CN106096559A - 障碍物检测方法及***以及运动物体 - Google Patents
障碍物检测方法及***以及运动物体 Download PDFInfo
- Publication number
- CN106096559A CN106096559A CN201610429351.3A CN201610429351A CN106096559A CN 106096559 A CN106096559 A CN 106096559A CN 201610429351 A CN201610429351 A CN 201610429351A CN 106096559 A CN106096559 A CN 106096559A
- Authority
- CN
- China
- Prior art keywords
- area
- interest
- moving object
- depth
- obstacle detection
- 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.)
- Pending
Links
Classifications
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种障碍物检测方法。所述障碍物检测方法包括：接收运动物体运动方向上的深度图；在所述深度图中确定感兴趣区域，所述运动物体在所述深度图中的投影区域在所述感兴趣区域内；获取所述感兴趣区域的最小深度值，并判断所述感兴趣区域的最小深度值是否小于或等于深度阈值；以及当所述感兴趣区域的最小深度值小于或等于所述深度阈值时，确认所述运动物体的运动方向上存在障碍物。本发明还提供一种应用所述障碍物检测方法的障碍物检测***及运动物体。上述障碍物检测方法及***以及运动物体能快速准确地判断所述运动物体的运动方向上是否存在障碍物。
Description
技术领域
本发明涉及一种障碍物检测方法及***以及运动物体。
背景技术
在无人机飞行过程中，操控者需要实时控制无人机对障碍物进行回避。当无人机的飞行速度较快时，操控者往往很难在短时间内对其飞行路线上的障碍物进行判断，从而导致无人机容易撞上障碍物造成毁坏。
发明内容
鉴于以上内容，有必要提供一种使运动物体能快速准确地判断其运动方向上是否存在障碍物的障碍物检测方法。
还有必要提供一种使运动物体能快速准确地判断其运动方向上是否存在障碍物的障碍物检测***。
还有必要提供一种应用所述障碍物检测***的运动物体。
一种障碍物检测方法，包括：
接收运动物体运动方向上的深度图；
在所述深度图中确定感兴趣区域，所述运动物体在所述深度图中的投影区域在所述感兴趣区域内；
获取所述感兴趣区域的最小深度值，并判断所述感兴趣区域的最小深度值是否小于或等于深度阈值；以及
当所述感兴趣区域的最小深度值小于或等于所述深度阈值时，确认所述运动物体的运动方向上存在障碍物。
进一步地，所述感兴趣区域为方形或圆形区域。
进一步地，所述障碍物检测方法还包括：
当所述感兴趣区域的最小深度值大于所述深度阈值时，确认所述运动物体的运动方向上不存在障碍物。
进一步地，所述障碍物检测方法还包括：
当所述感兴趣区域的最小深度值小于或等于所述深度阈值时，获取所述感兴趣区域的面积，并判断所述感兴趣区域的面积是否大于面积阈值；以及
当所述感兴趣区域的面积大于所述面积阈值时，确认所述运动物体的运动方向上存在障碍物。
进一步地，所述障碍物检测方法还包括：
当所述感兴趣区域的面积小于或等于所述面积阈值时，确认所述运动物体的运动方向上不存在障碍物。
进一步地，所述障碍物检测方法还包括：
当所述感兴趣区域的最小深度值小于或等于所述深度阈值时，获取所述深度图的最小深度值，并判断所述感兴趣区域的最小深度值是否等于所述深度图的最小深度值；以及
当所述感兴趣区域的最小深度值等于所述深度图的最小深度值时，确认所述运动物体的运动方向上存在障碍物。
进一步地，所述障碍物检测方法还包括：
当所述感兴趣区域的最小深度值大于所述深度图的最小深度值时，将所述深度图的最小深度值更新为所述感兴趣区域的最小深度值，并根据更新后的深度图的最小深度值重新确定感兴趣区域。
进一步地，所述障碍物检测方法还包括：
当确认所述运动物体的运动方向上存在障碍物时，控制所述运动物体进行避障。
进一步地，所述障碍物检测方法还包括：
当确认所述运动物体的运动方向上不存在障碍物时，控制所述运动物体保持当前的运动速度。
进一步地，所述障碍物检测方法还包括：
获取所述深度图的最小深度值，并判断所述深度图的最小深度值是否大于所述深度阈值；以及
当所述深度图的最小深度值小于或等于所述深度阈值时，在所述深度图中确定感兴趣区域。
进一步地，所述障碍物检测方法还包括：
当所述深度图的最小深度值大于所述深度阈值时，控制所述运动物体保持当前的运动速度。
一种障碍物检测***，包括深度图获取模块及避障控制模块，所述深度图获取模块获取所述运动物体运动方向上的深度图，所述避障控制模块用于接收所述深度图，并在所述深度图中确定感兴趣区域，所述运动物体在所述深度图中的显示区域在所述感兴趣区域内，所述避障控制模块还用于获取所述感兴趣区域的最小深度值，并判断所述感兴趣区域的最小深度值是否小于或等于深度阈值，且在所述感兴趣区域的最小深度值小于或等于所述深度阈值时，确认所述运动物体的运动方向上存在障碍物。
进一步地，所述感兴趣区域为方形或圆形区域。
进一步地，所述避障控制模块还用于在所述感兴趣区域的最小深度值大于所述深度阈值时，确认所述运动物体的运动方向上不存在障碍物。
进一步地，所述避障控制模块还用于在所述感兴趣区域的最小深度值小于或等于所述深度阈值时，获取所述感兴趣区域的面积并判断所述感兴趣区域的面积是否大于面积阈值，且在所述感兴趣区域的面积大于所述面积阈值时，确认所述运动物体的运动方向上存在障碍物。
进一步地，所述避障控制模块还用于在所述感兴趣区域的面积小于或等于所述面积阈值时，确认所述运动物体的运动方向上不存在障碍物。
进一步地，所述避障控制模块还用于在所述感兴趣区域的最小深度值小于或等于所述深度阈值时，获取所述深度图的最小深度值，并判断所述感兴趣区域的最小深度值是否等于所述深度图的最小深度值，且在所述感兴趣区域的最小深度值等于所述深度图的最小深度值时，确认所述运动物体的运动方向上存在障碍物。
进一步地，所述避障控制模块还用于在所述感兴趣区域的最小深度值大于所述深度图的最小深度值时，将所述深度图的最小深度值更新为所述感兴趣区域的最小深度值，并根据更新后的深度图的最小深度值重新确定感兴趣区域。
进一步地，所述障碍物检测***还包括运动控制模块，所述避障控制模块还用于在确认所述运动物体需要进行避障时，计算避障速度并将所述避障速度作为目标速度输出给所述运动控制模块，所述运动控制模块控制所述运动物体按照所述目标速度运动。
进一步地，所述障碍物检测***还包括运动控制模块，所述避障控制模块还用于接收所述运动物体当前的运动速度，并在确认所述运动物体的运动方向上不存在障碍物时，将所述运动物体当前的运动速度作为目标速度输出给所述运动控制模块，所述运动控制模块控制所述运动物体按照所述目标速度运动。
进一步地，所述避障控制模块还用于获取所述深度图的最小深度值；判断所述深度图的最小深度值是否大于所述深度阈值；以及在所述深度图的最小深度值小于或等于所述深度阈值时，在所述深度图中确定感兴趣区域。
