CN113657333B - 警戒线识别方法、装置、计算机设备及存储介质 - Google Patents
警戒线识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113657333B CN113657333B CN202110978320.4A CN202110978320A CN113657333B CN 113657333 B CN113657333 B CN 113657333B CN 202110978320 A CN202110978320 A CN 202110978320A CN 113657333 B CN113657333 B CN 113657333B
- Authority
- CN
- China
- Prior art keywords
- coordinates
- target
- warning line
- container
- warning
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012216 screening Methods 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000004659 sterilization and disinfection Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了警戒线识别方法、装置、计算机设备及存储介质。所述方法包括:获取带有警戒线的图像信息;根据所述图像信息提取警戒线黄色区域的质心坐标信息,以得到目标质心坐标;根据所述目标质心坐标确定不同警戒线对应的目标质心坐标;将不同警戒线对应的目标质心坐标进行聚类,以得到警戒线所在范围。通过实施本发明实施例的方法可实现让机器人更加灵活地避开警戒线,避免一些安全事故发生。
Description
技术领域
本发明涉及机器人,更具体地说是指警戒线识别方法、装置、计算机设备及存储介质。
背景技术
随着人工智能的发展,机器人在各种场所得到广泛的应用,比如消毒机器人在高铁站实现无接触消毒,送餐机器人在餐厅实现无人配送等等,如何让机器人安全高效地工作,成为大家关心的话题。在一些公众场所,比如自动扶梯入口前面,都会在地面上贴一些黄黑交替的警戒线,提醒人们注意脚下安全,起到警示作用。
现阶段,一些消毒机器人是通过激光雷达,设置虚拟墙等技术,来避开地面上的警戒线。但是在定位丢失的情况下,机器人通过上述方法,很大概率无法精准识别到地面上的警戒线,导致机器人在扶梯口跌落,造成重大的安全事故。
因此,有必要设计一种新的方法,实现让机器人更加灵活地避开警戒线,避免一些安全事故发生。
发明内容
本发明的目的在于克服现有技术的缺陷,提供警戒线识别方法、装置、计算机设备及存储介质。
为实现上述目的,本发明采用以下技术方案:警戒线识别方法,包括:
获取带有警戒线的图像信息;
根据所述图像信息提取警戒线黄色区域的质心坐标信息,以得到目标质心坐标;
根据所述目标质心坐标确定不同警戒线对应的目标质心坐标;
将不同警戒线对应的目标质心坐标进行聚类,以得到警戒线所在范围。
其进一步技术方案为:所述获取带有警戒线的图像信息,包括:
获取由RGBD深度摄像头采集的带有警戒线的图像信息。
其进一步技术方案为:所述根据所述图像信息提取警戒线黄色区域的质心坐标信息,以得到目标质心坐标,包括:
提取所述图像信息中警戒线黄色区域的轮廓;
筛选出轮廓符合要求的质心坐标,且存储于第一容器内,以得到初始质心坐标信息;
对第一容器内的所述初始质心坐标信息进行过滤噪点以及排序,以得到警戒线黄色区域完整的轮廓以及目标质心坐标。
其进一步技术方案为:所述根据所述目标质心坐标确定不同警戒线对应的目标质心坐标,包括:
判断所述第一容器的大小是否大于第一设定阈值;
若所述第一容器的大小大于第一设定阈值,则遍历第一容器内的目标质心坐标,对所有目标质心坐标计算每两个目标质心的间距以及每两个目标质心的对应的纵轴坐标差值;
根据所述间距以及对应的纵轴坐标差值筛选出不同警戒线对应的目标质心坐标。
其进一步技术方案为:所述根据所述间距以及对应的纵轴坐标差值筛选出不同警戒线对应的目标质心坐标,包括:
筛选出所述间距在第一设定范围值内且对应的纵轴坐标差值在第二设定范围内的所有目标质心坐标,并筛选的目标质心坐标存储于第二容器内,以得到同一条水平警戒线的目标质心坐标;
将所述间距不在第一设定范围值内或纵轴坐标差值不在第二设定范围的所有的目标质心坐标信息存储于第三容器内;
遍历所述第三容器内的所有目标质心坐标信息,并计算每两个目标质心点之间的间距,以得到第二间距,计算每两个目标质心点的横轴坐标差值;
筛选出所述第二间距在第一设定范围至且横轴坐标差值在第二设定范围内的所有目标质心坐标,且将筛选的目标质心坐标存储于第四容器内,以确定同一条非水平警戒线的目标质心坐标。
其进一步技术方案为:所述将不同警戒线对应的目标质心坐标进行聚类,以得到警戒线所在范围,包括:
当所述目标质心所在的警戒线为水平警戒线时,将所述第二容器内的头尾两个目标质心连成直线,并在图像上标注出所述直线所在的范围,以得到警戒线所在范围。
其进一步技术方案为:所述将不同警戒线对应的目标质心坐标进行聚类,以得到警戒线所在范围,还包括:
当所述目标质心所在的警戒线为非水平警戒线时,将所述第四容器内的头尾两个目标质心连成直线,并在图像上标注出所述直线所在的范围,以得到警戒线所在范围。
