-07-21 中南大学 一种基于无人机群三维全视角的列车受电弓实时智能监测方法及***
CN106970618A (zh) * 2017-04-06 2017-07-21 北京臻迪科技股份有限公司 一种无人船控制方法及***
CN107054411A (zh) * 2017-04-30 2017-08-18 中南大学 一种铁路沿线雪灾无人机雪深智能测量和预测方法与***
CN107054412A (zh) * 2017-04-30 2017-08-18 中南大学 一种铁路车辆转向架冰雪的无人机智能测量与预警方法及***
CN107097812A (zh) * 2017-04-30 2017-08-29 中南大学 一种铁路强降雨量无人机实时智能测量方法及***
CN107097810A (zh) * 2017-04-30 2017-08-29 中南大学 一种铁路沿线异物侵限无人机智能辨识和预警方法及***
CN107491714A (zh) * 2016-06-13 2017-12-19 深圳光启合众科技有限公司 智能机器人及其目标物体识别方法和装置
CN108154521A (zh) * 2017-12-07 2018-06-12 中国航空工业集团公司洛阳电光设备研究所 一种基于目标块融合的运动目标检测方法
CN109362228A (zh) * 2017-10-31 2019-02-19 深圳市大疆创新科技有限公司 无人飞行器、无人飞行器底座及无人飞行器***
CN109556484A (zh) * 2018-12-30 2019-04-02 深圳华侨城文化旅游科技股份有限公司 一种检测物体移动到位的方法及***
CN109564428A (zh) * 2016-07-29 2019-04-02 日本电气方案创新株式会社 移动物体操作***、操作信号发送***、移动物体操作方法、程序和记录介质
CN109615858A (zh) * 2018-12-21 2019-04-12 深圳信路通智能技术有限公司 一种基于深度学习的智能停车行为判断方法
CN109633676A (zh) * 2018-11-22 2019-04-16 浙江中车电车有限公司 一种基于激光雷达侦测障碍物运动方向的方法及***
CN109664321A (zh) * 2018-12-27 2019-04-23 四川文理学院 机械臂、排爆小车及搜寻方法
CN109684985A (zh) * 2018-12-19 2019-04-26 罗建葛 一种智能值守***和值守方法
CN109753945A (zh) * 2019-01-16 2019-05-14 高翔 目标主体识别方法、装置、存储介质和电子设备
CN109933096A (zh) * 2019-03-15 2019-06-25 山东鲁能智能技术有限公司 一种云台伺服控制方法及***
CN109932926A (zh) * 2017-12-19 2019-06-25 帝斯贝思数字信号处理和控制工程有限公司 低延时的用于图像处理***的试验台
CN110640733A (zh) * 2019-10-10 2020-01-03 科大讯飞(苏州)科技有限公司 一种流程执行的控制方法及装置、饮品售卖***
CN111061265A (zh) * 2019-12-06 2020-04-24 常州节卡智能装备有限公司 一种物体搬运方法、装置及***
CN111263116A (zh) * 2020-02-17 2020-06-09 深圳龙安电力科技有限公司 一种基于视觉距离的智能监控***
WO2020220284A1 (zh) * 2019-04-30 2020-11-05 深圳市大疆创新科技有限公司 一种瞄准控制方法、移动机器人及计算机可读存储介质
WO2020258187A1 (zh) * 2019-06-27 2020-12-30 深圳市大疆创新科技有限公司 一种状态检测方法、装置及可移动平台
WO2021026804A1 (zh) * 2019-08-14 2021-02-18 深圳市大疆创新科技有限公司 基于云台的目标跟随方法、装置、云台和计算机存储介质
CN113510697A (zh) * 2021-04-23 2021-10-19 知守科技(杭州)有限公司 机械手定位方法、装置、***、电子装置和存储介质
CN115401689A (zh) * 2022-08-01 2022-11-29 北京市商汤科技开发有限公司 基于单目相机的距离测量方法、装置以及计算机存储介质
CN115570574A (zh) * 2022-08-31 2023-01-06 华南理工大学 用于远程超声机器人的辅助遥控方法、***、装置及介质
CN116600194A (zh) * 2023-05-05 2023-08-15 深圳市门钥匙科技有限公司 一种用于多镜头的切换控制方法及***

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105518702B (zh) * 2014-11-12 2018-06-26 深圳市大疆创新科技有限公司 一种对目标物体的检测方法、检测装置以及机器人
WO2018027339A1 (en) * 2016-08-06 2018-02-15 SZ DJI Technology Co., Ltd. Copyright notice
JP6602743B2 (ja) * 2016-12-08 2019-11-06 株式会社ソニー・インタラクティブエンタテインメント 情報処理装置および情報処理方法
CN109992008A (zh) * 2017-12-29 2019-07-09 深圳市优必选科技有限公司 一种机器人的目标跟随方法及装置