进一步地，所述障碍物检测***还包括运动控制模块，所述避障控制模块还用于接收所述运动物体当前的运动速度，并在所述深度图的最小深度值大于所述深度阈值时，将所述运动物体当前的运动速度作为目标速度输出给所述运动控制模块，所述运动控制模块控制所述运动物体按照所述目标速度运动。
一种运动物体，包括主体及设置在所述主体上的如上所述的障碍物检测***。
进一步地，所述运动物体包括无人机、车、船及机器人。
相较于现有技术，本发明通过所述避障控制模块确定所述感兴趣区域，以使所述障碍物检测***及所述障碍物检测方法在检测障碍物时只需对所述感兴趣区域的像素进行处理，而不需对所述深度图中的每个像素进行处理，从而简化了障碍物检测流程，降低了芯片资源的消耗，且提升了运算效率，进而使所述运动物体能快速准确地判断其运动方向上是否存在障碍物。
附图说明
图1为本发明的实施方式提供的运动物体的原理框图。
图2为本发明的实施方式提供的深度图及感兴趣区域的第一状态的示意图。
图3为本发明的实施方式提供的深度图及感兴趣区域的第二状态的示意图。
图4为本发明的实施方式提供的障碍物检测方法的流程图。
图5为图4中步骤S5的子流程图。
图6为本发明的实施方式提供的控制坐标系的示意图。
图7为本发明的实施方式提供的机体坐标系的示意图。
图8为图4中步骤S6第一实施方式的子流程图。
图9为图4中步骤S6第二实施方式的子流程图。
图10为图4中步骤S6第三实施方式的子流程图。
图11为图4中步骤S6第四实施方式的子流程图。
图12为图4中步骤S6第五实施方式的子流程图。
主要元件符号说明
| 运动物体 | 10 |
| 无人机 | 10’ |
| 主体 | 100 |
| 机体 | 100’ |
| 机头 | 110’ |
| 障碍物检测*** | 200 |
| 深度图获取模块 | 210 |
| 深度图 | 212 |
| 避障控制模块 | 220 |
| 感兴趣区域 | 226 |
| 运动控制模块 | 230 |
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了防止飞行时撞上障碍物，无人机上采用了障碍物检测技术。障碍物检测技术是通过获取无人机周边环境的深度图，分析深度图中所包含的深度信息，以判断无人机与其运动速度方向上障碍物的距离，再根据运动物体与其运动速度方向上障碍物的距离来判断是否需要进行避障。
由于障碍物检测技术在分析深度图中所包含的深度信息时，需要对整幅深度图进行处理，即需要对深度图的每个像素进行处理，因此运算复杂度较高。又由于无人机的芯片处理能力有限，因此采用这种障碍物检测技术不仅会消耗大量的芯片资源，而且运算时间较长，用户体验感较差。
为了解决上述问题，本发明提供了一种障碍物检测方法及***以及运动物体。本发明通过对深度信息的数据处理方法进行优化改进，在不降低避障判断精确度的前提下，简化障碍物检测流程，降低对芯片资源的消耗，且提升运算效率。
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。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1，图1为本发明的实施方式提供的运动物体10的原理框图。所述运动物体10包括主体100及设置于所述主体100上的障碍物检测***200。所述障碍物检测***200包括深度图获取模块210、避障控制模块220及运动控制模块230。所述避障控制模块220与所述深度图获取模块210及所述运动控制模块230相连。可以理解，所述运动物体10包括无人机、车、船、机器人等。
所述深度图获取模块210用于在所述运动物体10的运动过程中，采集所述运动物体10前方视觉区域中的深度信息，并对采集到的深度信息进行计算和反馈，以获取所述运动物体10运动方向上的深度图。可以理解，所述深度图获取模块210可以通过超声波检测、激光雷达扫描、红外反射、双目视差测距等方式获取深度信息，其中，所述双目视差测距是采用两个或者两个以上的摄像装置来采集图像，并计算采集到的各个图像的视差，从而获取摄像头视角内的深度信息。所述摄像装置包括相机、摄像头等。
可以理解，深度图是一种二维单通道灰度图像，单位为像素点。深度图通过定义每个像素点的灰度值，以表示所述运动物体10与障碍物的距离，通常定义为亮度越低，即灰度值越小，距离越近，亮度越高，即灰度值越大，距离越远。
请同时参阅图2及图3，图2及图3为本发明的实施方式提供的深度图与感兴趣区域的状态图。所述避障控制模块220用于接收所述深度图获取模块210输出的深度图212，并接收所述运动控制模块230输出的所述主体100的尺寸及所述运动物体10当前的运动速度。所述避障控制模块220还用于获取所述深度图212的深度信息，所述深度图212的深度信息包括所述深度图212的面积及/或所述深度图212的最小深度值MinDepth。所述避障控制模块220还用于设置深度信息阈值，所述深度信息阈值包括深度阈值及/或面积阈值。所述避障控制模块220还用于在所述深度图212中确定感兴趣区域(Region ofinterest，简称ROI)226并获取所述感兴趣区域226的深度信息，所述感兴趣区域226的深度信息包括所述感兴趣区域226的面积及/或所述感兴趣区域226的最小深度值MinDepth’，所述运动物体10在所述深度图212中的显示区域在所述感兴趣区域226内。所述避障控制模块220还用于将所述感兴趣区域226的深度信息与所述深度信息阈值进行比对，且根据所述感兴趣区域226的深度信息与所述深度信息阈值的比对结果判断所述运动物体10的运动方向上是否存在障碍物，并在所述运动物体10的运动方向上存在障碍物时，计算避障速度并将所述避障速度作为目标速度输出给所述运动控制模块230；且在所述运动物体10的运动方向上不存在障碍物时，将所述运动物体10当前的运动速度作为目标速度输出给所述运动控制模块230。
可以理解，深度值是指所述深度图212中显示的所述运动物体10与障碍物之间的相对距离，深度值越小，表明所述运动物体10离障碍物越近。最小深度值是指所述深度图212中显示的所述运动物体10与障碍物之间的最小相对距离，随着深度图的刷新，最小深度值呈动态变化。所述深度图212的最小深度值MinDepth是指整幅深度图中显示的障碍物与所述运动物体10之间的最小相对距离。所述感兴趣区域226的最小深度值MinDepth’是指所述感兴趣区域226中显示的障碍物与所述运动物体10之间的最小相对距离。
可以理解，所述深度阈值是指所述运动物体10与障碍物之间的最小安全距离。所述深度阈值为人工设置参数，所述深度阈值可以是数值或数值范围，所述数值或数值范围可以是固定的，也可以是动态的。动态是指所述深度阈值根据所述运动物体10当前的运动速度进行实时调整，速度越快则所述深度阈值越大。
可以理解，所述面积阈值是指安全距离下所述运动物体10沿其运动方向投影到所述深度图212中所占据的像素格数量，所述面积阈值为人工设置参数。
可以理解，所述感兴趣区域226是指所述深度图212中显示的所述运动物体10会经过的区域。所述运动物体10在所述深度图212中的投影区域在所述感兴趣区域内，即，所述感兴趣区域226大于或等于所述运动物体10在所述深度图212中的投影区域。所述感兴趣区域的形状可以预先设定，可以是方形或圆形。