本发明还提供了警戒线识别装置,包括:
图像信息获取单元,用于获取带有警戒线的图像信息;
坐标提取单元,用于根据所述图像信息提取警戒线黄色区域的质心坐标信息,以得到目标质心坐标;
目标坐标确定单元,用于根据所述目标质心坐标确定不同警戒线对应的目标质心坐标;
聚类单元,用于将不同警戒线对应的目标质心坐标进行聚类,以得到警戒线所在范围。
本发明还提供了一种计算机设备,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述的方法。
本发明与现有技术相比的有益效果是:本发明通过摄像头获取图像信息后,对图像信息进行质心坐标的提取,并根据这些坐标确定所属的警戒线,即确定不同警戒线对应的目标质心坐标,对目标质心坐标进行聚类,以此确定警戒线所在范围,用直线标定出警戒线的范围,为机器人识别并绕开警戒线提供重要的可视化数据分析,实现让机器人更加灵活地避开警戒线,避免一些安全事故发生。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的警戒线识别方法的应用场景示意图;
图2为本发明实施例提供的警戒线识别方法的流程示意图;
图3为本发明实施例提供的警戒线识别方法的子流程示意图;
图4为本发明实施例提供的警戒线识别方法的子流程示意图;
图5为本发明实施例提供的警戒线识别方法的子流程示意图;
图6为本发明实施例提供的目标质心坐标的标注示意图;
图7为本发明实施例提供的警戒线的示意图;
图8为本发明实施例提供的警戒线识别装置的示意性框图;
图9为本发明实施例提供的警戒线识别装置的坐标提取单元的示意性框图;
图10为本发明实施例提供的警戒线识别装置的目标坐标确定单元的示意性框图;
图11为本发明实施例提供的警戒线识别装置的坐标筛选子单元的示意性框图;
图12为本发明实施例提供的计算机设备的示意性框图。
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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1和图2,图1为本发明实施例提供的警戒线识别方法的应用场景示意图。图2为本发明实施例提供的警戒线识别方法的示意性流程图。该警戒线识别方法应用于服务器中。该服务器与RGBD深度摄像头进行数据交互,该服务器可以是集成机器人上的控制器,当然,也可以是与机器人的控制器进行数据交互的独立服务器,通过承载在机器人上的RGBD深度摄像头获取的图像信息进行识别和聚类处理后生成对应的警戒线所在范围至机器人,以供机器人绕开该警戒线的范围,提高安全性。让机器人通过摄像头识别地面上警戒线,通过质心聚类提取警戒线的三维点云信息,进而转成相应的雷达数据来导航,让机器人更加灵活地避开警戒线,从而避免一些安全事故发生。
图2是本发明实施例提供的警戒线识别方法的流程示意图。如图2所示,该方法包括以下步骤S110至S140。
S110、获取带有警戒线的图像信息。
在本实施例中,图像信息是指能完整拍摄到需要识别的警戒线的图像;具体地,获取由RGBD深度摄像头采集的带有警戒线的图像信息。
S120、根据所述图像信息提取警戒线黄色区域的质心坐标信息,以得到目标质心坐标。
在本实施例中,目标质心坐标是指属于警戒线黄色区域的质心且通过去噪等处理后得到的坐标值。
在一实施例中,请参阅图3,上述的步骤S120可包括步骤S121~S123。
S121、提取所述图像信息中警戒线黄色区域的轮廓。
在本实施例中,利用Opencv函数对每一帧RGB图像进行HSV转换,设置一定范围的阈值,把黄色物体的区域提取出来,并且通过腐蚀膨胀滤波等一些基本的图像处理,由此确定警戒线的黄色区域的轮廓,由此确定警戒线的具体轮廓。先将不属于警戒线的内容去除,可以为后续的质心提取节省时间和提高效率。
S122、筛选出轮廓符合要求的质心坐标,且存储于第一容器内,以得到初始质心坐标信息。
在本实施例中,初始质心坐标信息是指在黄色区域且轮廓面积大于80的质心坐标。
在一个普通场景中,黄色物体随处可见。但警戒线黄黑交替的间隔是固定的,而且黄色区域排列很紧密,本算法经过大量的坐标数据分析后,发现黄黑交替的警戒线,黄色区域相对应的质心坐标数据是在一定范围内以等差形式进行排列,并且黄色区域的轮廓面积都是大于80。抓住这个本质特征,非常容易把警戒线与背景等物体区分开,抓取每一帧图像中有效的信息,这样是极大地降低了运算量,为接下来转成三维点云信息和雷达数据提供重要的数据支撑。
在本实施例中,第一容器为listxy容器。
S123、对第一容器内的所述初始质心坐标信息进行过滤噪点以及排序,以得到警戒线黄色区域完整的轮廓以及目标质心坐标。
在本实施例中,目标质心坐标是指对初始质心坐标进行筛除重复噪点且排序后得到的坐标。
具体地,过滤一些噪点,找出黄色区域完整的轮廓和标注其质心坐标,为后续的算法执行提供便捷可视化的数据分析。且在排序时,对所有坐标以纵轴坐标y为基准进行升序排序。
S130、根据所述目标质心坐标确定不同警戒线对应的目标质心坐标。
在本实施例中,警戒线一般分为水平警戒线和非水平警戒线,两者的区别如下表1所示。
表1.水平警戒线和非水平警戒线的区别
水平警戒线黄色区域质心坐标 | 非水平警戒线黄色区域质心坐标 | |
X坐标 | 以大约30为间隔等差排列 | 变化范围在1-25左右 |
Y坐标 | 变化范围在1-25左右 | 以大约30为间隔等差排列 |
在一实施例中,请参阅图4,上述的步骤S130可包括步骤S131~S133。
