CN110956179A - 一种基于图像细化的机器人路径骨架提取方法 - Google Patents
一种基于图像细化的机器人路径骨架提取方法 Download PDFInfo
- Publication number
- CN110956179A CN110956179A CN201911201016.8A CN201911201016A CN110956179A CN 110956179 A CN110956179 A CN 110956179A CN 201911201016 A CN201911201016 A CN 201911201016A CN 110956179 A CN110956179 A CN 110956179A
- Authority
- CN
- China
- Prior art keywords
- image
- pooling
- robot
- robot path
- refinement
- 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
Images
Classifications
-
- 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
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像细化的机器人路径骨架提取方法,步骤:利用重整化群思想,选择合适步长对机器人道路原图进行池化处理;对得到的池化结果进行Zhang‑suen细化;将细化后的池化图像进行遮罩处理;减小池化模板,进一步对图像进行池化和Zhang‑suen细化,得到机器人路径骨架。本发明能够在不明显损失图像信息的前提下,减少计算复杂度,加快细化速度,较大地减少完成整个任务的时间。
Description
技术领域
本发明属于图像处理或机器人控制领域,特别涉及了一种机器人路径骨架提取方法。
背景技术
目前,机器人作为智能技术的一个重要方面,是该领域研究和开发的热点。与之相关的教育机器人的教学与实践活动,在各大、中院校得到了蓬勃发展,起到了指导和引领作用。
在教育机器人中,有一类通过识别模拟路径,控制运动轨迹,以模拟实现实际活动,如模拟医疗服务的实践机器人。通常,这类轮式机器人采用空间、距离、光电等传感器获取地面路径与周围环境信息,控制每个电机的转动速度,以实现机器人的运动及其方向的变化,以及启动、停止,并尽可能快地完成整个运动过程。由于光电传感器只能对实际到达点的路径进行检测,无法提前预知,因此在路径改变方向时,机器人一般采用停止然后改变方向的办法,这样大大地降低了运动速度。
为了提高机器人的运行速度,克服光电传感器检测带来的缺陷,很多研究开发人员将图像处理技术应用于机器人中。用摄像头采集到的图像转换成可以为移动机器人提供方向信息的定量参数,然后进一步处理提取路径。路径提取一般以包括预处理、二值化、后处理、骨架提取等四部分,骨架提取是路径提取中最关键的步骤,骨架可以传达出原图像的结构信息,包括线段的位置、方向和长度等能够表示组成图像的内容。
嵌入式***由于计算资源有限,图像处理算法的执行速率至关重要。对于同一图像来说,在提取参数误差不大的情况下,如何减少处理时间是值得探究的问题。传统的Zhang-suen细化算法在处理图像时,每一次遍历图像,删除符合要求的像素点后,对象内容都被剥去了最外层一圈的像素点。这种处理方法针对复杂图像有较好的处理效果,但是执行效率比较低。
发明内容
为了解决上述背景技术提到的技术问题,本发明提出了一种基于图像细化的机器人路径骨架提取方法。
为了实现上述技术目的,本发明的技术方案为:
一种基于图像细化的机器人路径骨架提取方法,包括以下步骤:
(1)利用重整化群思想,选择合适步长对机器人道路原图进行池化处理;
(2)对步骤(1)得到的池化结果进行Zhang-suen细化;
(3)将步骤(2)细化后的池化图像进行遮罩处理;
(4)减小池化模板,进一步对图像进行池化和Zhang-suen细化,得到机器人路径骨架。
进一步地,在步骤(1)中,池化处理采用最大值池化方法,以特征值最大的像素点作为池化模板的池化结果。
进一步地,在步骤(3)中,将细化后的池化图像采样放大至原图大小,得到图A,将图A与原图进行与操作,完成遮罩处理。
进一步地,在步骤(1)之前,需要对机器人道路原图进行预处理,所述预处理过程依次为灰度提取、二值化、腐蚀和膨胀。
采用上述技术方案带来的有益效果:
本发明针对经典路径提取算法计算复杂度高、执行效率低的缺陷,提供一种基于图像细化的路径骨架提取方法,利用重整化群的思想将图像的冗余信息剔除,实现根据自适应改变大小的模板,进行Zhang-suen细化,在不明显损失图像信息的前提下,减少计算复杂度,加快细化速度,较大地减少完成整个任务的时间。
附图说明
图1是为本发明的方法流程图;
图2是细化处理前的机器人赛道图;
图3是Ising模型的重整化群示意图;
图4是模板步长为2时的最大值池化示意图;
图5是遮罩处理示意图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
本发明设计了一种基于图像细化的机器人路径骨架提取方法,如图1所示,包括以下步骤:
步骤1:利用重整化群思想,选择合适步长对机器人道路原图进行池化处理;
步骤2:对步骤1得到的池化结果进行Zhang-suen细化;
步骤3:将步骤2细化后的池化图像进行遮罩处理;
步骤4:减小池化模板,进一步对图像进行池化和Zhang-suen细化,得到机器人路径骨架。