可以理解，所述感兴趣区域226的面积是指所述感兴趣区域226在所述深度图212中的投影面积，即，所述感兴趣区域226投影到所述深度图212中所占据的像素格数量，所述感兴趣区域226的投影占据的像素格数量越多，表明所述感兴趣区域226的面积越大，所述运动物体10与障碍物的距离越近。即，如图2及图3所示，当所述运动物体10与障碍物的距离越近时，所述感兴趣区域226的面积越大，所述感兴趣区域226的面积的最大值为所述深度图212的面积；当所述运动物体10与障碍物的距离越远时，所述感兴趣区域226的面积越小。
可以理解，所述感兴趣区域226的面积与所述运动物体10在所述深度图212中的投影区域之间的比例是保持不变的。所述感兴趣区域226的面积变大，所述运动物体10在所述深度图212中的投影区域随之变大。所述感兴趣区域226的面积变小，所述运动物体10在所述深度图212中的投影区域随之变小。
可以理解，所述避障控制模块220可以根据所述深度图212的最小深度值MinDepth、所述感兴趣区域226的最小深度值MinDepth’、所述深度阈值、所述感兴趣区域226的面积、所述深度图212的面积及所述面积阈值来判断所述运动物体10的运动方向上是否存在障碍物。
具体地，当所述感兴趣区域226的最小深度值MinDepth’小于或等于所述深度阈值时；或当所述感兴趣区域226的最小深度值MinDepth’小于或等于所述深度阈值且等于所述深度图212的最小深度值MinDepth时，所述避障控制模块220判断所述运动物体10的运动方向上存在障碍物。当所述感兴趣区域226的最小深度值MinDepth’大于所述深度阈值时；或当所述感兴趣区域226的面积小于或等于所述面积阈值时，所述避障控制模块220判断所述运动物体10的运动方向上不存在障碍物。
可以理解，所述避障控制模块220包括各种计算资源，例如CPU(CentralProcessing Unit，中央处理器)、GPU(Graphics Processing Unit，图形处理器)及其他计算资源。
所述运动控制模块230用于存储所述主体100的尺寸、获取所述运动物体10当前的运动速度，并将所述主体100的尺寸及所述运动物体10当前的运动速度传输至所述避障控制模块220。所述运动控制模块230还用于接收所述避障控制模块220输出的目标速度，并控制所述运动物体10按照所述目标速度运动，从而实现避障。
可以理解，所述主体100的尺寸可以存储在所述运动控制模块230中，也可以存储在所述避障控制模块220中，还可以既存储在所述运动控制模块230中又存储在所述避障控制模块220中。当所述避障控制模块220中存储有所述主体100的尺寸时，所述运动控制模块230不用将所述主体100的尺寸输出给所述避障控制模块220。
请参阅图4，图4为本发明的实施方式提供的障碍物检测方法的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以拆分，某些步骤可以省略。所述障碍物检测方法包括以下步骤：
步骤S1，接收所述运动物体10当前的运动速度及所述运动物体10运动方向上的深度图212。
步骤S2，获取所述深度图212的深度信息，所述深度图212的深度信息包括所述深度图212的面积及所述深度图212的最小深度值MinDepth。
步骤S3，判断所述深度图212的最小深度值MinDepth是否大于所述深度阈值。若所述深度图212的最小深度值MinDepth大于所述深度阈值，则表明所述运动物体10的运动方向上不存在障碍物，无需避障，因此执行步骤S4；若所述深度图212的最小深度值MinDepth小于或等于所述深度阈值，则表明所述运动物体10的运动方向上可能存在障碍物，可能需要进行避障，因此执行步骤S5。
步骤S4，控制所述运动物体10保持当前的运动速度。即，将所述运动物体10当前的运动速度作为目标速度来控制所述运动物体10运动。
步骤S5，在所述深度图212中确定感兴趣区域226。所述运动物体10在所述深度图212中的投影区域在所述感兴趣区域226内。
步骤S6，获取所述感兴趣区域226的深度信息并将所述感兴趣区域226的深度信息与深度信息阈值进行比对，且根据所述感兴趣区域226的深度信息与所述深度信息阈值的比对结果判断所述运动物体10的运动方向上是否存在障碍物。当所述运动物体10的运动方向上存在障碍物时，执行步骤S7；当所述运动物体10的运动方向上不存在障碍物时，执行步骤S4。所述感兴趣区域226的深度信息包括所述感兴趣区域226的最小深度值MinDepth’及/或所述感兴趣区域226的面积。所述深度信息阈值包括所述深度阈值及/或所述面积阈值。
步骤S7，控制所述运动物体10进行避障。即，计算避障速度并将所述避障速度作为目标速度来控制所述运动物体10运动。
请参阅图5，图5为图4中步骤S5的子流程图。本实施方式中，仅以所述运动物体10为无人机10’为例来说明图4中步骤S5所包括的子步骤。可以理解，当所述运动物体10为车、船、机器人等时，图4中步骤S5所包括的子步骤可根据图5中的步骤进行相应调整。所述无人机10’包括机体100’及设置于所述机体100’上的障碍物检测***200，所述机体100’包括机头110’。
根据不同的需求，所述步骤S5的子流程图中步骤的顺序可以改变，某些步骤可以拆分，某些步骤可以省略。“在所述深度图212中确定感兴趣区域226”包括以下步骤：
步骤S51，获取所述机体100’的尺寸以及所述机头110’投影点的位置。
步骤S52，获取所述无人机10’在控制坐标系下的速度，并将所述控制坐标系下的速度转换为机体坐标系下的速度。转换公式为：，其中，Rctrl2fly为所述控制坐标系和所述机体坐标系之间的转换矩阵。
请参阅图6，图6为本发明的实施方式提供的所述控制坐标系的示意图。所述控制坐标系是指以所述无人机10’的质心为原点，以所述机头110’方向的水平分量为y轴，垂直于地面向上的方向为z轴，垂直于yz平面且遵循右手法则的方向为x轴，即所谓的“北东地坐标系”。
请参阅图7，图7为本发明的实施方式提供的所述机体坐标系的示意图。所述机体坐标系是指以所述无人机10’的质心为原点，以所述机头110’方向为y轴，垂直所述机头110’向上的方向为z轴，垂直于yz平面且遵循右手法则的方向为x轴。当所述无人机10’以完全水平状态运动时，所述机体坐标系和所述控制坐标系重合。
步骤S53，将所述机体坐标系下的速度转换为摄像坐标系下的速度。转换公式为，其中，Rfly2cam为所述机体坐标系和所述摄像坐标系之间的转换矩阵。所述摄像坐标系是指以摄像装置的焦点为原点，以光轴方向为z轴，x、y轴与图像坐标系的x轴和y轴平行。所述图像坐标系是指以摄像装置所拍摄图像的左上角为原点，水平向右方向为x轴，垂直向下方向为y轴所建立的以像素为单位的二维平面坐标系。
步骤S54，在所述摄像坐标系下，根据所述速度、所述机体100’的尺寸、所述机头110’投影点的位置以及所述深度图212的最小深度值MinDepth来确定所述感兴趣区域226。
可以理解，将所述摄像坐标系中的感兴趣区域投影到深度图中，转换公式为：PI＝KPC，PI为所述感兴趣区域226在所述图像坐标系下的坐标值，PC为所述感兴趣区域226在所述摄像坐标系下的坐标值，K为摄像装置的内参矩阵，从而得到所述感兴趣区域226在所述深度图212中的投影面积。
可以理解，若障碍物在所述运动物体10的运动方向上，则随着所述运动物体10的前进，所述感兴趣区域226的最小深度值MinDepth’不断变小，所述感兴趣区域226的面积会不断变大。若障碍物不在所述运动物体10的运动方向上，且所述感兴趣区域226的最小深度值MinDepth’大于所述深度阈值时，则随着所述运动物体10的前进，所述感兴趣区域226的面积会小于或等于所述面积阈值。
