CN115546764A - 一种障碍物检测方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开一种障碍物检测方法、装置、设备及存储介质，该方法应用于移动机器人中，该方法包括：采集图像数据，并对图像数据进行特征提取获得图像数据对应的特征图，确定特征图中的感兴趣区域，感兴趣区域包括移动机器人的移动路径所在的区域，对感兴趣区域进行背景分割，若背景分割后得到前景区域，则基于前景区域确定障碍物轮廓，本发明实施例可以实现精准检测任意类别的障碍物，清除了背景的干扰以增强移动机器人对障碍物轮廓的感知，以使移动机器人更好地利用障碍物轮廓完成避障。

Description

一种障碍物检测方法、装置、设备及存储介质

技术领域

本发明属于人工智能的技术领域，尤其涉及一种障碍物检测方法、装置、设备及存储介质。

背景技术

目前，针对无人驾驶的移动机器人的障碍物识别方式，通常是通过有监督的深度学习方法，对常见或者特定的障碍物进行检测从而确定出障碍物的类别。但是，由于障碍物的类别非常多，道路上也可能出现不常见的类别，图像检测算法对于不常见的类别而言，存在检测不到这些类型的障碍物的情况，无法确定障碍物的类别也就无法检测出障碍物。

另外，目前针对有监督的深度学习进行障碍物检测所存在的缺陷，有相应的利用视觉感知技术来图像进行感知从而确定存在的障碍物，但是由于视觉感知技术确定的障碍物信息是粗糙的，因此在进行避障时存在难以精确定位障碍物等问题。

发明内容

本发明提供了一种障碍物检测方法、装置、设备及存储介质，以解决目前通过有监督的深度学习或者视觉感知技术进行障碍物检测时所存在的难以针对所有类型的障碍物而进行精确避障的问题。

根据本发明的一方面，提供了一种障碍物检测方法，所述方法应用于移动机器人中，所述方法包括：

采集图像数据，并对所述图像数据进行特征提取获得所述图像数据对应的特征图；

确定所述特征图中的感兴趣区域，所述感兴趣区域包括所述移动机器人的移动路径所在的区域；

对所述感兴趣区域进行背景分割；

若背景分割后得到前景区域，则基于所述前景区域确定障碍物轮廓。

根据本发明的一方面，提供了一种障碍物检测装置，所述装置应用于移动机器人中，所述装置包括：

特征提取模块，用于采集图像数据，并对所述图像数据进行特征提取获得所述图像数据对应的特征图；

感兴趣区域确定模块，用于确定所述特征图中的感兴趣区域，所述感兴趣区域包括所述移动机器人的移动路径所在的区域；

背景分割模块，用于对所述感兴趣区域进行背景分割；

障碍物轮廓确定模块，用于若背景分割后得到前景区域，则基于所述前景区域确定障碍物轮廓。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的一种障碍物检测方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的一种障碍物检测方法。

本发明实施例的技术方案提供了一种障碍物检测方法，该方法应用于移动机器人中，该方法包括：采集图像数据，并对图像数据进行特征提取获得图像数据对应的特征图，确定特征图中的感兴趣区域，感兴趣区域包括移动机器人的移动路径所在的区域，以减少背景的干扰，对感兴趣区域进行背景分割，若背景分割后得到前景区域，则基于前景区域确定障碍物轮廓，并根据障碍物轮廓进行避障，本发明实施例可以实现精准检测任意类别的障碍物，清除了背景的干扰以增强移动机器人对障碍物轮廓的感知，以使移动机器人更好地利用障碍物轮廓完成避障。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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，下面描述中的附图仅仅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是根据本发明实施例一提供的一种障碍物检测方法的流程图；

图2是根据本发明实施例一提供的一种特征图示意图；

图3是根据本发明实施例一提供的一种障碍物轮廓示意图；

图4是根据本发明实施例二提供的一种障碍物检测装置的结构示意图；

图5是实现本发明实施例的一种障碍物检测方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1为本发明实施例一提供了一种障碍物检测方法的流程图，该方法应用于移动机器人中，其中，移动机器人可以是需要独立移动的机器人，例如送餐机器人、扫地机器人、自动驾驶汽车等等。