S131、判断所述第一容器的大小是否大于第一设定阈值。
在本实施例中,第一设定阈值是指容器的大小为2。
S132、若所述第一容器的大小大于第一设定阈值,则遍历第一容器内的目标质心坐标,对所有目标质心坐标计算每两个目标质心的间距以及每两个目标质心的对应的纵轴坐标差值。
根据警戒线设定的质心特点,借助每两个目标质心的间距和纵轴坐标差值来确定这两个目标质心坐标所在的警戒线的状况。
S133、根据所述间距以及对应的纵轴坐标差值筛选出不同警戒线对应的目标质心坐标。
若所述第一容器的大小不大于第一设定阈值,则执行所述步骤S110。
具体地,抓住以上警戒线黄色区域的质心坐标数据的重要特征,不断遍历每一帧图像中所有的质心坐标,而且在定制设计的警戒线中,每一条警戒线的质心个数也是固定的,通过聚类思想方法分离出来每一条警戒线,提高机器人识别地面上警戒线的准确度。
在一实施例中,请参阅图5,上述的步骤S132可包括步骤S1321~S1324。
S1321、筛选出所述间距在第一设定范围值内且对应的纵轴坐标差值在第二设定范围内的所有目标质心坐标,并筛选的目标质心坐标存储于第二容器内,以得到同一条水平警戒线的目标质心坐标。
在本实施例中,判断两个目标质心之间的间距是否在(25,60)之内,纵轴坐标差值是否在10以内,当满足这两个要求时,两个相关的目标质心属于同一水平警戒线的质心,对第一容器内的所有目标质心均进行这一条件的判断,以筛选出质心属于同一水平警戒线的所有质心。当不满足上述两个要求时,则需要进行非水平警戒线的确定。
在本实施例中,第二容器为find_point_horizontal容器。
S1322、将所述间距不在第一设定范围值内或纵轴坐标差值不在第二设定范围的所有的目标质心坐标信息存储于第三容器内。
将不满足上述两个要求的目标质心坐标存储到第三容器内,以进行非水平警戒线相关的目标质心坐标的确定。
在本实施例中,第三容器为listxy_remain容器。
S1323、遍历所述第三容器内的所有目标质心坐标信息,并计算每两个目标质心点之间的间距,以得到第二间距,计算每两个目标质心点的横轴坐标差值。
在本实施例中,对第三容器内的所有目标质心坐标均进行每两个目标质心点之间的间距,以及每两个目标质心点的横轴坐标差值,以根据计算所得结果进行筛选。
S1324、筛选出所述第二间距在第一设定范围至且横轴坐标差值在第二设定范围内的所有目标质心坐标,且将筛选的目标质心坐标存储于第四容器内,以确定同一条非水平警戒线的目标质心坐标。
在本实施例中,第四容器为find_point_veritical容器。
通过判断第二间距是否在(25,60)内以及横轴坐标差值是否在10以内,当符合这两个条件的目标质心坐标则为同一条非水平警戒线的目标质心坐标,若不符合,则重新获取图像,采用每两个目标质心坐标进行判断,可以提高整个警戒线识别的准确率。
在本实施例中,当第二间距不在(25,60)内或横轴坐标差值不在10以内,则表明这两个点既不属于同一条非水平警戒线,也不属于同一水平警戒线,可认定为目前该警戒线的识别存在异常或者是识别的并非警戒线,需要进行图像的重新获取,进行重新判断。
S140、将不同警戒线对应的目标质心坐标进行聚类,以得到警戒线所在范围。
在本实施例中,警戒线所在的范围是指警戒线所在的位置,具体地由属于该警戒线的目标质心的坐标构成,如图6和图7所示。
在本实施例中,当所述目标质心所在的警戒线为水平警戒线时,将所述第二容器内的头尾两个目标质心连成直线,并在图像上标注出所述直线所在的范围,以得到警戒线所在范围。
在本实施例中,当所述目标质心所在的警戒线为非水平警戒线时,将所述第四容器内的头尾两个目标质心连成直线,并在图像上标注出所述直线所在的范围,以得到警戒线所在范围。
如图6和图7所示,对每一条警戒线进行画直线标注,过聚类把每一条警戒线范围内的质心归并在一起,单独分离出来每一条警戒线,并在图像中标注,增强了可视化的效果。
在Ubuntu16.04 ROS***下,对深度摄像头所采集的RGB图像,基于Opncv函数与一些视觉图像处理,并结合聚类算法的设计,把地面上的警戒线清晰地分离出来,让机器人不管在什么情况下,都能高效精准地识别地面警戒线,以便于绕开警戒线附近的危险区域,从而避免了安全事故的发生。通过质心聚类是更高效准确地检测出警戒线。因为随着机器人的移动,深度摄像头离警戒线的距离是由远到近,但警戒线的黑色圆点在每一帧RGB图像成像中并非为圆形,会给加大检测的难度。因此,利用黄色区域质心的坐标信息分布规律,来串联每条警戒线的质心,即使在复杂的环境下,比如多条警戒线、一些噪点干扰之下,深度摄像头距离警戒线1m左右就开始能清晰标注出警戒线的范围,生成对应的雷达数据后,机器人就更好地在警戒线1m之前及时做出刹车等反应,避免机器人掉下去危险区域等事故发生。
上述的警戒线识别方法,通过摄像头获取图像信息后,对图像信息进行质心坐标的提取,并根据这些坐标确定所属的警戒线,即确定不同警戒线对应的目标质心坐标,对目标质心坐标进行聚类,以此确定警戒线所在范围,用直线标定出警戒线的范围,为机器人识别并绕开警戒线提供重要的可视化数据分析,实现让机器人更加灵活地避开警戒线,避免一些安全事故发生。
图8是本发明实施例提供的一种警戒线识别装置300的示意性框图。如图8所示,对应于以上警戒线识别方法,本发明还提供一种警戒线识别装置300。该警戒线识别装置300包括用于执行上述警戒线识别方法的单元,该装置可以被配置于服务器中。具体地,请参阅图8,该警戒线识别装置300包括图像信息获取单元301、坐标提取单元302、目标坐标确定单元303以及聚类单元304。