请参阅图8，图8为图4中步骤S6第一实施方式的子流程图。“获取所述感兴趣区域226的深度信息并将所述感兴趣区域226的深度信息与深度信息阈值进行比对，且根据所述感兴趣区域226的深度信息与所述深度信息阈值的比对结果判断所述运动物体10的运动方向上是否存在障碍物”包括以下步骤：
步骤S81，获取所述感兴趣区域226的最小深度值MinDepth’，并判断所述感兴趣区域226的最小深度值MinDepth’是否小于或等于所述深度阈值。若所述感兴趣区域226的最小深度值MinDepth’小于或等于所述深度阈值，则表明所述运动物体10的运动方向上存在障碍物，因此执行步骤S82；若所述感兴趣区域226的最小深度值MinDepth’大于所述深度阈值，则表明所述运动物体10的运动方向上不存在障碍物，因此执行步骤S83。
步骤S82，确认所述运动物体10的运动方向上存在障碍物。
步骤S83，确认所述运动物体10的运动方向上不存在障碍物。
请参阅图9，图9为图4中步骤S6第二实施方式的子流程图。“获取所述感兴趣区域226的深度信息并将所述感兴趣区域226的深度信息与深度信息阈值进行比对，且根据所述感兴趣区域226的深度信息与所述深度信息阈值的比对结果判断所述运动物体10的运动方向上是否存在障碍物”包括以下步骤：
步骤S91，获取所述感兴趣区域226的最小深度值MinDepth’，并判断所述感兴趣区域226的最小深度值MinDepth’是否小于或等于所述深度阈值。若所述感兴趣区域226的最小深度值MinDepth’大于所述深度阈值，则表明所述运动物体10的运动方向上不存在障碍物，因此执行步骤S92；若所述感兴趣区域226的最小深度值MinDepth’小于或等于所述深度阈值，则表明所述运动物体10的运动方向上可能存在障碍物，因此执行步骤S93。
步骤S92，确认所述运动物体10的运动方向上不存在障碍物。
步骤S93，获取所述感兴趣区域226的面积，并判断所述感兴趣区域226的面积是否大于所述面积阈值。若所述感兴趣区域226的面积大于所述面积阈值，则表明所述感兴趣区域226的最小深度值MinDepth’的像素点不是图像噪点而是实际障碍物，因此执行步骤S94；若所述感兴趣区域226的面积小于或等于所述面积阈值，则表明运动物体10的运动方向上不存在障碍物，因此执行步骤S92。
步骤S94，确认所述运动物体10的运动方向上存在障碍物。
请参阅图10，图10为图4中步骤S6第三实施方式的子流程图。该子流程图中步骤的顺序可以改变，某些步骤可以拆分，某些步骤可以省略。“获取所述感兴趣区域226的深度信息并将所述感兴趣区域226的深度信息与深度信息阈值进行比对，且根据所述感兴趣区域226的深度信息与所述深度信息阈值的比对结果判断所述运动物体10的运动方向上是否存在障碍物”包括以下步骤：
步骤S101，获取所述感兴趣区域226的最小深度值MinDepth’，并判断所述感兴趣区域226的最小深度值MinDepth’是否小于或等于所述深度阈值。若所述感兴趣区域226的最小深度值MinDepth’大于所述深度阈值，则表明所述运动物体10的运动方向上不存在障碍物，因此执行步骤S102；若所述感兴趣区域226的最小深度值MinDepth’小于或等于所述深度阈值，则表明所述运动物体10的运动方向上可能存在障碍物，因此执行步骤S103。
步骤S102，确认所述运动物体10的运动方向上不存在障碍物。
步骤S103，获取所述深度图212的最小深度值MinDepth，判断所述感兴趣区域226的最小深度值MinDepth’是否等于所述深度图212的最小深度值MinDepth。若所述感兴趣区域226的最小深度值MinDepth’等于所述深度图212的最小深度值MinDepth，则表明所述深度图212的最小深度值MinDepth位于所述感兴趣区域226中，所述运动物体10的运动方向上存在障碍物，因此执行步骤S104；若所述感兴趣区域226的最小深度值MinDepth’大等所述深度图212的最小深度值MinDepth，则表明所述深度图212的最小深度值MinDepth不在所述感兴趣区域226中，因此执行步骤S105。
步骤S104，确认所述运动物体10的运动方向上存在障碍物。
步骤S105，将所述深度图212的最小深度值MinDepth更新为所述感兴趣区域226的最小深度值MinDepth’，并执行步骤S2。
可以理解，图4及10表示的是一帧深度图中的障碍物检测方法的流程图，在更新所述深度图212的最小深度值后，返回步骤S2，以根据更新后的所述深度图212的最小深度值重新确定感兴趣区域，并获取重新确定的感兴趣区域的最小深度值，且将更新后的所述深度图212的最小深度值与重新确定的感兴趣区域的最小深度值进行比较。若重新确定的感兴趣区域的最小深度值依然大于更新后的所述深度图212的最小深度值，将所述深度图212的最小深度值更新为重新确定的感兴趣区域的最小深度值，如此循环往复形成迭代，在迭代过程中，感兴趣区域不断缩小，直至感兴趣区域的最小深度值小于或等于深度图的最小深度值时，才能得到最终确认的感兴趣区域，才会根据最终确认的感兴趣区域计算避障速度。
请参阅图11，图11为图4中步骤S6第四实施方式的子流程图。“获取所述感兴趣区域226的深度信息并将所述感兴趣区域226的深度信息与深度信息阈值进行比对，且根据所述感兴趣区域226的深度信息与所述深度信息阈值的比对结果判断所述运动物体10的运动方向上是否存在障碍物”包括以下步骤：
步骤S111，获取所述感兴趣区域226的面积，并判断所述感兴趣区域226的面积是否大于所述面积阈值。若所述感兴趣区域226的面积大于所述面积阈值，则表明所述运动物体10的运动方向上存在障碍物，因此执行步骤S112；若所述感兴趣区域226在所述深度图212中的投影面积小于或等于所述面积阈值，则表明所述运动物体10的运动方向上不存在障碍物，因此执行步骤S113。
可以理解，若所述感兴趣区域226的面积等于所述深度图212的面积，则表明障碍物在所述运动物体10的运动方向上，并且距离所述运动物体10非常近，需要立即进行避障。因此，在其它实施方式中，可能还包括判断所述感兴趣区域226的面积是否等于所述深度图212的面积的步骤。
步骤S112，确认所述运动物体10的运动方向上存在障碍物。
步骤S113，确认所述运动物体10的运动方向上不存在障碍物。
请参阅图12，图12为图4中步骤S6第五实施方式的子流程图，根据不同的需求，该子流程图中步骤的顺序可以改变，某些步骤可以拆分，某些步骤可以省略。“获取所述感兴趣区域226的深度信息并将所述感兴趣区域226的深度信息与深度信息阈值进行比对，且根据所述感兴趣区域226的深度信息与所述深度信息阈值的比对结果判断所述运动物体10的运动方向上是否存在障碍物”包括以下步骤：
步骤S121，获取所述感兴趣区域226的最小深度值MinDepth’，并判断所述感兴趣区域226的最小深度值MinDepth’是否大于所述深度阈值。若所述感兴趣区域226的最小深度值MinDepth’大于所述深度阈值，则表明所述运动物体10的运动方向上不存在障碍物，因此执行步骤S122；若所述感兴趣区域226的最小深度值MinDepth’小于或等于所述深度阈值，则表明所述运动物体10的运动方向上可能存在障碍物，因此执行步骤S123。