该方法可以由一种障碍物检测装置来执行，该用于障碍物检测装置可以采用硬件和/或软件的形式实现。

如图1所示，该方法包括如下步骤：

S110，采集图像数据，并对图像数据进行特征提取获得图像数据对应的特征图。

移动机器人可以配备双目摄像头进行图像数据的采集。双目摄像头是指两个帧同步的摄像头，这两个摄像头的采集范围是存在重合范围的。

示例性的，移动机器人配备的双目摄像头的相对位置为上下关系，采集的图像数据均为1280*720的RGB图像，帧率为30帧/s。这两个位置关系为上下的摄像头垂直方向对齐，间隔可以为40cm，上摄像头向下倾斜20度，下摄像头水平，以实现采集的范围具有重合部分，可以增强图像数据的可靠性、有效性。

在对图像数据进行特征提取时，可以同时将两个摄像头采集到的图像数据一同输入至特征提取网络中进行特征提取。具体的，特征提取网络可以是：vgg(一种深层卷积网络结构)、resnet(一种残差网络)或者mobilenet(一种轻量化网络)中的backbone(一种神经网络模型)，此处对进行特征提取的具体方式不进行限制。

在特征提取网络中可以得到上下摄像头的图像数据的各层特征图差异，然后可以对不同层的特征图差异进行融合，最后输出特征图。得到的特征图是双目摄像头采集的图像数据中的重合范围所对应的特征图。

参考图2的一种特征图示意图，图2可以为对上下摄像头的图像数据进行特征提取以及融合后得到的特征图，从图2可以看出，此时的特征图对于物体的感知是较为模糊的。

S120，确定特征图中的感兴趣区域，感兴趣区域包括移动机器人的移动路径所在的区域。

在特征图中存在部分范围对于移动机器人的避障来说是不造成影响的。例如，距离移动机器人的移动路径所在的区域距离较远的地方，或者是偏离移动路径较远的区域中，不论是否存在障碍物，都不会影响移动机器人的正常移动。

因此，感兴趣区域可以是考虑移动路径与摄像机之间的位置关系设定的。示例性的，移动路径所在的区域存在于特征图的正中间区域，则可以将感兴趣区域设定为包括特征图的正中间区域的一定区域范围。

另外，还可以结合移动机器人的使用场景、具体功能、移动速度等因素来确定感兴趣区域。例如，若移动机器人是低速的无人驾驶，那么距离移动机器人近处的目标更为重要、更有检测价值，此时，可以设置距离双目摄像头0-2米的范围作为感兴趣区域。

确定感兴趣区域后，可以过滤特征图中距离移动机器人较远的背景干扰，使得后续检测障碍物的准确率上升，以及可以减少检测障碍物过程中的算力消耗。

在一种实施例中，S120包括如下子步骤：

S120-1，将特征图中各像素点的像素值组成第一矩阵；

S120-2，基于第一矩阵进行归一化处理生成第二矩阵，第二矩阵中的各元素的元素值为0或1；

S120-3，将第一矩阵与第二矩阵进行点乘，得到第三矩阵；

S120-4，将与第三矩阵中的非0元素对应在图像特征图中的像素点组成的区域，作为感兴趣区域。

在确定感兴趣区域时，可以通过对特征图中的非感兴趣区域进行遮挡，从而得到感兴趣区域。

可以先确定由特征图的各像素点的像素值组成的第一矩阵，对第一矩阵进行归一化处理得到与第一矩阵的行列相同的第二矩阵。在第二矩阵中，各元素的元素值可以按照确定感兴趣区域的考虑因素进行提前设定，在设定时，可以将部分元素的元素值设定为1，其他元素的元素值设定为0。

将第一矩阵与第二矩阵进行点乘，得到的第三矩阵中，部分元素的元素值会与第一矩阵中元素的元素值相同，而部分元素的元素值会变成0。第三矩阵中的非0元素对应在图像特征图中的像素点组成的区域，即可确定为感兴趣区域。

在另一种具体实现中，由于特征图的大小尺寸是可以提前确定的，可以根据特征图的尺寸提前确定出第二矩阵的行列数。另外，由于感兴趣区域在特征图中的位置是根据移动机器人的使用场景、具体功能、移动速度等因素来确定的，可以基于这些因素预先设定第二矩阵中各元素的元素值为0或1，与感兴趣区域所在的位置对应的元素值设定为1，反之则设定为0。出于对移动机器人在移动路径中的前进方向的考虑，可以在进行元素值的设定时，利用元素值为1的元素围成梯形区域，以使最终确定的感兴趣区域为梯形区域。