图像信息获取单元301,用于获取带有警戒线的图像信息;坐标提取单元302,用于根据所述图像信息提取警戒线黄色区域的质心坐标信息,以得到目标质心坐标;目标坐标确定单元303,用于根据所述目标质心坐标确定不同警戒线对应的目标质心坐标;聚类单元304,用于将不同警戒线对应的目标质心坐标进行聚类,以得到警戒线所在范围。
在一实施例中,图像信息获取单元301,用于获取由RGBD深度摄像头采集的带有警戒线的图像信息。
在一实施例中,如图9所示,所述坐标提取单元302包括轮廓提取子单元3021、初始坐标确定子单元3022以及处理子单元3023。
轮廓提取子单元3021,用于提取所述图像信息中警戒线黄色区域的轮廓;初始坐标确定子单元3022,用于筛选出轮廓符合要求的质心坐标,且存储于第一容器内,以得到初始质心坐标信息;处理子单元3023,用于对第一容器内的所述初始质心坐标信息进行过滤噪点以及排序,以得到警戒线黄色区域完整的轮廓以及目标质心坐标。
在一实施例中,如图10所示,所述目标坐标确定单元303包括容器判断子单元3031、第一遍历子单元3032以及坐标筛选子单元3033。
容器判断子单元3031,用于判断所述第一容器的大小是否大于第一设定阈值;第一遍历子单元3032,用于若所述第一容器的大小大于第一设定阈值,则遍历第一容器内的目标质心坐标,对所有目标质心坐标计算每两个目标质心的间距以及每两个目标质心的对应的纵轴坐标差值;坐标筛选子单元3033,用于根据所述间距以及对应的纵轴坐标差值筛选出不同警戒线对应的目标质心坐标。
在一实施例中,如图11所示,所述坐标筛选子单元3033包括第一筛选模块30331、存储模块30332、第二遍历模块30333以及第二筛选模块30334。
第一筛选模块30331,用于筛选出所述间距在第一设定范围值内且对应的纵轴坐标差值在第二设定范围内的所有目标质心坐标,并筛选的目标质心坐标存储于第二容器内,以得到同一条水平警戒线的目标质心坐标;存储模块30332,用于将所述间距不在第一设定范围值内或纵轴坐标差值不在第二设定范围的所有的目标质心坐标信息存储于第三容器内;第二遍历模块30333,用于遍历所述第三容器内的所有目标质心坐标信息,并计算每两个目标质心点之间的间距,以得到第二间距,计算每两个目标质心点的横轴坐标差值;第二筛选模块30334,用于筛选出所述第二间距在第一设定范围至且横轴坐标差值在第二设定范围内的所有目标质心坐标,且将筛选的目标质心坐标存储于第四容器内,以确定同一条非水平警戒线的目标质心坐标。
在一实施例中,所述聚类单元304,用于当所述目标质心所在的警戒线为水平警戒线时,将所述第二容器内的头尾两个目标质心连成直线,并在图像上标注出所述直线所在的范围,以得到警戒线所在范围。当所述目标质心所在的警戒线为非水平警戒线时,将所述第四容器内的头尾两个目标质心连成直线,并在图像上标注出所述直线所在的范围,以得到警戒线所在范围。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述警戒线识别装置300和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述警戒线识别装置300可以实现为一种计算机程序的形式,该计算机程序可以在如图12所示的计算机设备上运行。
请参阅图12,图12是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器,其中,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图12,该计算机设备500包括通过***总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作***5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种警戒线识别方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种警戒线识别方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
获取带有警戒线的图像信息;根据所述图像信息提取警戒线黄色区域的质心坐标信息,以得到目标质心坐标;根据所述目标质心坐标确定不同警戒线对应的目标质心坐标;将不同警戒线对应的目标质心坐标进行聚类,以得到警戒线所在范围。
在一实施例中,处理器502在实现所述获取带有警戒线的图像信息步骤时,具体实现如下步骤:
获取由RGBD深度摄像头采集的带有警戒线的图像信息。
在一实施例中,处理器502在实现所述根据所述图像信息提取警戒线黄色区域的质心坐标信息,以得到目标质心坐标步骤时,具体实现如下步骤:
提取所述图像信息中警戒线黄色区域的轮廓;筛选出轮廓符合要求的质心坐标,且存储于第一容器内,以得到初始质心坐标信息;对第一容器内的所述初始质心坐标信息进行过滤噪点以及排序,以得到警戒线黄色区域完整的轮廓以及目标质心坐标。
在一实施例中,处理器502在实现所述根据所述目标质心坐标确定不同警戒线对应的目标质心坐标步骤时,具体实现如下步骤:
判断所述第一容器的大小是否大于第一设定阈值;若所述第一容器的大小大于第一设定阈值,则遍历第一容器内的目标质心坐标,对所有目标质心坐标计算每两个目标质心的间距以及每两个目标质心的对应的纵轴坐标差值;根据所述间距以及对应的纵轴坐标差值筛选出不同警戒线对应的目标质心坐标。