步骤S123，获取所述感兴趣区域226的面积，并判断所述感兴趣区域226的面积是否大于所述面积阈值。若所述感兴趣区域226的面积大于所述面积阈值，则表明所述感兴趣区域226的最小深度值MinDepth’的像素点不是图像噪点而是实际障碍物，因此执行步骤S124；若所述感兴趣区域226的面积小于或等于所述面积阈值，则表明运动物体10的运动方向上无障碍物，因此执行步骤S122。
步骤S124，获取所述深度图212的最小深度值MinDepth，判断所述感兴趣区域226的最小深度值MinDepth’是否等于所述深度图212的最小深度值MinDepth。若所述感兴趣区域226的最小深度值MinDepth’等于所述深度图212的最小深度值MinDepth，则表明所述深度图212的最小深度值MinDepth位于所述感兴趣区域226中，所述运动物体10的运动方向上存在障碍物，因此执行步骤S125；若所述感兴趣区域226的最小深度值MinDepth’大于所述深度图212的最小深度值MinDepth，则表明所述深度图212的最小深度值MinDepth不在所述感兴趣区域226中，因此执行步骤S126。
步骤S125，确认所述运动物体10的运动方向上存在障碍物。
步骤S126，将所述深度图212的最小深度值MinDepth更新为所述感兴趣区域226的最小深度值MinDepth’，并执行步骤S2。
可以理解，图4及12表示的是一帧深度图中的障碍物检测方法的流程图，在更新所述深度图212的最小深度值后，返回步骤S2，以根据更新后的所述深度图212的最小深度值重新确定感兴趣区域，并获取重新确定的感兴趣区域的最小深度值，且将更新后的所述深度图212的最小深度值与重新确定的感兴趣区域的最小深度值进行比较。若重新确定的感兴趣区域的最小深度值依然大于更新后的所述深度图212的最小深度值，将所述深度图212的最小深度值更新为重新确定的感兴趣区域的最小深度值，如此循环往复形成迭代，在迭代过程中，感兴趣区域不断缩小，直至感兴趣区域的最小深度值小于或等于深度图的最小深度值时，才能得到最终确认的感兴趣区域，才会根据最终确认的感兴趣区域计算避障速度。
本发明通过所述避障控制模块220确定所述感兴趣区域226，以使所述障碍物检测***200及所述障碍物检测方法在检测障碍物时只需对所述感兴趣区域226的像素进行处理，而不需对所述深度图212中的每个像素进行处理，从而简化了障碍物检测流程，降低了对芯片资源的消耗，且提升了运算效率，进而使所述运动物体10能快速准确地判断所述运动物体10的运动方向上是否存在障碍物。
以上实施方式仅用以说明本发明的技术方案而非限制，尽管参照以上实施方式对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换都不应脱离本发明技术方案的精神和范围。
Claims (24)
1.一种障碍物检测方法，其特征在于：所述障碍物检测方法包括：
接收运动物体运动方向上的深度图；
在所述深度图中确定感兴趣区域，所述运动物体在所述深度图中的投影区域在所述感兴趣区域内；
获取所述感兴趣区域的最小深度值，并判断所述感兴趣区域的最小深度值是否小于或等于深度阈值；以及
当所述感兴趣区域的最小深度值小于或等于所述深度阈值时，确认所述运动物体的运动方向上存在障碍物。
2.根据权利要求1所述的障碍物检测方法，其特征在于：所述感兴趣区域为方形或圆形区域。
3.根据权利要求1所述的障碍物检测方法，其特征在于：所述障碍物检测方法还包括：
当所述感兴趣区域的最小深度值大于所述深度阈值时，确认所述运动物体的运动方向上不存在障碍物。
4.根据权利要求1所述的障碍物检测方法，其特征在于：所述障碍物检测方法还包括：
当所述感兴趣区域的最小深度值小于或等于所述深度阈值时，获取所述感兴趣区域的面积，并判断所述感兴趣区域的面积是否大于面积阈值；以及
当所述感兴趣区域的面积大于所述面积阈值时，确认所述运动物体的运动方向上存在障碍物。
5.根据权利要求4所述的障碍物检测方法，其特征在于：所述障碍物检测方法还包括：
当所述感兴趣区域的面积小于或等于所述面积阈值时，确认所述运动物体的运动方向上不存在障碍物。
6.根据权利要求1所述的障碍物检测方法，其特征在于：所述障碍物检测方法还包括：
当所述感兴趣区域的最小深度值小于或等于所述深度阈值时，获取所述深度图的最小深度值，并判断所述感兴趣区域的最小深度值是否等于所述深度图的最小深度值；以及
当所述感兴趣区域的最小深度值等于所述深度图的最小深度值时，确认所述运动物体的运动方向上存在障碍物。
7.根据权利要求6所述的障碍物检测方法，其特征在于：所述障碍物检测方法还包括：
当所述感兴趣区域的最小深度值大于所述深度图的最小深度值时，将所述深度图的最小深度值更新为所述感兴趣区域的最小深度值，并根据更新后的深度图的最小深度值重新确定感兴趣区域。
8.根据权利要求1、4及6中任一项所述的障碍物检测方法，其特征在于：所述障碍物检测方法还包括：
当确认所述运动物体的运动方向上存在障碍物时，控制所述运动物体进行避障。
9.根据权利要求3或5所述的障碍物检测方法，其特征在于：所述障碍物检测方法还包括：
当确认所述运动物体的运动方向上不存在障碍物时，控制所述运动物体保持当前的运动速度。
10.根据权利要求1所述的障碍物检测方法，其特征在于：所述障碍物检测方法还包括：
获取所述深度图的最小深度值，并判断所述深度图的最小深度值是否大于所述深度阈值；以及
当所述深度图的最小深度值小于或等于所述深度阈值时，在所述深度图中确定感兴趣区域。
11.根据权利要求10所述的障碍物检测方法，其特征在于：所述障碍物检测方法还包括：
当所述深度图的最小深度值大于所述深度阈值时，控制所述运动物体保持当前的运动速度。
12.一种障碍物检测***，其特征在于：所述障碍物检测***包括深度图获取模块及避障控制模块，所述深度图获取模块获取所述运动物体运动方向上的深度图，所述避障控制模块用于接收所述深度图，并在所述深度图中确定感兴趣区域，所述运动物体在所述深度图中的投影区域在所述感兴趣区域内，所述避障控制模块还用于获取所述感兴趣区域的最小深度值，并判断所述感兴趣区域的最小深度值是否小于或等于深度阈值，且在所述感兴趣区域的最小深度值小于或等于所述深度阈值时，确认所述运动物体的运动方向上存在障碍物。
13.根据权利要求12所述的障碍物检测***，其特征在于：所述感兴趣区域为方形或圆形区域。
14.根据权利要求12所述的障碍物检测***，其特征在于：所述避障控制模块还用于在所述感兴趣区域的最小深度值大于所述深度阈值时，确认所述运动物体的运动方向上不存在障碍物。
15.根据权利要求12所述的障碍物检测***，其特征在于：所述避障控制模块还用于在所述感兴趣区域的最小深度值小于或等于所述深度阈值时，获取所述感兴趣区域的面积并判断所述感兴趣区域的面积是否大于面积阈值，且在所述感兴趣区域的面积大于所述面积阈值时，确认所述运动物体的运动方向上存在障碍物。
16.根据权利要求15所述的障碍物检测***，其特征在于：所述避障控制模块还用于在所述感兴趣区域的面积小于或等于所述面积阈值时，确认所述运动物体的运动方向上不存在障碍物。
17.根据权利要求12所述的障碍物检测***，其特征在于：所述避障控制模块还用于在所述感兴趣区域的最小深度值小于或等于所述深度阈值时，获取所述深度图的最小深度值，并判断所述感兴趣区域的最小深度值是否等于所述深度图的最小深度值，且在所述感兴趣区域的最小深度值等于所述深度图的最小深度值时，确认所述运动物体的运动方向上存在障碍物。