一、实现
先对原图进行较粗颗粒度的细化处理,先得到大概骨架图像,同时使用遮罩操作保留细节内容。
1)图像特征
图2本发明的细化处理前的图像,对于采集到的赛道图像,具有引导线宽度较为固定且远大于一个像素、图像简单,只包含路径与背景等特征。在经过前序预处理(灰度、二值化、腐蚀、膨胀)后,图像中黑色部分为二值化后并且腐蚀膨胀后的路径,对于不同的应用环境,其像素宽度有可能不同。利用目标图像的粗颗粒度,可以加速算法运行。
2)重整化群
在理论物理中,重整化群(Renormalization group)是一种数学方法,指在不同尺度下观察***的变化,这种变化称为尺度变换,重整化群与尺度不变性和共形不变性密切相关。
重整化群利用***的标度不变性(即不同标尺刻度进行观察,所探究的性质不发生改变),对待处理图像进行粗颗粒化,无关的特征在尺度放缩中被减弱,而所观察的信息被保留。如图3是Ising模型的重整化群示意图,将Ising模型中的3x3的单元信息,经过3倍尺度变化,整合为一个单元,用大尺度单元信息代替小单元的信息,从而研究Ising模型的不同尺度下的相同临界性质。
3)图像池化和细化
对于路径识别算法中处理的图像,将利用重整化群的思想,将N*N的像素信息映射到单个大尺度像素,称为池化(Pooling),大小为N的单元元胞C(N),由C(N)的集合{C(N)}表示的图像信息称为N颗粒度的图像提取T(N),从而实现不同颗粒度的图像处理。在处理过程中,将图分解为不同颗粒度的图像提取{T(N)|N=1,2,4,8…}用来加速图像处理。
池化与卷积操作不同,作用于图像中不重合的区域。池化的方式有许多种,包括平均池化、最大值池化、随机性池化等等。考虑到任务中池化前后的图像均为二值化图像,本发明选择最大值池化方法。最大值池化指的是在池化模板中,以特征值最大的像素点作为模板的池化结果。
图4是模板步长为2时的最大值池化示意图。假设m为池化后的图像,N为池化模板的大小。对池化过后的进行细化得到m',由于其规模为原图像的1/N2,所以对池化后的图像细化速度为约为原来的N2倍。在图像不失真的前提下选择合适的池化模板,对提高图像处理效率效果明显。
4)遮罩
细化后的池化图像m'为原图像的粗颗粒度的骨干提取。m'中S(m')为m'中值为1的点集。对于点x∈S(m'),对应原图N*N的区域。为了提取原图中的细节信息,需要将m'上采样放大至原图大小,与原图m进行与操作。图5为遮罩处理示意图,此处遮罩操作时m'中每个元素分别与原图对应的四个像素组成结构相与。
二、实验
对测试数据中的图像进行灰度提取,二值化,膨胀,细化操作。测试在使用经典Zhang-suen细化算法和不同池化颗粒度Zhang Suen的情况下,图像处理耗用总时间。本发明细化算法与经典算法耗时对比如表1所示:
表1
时间(ms) | 经典Zhang-Suen | 池化模板8*8 | 池化模板4*4 | 池化模板2*2 |
直线 | 28.6 | 21.6 | 18.6 | 15.6 |
直角弯 | 31.7 | 17.7 | 17.7 | 13.7 |
十字路口 | 47.2 | 25.5 | 20.2 | 22.2 |
T字路口 | 49.3 | 24.3 | 21.3 | 18.3 |
表1中的第3-5列即为本发明方法在不同池化模板下的耗时。对比本发明法与经典方法的时耗,可见本发明时间优化效果明显,处理一幅图由原来的50ms减少到平均20ms。这样既可以加速图片处理速度,节省计算资源。对于粗颗粒度细化造成的骨架不平滑现象,参数提取过程将为其综合考虑所有像素点,降低不平滑造成的影响。
整个路径提取算法包括路径灰度化、二值化、腐蚀、膨胀、骨架提取等五个步骤,本发明主要是针对骨架提取展开研究与实验,同时为了完成整个任务,也对其余四个步骤进行了实验。本实验主要针对路径中的直线、直角弯、十字路口、T字路口进行了实验,实验结果如表2所示。
表2
时间(ms) | 灰度化 | 二值化 | 腐蚀 | 膨胀 | 骨架提取 | 平均耗时 |
直线 | 26 | 2.4 | 7.8 | 1.6 | 15.6 | 53.4 |
直角弯 | 26 | 2.4 | 7.8 | 2.5 | 13.7 | 52.4 |
十字路口 | 26 | 2.5 | 7.8 | 2 | 22.2 | 60.5 |
T字路口 | 26 | 2.5 | 7.8 | 1.9 | 18.3 | 54.5 |
由于不同算法的原理和实现方式不同,所以不同阶段所需要的时间也不同。灰度化涉及到浮点运算,耗时较长。二值化只对图像进行一次遍历,需要的时间很短。图像后处理选择腐蚀、膨胀,每次操作遍历一次图,实际上仅进行几次操作就足以满足需求。骨架提取中最花费时间的是细化操作。实验表明,Zhang-suen细化算法在处理复杂路径图像的能力强,不需要提前识别交叉路径,属于一种通用性更强的算法,但是耗时相对较高,处理效率能够支持8帧的图像刷新率。
实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (4)
1.一种基于图像细化的机器人路径骨架提取方法,其特征在于,包括以下步骤:
(1)利用重整化群思想,选择合适步长对机器人道路原图进行池化处理;
(2)对步骤(1)得到的池化结果进行Zhang-suen细化;
(3)将步骤(2)细化后的池化图像进行遮罩处理;
(4)减小池化模板,进一步对图像进行池化和Zhang-suen细化,得到机器人路径骨架。
2.根据权利要求1所述基于图像细化的机器人路径骨架提取方法,其特征在于,在步骤(1)中,池化处理采用最大值池化方法,以特征值最大的像素点作为池化模板的池化结果。
3.根据权利要求1所述基于图像细化的机器人路径骨架提取方法,其特征在于,在步骤(3)中,将细化后的池化图像采样放大至原图大小,得到图A,将图A与原图进行与操作,完成遮罩处理。
4.根据权利要求1所述基于图像细化的机器人路径骨架提取方法,其特征在于,在步骤(1)之前,需要对机器人道路原图进行预处理,所述预处理过程依次为灰度提取、二值化、腐蚀和膨胀。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911201016.8A CN110956179A (zh) | 2019-11-29 | 2019-11-29 | 一种基于图像细化的机器人路径骨架提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911201016.8A CN110956179A (zh) | 2019-11-29 | 2019-11-29 | 一种基于图像细化的机器人路径骨架提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110956179A true CN110956179A (zh) | 2020-04-03 |
Family
ID=69978964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911201016.8A Pending CN110956179A (zh) | 2019-11-29 | 2019-11-29 | 一种基于图像细化的机器人路径骨架提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956179A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425140A (zh) * | 2008-11-13 | 2009-05-06 | 苏州大学 | 基于骨架特征的脑血管瘤图像识别检测方法 |
CN105894480A (zh) * | 2016-05-03 | 2016-08-24 | 成都索贝数码科技股份有限公司 | 一种高效且易于并行实现的美颜装置 |
US20170031452A1 (en) * | 2014-01-15 | 2017-02-02 | Juice Design Co., Ltd. | Manipulation determination apparatus, manipulation determination method, and, program |
CN107194402A (zh) * | 2017-04-02 | 2017-09-22 | 南京汇川图像视觉技术有限公司 | 一种并行细化骨架提取方法 |
CN109583425A (zh) * | 2018-12-21 | 2019-04-05 | 西安电子科技大学 | 一种基于深度学习的遥感图像船只集成识别方法 |
CN109712147A (zh) * | 2018-12-19 | 2019-05-03 | 广东工业大学 | 一种基于Zhang-Suen图像骨架提取的干涉条纹中心线拟合方法 |
US20190197753A1 (en) * | 2017-11-21 | 2019-06-27 | International Business Machines Corporation | Cognitive multi-layered real-time visualization of a user's sensed information |
CN110321785A (zh) * | 2019-05-09 | 2019-10-11 | 北京尚文金泰教育科技有限公司 | 一种引入ResNet深度学习网络构建皮纹分类预测模型的方法 |
-
2019
- 2019-11-29 CN CN201911201016.8A patent/CN110956179A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425140A (zh) * | 2008-11-13 | 2009-05-06 | 苏州大学 | 基于骨架特征的脑血管瘤图像识别检测方法 |
US20170031452A1 (en) * | 2014-01-15 | 2017-02-02 | Juice Design Co., Ltd. | Manipulation determination apparatus, manipulation determination method, and, program |
CN105894480A (zh) * | 2016-05-03 | 2016-08-24 | 成都索贝数码科技股份有限公司 | 一种高效且易于并行实现的美颜装置 |
CN107194402A (zh) * | 2017-04-02 | 2017-09-22 | 南京汇川图像视觉技术有限公司 | 一种并行细化骨架提取方法 |
US20190197753A1 (en) * | 2017-11-21 | 2019-06-27 | International Business Machines Corporation | Cognitive multi-layered real-time visualization of a user's sensed information |