在一实施例中,处理器502在实现所述根据所述间距以及对应的纵轴坐标差值筛选出不同警戒线对应的目标质心坐标步骤时,具体实现如下步骤:
筛选出所述间距在第一设定范围值内且对应的纵轴坐标差值在第二设定范围内的所有目标质心坐标,并筛选的目标质心坐标存储于第二容器内,以得到同一条水平警戒线的目标质心坐标;将所述间距不在第一设定范围值内或纵轴坐标差值不在第二设定范围的所有的目标质心坐标信息存储于第三容器内;遍历所述第三容器内的所有目标质心坐标信息,并计算每两个目标质心点之间的间距,以得到第二间距,计算每两个目标质心点的横轴坐标差值;筛选出所述第二间距在第一设定范围至且横轴坐标差值在第二设定范围内的所有目标质心坐标,且将筛选的目标质心坐标存储于第四容器内,以确定同一条非水平警戒线的目标质心坐标。
在一实施例中,处理器502在实现所述将不同警戒线对应的目标质心坐标进行聚类,以得到警戒线所在范围步骤时,具体实现如下步骤:
当所述目标质心所在的警戒线为水平警戒线时,将所述第二容器内的头尾两个目标质心连成直线,并在图像上标注出所述直线所在的范围,以得到警戒线所在范围。
在一实施例中,处理器502在实现所述将不同警戒线对应的目标质心坐标进行聚类,以得到警戒线所在范围步骤时,具体实现如下步骤:
当所述目标质心所在的警戒线为非水平警戒线时,将所述第四容器内的头尾两个目标质心连成直线,并在图像上标注出所述直线所在的范围,以得到警戒线所在范围。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该计算机***中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序,其中该计算机程序被处理器执行时使处理器执行如下步骤:
获取带有警戒线的图像信息;根据所述图像信息提取警戒线黄色区域的质心坐标信息,以得到目标质心坐标;根据所述目标质心坐标确定不同警戒线对应的目标质心坐标;将不同警戒线对应的目标质心坐标进行聚类,以得到警戒线所在范围。
在一实施例中,所述处理器在执行所述计算机程序而实现所述获取带有警戒线的图像信息步骤时,具体实现如下步骤:
获取由RGBD深度摄像头采集的带有警戒线的图像信息。
在一实施例中,所述处理器在执行所述计算机程序而实现所述根据所述图像信息提取警戒线黄色区域的质心坐标信息,以得到目标质心坐标步骤时,具体实现如下步骤:
提取所述图像信息中警戒线黄色区域的轮廓;筛选出轮廓符合要求的质心坐标,且存储于第一容器内,以得到初始质心坐标信息;对第一容器内的所述初始质心坐标信息进行过滤噪点以及排序,以得到警戒线黄色区域完整的轮廓以及目标质心坐标。
在一实施例中,所述处理器在执行所述计算机程序而实现所述根据所述目标质心坐标确定不同警戒线对应的目标质心坐标步骤时,具体实现如下步骤:
判断所述第一容器的大小是否大于第一设定阈值;若所述第一容器的大小大于第一设定阈值,则遍历第一容器内的目标质心坐标,对所有目标质心坐标计算每两个目标质心的间距以及每两个目标质心的对应的纵轴坐标差值;根据所述间距以及对应的纵轴坐标差值筛选出不同警戒线对应的目标质心坐标。
在一实施例中,所述处理器在执行所述计算机程序而实现所述根据所述间距以及对应的纵轴坐标差值筛选出不同警戒线对应的目标质心坐标步骤时,具体实现如下步骤:
筛选出所述间距在第一设定范围值内且对应的纵轴坐标差值在第二设定范围内的所有目标质心坐标,并筛选的目标质心坐标存储于第二容器内,以得到同一条水平警戒线的目标质心坐标;将所述间距不在第一设定范围值内或纵轴坐标差值不在第二设定范围的所有的目标质心坐标信息存储于第三容器内;遍历所述第三容器内的所有目标质心坐标信息,并计算每两个目标质心点之间的间距,以得到第二间距,计算每两个目标质心点的横轴坐标差值;筛选出所述第二间距在第一设定范围至且横轴坐标差值在第二设定范围内的所有目标质心坐标,且将筛选的目标质心坐标存储于第四容器内,以确定同一条非水平警戒线的目标质心坐标。
在一实施例中,所述处理器在执行所述计算机程序而实现所述将不同警戒线对应的目标质心坐标进行聚类,以得到警戒线所在范围步骤时,具体实现如下步骤:
当所述目标质心所在的警戒线为水平警戒线时,将所述第二容器内的头尾两个目标质心连成直线,并在图像上标注出所述直线所在的范围,以得到警戒线所在范围。
在一实施例中,所述处理器在执行所述计算机程序而实现所述将不同警戒线对应的目标质心坐标进行聚类,以得到警戒线所在范围步骤时,具体实现如下步骤:
当所述目标质心所在的警戒线为非水平警戒线时,将所述第四容器内的头尾两个目标质心连成直线,并在图像上标注出所述直线所在的范围,以得到警戒线所在范围。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,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,各个单元的划分,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。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。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,也可以是两个或两个以上单元集成在一个单元中。