18.根据权利要求17所述的障碍物检测***，其特征在于：所述避障控制模块还用于在所述感兴趣区域的最小深度值大于所述深度图的最小深度值时，将所述深度图的最小深度值更新为所述感兴趣区域的最小深度值，并根据更新后的深度图的最小深度值重新确定感兴趣区域。
19.根据权利要求12、15及17中任一项所述的障碍物检测***，其特征在于：所述障碍物检测***还包括运动控制模块，所述避障控制模块还用于在确认所述运动物体需要进行避障时，计算避障速度并将所述避障速度作为目标速度输出给所述运动控制模块，所述运动控制模块控制所述运动物体按照所述目标速度运动。
20.根据权利要求14或16所述的障碍物检测***，其特征在于：所述障碍物检测***还包括运动控制模块，所述避障控制模块还用于接收所述运动物体当前的运动速度，并在确认所述运动物体的运动方向上不存在障碍物时，将所述运动物体当前的运动速度作为目标速度输出给所述运动控制模块，所述运动控制模块控制所述运动物体按照所述目标速度运动。
21.根据权利要求12所述的障碍物检测***，其特征在于：所述避障控制模块还用于获取所述深度图的最小深度值；判断所述深度图的最小深度值是否大于所述深度阈值；以及在所述深度图的最小深度值小于或等于所述深度阈值时，在所述深度图中确定感兴趣区域。
22.根据权利要求21所述的障碍物检测***，其特征在于：所述障碍物检测***还包括运动控制模块，所述避障控制模块还用于接收所述运动物体当前的运动速度，并在所述深度图的最小深度值大于所述深度阈值时，将所述运动物体当前的运动速度作为目标速度输出给所述运动控制模块，所述运动控制模块控制所述运动物体按照所述目标速度运动。
23.一种运动物体，包括主体及设置在所述主体上的如权利要求12～22中任一项所述的障碍物检测***。
24.根据权利要求23所述的运动物体，其特征在于：所述运动物体包括无人机、车、船及机器人。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610429351.3A CN106096559A (zh) | 2016-06-16 | 2016-06-16 | 障碍物检测方法及***以及运动物体 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610429351.3A CN106096559A (zh) | 2016-06-16 | 2016-06-16 | 障碍物检测方法及***以及运动物体 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106096559A true CN106096559A (zh) | 2016-11-09 |
Family
ID=57235392
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610429351.3A Pending CN106096559A (zh) | 2016-06-16 | 2016-06-16 | 障碍物检测方法及***以及运动物体 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106096559A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106960454A (zh) * | 2017-03-02 | 2017-07-18 | 武汉星巡智能科技有限公司 | 景深避障方法、设备及无人飞行器 |
| CN107077741A (zh) * | 2016-11-11 | 2017-08-18 | 深圳市大疆创新科技有限公司 | 深度图生成方法和基于该方法的无人机 |
| CN108416344A (zh) * | 2017-12-28 | 2018-08-17 | 中山大学中山眼科中心 | 眼底彩照视盘与黄斑定位识别方法 |
| CN108700882A (zh) * | 2017-06-30 | 2018-10-23 | 深圳市大疆创新科技有限公司 | 飞行控制方法及装置、监测方法及装置、存储介质 |
| CN108784540A (zh) * | 2018-06-29 | 2018-11-13 | 炬大科技有限公司 | 一种扫地机器人自动避障行进装置及行进方法 |
| CN108814442A (zh) * | 2018-06-29 | 2018-11-16 | 炬大科技有限公司 | 一种扫地机器人洞口限高检测装置及方法 |
| CN108968815A (zh) * | 2018-06-29 | 2018-12-11 | 炬大科技有限公司 | 一种扫地机器人障碍判定并沿边行走装置及方法 |
| CN109272481A (zh) * | 2018-07-13 | 2019-01-25 | 南京理工大学 | 一种基于深度摄像头的障碍物检测方法 |
| CN109345580A (zh) * | 2018-10-23 | 2019-02-15 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
| WO2019041266A1 (zh) * | 2017-08-31 | 2019-03-07 | 深圳市大疆创新科技有限公司 | 一种路径规划方法、飞行器、飞行*** |
| CN109492454A (zh) * | 2017-09-11 | 2019-03-19 | 比亚迪股份有限公司 | 对象识别方法及装置 |
| WO2019127518A1 (zh) * | 2017-12-29 | 2019-07-04 | 深圳市大疆创新科技有限公司 | 避障方法、装置及可移动平台 |
| CN110175523A (zh) * | 2019-04-26 | 2019-08-27 | 南京华捷艾米软件科技有限公司 | 一种自移动机器人动物识别与躲避方法及其存储介质 |
| CN110371139A (zh) * | 2019-04-01 | 2019-10-25 | 泰州三凯工程技术有限公司 | 高亮数据显示方法 |
| WO2019242388A1 (zh) * | 2018-06-21 | 2019-12-26 | 南京大学 | 一种基于深度图像的图书馆机器人障碍识别方法 |
| CN110687929A (zh) * | 2019-10-10 | 2020-01-14 | 辽宁科技大学 | 基于单目视觉与运动想象的飞行器三维空间目标搜索*** |
| CN111973410A (zh) * | 2020-06-30 | 2020-11-24 | 北京迈格威科技有限公司 | 障碍物检测方法、装置、避障设备及计算机可读存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101999972A (zh) * | 2010-11-24 | 2011-04-06 | 上海理工大学 | 一种基于立体视觉的盲人辅助行走装置及其辅助方法 |
| CN102508246A (zh) * | 2011-10-13 | 2012-06-20 | 吉林大学 | 车辆前方障碍物检测跟踪方法 |
| CN103194991A (zh) * | 2013-04-03 | 2013-07-10 | 西安电子科技大学 | 智能机器人道路清理***及清理方法 |
| CN103514429A (zh) * | 2012-06-21 | 2014-01-15 | 夏普株式会社 | 检测对象的特定部位的方法及图像处理设备 |
| CN104182756A (zh) * | 2014-09-05 | 2014-12-03 | 大连理工大学 | 一种基于单目视觉的车辆前方障碍物检测方法 |
| CN104636725A (zh) * | 2015-02-04 | 2015-05-20 | 华中科技大学 | 一种基于深度图像的手势识别方法与*** |
| CN104715238A (zh) * | 2015-03-11 | 2015-06-17 | 南京邮电大学 | 一种基于多特征融合的行人检测方法 |
| CN104932502A (zh) * | 2015-06-04 | 2015-09-23 | 福建天晴数码有限公司 | 基于三维深度摄像机的近距离避障方法及近距离避障*** |
| CN204731643U (zh) * | 2015-06-30 | 2015-10-28 | 零度智控（北京）智能科技有限公司 | 一种无人机的控制装置 |
| CN105093237A (zh) * | 2015-09-08 | 2015-11-25 | 零度智控（北京）智能科技有限公司 | 一种无人机用障碍物检测装置及其检测方法 |
| CN105321140A (zh) * | 2014-06-17 | 2016-02-10 | 想象技术有限公司 | 向图形处理***中的区片分配图元 |
| CN105652873A (zh) * | 2016-03-04 | 2016-06-08 | 中山大学 | 一种基于Kinect的移动机器人避障方法 |
| CN105678787A (zh) * | 2016-02-03 | 2016-06-15 | 西南交通大学 | 一种基于双目鱼眼摄像头的载重货车行驶障碍物检测及跟踪方法 |
-
2016
- 2016-06-16 CN CN201610429351.3A patent/CN106096559A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101999972A (zh) * | 2010-11-24 | 2011-04-06 | 上海理工大学 | 一种基于立体视觉的盲人辅助行走装置及其辅助方法 |
| CN102508246A (zh) * | 2011-10-13 | 2012-06-20 | 吉林大学 | 车辆前方障碍物检测跟踪方法 |
| CN103514429A (zh) * | 2012-06-21 | 2014-01-15 | 夏普株式会社 | 检测对象的特定部位的方法及图像处理设备 |
| CN103194991A (zh) * | 2013-04-03 | 2013-07-10 | 西安电子科技大学 | 智能机器人道路清理***及清理方法 |
| CN105321140A (zh) * | 2014-06-17 | 2016-02-10 | 想象技术有限公司 | 向图形处理***中的区片分配图元 |
| CN104182756A (zh) * | 2014-09-05 | 2014-12-03 | 大连理工大学 | 一种基于单目视觉的车辆前方障碍物检测方法 |
| CN104636725A (zh) * | 2015-02-04 | 2015-05-20 | 华中科技大学 | 一种基于深度图像的手势识别方法与*** |
| CN104715238A (zh) * | 2015-03-11 | 2015-06-17 | 南京邮电大学 | 一种基于多特征融合的行人检测方法 |
| CN104932502A (zh) * | 2015-06-04 | 2015-09-23 | 福建天晴数码有限公司 | 基于三维深度摄像机的近距离避障方法及近距离避障*** |
| CN204731643U (zh) * | 2015-06-30 | 2015-10-28 | 零度智控（北京）智能科技有限公司 | 一种无人机的控制装置 |
| CN105093237A (zh) * | 2015-09-08 | 2015-11-25 | 零度智控（北京）智能科技有限公司 | 一种无人机用障碍物检测装置及其检测方法 |
| CN105678787A (zh) * | 2016-02-03 | 2016-06-15 | 西南交通大学 | 一种基于双目鱼眼摄像头的载重货车行驶障碍物检测及跟踪方法 |
| CN105652873A (zh) * | 2016-03-04 | 2016-06-08 | 中山大学 | 一种基于Kinect的移动机器人避障方法 |
Non-Patent Citations (4)
| Title |
|---|
| H. G. JUNG 等: "STEREO VISION-BASED FORWARD OBSTACLE DETECTION", 《INTERNATIONAL JOURNAL OF AUTOMOTIVE TECHNOLOGY》 * |
| 张毅 等: "基于深度图像的移动机器人动态避障算法", 《控制工程》 * |
| 苟琴: "基于双目视觉的未知环境下农田障碍物检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑（月刊）》 * |
| 高永强: "非类别限定的物体识别学习模型构建", 《中国优秀硕士学位论文全文数据库 信息科技辑（月刊）》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107077741A (zh) * | 2016-11-11 | 2017-08-18 | 深圳市大疆创新科技有限公司 | 深度图生成方法和基于该方法的无人机 |
| WO2018086050A1 (zh) * | 2016-11-11 | 2018-05-17 | 深圳市大疆创新科技有限公司 | 深度图生成方法和基于该方法的无人机 |
| CN106960454B (zh) * | 2017-03-02 | 2021-02-12 | 武汉星巡智能科技有限公司 | 景深避障方法、设备及无人飞行器 |
| CN106960454A (zh) * | 2017-03-02 | 2017-07-18 | 武汉星巡智能科技有限公司 | 景深避障方法、设备及无人飞行器 |
| CN108700882A (zh) * | 2017-06-30 | 2018-10-23 | 深圳市大疆创新科技有限公司 | 飞行控制方法及装置、监测方法及装置、存储介质 |
| WO2019041266A1 (zh) * | 2017-08-31 | 2019-03-07 | 深圳市大疆创新科技有限公司 | 一种路径规划方法、飞行器、飞行*** |
| CN109492454A (zh) * | 2017-09-11 | 2019-03-19 | 比亚迪股份有限公司 | 对象识别方法及装置 |
| CN108416344A (zh) * | 2017-12-28 | 2018-08-17 | 中山大学中山眼科中心 | 眼底彩照视盘与黄斑定位识别方法 |
| WO2019127518A1 (zh) * | 2017-12-29 | 2019-07-04 | 深圳市大疆创新科技有限公司 | 避障方法、装置及可移动平台 |