CN109712147A (zh) * | 2018-12-19 | 2019-05-03 | 广东工业大学 | 一种基于Zhang-Suen图像骨架提取的干涉条纹中心线拟合方法 |
CN109583425A (zh) * | 2018-12-21 | 2019-04-05 | 西安电子科技大学 | 一种基于深度学习的遥感图像船只集成识别方法 |
CN110321785A (zh) * | 2019-05-09 | 2019-10-11 | 北京尚文金泰教育科技有限公司 | 一种引入ResNet深度学习网络构建皮纹分类预测模型的方法 |
Non-Patent Citations (2)
Title |
---|
SONAM SONI.ET.: "To Propose an Improvement in Zhang-Suen Algorithm for Image Thinning in Image Processing", 《IJSTE一INTERNATIONAL JOURNAL OF SCIENCE TECHNOLOGY&ENGINEERING》 * |
戴庆华等: "基于Siamese卷积神经网络的指静脉识别", 《电子测量技术》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ling et al. | An accurate and real-time method of self-blast glass insulator location based on faster R-CNN and U-net with aerial images | |
US11908244B2 (en) | Human posture detection utilizing posture reference maps | |
US10614574B2 (en) | Generating image segmentation data using a multi-branch neural network | |
CN110059698B (zh) | 用于街景理解的基于边缘稠密重建的语义分割方法及*** | |
CN110059768B (zh) | 用于街景理解的融合点与区域特征的语义分割方法及*** | |
CN112489096B (zh) | 基于图匹配模型的低配准精度下遥感图像变化检测方法 | |
CN110059769B (zh) | 用于街景理解的基于像素重排重建的语义分割方法及*** | |
CN112434618B (zh) | 基于稀疏前景先验的视频目标检测方法、存储介质及设备 | |
CN109886159B (zh) | 一种非限定条件下的人脸检测方法 | |
Tao et al. | Industrial weak scratches inspection based on multifeature fusion network | |
CN109657538B (zh) | 基于上下文信息指导的场景分割方法和*** | |
Chen et al. | BINet: Bidirectional interactive network for salient object detection | |
CN114882524A (zh) | 一种基于全卷积神经网络的单目三维手势估计方法 | |
CN110135435B (zh) | 一种基于广度学习***的显著性检测方法及装置 | |
CN111914596A (zh) | 车道线检测方法、装置、***及存储介质 | |
CN113963333A (zh) | 一种基于改进yolof模型的交通标志牌检测方法 | |
Lu et al. | Edge-reinforced convolutional neural network for road detection in very-high-resolution remote sensing imagery | |
CN113223037A (zh) | 一种面向大规模数据的无监督语义分割方法及*** | |
CN110956179A (zh) | 一种基于图像细化的机器人路径骨架提取方法 | |
CN114512052B (zh) | 融合遥感影像和轨迹数据的分歧合流路口生成方法及装置 | |
Song et al. | Spatial-aware dynamic lightweight self-supervised monocular depth estimation | |
WO2020237674A1 (zh) | 目标跟踪方法、目标跟踪装置和无人机 | |
Chu et al. | A rendering‐based lightweight network for segmentation of high‐resolution crack images | |
CN117275030B (zh) | 审核地图的方法和装置 | |
Zorins et al. | Review of data preprocessing methods for sign language recognition systems based on artificial neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200403 |