CN108897777B (zh) * 2018-06-01 2022-06-17 深圳市商汤科技有限公司 目标对象追踪方法及装置、电子设备和存储介质
CN109492521B (zh) * 2018-09-13 2022-05-13 北京米文动力科技有限公司 一种人脸定位方法及机器人
JP6696094B2 (ja) * 2018-09-27 2020-05-20 エスゼット ディージェイアイ テクノロジー カンパニー リミテッドＳｚ Ｄｊｉ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．，Ｌｔｄ 移動体、制御方法、及びプログラム
CN113474819A (zh) * 2019-03-27 2021-10-01 索尼集团公司 信息处理装置、信息处理方法和程序
US11055543B2 (en) * 2019-07-26 2021-07-06 Volkswagen Ag Road curvature generation in real-world images as a method of data augmentation
CN112200828A (zh) * 2020-09-03 2021-01-08 浙江大华技术股份有限公司 一种逃票行为的检测方法、装置及可读存储介质
CN112535434B (zh) * 2020-10-23 2022-01-11 湖南新视电子技术有限公司 一种无尘室智能扫地机器人
CN112643719A (zh) * 2020-12-11 2021-04-13 国网智能科技股份有限公司 一种基于巡检机器人的隧道安防检测方法及***
CN113744305B (zh) * 2021-01-20 2023-12-05 北京京东乾石科技有限公司 目标物检测方法、装置、电子设备和计算机存储介质
CN112907624B (zh) * 2021-01-27 2022-07-15 湖北航天技术研究院总体设计所 一种基于多波段信息融合的目标定位、跟踪方法及***
CN113612967B (zh) * 2021-07-19 2024-04-09 深圳华跃云鹏科技有限公司 一种监控区域摄像头自组网***
CN113505779B (zh) * 2021-07-30 2024-07-02 中国农业科学院都市农业研究所 采茶机器人采茶面超声波和视觉融合探测方法及装置
CN113808200B (zh) * 2021-08-03 2023-04-07 嘉洋智慧安全科技(北京)股份有限公司 一种检测目标对象移动速度的方法、装置及电子设备
CN113950144B (zh) * 2021-10-01 2024-03-22 南宁市安普康商贸有限公司 监测方法、***、装置及计算机程序产品
CN118176502A (zh) * 2021-12-31 2024-06-11 华为技术有限公司 一种状态估计方法和装置
CN114441499B (zh) * 2022-04-11 2022-07-12 天津美腾科技股份有限公司 品位检测方法及装置、识别设备、矿浆品位仪及存储介质
CN115157257A (zh) * 2022-07-22 2022-10-11 山东大学 基于uwb导航和视觉识别的智能植物管理机器人及***
CN116580828B (zh) * 2023-05-16 2024-04-02 深圳弗瑞奇科技有限公司 一种猫健康的全自动感应识别的可视化监测方法
CN116872217B (zh) * 2023-09-04 2023-11-17 深圳市普渡科技有限公司 机器人控制方法、装置、机器人和存储介质
CN116883398B (zh) * 2023-09-06 2023-11-28 湖南隆深氢能科技有限公司 基于电堆装配生产线的检测方法、***、终端设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102566432A (zh) * 2012-01-17 2012-07-11 上海交通大学 基于Bang-bang控制策略的最优时间追踪捕获***及其方法

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62197777A (ja) * 1986-02-25 1987-09-01 Nec Corp 衝突回避装置
KR940003204B1 (ko) * 1990-02-27 1994-04-16 가부시끼가이샤 도시바 제어로봇
US6253120B1 (en) * 1997-04-28 2001-06-26 Seiko Seiki Kabushiki Kaisha Position and/or force controlling apparatus using sliding mode decoupling control
JP2000101902A (ja) * 1998-09-18 2000-04-07 Toshiba Corp 監視カメラ制御装置
US6691947B2 (en) * 2002-03-12 2004-02-17 The Boeing Company Repetitive image targeting system
CN1994689B (zh) * 2005-12-28 2011-02-16 松下电器产业株式会社 机器人及机器人检测自动化方法
JP4875541B2 (ja) * 2006-08-28 2012-02-15 株式会社日本自動車部品総合研究所 方位検出方法、物体検出装置、プログラム
JP4267027B2 (ja) * 2006-12-07 2009-05-27 ファナック株式会社 ロボット制御装置