该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一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.警戒线识别方法,其特征在于,包括:
获取带有警戒线的图像信息;
根据所述图像信息提取警戒线黄色区域的质心坐标信息,以得到目标质心坐标;
根据所述目标质心坐标确定不同警戒线对应的目标质心坐标;
将不同警戒线对应的目标质心坐标进行聚类,以得到警戒线所在范围;
所述根据所述目标质心坐标确定不同警戒线对应的目标质心坐标,包括:
判断第一容器的大小是否大于第一设定阈值;
若所述第一容器的大小大于第一设定阈值,则遍历第一容器内的目标质心坐标,对所有目标质心坐标计算每两个目标质心的间距以及每两个目标质心的对应的纵轴坐标差值;
根据所述间距以及对应的纵轴坐标差值筛选出不同警戒线对应的目标质心坐标;
所述根据所述间距以及对应的纵轴坐标差值筛选出不同警戒线对应的目标质心坐标,包括:
筛选出所述间距在第一设定范围值内且对应的纵轴坐标差值在第二设定范围内的所有目标质心坐标,并筛选的目标质心坐标存储于第二容器内,以得到同一条水平警戒线的目标质心坐标;
将所述间距不在第一设定范围值内或纵轴坐标差值不在第二设定范围的所有的目标质心坐标信息存储于第三容器内;
遍历所述第三容器内的所有目标质心坐标信息,并计算每两个目标质心点之间的间距,以得到第二间距,计算每两个目标质心点的横轴坐标差值;
筛选出所述第二间距在第一设定范围至且横轴坐标差值在第二设定范围内的所有目标质心坐标,且将筛选的目标质心坐标存储于第四容器内,以确定同一条非水平警戒线的目标质心坐标。
2.根据权利要求1所述的警戒线识别方法,其特征在于,所述获取带有警戒线的图像信息,包括:
获取由RGBD深度摄像头采集的带有警戒线的图像信息。
3.根据权利要求1所述的警戒线识别方法,其特征在于,所述根据所述图像信息提取警戒线黄色区域的质心坐标信息,以得到目标质心坐标,包括:
提取所述图像信息中警戒线黄色区域的轮廓;
筛选出轮廓符合要求的质心坐标,且存储于第一容器内,以得到初始质心坐标信息;
对第一容器内的所述初始质心坐标信息进行过滤噪点以及排序,以得到警戒线黄色区域完整的轮廓以及目标质心坐标。
4.根据权利要求1所述的警戒线识别方法,其特征在于,所述将不同警戒线对应的目标质心坐标进行聚类,以得到警戒线所在范围,包括:
当所述目标质心所在的警戒线为水平警戒线时,将所述第二容器内的头尾两个目标质心连成直线,并在图像上标注出所述直线所在的范围,以得到警戒线所在范围。
5.根据权利要求1所述的警戒线识别方法,其特征在于,所述将不同警戒线对应的目标质心坐标进行聚类,以得到警戒线所在范围,还包括:
当所述目标质心所在的警戒线为非水平警戒线时,将所述第四容器内的头尾两个目标质心连成直线,并在图像上标注出所述直线所在的范围,以得到警戒线所在范围。
6.警戒线识别装置,其特征在于,包括:
图像信息获取单元,用于获取带有警戒线的图像信息;
坐标提取单元,用于根据所述图像信息提取警戒线黄色区域的质心坐标信息,以得到目标质心坐标;
目标坐标确定单元,用于根据所述目标质心坐标确定不同警戒线对应的目标质心坐标;
聚类单元,用于将不同警戒线对应的目标质心坐标进行聚类,以得到警戒线所在范围;
所述目标坐标确定单元包括容器判断子单元、第一遍历子单元以及坐标筛选子单元;
容器判断子单元,用于判断第一容器的大小是否大于第一设定阈值;第一遍历子单元,用于若所述第一容器的大小大于第一设定阈值,则遍历第一容器内的目标质心坐标,对所有目标质心坐标计算每两个目标质心的间距以及每两个目标质心的对应的纵轴坐标差值;坐标筛选子单元,用于根据所述间距以及对应的纵轴坐标差值筛选出不同警戒线对应的目标质心坐标;
所述坐标筛选子单元包括第一筛选模块、存储模块、第二遍历模块以及第二筛选模块;
第一筛选模块,用于筛选出所述间距在第一设定范围值内且对应的纵轴坐标差值在第二设定范围内的所有目标质心坐标,并筛选的目标质心坐标存储于第二容器内,以得到同一条水平警戒线的目标质心坐标;存储模块,用于将所述间距不在第一设定范围值内或纵轴坐标差值不在第二设定范围的所有的目标质心坐标信息存储于第三容器内;第二遍历模块,用于遍历所述第三容器内的所有目标质心坐标信息,并计算每两个目标质心点之间的间距,以得到第二间距,计算每两个目标质心点的横轴坐标差值;第二筛选模块,用于筛选出所述第二间距在第一设定范围至且横轴坐标差值在第二设定范围内的所有目标质心坐标,且将筛选的目标质心坐标存储于第四容器内,以确定同一条非水平警戒线的目标质心坐标。
7.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的方法。
8.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现如权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110978320.4A CN113657333B (zh) | 2021-08-23 | 2021-08-23 | 警戒线识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110978320.4A CN113657333B (zh) | 2021-08-23 | 2021-08-23 | 警戒线识别方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657333A CN113657333A (zh) | 2021-11-16 |