| WO2019242388A1 (zh) * | 2018-06-21 | 2019-12-26 | 南京大学 | 一种基于深度图像的图书馆机器人障碍识别方法 |
| CN108968815A (zh) * | 2018-06-29 | 2018-12-11 | 炬大科技有限公司 | 一种扫地机器人障碍判定并沿边行走装置及方法 |
| CN108814442A (zh) * | 2018-06-29 | 2018-11-16 | 炬大科技有限公司 | 一种扫地机器人洞口限高检测装置及方法 |
| CN108784540A (zh) * | 2018-06-29 | 2018-11-13 | 炬大科技有限公司 | 一种扫地机器人自动避障行进装置及行进方法 |
| CN109272481A (zh) * | 2018-07-13 | 2019-01-25 | 南京理工大学 | 一种基于深度摄像头的障碍物检测方法 |
| CN109345580A (zh) * | 2018-10-23 | 2019-02-15 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
| CN109345580B (zh) * | 2018-10-23 | 2020-03-24 | 北京字节跳动网络技术有限公司 | 用于处理图像的方法和装置 |
| CN110371139A (zh) * | 2019-04-01 | 2019-10-25 | 泰州三凯工程技术有限公司 | 高亮数据显示方法 |
| CN110175523A (zh) * | 2019-04-26 | 2019-08-27 | 南京华捷艾米软件科技有限公司 | 一种自移动机器人动物识别与躲避方法及其存储介质 |
| CN110687929A (zh) * | 2019-10-10 | 2020-01-14 | 辽宁科技大学 | 基于单目视觉与运动想象的飞行器三维空间目标搜索*** |
| CN110687929B (zh) * | 2019-10-10 | 2022-08-12 | 辽宁科技大学 | 基于单目视觉与运动想象的飞行器三维空间目标搜索*** |
| CN111973410A (zh) * | 2020-06-30 | 2020-11-24 | 北京迈格威科技有限公司 | 障碍物检测方法、装置、避障设备及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106096559A (zh) | 障碍物检测方法及***以及运动物体 | |
| US11218689B2 (en) | Methods and systems for selective sensor fusion | |
| US20210064024A1 (en) | Scanning environments and tracking unmanned aerial vehicles | |
| CN105652891A (zh) | 一种旋翼无人机移动目标自主跟踪装置及其控制方法 | |
| Bipin et al. | Autonomous navigation of generic monocular quadcopter in natural environment | |
| CN106647738A (zh) | 一种无人搬运车的对接路径确定方法及***及无人搬运车 | |
| CN113848931B (zh) | 农机自动驾驶障碍物识别方法、***、设备和存储介质 | |
| US20200064481A1 (en) | Autonomous mobile device, control method and storage medium | |
| CN105204511B (zh) | 一种物体自主移动的决策方法 | |
| CN114815851A (zh) | 机器人跟随方法、装置、电子设备以及存储介质 | |
| Pritzl et al. | Cooperative navigation and guidance of a micro-scale aerial vehicle by an accompanying UAV using 3D LiDAR relative localization | |
| CN111862216A (zh) | 计算机设备定位方法、装置、计算机设备和存储介质 | |
| Csaba et al. | Differences between Kinect and structured lighting sensor in robot navigation | |
| Miranda-Moya et al. | Ibvs based on adaptive sliding mode control for a quadrotor target tracking under perturbations | |
| Dinaux et al. | FAITH: Fast iterative half-plane focus of expansion estimation using optic flow | |
| Li et al. | Mobile robot map building based on laser ranging and kinect | |
| CN113985435A (zh) | 一种融合多激光雷达的建图方法及*** | |
| Patruno et al. | A robust method for 2D occupancy map building for indoor robot navigation | |
| Shang | Survey of mobile robot vision selflocalization | |
| Park et al. | 3D scene description by pretrained features and ICP-based odometry | |
| Yue et al. | Vision-based Autonomous Landing of UAV on Dynamic Apron | |
| Zhang et al. | Automated Extrinsic Calibration of Multi-cameras and LiDAR | |
| Ding et al. | Identifying and approaching for obscured stairs | |
| Xiaodong et al. | Obstacle avoidance for outdoor flight of a quadrotor based on computer vision | |
| Drak et al. | Autonomous track and follow UAV for aerodynamic analysis of vehicles. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |
|
| RJ01 | Rejection of invention patent application after publication |