US8253819B2 (en) * 2008-02-06 2012-08-28 Panasonic Corporation Electronic camera and image processing method
JP5515671B2 (ja) * 2009-11-20 2014-06-11 ソニー株式会社 画像処理装置、その制御方法およびプログラム
EP2589218B1 (en) * 2010-06-30 2021-01-20 Tata Consultancy Services Limited Automatic detection of moving object by using stereo vision technique
CN102741884B (zh) * 2010-07-27 2016-06-08 松下知识产权经营株式会社 移动体检测装置及移动体检测方法
CN102457712A (zh) * 2010-10-28 2012-05-16 鸿富锦精密工业（深圳）有限公司 可疑目标识别及追踪***及方法
US9930298B2 (en) * 2011-04-19 2018-03-27 JoeBen Bevirt Tracking of dynamic object of interest and active stabilization of an autonomous airborne platform mounted camera
US8844896B2 (en) * 2011-06-07 2014-09-30 Flir Systems, Inc. Gimbal system with linear mount
JP5962020B2 (ja) * 2012-01-17 2016-08-03 セイコーエプソン株式会社 ロボット制御装置、ロボットシステム、ロボット及びロボット制御方法
KR101245057B1 (ko) * 2012-10-16 2013-03-18 (주)아이아이에스티 화재 감지 방법 및 장치
US10274287B2 (en) * 2013-05-09 2019-04-30 Shooting Simulator, Llc System and method for marksmanship training
CN103599631B (zh) * 2013-11-13 2016-03-02 中北大学 基于机器视觉的飞碟模拟训练***及方法
US9340207B2 (en) * 2014-01-16 2016-05-17 Toyota Motor Engineering & Manufacturing North America, Inc. Lateral maneuver planner for automated driving system
US20170175948A1 (en) * 2014-03-28 2017-06-22 Flir Systems, Inc. Gimbal system having preloaded isolation
US9922427B2 (en) * 2014-06-06 2018-03-20 Infineon Technologies Ag Time-of-flight camera with location sensor system
US9531928B2 (en) * 2014-07-08 2016-12-27 Flir Systems, Inc. Gimbal system with imbalance compensation
CN107577247B (zh) * 2014-07-30 2021-06-25 深圳市大疆创新科技有限公司 目标追踪***及方法
CN105518702B (zh) * 2014-11-12 2018-06-26 深圳市大疆创新科技有限公司 一种对目标物体的检测方法、检测装置以及机器人
JP2017072986A (ja) * 2015-10-07 2017-04-13 パナソニックＩｐマネジメント株式会社 自律飛行装置、自律飛行装置の制御方法及びプログラム
US10755419B2 (en) * 2017-01-30 2020-08-25 Nec Corporation Moving object detection apparatus, moving object detection method and program
JP7127651B2 (ja) * 2017-11-06 2022-08-30 ソニーグループ株式会社 情報処理装置と情報処理方法およびプログラム
JP2020076589A (ja) * 2018-11-06 2020-05-21 日本電産モビリティ株式会社 対象物検出装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102566432A (zh) * 2012-01-17 2012-07-11 上海交通大学 基于Bang-bang控制策略的最优时间追踪捕获***及其方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
朱捷: "仿真机器人足球赛中的实时预测拦截算法", 《电子测试》 *
杨其宇: "图象处理技术在足球机器人中的应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
罗真: "对抗性环境下多机器人协作关键技术的研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106067021B (zh) * 2016-05-26 2019-05-24 北京新长征天高智机科技有限公司 一种人工辅助的生活垃圾目标识别***
CN106067021A (zh) * 2016-05-26 2016-11-02 北京新长征天高智机科技有限公司 一种人工辅助的生活垃圾目标识别***
CN107491714B (zh) * 2016-06-13 2022-04-05 中科晶锐(苏州)科技有限公司 智能机器人及其目标物体识别方法和装置
CN107491714A (zh) * 2016-06-13 2017-12-19 深圳光启合众科技有限公司 智能机器人及其目标物体识别方法和装置
CN109564428A (zh) * 2016-07-29 2019-04-02 日本电气方案创新株式会社 移动物体操作***、操作信号发送***、移动物体操作方法、程序和记录介质
CN106897665A (zh) * 2017-01-17 2017-06-27 北京光年无限科技有限公司 应用于智能机器人的物体识别方法及***
CN106897665B (zh) * 2017-01-17 2020-08-18 北京光年无限科技有限公司 应用于智能机器人的物体识别方法及***
CN106934833A (zh) * 2017-02-06 2017-07-07 江苏华航威泰机器人科技有限公司 一种散乱堆放物料拾取装置和方法
CN106934833B (zh) * 2017-02-06 2019-09-10 华中科技大学无锡研究院 一种散乱堆放物料拾取装置和方法
CN106970618A (zh) * 2017-04-06 2017-07-21 北京臻迪科技股份有限公司 一种无人船控制方法及***
CN107097810A (zh) * 2017-04-30 2017-08-29 中南大学 一种铁路沿线异物侵限无人机智能辨识和预警方法及***
CN107054412B (zh) * 2017-04-30 2018-03-30 中南大学 一种铁路车辆转向架冰雪的无人机智能测量与预警方法及***
CN107097810B (zh) * 2017-04-30 2018-04-20 中南大学 一种铁路沿线异物侵限无人机智能辨识和预警方法及***
CN107097812B (zh) * 2017-04-30 2018-03-02 中南大学 一种铁路强降雨量无人机实时智能测量方法及***
CN107097812A (zh) * 2017-04-30 2017-08-29 中南大学 一种铁路强降雨量无人机实时智能测量方法及***
CN107054412A (zh) * 2017-04-30 2017-08-18 中南大学 一种铁路车辆转向架冰雪的无人机智能测量与预警方法及***
CN107054411A (zh) * 2017-04-30 2017-08-18 中南大学 一种铁路沿线雪灾无人机雪深智能测量和预测方法与***
CN106970581A (zh) * 2017-04-30 2017-07-21 中南大学 一种基于无人机群三维全视角的列车受电弓实时智能监测方法及***
CN109362228A (zh) * 2017-10-31 2019-02-19 深圳市大疆创新科技有限公司 无人飞行器、无人飞行器底座及无人飞行器***
WO2019084796A1 (zh) * 2017-10-31 2019-05-09 深圳市大疆创新科技有限公司 无人飞行器、无人飞行器底座及无人飞行器***
CN109362228B (zh) * 2017-10-31 2022-04-26 深圳市大疆创新科技有限公司 无人飞行器、无人飞行器底座及无人飞行器***
CN108154521A (zh) * 2017-12-07 2018-06-12 中国航空工业集团公司洛阳电光设备研究所 一种基于目标块融合的运动目标检测方法
CN108154521B (zh) * 2017-12-07 2021-05-04 中国航空工业集团公司洛阳电光设备研究所 一种基于目标块融合的运动目标检测方法
CN109932926A (zh) * 2017-12-19 2019-06-25 帝斯贝思数字信号处理和控制工程有限公司 低延时的用于图像处理***的试验台
CN109633676A (zh) * 2018-11-22 2019-04-16 浙江中车电车有限公司 一种基于激光雷达侦测障碍物运动方向的方法及***
CN109684985A (zh) * 2018-12-19 2019-04-26 罗建葛 一种智能值守***和值守方法
CN109615858A (zh) * 2018-12-21 2019-04-12 深圳信路通智能技术有限公司 一种基于深度学习的智能停车行为判断方法
CN109664321A (zh) * 2018-12-27 2019-04-23 四川文理学院 机械臂、排爆小车及搜寻方法
CN109556484A (zh) * 2018-12-30 2019-04-02 深圳华侨城文化旅游科技股份有限公司 一种检测物体移动到位的方法及***
CN109753945A (zh) * 2019-01-16 2019-05-14 高翔 目标主体识别方法、装置、存储介质和电子设备
CN109753945B (zh) * 2019-01-16 2021-07-13 高翔 目标主体识别方法、装置、存储介质和电子设备
CN109933096A (zh) * 2019-03-15 2019-06-25 山东鲁能智能技术有限公司 一种云台伺服控制方法及***
WO2020220284A1 (zh) * 2019-04-30 2020-11-05 深圳市大疆创新科技有限公司 一种瞄准控制方法、移动机器人及计算机可读存储介质
WO2020258187A1 (zh) * 2019-06-27 2020-12-30 深圳市大疆创新科技有限公司 一种状态检测方法、装置及可移动平台