CN113657333B true CN113657333B (zh) | 2024-01-12 |
Family
ID=78492783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110978320.4A Active CN113657333B (zh) | 2021-08-23 | 2021-08-23 | 警戒线识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657333B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080024776A (ko) * | 2006-09-14 | 2008-03-19 | 주식회사 만도 | 호프 변환을 이용한 주차구획 인식 방법, 장치 및 그를이용한 주차 보조 시스템 |
CN101561081A (zh) * | 2009-05-18 | 2009-10-21 | 中国地质大学(武汉) | 应用自主导航机器人对油气管道泄漏的检测定位方法 |
CN102789234A (zh) * | 2012-08-14 | 2012-11-21 | 广东科学中心 | 基于颜色编码标识的机器人导航方法及*** |
CN104848851A (zh) * | 2015-05-29 | 2015-08-19 | 山东鲁能智能技术有限公司 | 基于多传感器数据融合构图的变电站巡检机器人及其方法 |
CN105160362A (zh) * | 2015-10-22 | 2015-12-16 | 中国民用航空总局第二研究所 | 一种跑道fod图像探测方法及装置 |
CN108171131A (zh) * | 2017-12-15 | 2018-06-15 | 湖北大学 | 基于改进MeanShift的Lidar点云数据道路标识线提取方法及*** |
CN109596078A (zh) * | 2019-01-28 | 2019-04-09 | 吉林大学 | 多信息融合路面谱实时测试***和测试方法 |
CN110852278A (zh) * | 2019-11-12 | 2020-02-28 | 深圳创维数字技术有限公司 | 地面标识线识别方法、设备及计算机可读存储介质 |
CN112148013A (zh) * | 2020-09-25 | 2020-12-29 | 深圳优地科技有限公司 | 机器人避障方法、机器人及存储介质 |
CN112348778A (zh) * | 2020-10-21 | 2021-02-09 | 深圳市优必选科技股份有限公司 | 一种物体识别方法、装置、终端设备及存储介质 |
CN112418187A (zh) * | 2020-12-15 | 2021-02-26 | 潍柴动力股份有限公司 | 车道线识别方法及装置、存储介质、电子设备 |
CN112488037A (zh) * | 2020-12-15 | 2021-03-12 | 上海有个机器人有限公司 | 一种在图像识别中危险区域标识的方法 |
CN112541439A (zh) * | 2020-12-16 | 2021-03-23 | 深圳英飞拓科技股份有限公司 | 一种电厂智能视频监控方法与*** |
CN112990367A (zh) * | 2021-04-25 | 2021-06-18 | 杭州晟视科技有限公司 | 一种图像处理方法、装置、设备以及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3535685A1 (en) * | 2016-11-02 | 2019-09-11 | Ventana Medical Systems, Inc. | Systems and methods for encoding image features of high-resolution digital images of biological specimens |
-
2021
- 2021-08-23 CN CN202110978320.4A patent/CN113657333B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080024776A (ko) * | 2006-09-14 | 2008-03-19 | 주식회사 만도 | 호프 변환을 이용한 주차구획 인식 방법, 장치 및 그를이용한 주차 보조 시스템 |
CN101561081A (zh) * | 2009-05-18 | 2009-10-21 | 中国地质大学(武汉) | 应用自主导航机器人对油气管道泄漏的检测定位方法 |
CN102789234A (zh) * | 2012-08-14 | 2012-11-21 | 广东科学中心 | 基于颜色编码标识的机器人导航方法及*** |
CN104848851A (zh) * | 2015-05-29 | 2015-08-19 | 山东鲁能智能技术有限公司 | 基于多传感器数据融合构图的变电站巡检机器人及其方法 |
CN105160362A (zh) * | 2015-10-22 | 2015-12-16 | 中国民用航空总局第二研究所 | 一种跑道fod图像探测方法及装置 |