在确定第一矩阵后，可以直接获取第二矩阵，然后将第一矩阵与第二矩阵进行点乘得到第三矩阵，并从第三矩阵中非0元素对应在图像特征图中的像素点组成的区域，确定为感兴趣区域。

S130，对感兴趣区域进行背景分割。

在特征图中确定了感兴趣区域后，该感兴趣区域中还会存在部分与移动机器人避障无关的区域，例如一些距离移动机器人较远的背景区域。可以通过对感兴趣区域进行背景分割，确定出感兴趣区域中的背景区域以及前景区域。对于移动机器人的移动路径不存在障碍的情况下，感兴趣区域中可能存在进行背景分割后只有背景区域，不存在前景区域的情况。在进行背景分割时，可以通过像素点类聚等等方式实现。

在一种实施例中，S130包括如下子步骤：

S130-1，确定感兴趣区域中各像素点的灰度值；

S130-2，基于灰度值确定灰度阈值，并将灰度值与灰度阈值进行比较；

S130-3，若存在大于灰度阈值的灰度值，则将大于灰度阈值的灰度值修改为第一指定灰度值，并将第一指定灰度值对应像素点组成的区域确定为前景区域；

S130-4，若存在小于灰度阈值的灰度值，则将小于灰度阈值的灰度值修改为第二指定灰度值，并将第二指定灰度值对应像素点组成的区域确定为背景区域。

在对感兴趣区域进行背景分割时，可以先确定感兴趣区域中各像素点对应灰度值确定出灰度阈值，也可以是预先对灰度阈值进行设定。

在感兴趣区域中，若存在大于灰度阈值的灰度值，则将大于灰度阈值的灰度值修改为第一指定灰度值，第一指定灰度值可以是255。可以将小于灰度阈值的灰度值修改为第二指定灰度值，第一指定灰度值可以是0。

在完成灰度值的修改后，可以将灰度值为255的对应像素点组成的区域确定为前景区域。

在一种实施例中，S130-2中基于灰度值确定灰度阈值包括如下步骤：

确定感兴趣区域的像素点总数，并基于灰度值确定感兴趣区域的平均灰度值；

根据像素点总数分配属于前景区域的像素点数以及属于背景区域的像素点数，得到多个分配结果；

遍历分配结果，并基于平均灰度值，确定遍历到的分配结果对应的类间方差；

根据类间方差最大的分配结果，确定灰度阈值。

在一个图像中，可以分成前景区域和背景区域两部分，在区分前景区域和背景区域时，是根据灰度阈值进行分割的，前景区域与背景区域的分界值就是所求的灰度阈值。

在确定灰度阈值时，可以利用各像素点的灰度值计算直方图总像素个数，也就是得到感兴趣区域的像素点总数。

可以将灰度阈值记作T，属于前景区域的像素点数占总像素个数的比例记为ω₀，其平均灰度μ₀；背景像素点数占总像素个数的比例为ω₁，其平均灰度为μ₁。感兴趣区域的平均灰度值记为μ，类间方差记为g。在针对像素点总数进行分配时，可以得到不同的前景区域像素点数以及背景区域像素点数的分配结果。每个分配结果可以对应一个ω₀、ω₁、μ₀、μ₁的组合，也就会存在多个ω₀、ω₁、μ₀、μ₁的组合。

基于数学统计的公式可以知道，类间方差g＝ω₀ω₁(μ₀μ₁)2，可以对各分配结果进行遍历，针对每个分配结果都进行类间方差的确定，也就是确定了不同的ω₀、ω₁、μ₀、μ₁组合，从而计算每个分配结果对应的类间方差g，并从确定的多个类间方差中确定最大的类间方差。

在确定最大的类间方差g后，即可确定使得类间方差g最大的ω₀、ω₁、μ₀、μ₁组合，此时针对该分配结果中前景区域和背景区域的阈值则为灰度阈值T，该过程可以实现灰度阈值的自适应。

S140，若背景分割后得到前景区域，则基于前景区域确定障碍物轮廓。

在得到前景区域后，可以直接将前景区域作为障碍物区域，可以识别出前景区域的轮廓作为障碍物的轮廓。

在确定障碍物轮廓时，可以利用边缘检测的方式来进行，示例性的，可以利用Canny算子边缘检测方法，通过该计算特征图中感兴趣区域的梯度幅度和方向来估计每一个点的边缘强度与方向，根据梯度方向，对梯度幅值进行非极大值抑制，用双阈值处理和连接边缘，得到障碍物轮廓。

若背景分割后仅有背景区域而不存在前景区域，则可以认为当前移动机器人的移动路径上不存在障碍物。

在一种实施例中，若背景分割后得到多个前景区域，在基于前景区域确定障碍物轮廓之前，还包括如下步骤：

基于第一指定灰度值以及第二指定灰度值，确定感兴趣区域对应的二值图；

对二值图进行膨胀处理，以将距离在指定距离阈值范围内的前景区域进行连通；

对膨胀处理后得到的二值图进行腐蚀处理，以获得边缘平滑的前景区域。

当出现多个前景区域时，有可能是存在多个障碍物，也可能是由于同一障碍物的不同部分形状差异较大导致的部分区域出现空洞、生成多个前景区域等。因此，可以先对由第一指定灰度值以及第二指定灰度值确定出来的二值图进行膨胀处理，填补前景区域中的某些空洞、把距离很近的、属于同一障碍物的各区域进行连通，以及消除在前景区域中的小颗粒噪声等。

在完成膨胀处理后，可以进行腐蚀处理，以消除前景区域的边缘中一些细小的毛刺，让前景区域的边缘更光滑。

对二值图进行膨胀处理以及腐蚀处理是一种成熟的数学形态学运算，在此不做详细说明。

在一种实施例中，在对膨胀处理后得到的二值图进行腐蚀处理之后，还包括如下步骤：

获取预先设定的最小障碍物面积阈值；

分别确定各进行腐蚀处理后的前景区域的区域面积；

将区域面积小于最小障碍物面积阈值的前景区域进行过滤。

在前景区域中，可能存在部分因水面反射、金属被阳光照射等情况而判别为前景区域的情况。这些由于光导致的误检而出现的前景区域面积会比较小。为了避免由这些情况引起障碍物的误检，可以按照移动机器人的使用场景所遇到的障碍物的体积大小情况而设定障碍物面积阈值，如果存在面积比障碍物面积阈值小的，即可以认为并不是障碍物，可以将该面积小的前景区域进行过滤，避免误检。

在一种实施例中，基于前景区域确定障碍物轮廓，包括：

提取前景区域的轮廓特征点；

根据轮廓特征点以及预设的外扩比例，确定轮廓特征点的外扩位置；

将外扩位置上的轮廓特征点进行连接得到初步障碍物轮廓；

将初步障碍物轮廓进行分割，将分割后的初步障碍物轮廓作为障碍物轮廓。

为了可以更好的避开障碍物，使得移动机器人不与障碍物发生碰撞，在确定障碍物轮廓时，可以对前景区域进行适当的外扩。可以先针对前景区域的边缘，提取前景区域的轮廓，将围成前景区域的轮廓的各点作为轮廓特征点。

在一种实现中，可以将经过膨胀处理以及腐蚀处理后的二值图输入至open-cv(Open Source Computer Vision Library,一个跨平台的计算机视觉库)中进行轮廓检测的FindContours算法中，FindContours算法可以提取得到前景区域的轮廓特征点，并确定轮廓特征点的坐标位置。

确定轮廓特征点的坐标位置后，利用预设的外扩比例，确定轮廓特征点的外扩位置，将外扩位置上的轮廓特征点进行连接得到初步障碍物轮廓。此时，得到的初步障碍物轮廓还比较粗糙，可以通过GrabCut算法对初步障碍物轮廓进行切割，得到精确的障碍物轮廓。

参考图3的一种障碍物轮廓示意图，对图2进行处理后可以得到图3，明显地，可以从图3中得出轮廓清晰的障碍物轮廓，也就是相比较图2而言，移动机器人利用图3可以对障碍物轮廓的细节感知更加清晰，有利于后续的避障操作，实现更精准的避障。其中，图3中的矩形框围起来的区域即为感兴趣区域。

在一种实施例中，还包括根据障碍物轮廓进行避障的步骤，具体包括如下步骤：

基于障碍物轮廓生成最小外接矩形；

确定最小外接矩形的位置信息；

根据位置信息进行避障。

在确定障碍物轮廓后，可以针对障碍物轮廓生成最小外接矩形，并基于障碍物与双目摄像头之间的关系确定最小外接矩形的精准定位，对各最小外接矩形进行避障。

本发明实施例提出一种障碍物检测方法，该方法应用于移动机器人中，该方法包括：采集图像数据，并对图像数据进行特征提取获得图像数据对应的特征图，确定特征图中的感兴趣区域，感兴趣区域包括移动机器人的移动路径所在的区域，以减少背景的干扰，对感兴趣区域进行背景分割，若背景分割后得到前景区域，则基于前景区域确定障碍物轮廓，并根据障碍物轮廓进行避障，本发明实施例可以实现精准检测任意类别的障碍物，清除了背景的干扰以增强移动机器人对障碍物轮廓的感知，以使移动机器人更好地利用障碍物轮廓完成避障。

实施例二

图4为本发明实施例二提供的一种障碍物检测装置的结构示意图，所述装置应用于移动机器人中，所述装置包括：

特征提取模块410，用于采集图像数据，并对所述图像数据进行特征提取获得所述图像数据对应的特征图；

感兴趣区域确定模块420，用于确定所述特征图中的感兴趣区域，所述感兴趣区域包括所述移动机器人的移动路径所在的区域；

背景分割模块430，用于对所述感兴趣区域进行背景分割；

障碍物轮廓确定模块440，用于若背景分割后得到前景区域，则基于所述前景区域确定障碍物轮廓。

在一种实施例中，所述感兴趣区域确定模块420，包括如下子模块：

第一矩阵组成子模块，用于将所述特征图中各像素点的像素值组成第一矩阵；

第二矩阵生成子模块，用于基于所述第一矩阵进行归一化处理生成第二矩阵，所述第二矩阵中的各元素的元素值为0或1；

点乘子模块，用于将所述第一矩阵与所述第二矩阵进行点乘，得到第三矩阵；

感兴趣区域确定子模块，用于将与所述第三矩阵中的非0元素对应在所述图像特征图中的像素点组成的区域，作为感兴趣区域。

在一种实施例中，所述背景分割模块430，包括如下子模块：

灰度值确定子模块，用于确定所述感兴趣区域中各像素点的灰度值；

比较子模块，用于基于所述灰度值确定灰度阈值，并将所述灰度值与所述灰度阈值进行比较；

前景区域确定子模块，用于当存在大于所述灰度阈值的灰度值，则将大于所述灰度阈值的灰度值修改为第一指定灰度值，并将所述第一指定灰度值对应像素点组成的区域确定为前景区域；

背景区域确定子模块，用于将存在小于所述灰度阈值的灰度值，则将小于所述灰度阈值的灰度值修改为第二指定灰度值，并将所述第二指定灰度值对应像素点组成的区域确定为背景区域。

在一种实施例中，所述装置还包括如下模块：

二值图确定模块，用于基于所述第一指定灰度值以及所述第二指定灰度值，确定所述感兴趣区域对应的二值图；

膨胀处理模块，用于对所述二值图进行膨胀处理，以将距离在指定距离阈值范围内的所述前景区域进行连通；

腐蚀处理模块，用于对膨胀处理后得到的所述二值图进行腐蚀处理，以获得边缘平滑的所述前景区域。

在一种实施例中，所述装置还包括如下模块：

阈值获取模块，用于获取预先设定的最小障碍物面积阈值；

区域面积确定模块，用于分别确定各进行腐蚀处理后的所述前景区域的区域面积；

过滤模块，用于将所述区域面积小于所述最小障碍物面积阈值的所述前景区域进行过滤。

在一种实施例中，所述障碍物轮廓确定模块440，包括如下子模块：

轮廓特征点提取子模块，用于提取所述前景区域的轮廓特征点；

外扩子模块，用于根据所述轮廓特征点以及预设的外扩比例，确定所述轮廓特征点的外扩位置；

初步障碍物轮廓确定子模块，用于将所述外扩位置上的轮廓特征点进行连接得到初步障碍物轮廓；

障碍物轮廓确定子模块，用于将所述初步障碍物轮廓进行分割，将分割后的所述初步障碍物轮廓作为障碍物轮廓。

在一种实施例中，所述装置还包括避障模块，所述避障模块用于根据所述障碍物轮廓进行避障；

所述避障模块具体用于：基于所述障碍物轮廓生成最小外接矩形；

确定所述最小外接矩形的位置信息；

根据所述位置信息进行避障。

本发明实施例所提供的一种障碍物检测装置可实现本发明实施例一所提供的一种障碍物检测方法，具备执行方法相应的功能模块和有益效果。

实施例三

图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM12以及RAM13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如一种障碍物检测方法。

在一些实施例中，一种障碍物检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时，可以执行上文描述的一种障碍物检测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行一种障碍物检测方法。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (11)

1.一种障碍物检测方法，其特征在于，所述方法应用于移动机器人中，所述方法包括：

采集图像数据，并对所述图像数据进行特征提取获得所述图像数据对应的特征图；

确定所述特征图中的感兴趣区域，所述感兴趣区域包括所述移动机器人的移动路径所在的区域；

对所述感兴趣区域进行背景分割；

若背景分割后得到前景区域，则基于所述前景区域确定障碍物轮廓。

2.根据权利要求1所述的方法，其特征在于，所述在所述图像特征图中确定感兴趣区域，包括：

将所述特征图中各像素点的像素值组成第一矩阵；

基于所述第一矩阵进行归一化处理生成第二矩阵，所述第二矩阵中的各元素的元素值为0或1；

将所述第一矩阵与所述第二矩阵进行点乘，得到第三矩阵；

将与所述第三矩阵中的非0元素对应在所述图像特征图中的像素点组成的区域，作为感兴趣区域。

3.根据权利要求1或2所述的方法，其特征在于，所述对所述感兴趣区域进行背景分割，包括：

确定所述感兴趣区域中各像素点的灰度值；

基于所述灰度值确定灰度阈值，并将所述灰度值与所述灰度阈值进行比较；

若存在大于所述灰度阈值的灰度值，则将大于所述灰度阈值的灰度值修改为第一指定灰度值，并将所述第一指定灰度值对应像素点组成的区域确定为前景区域；

若存在小于所述灰度阈值的灰度值，则将小于所述灰度阈值的灰度值修改为第二指定灰度值，并将所述第二指定灰度值对应像素点组成的区域确定为背景区域。

4.根据权利要求3所述的方法，其特征在于，所述基于所述灰度值确定灰度阈值，包括：

确定所述感兴趣区域的像素点总数，并基于所述灰度值确定所述感兴趣区域的平均灰度值；

根据所述像素点总数分配属于所述前景区域的像素点数以及属于所述背景区域的像素点数，得到多个分配结果；

遍历所述分配结果，并基于所述平均灰度值，确定遍历到的分配结果对应的类间方差；

根据所述类间方差最大的分配结果，确定灰度阈值。

5.根据权利要求3所述的方法，其特征在于，若背景分割后得到多个前景区域，在基于所述前景区域确定障碍物轮廓之前，还包括：

基于所述第一指定灰度值以及所述第二指定灰度值，确定所述感兴趣区域对应的二值图；

对所述二值图进行膨胀处理，以将距离在指定距离阈值范围内的所述前景区域进行连通；

对膨胀处理后得到的所述二值图进行腐蚀处理，以获得边缘平滑的所述前景区域。

6.根据权利要求5所述的方法，其特征在于，在对膨胀处理后得到的所述二值图进行腐蚀处理之后，还包括：

获取预先设定的最小障碍物面积阈值；

分别确定各进行腐蚀处理后的所述前景区域的区域面积；

将所述区域面积小于所述最小障碍物面积阈值的所述前景区域进行过滤。

7.根据权利要求1或2或4或5或6所述的方法，其特征在于，所述基于所述前景区域确定障碍物轮廓，包括：

提取所述前景区域的轮廓特征点；

根据所述轮廓特征点以及预设的外扩比例，确定所述轮廓特征点的外扩位置；

将所述外扩位置上的轮廓特征点进行连接得到初步障碍物轮廓；

将所述初步障碍物轮廓进行分割，将分割后的所述初步障碍物轮廓作为障碍物轮廓。

8.根据权利要求1所述的方法，其特征在于，还包括：根据所述障碍物轮廓进行避障，包括：

基于所述障碍物轮廓生成最小外接矩形；

确定所述最小外接矩形的位置信息；

根据所述位置信息进行避障。

9.一种障碍物检测装置，其特征在于，所述装置应用于移动机器人中，所述装置包括：

特征提取模块，用于采集图像数据，并对所述图像数据进行特征提取获得所述图像数据对应的特征图；

感兴趣区域确定模块，用于确定所述特征图中的感兴趣区域，所述感兴趣区域包括所述移动机器人的移动路径所在的区域；

背景分割模块，用于对所述感兴趣区域进行背景分割；

障碍物轮廓确定模块，用于若背景分割后得到前景区域，则基于所述前景区域确定障碍物轮廓。

10.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的一种障碍物检测方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-8中任一项所述的一种障碍物检测方法。

Images