WO2021026804A1 (zh) * 2019-08-14 2021-02-18 深圳市大疆创新科技有限公司 基于云台的目标跟随方法、装置、云台和计算机存储介质
CN110640733B (zh) * 2019-10-10 2021-10-26 科大讯飞(苏州)科技有限公司 一种流程执行的控制方法及装置、饮品售卖***
CN110640733A (zh) * 2019-10-10 2020-01-03 科大讯飞(苏州)科技有限公司 一种流程执行的控制方法及装置、饮品售卖***
CN111061265A (zh) * 2019-12-06 2020-04-24 常州节卡智能装备有限公司 一种物体搬运方法、装置及***
CN111263116A (zh) * 2020-02-17 2020-06-09 深圳龙安电力科技有限公司 一种基于视觉距离的智能监控***
CN113510697A (zh) * 2021-04-23 2021-10-19 知守科技(杭州)有限公司 机械手定位方法、装置、***、电子装置和存储介质
CN115401689A (zh) * 2022-08-01 2022-11-29 北京市商汤科技开发有限公司 基于单目相机的距离测量方法、装置以及计算机存储介质
CN115401689B (zh) * 2022-08-01 2024-03-29 北京市商汤科技开发有限公司 基于单目相机的距离测量方法、装置以及计算机存储介质
CN115570574A (zh) * 2022-08-31 2023-01-06 华南理工大学 用于远程超声机器人的辅助遥控方法、***、装置及介质
CN115570574B (zh) * 2022-08-31 2024-04-30 华南理工大学 用于远程超声机器人的辅助遥控方法、***、装置及介质
CN116600194A (zh) * 2023-05-05 2023-08-15 深圳市门钥匙科技有限公司 一种用于多镜头的切换控制方法及***

Also Published As

Publication number Publication date
WO2016074169A1 (zh) 2016-05-19
JP2017512991A (ja) 2017-05-25
JP6310093B2 (ja) 2018-04-11
CN105518702B (zh) 2018-06-26
US10551854B2 (en) 2020-02-04
US20200159256A1 (en) 2020-05-21
US20170248971A1 (en) 2017-08-31
US11392146B2 (en) 2022-07-19

Similar Documents

Publication Publication Date Title
CN105518702A (zh) 一种对目标物体的检测方法、检测装置以及机器人
US20240203139A1 (en) Systems and methods for depth map sampling
US10970859B2 (en) Monitoring method and device for mobile target, monitoring system and mobile robot
CN103901895B (zh) 一种基于无极FastSLAM算法和匹配优化目标定位方法及机器人
CN110442120B (zh) 控制机器人在不同场景下移动的方法、机器人及终端设备
US10061324B2 (en) Autonomous moving device and self position estimation method
CN107315410B (zh) 一种机器人自动排障方法
CN106605154B (zh) 一种运动目标的监测方法、穿戴式装置及服务器
CN110942474B (zh) 机器人目标跟踪方法、设备及存储介质
CN110674705A (zh) 基于多线激光雷达的小型障碍物检测方法及装置
US10902610B2 (en) Moving object controller, landmark, and moving object control method
CN114683290B (zh) 一种足式机器人位姿优化的方法，装置以及存储介质
CN114612786A (zh) 一种障碍物检测方法、移动机器人及机器可读存储介质
CN110355758B (zh) 一种机器跟随方法、设备及跟随机器人***
CN113838125A (zh) 目标位置确定方法、装置、电子设备以及存储介质
CN110914867A (zh) 位姿确定方法、设备、计算机可读存储介质
CN113158779B (zh) 一种行走方法、装置和计算机存储介质
CN111553342B (zh) 一种视觉定位方法、装置、计算机设备和存储介质
CN111780744A (zh) 移动机器人混合导航方法、设备及存储装置
CN115902977A (zh) 基于视觉和gps的变电站机器人双重定位方法及***
CN107356242B (zh) 一种智能移动设备的室内定位方法及***
CN112847374A (zh) 一种抛物-接物机械人***
CN118362109A (zh) 一种多传感器融合建图方法、***及智能设备
CN118135554A (zh) 基于反光标志物的位姿识别方法及可移动设备
CN117935205A (zh) 伪障碍物检测方法、装置、自动驾驶设备及计算机存储介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180626

CF01 Termination of patent right due to non-payment of annual fee