CN108171131A (zh) * | 2017-12-15 | 2018-06-15 | 湖北大学 | 基于改进MeanShift的Lidar点云数据道路标识线提取方法及*** |
CN109596078A (zh) * | 2019-01-28 | 2019-04-09 | 吉林大学 | 多信息融合路面谱实时测试***和测试方法 |
CN110852278A (zh) * | 2019-11-12 | 2020-02-28 | 深圳创维数字技术有限公司 | 地面标识线识别方法、设备及计算机可读存储介质 |
CN112148013A (zh) * | 2020-09-25 | 2020-12-29 | 深圳优地科技有限公司 | 机器人避障方法、机器人及存储介质 |
CN112348778A (zh) * | 2020-10-21 | 2021-02-09 | 深圳市优必选科技股份有限公司 | 一种物体识别方法、装置、终端设备及存储介质 |
CN112418187A (zh) * | 2020-12-15 | 2021-02-26 | 潍柴动力股份有限公司 | 车道线识别方法及装置、存储介质、电子设备 |
CN112488037A (zh) * | 2020-12-15 | 2021-03-12 | 上海有个机器人有限公司 | 一种在图像识别中危险区域标识的方法 |
CN112541439A (zh) * | 2020-12-16 | 2021-03-23 | 深圳英飞拓科技股份有限公司 | 一种电厂智能视频监控方法与*** |
CN112990367A (zh) * | 2021-04-25 | 2021-06-18 | 杭州晟视科技有限公司 | 一种图像处理方法、装置、设备以及存储介质 |
Non-Patent Citations (3)
Title |
---|
一种结合模糊C均值聚类的车道标识线识别方法;闫旭琴;王知学;李建新;成巍;;山东科学(第03期);全文 * |
基于多种控制方式的全方位移动机器人研制;贾茜;王兴松;周婧;;电子机械工程(第04期);全文 * |
基于改进遗传算法的动态聚类方法及其应用;姜灵敏;;科技管理研究(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113657333A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070570B (zh) | 一种基于深度信息的障碍物检测***及方法 | |
US10445567B2 (en) | Pedestrian head identification method and system | |
CN110919653B (zh) | 机器人的爬楼控制方法、装置、存储介质和机器人 | |
US9754160B2 (en) | Method and device for detecting gathering of objects based on stereo vision as well as non-transitory computer-readable medium | |
CN108960011B (zh) | 部分遮挡的柑橘果实图像识别方法 | |
CN106910204B (zh) | 一种对海面船只自动跟踪识别的方法和*** | |
WO2022252380A1 (zh) | 静态障碍物接地轮廓线多帧融合方法、装置及介质 | |
CN106127735B (zh) | 一种设施蔬菜边缘清晰类叶面病斑分割方法及装置 | |
CN111192326B (zh) | 一种用于视觉识别电动汽车直流充电插口的方法及*** | |
CN106991418A (zh) | 飞虫检测方法、装置及终端 | |
CN112699734B (zh) | 门槛检测方法、移动机器人及存储介质 | |
CN111259718A (zh) | 一种基于高斯混合模型的扶梯滞留检测方法及*** | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
JP5011268B2 (ja) | 画像検出装置及び画像検出方法 | |
CN104915642A (zh) | 前方车辆测距方法及装置 | |
CN111275040A (zh) | 定位方法及装置、电子设备、计算机可读存储介质 | |
CN113947754A (zh) | 一种基于视觉的船舶机械运行状态监测方法、***及存储介质 | |
CN116494253A (zh) | 目标物体抓取位姿获取方法及机器人抓取*** | |
CN109410237B (zh) | 一种基于激光三维相机的渣片图像分割方法 | |
CN114581658A (zh) | 一种基于计算机视觉的目标检测方法及装置 | |
CN113657333B (zh) | 警戒线识别方法、装置、计算机设备及存储介质 | |
CN111582233A (zh) | 数据处理方法、电子设备和存储介质 | |
CN103714552B (zh) | 运动阴影消除方法及装置和智能视频分析*** | |
JP2016115084A (ja) | 対象物検出装置及びプログラム | |
CN114140417A (zh) | 一种基于机器视觉的香烟滤棒识别方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |