CN105511462B - 一种基于视觉的agv导航方法 - Google Patents
一种基于视觉的agv导航方法 Download PDFInfo
- Publication number
- CN105511462B CN105511462B CN201510860358.6A CN201510860358A CN105511462B CN 105511462 B CN105511462 B CN 105511462B CN 201510860358 A CN201510860358 A CN 201510860358A CN 105511462 B CN105511462 B CN 105511462B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- edge
- edge pixel
- line
- 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
- 238000004891 communication Methods 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 21
- 230000000007 visual effect Effects 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 239000000203 mixture Substances 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G05D1/02—Control of position or course in two dimensions
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
一种基于视觉的AGV导航方法,首先在自动导引运输车上安装视觉系统,并在地面粘贴导引线、驻车标志,实时采集图像后在图像中设置多个子图像组成的方形区域,进而计算得到目标曝光量、灰度梯度变化,然后根据梯度变化得到边缘像素后,去除污点并进行数据处理得到导引线方程,最后根据导引线方程得到导引线两侧边缘直线斜率及截距,进而控制自动导引运输车运动,完成驻车。本发明通过去除污点、遍历边缘像素得到最精准的导引线方程,解决了现有技术不能识别导引线或导引线识别精度低的问题,实现了自动导引运输车的精准导航运行。
Description
技术领域
本发明涉及工业控制领域,特别是一种基于视觉的AGV导航方法。
背景技术
现有的AGV生产厂家采用的导航方式包括视觉导航、激光导航、磁导航、光电导航,其中,磁导航的优点是引线隐蔽,不易污染和破损,导引原理简单且可靠,便于控制和通讯,对声光无干扰,制造成本较低,缺点是路径难以更改扩展,对复杂路径难以适应,应用局限性较大。
激光导航AGV定位较精确,在地面无需其它辅助定位设施,行驶路径可灵活多变,能够适合多种现场环境,是目前许多AGV生产厂家优先采用的先进导航方式,但是其制造成本较高,对试验环境要求较相对苛刻。
GPS导航是通过卫星对非固定路面系统中的控制对象进行跟踪和制导,目前此项技术还在发展和完善,通常用于室外远距离的跟踪和制导,其精度取决于卫星在空中的固定精度和数量、控制对象周围环境等因素,根据GPS导航发展出来的iGPS(室内GPS)、dGPS(用于室外的差分GPS)精度高于民用GPS,但是其制造成本较高。
视觉导航是对AGV行驶区域的环境进行图象处理和智能学习,实现自动导航行驶,其特点是精度较高,但是对复杂环境的识别能力、学习能力有待提高,需要一种可靠的图像处理及识别算法实现特定标识识别和导引,进而实现AGV的自动导航。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提供了一种通过去除污点、遍历边缘像素得到精准的导引线方程,解决了现有技术不能识别导引线或导引线识别精度低问题的基于视觉的AGV导航方法。
本发明的技术解决方案是:一种基于视觉的AGV导航方法,包括如下步骤:
(1)在自动导引运输车的前方、后方、左侧、右侧中心位置各安装一套视觉系统,其中,视觉系统包括相机、光源、镜头及位置调整机械机构。
(2)在地面任意位置粘贴任意数量纵向导引线、横向导引线、驻车标志,其中,自动导引运输车的运动轨迹为纵向导引线或横向导引线,驻车标志位于纵向导引线或横向导引线的末端,纵向导引线、横向导引线相互垂直;
(3)令自动导引运输车上的相机实时采集自动导引运输车前方、后方、左侧或右侧图像,在采集得到的图像中设置N个尺寸为a像素×a像素子图像组成的方形监控区域,计算得到N个子图像的平均灰度值为
其中,gij为一个子图像中第i行第j列像素的灰度值,i=1,2,3…a,j=1,2,3…a;
(4)从外部获取图像目标亮度G0,得到N个子图像的平均灰度值与目标亮度G0的比例因子d为
进而得到目标曝光量=当前曝光量×d,然后调节当前相机的曝光量至目标曝光量;
(5)将采集得到的图像中第x行、第y列的像素灰度值记为f(x,y),然后得到图像灰度增量Δf(i,j)为
Δf(i,j)=[f(i+1,j)-f(i,j)]+[f(i,j+1)-f(i,j)]
进而得到x方向的图像灰度梯度变化Gx,y方向的图像灰度梯度变化Gy,得到图像总的灰度梯度变化G为
(6)根据图像总的灰度梯度变化G得到图像中第i行的最小梯度,并记为Min(i),然后计算图像中各行最小梯度的平均值Min_Avg为
其中,M为图像的行数,i=1,2,3…M;
(7)从外部获取附加阈值T0,检测图像中第i行第j列的梯度Gij,如果Gij>Min_Avg+T0,则图像中第i行第j列的像素为边缘像素,否则为背景像素;其中,附加阈值T0为的取值范围为[20,70],i=1,2,3…M,j=1,2,3…M’,M’为图像的列数;
(8)将在同一列中连续排列的边缘像素作为一个单元,记为Ui,j,i表示第j列中第i个像素所在行,j表示行,将单元Ui,j与下一列的单元Uk,j+1进行比较,如果两者有相连或者重合的边缘像素,则两者为一个联通区域,遍历所有列得到图像中的所有联通区域,i=1,2,3…M,j=1,2,3…M’,k=1,2,3…M;
(9)计算图像中的各个联通区域的面积Area(m)并判断,如果Area(m)<T1,则将当前联通区域去除,否则保留当前联通区域,其中,T1为图像中污点的最大面积,m为步骤(8)得到的联通区域的个数;
(10)判断保留的联通区域,如果当前联通区域内像素数目不少于2/3总像素个数且面积Area(m)>T2且与图像中第1行或最后1行相交且当前联通区域相对图像纵向中心线的偏角在[α0,α1]内,则当前联通区域为纵向导引线,如果当前联通区域边缘像素数目不少于2/3总像素个数且面积Area(m)>T3且与图像中第1列或最后一列相交且当前联通区域相对图像横向中心线的偏角在[-α,α]范围内,则当前联通区域为横向导引线,如果当前联通区域垂直于纵向导引线且均匀分布在该纵向导引线两侧且面积Area(m)>T4,则当前联通区域为驻车标志,其中,T2为的取值范围为[5000,30000],T3的取值范围为[5000,30000],T4的取值范围为[300,1500],α0的取值范围为[-25°,0],α1的取值范围为[0,25°],α为20°;
(11)以图像左上角像素为原心,以平行于图像横向中心线的方向为x轴指向,以平行于图像纵向中心线的方向为y轴指向,建立图像坐标系,对图像进行第0列-第M’列搜索,将每一行遇到的第一个边缘像素记为xij,进行第M’列-第0列搜索,将第0列遇到的第一个边缘像素记为xi’j’,当上述两个边缘像素满足
时,
边缘像素xij、xi’j’为可信的边缘像素,遍历图像中所有行得到所有可信的边缘像素,进而得到纵向导引线两条边缘像素集合{x'ij,y'ij}、{x'i'j',y'i'j'},其中,W1的取值范围为[0-20]像素,W2的取值范围为[0-50]像素,xij为图像中第i行第j列的像素,xi’j’为图像中第I’行第j’列的像素,x'ij为边缘像素xij在图像坐标系中的横向坐标值,y'ij为边缘像素xij在图像坐标系中的纵向坐标值{x'ij,y'ij},i=1,2,3…M,j=1,2,3…M’,i’=1,2,3…M,j’=1,2,3…M’;
(12)把{x'ij,y'ij}、{x'i'j',y'i'j'}各自均匀划分为上下两部分,得到 和在集合中分别任意选择一个边缘像素点,得到对应的直线方程,计算集合{x'ij,y'ij}中各个边缘像素到该直线的距离并判断,如果距离<T5,则该边缘像素属于该直线,遍历{x'ij,y'ij}中各个边缘像素,记录该直线拥有的边缘像素点数目Numi,i',分别遍历集合中所有可能的边缘像素,得所有直线对应的边缘像素点数目Numi,i',将NumMax=Max(Numi,i')且NumMax>T6对应的直线为纵向导引线左侧边缘直线,在集合分别任意选择一个边缘像素点,得到对应的直线方程,计算集合{x'i'j',y'i'j'}中各个边缘像素到该直线的距离并判断,如果距离<T5,则该边缘像素属于该直线,遍历{x'i'j',y'i'j'}中各个边缘像素,记录该直线拥有的边缘像素点数目Num'i,i',遍历集合中所有可能的边缘像素,得所有直线对应的边缘像素点数目Num'i,i',将Num'Max=Max(Num'i,i')且Num'Max>T6对应的直线为纵向导引线右侧边缘直线,其中,x'ij为边缘像素xij在图像坐标系中的横向坐标值,y'ij为边缘像素xij在图像坐标系中的纵向坐标值,i=1,2,3…M,j=1,2,3…M’,i’=1,2,3…M,j’=1,2,3…M’,为的上半部分,为{x'ij,y'ij}的下半部分,为{x'i'j',y'i'j'}的上半部分,为{x'i'j',y'i'j'}的下半部分,T5的取值范围为[-5,+5],T6的取值范围为[80%-95%]M’;
(13)分别将纵向导引线左侧边缘直线斜率及截距、右侧边缘直线的斜率及截距、横向导引线、驻车标志送至外部,控制自动导引运输车运动,完成驻车。
所述的视觉系统的视场长度不大于1米。
所述的步骤(3)中的N个尺寸为a像素×a像素子图像均匀分布在相机采集得到的图像中。
所述的图像目标亮度G0取值范围为[70,150]。
所述的横向导引线或纵向导引线为50mm宽的黄色宽带,地面背景颜色为国网绿。
所述的步骤(7)中的附加阈值T0为[20,70]。
所述的W1为20像素,W2为50像素。
所述的T1的取值范围为[0,200]像素×像素。
本发明与现有技术相比的优点在于:
(1)本发明AGV导航方法通过黏贴导引线、驻车标识等视觉导航手段,解决了路径难以更改扩展及导航精度低的问题,具有地面路线设置简单、环境维护操作容易、较高控制精度的优点;
(2)本发明AGV导航方法通过采用自动曝光算法更新相机曝光量,提升了图像的成像质量,具有更清楚、稳定识别出导引线的优点;
(3)本发明AGV导航方法中的导引线算法通过去除污点、遍历边缘像素得到最精准的导引线方程,解决了现有技术不能识别导引线或导引线识别精度低的问题,实现了自动导引运输车的精准导航运行。
附图说明
图1为本发明一种基于视觉的AGV导航方法原理流程图。
具体实施方式
自动导引运输车(AGV)通常采用图像识别导航方法,其通过在自动导引运输车(AGV)的行驶路径上涂漆或粘贴色带,对摄像机采入的色带图象信号进行处理实现路径导航,基于图像识别导航技术使自动导引运输车(AGV)对于十字路口、停车工位等复杂路况具有自主判别能力,同时满足精确定位的需求。另外,自动导引运输车(AGV)具有效率高、自动化程度高、节约成本且可以应用于不适宜于人搬运的特殊场合的优点,其适用范围越来越广。
因此本发明提出一种基于视觉的AGV(自动导引运输车)的导航方法,首先通过相机获取路面导引线信息,进行图像处理并获取数据信息,解算出导引线方程,然后根据导引线方程计算AGV偏移信息,最后将此信息发送给驱动控制器控制AGV行走方向以及角度,相对于传统的导航方式具有信息量丰富、智能化程度高、导航柔性大等特点,下面结合附图对本发明方法进行详细说明。
本发明一种基于视觉的AGV导航方法如图1所示,包括如下步骤:
(1)在自动导引运输车的前方、后方、左侧、右侧中心位置各安装一套视觉系统,其中,视觉系统包括相机、光源、镜头及位置调整机械机构。
(2)在地面任意位置粘贴任意数量纵向导引线、横向导引线、驻车标志,;其中,自动导引运输车的运动轨迹为纵向导引线或横向导引线(当自动导引运输车运动在横向导引线上时,当前横向导引线变为自动导引运输车的纵向导引线),驻车标志位于纵向导引线或横向导引线的末端,纵向导引线、横向导引线相互垂直;
(3)令自动导引运输车上的相机实时采集自动导引运输车前方、后方、左侧或右侧图像,在采集得到的图像中设置N个尺寸为a像素×a像素子图像组成的方形监控区域,计算得到N个子图像的平均灰度值为
其中,gij为一个子图像中第i行第j列像素的灰度值,i=1,2,3…a,j=1,2,3…a;
(4)从外部获取图像目标亮度G0,得到N个子图像的平均灰度值与目标亮度G0的比例因子d为
进而得到目标曝光量=当前曝光量×d,然后调节当前相机的曝光量至目标曝光量;
(5)将采集得到的图像中第x行、第y列的像素灰度值记为f(x,y),进行离散化得到图像灰度增量Δf(i,j)为
Δf(i,j)=[f(i+1,j)-f(i,j)]+[f(i,j+1)-f(i,j)]
使用Δf(i,j)根据Sobel算子检测得到初始目标边缘像素,根据初始目标边缘像素得到x方向的图像灰度梯度变化Gx,y方向的图像灰度梯度变化Gy,进而得到图像总的灰度梯度变化G为
根据灰度梯度变化得到图像灰度梯度图;
(6根据图像总的灰度梯度变化G得到图像中第i行的最小梯度,并记为Min(i),然后计算图像中各行最小梯度的平均值Min_Avg为
其中,M为图像的行数,i=1,2,3…M;
(7)从外部获取附加阈值T0,检测图像中第i行第j列的梯度Gij,如果Gij>Min_Avg+T0,则图像中第i行第j列的像素为边缘像素,否则为背景像素;其中,附加阈值T0的取值范围为[20,70],i=1,2,3…M,j=1,2,3…M’,M’为图像的列数;
(8)将在同一列中连续排列的边缘像素作为一个单元,记为Ui,j,i表示第j列中第i个像素所在行,j表示行,将单元Ui,j与下一列的单元Uk,j+1进行比较,如果两者有相连或者重合的边缘像素,则两者为一个联通区域,遍历所有列得到图像中的所有联通区域,i=1,2,3…M,j=1,2,3…M’,k=1,2,3…M;
(9)计算图像中的各个联通区域的面积Area(m)并判断,如果Area(m)<T1,(T1的取值范围为[0,200])则将当前联通区域去处,否则保留当前联通区域,其中,T1为图像中污点的最大面积,m为步骤(8)得到的联通区域的个数;
(10)判断保留的联通区域,如果当前联通区域内边缘像素不少于2/3图像总像素个且面积Area(m)>T2(T2的取值范围为[5000,30000])且与图像中第1行或最后1行相交且当前联通区域相对图像纵向中心线的偏角在[α0,α1](α0的取值范围为[-25°,0],α1的取值范围为[0,25°])内,则当前联通区域为纵向导引线,如果当前联通区域内边缘像素不少于2/3图像总像素个且面积Area(m)>T3(T3的取值范围为[5000,30000])且与图像中第1列或最后一列相交且当前联通区域相对图像横向中心线的偏角在[-α,α]范围内,则当前联通区域为横向导引线,如果当前联通区域垂直于纵向导引线且均匀分布在该纵向导引线两侧且面积Area(m)>T4(T4的取值范围为[300,1500]),则当前联通区域为驻车标志,其中,α为20°;
(11)以图像左上角像素为原心,以平行于图像横向中心线的方向为x轴指向,以平行于图像纵向中心线的方向为y轴指向,建立图像坐标系,对图像进行第0列-第M’列搜索,将每一行遇到的第一个边缘像素记为xij,进行第M’列-第0列搜索,将第0列遇到的第一个边缘像素记为xi’j’,如果上述两个边缘像素满足
则边缘像素xij、xi’j’为可信的边缘像素,遍历图像中所有行得到所有可信的边缘像素,进而得到纵向导引线两条边缘像素集合{x'ij,y'ij}、{x'i'j',y'i'j'},把{x'ij,y'ij}、{x'i'j',y'i'j'}各自均匀划分为上下两部分,得到和在集合中任意选择一个边缘像素点、中任意选择一个边缘像素点,得到对应的直线方程,计算集合{x'ij,y'ij}中各个边缘像素到该直线的距离并判断,如果距离<T5,则该边缘像素属于该直线,遍历{x'ij,y'ij}中各个边缘像素,记录该直线拥有的边缘像素点数目Numi,i',遍历集合中所有可能的两个边缘像素(两个集合各选取一个边缘像素),得所有直线对应的边缘像素点数目Numi,i',将NumMax=Max(Numi,i')且NumMax>T6对应的直线为纵向导引线左侧边缘直线,在集合中任意选择一个边缘像素点、任意选择一个边缘像素点,得到对应的直线方程,计算集合{x'i'j',y'i'j'}中各个边缘像素到该直线的距离并判断,如果距离<T5,则该边缘像素属于该直线,遍历{x'i'j',y'i'j'}中各个边缘像素,记录该直线拥有的边缘像素点数目Num'i,i',遍历集合中所有可能的两个边缘像素(两个集合各选取一个边缘像素),得所有直线对应的边缘像素点数目Num'i,i',将Num'Max=Max(Num'i,i')且Num'Max>T6对应的直线为纵向导引线右侧边缘直线,其中,W1的取值范围为[0-20]像素,W2的取值范围为[0-50]像素,x'ij为边缘像素xij在图像坐标系中的横向坐标值,y'ij为边缘像素xij在图像坐标系中的纵向坐标值{x'ij,y'ij},i=1,2,3…M,j=1,2,3…M’,i’=1,2,3…M,j’=1,2,3…M’,为{x'ij,y'ij}的上半部分,为{x'ij,y'ij}的下半部分,T5的取值范围为[-5,+5],T6的取值范围为[80%-95%]M’像素。
(12)重复步骤(10)-步骤(11)中原理过程,分别得到横向导引线两侧边缘直线、驻车标志两侧边缘直线。
(13)分别将纵向导引线左右侧边缘直线的斜率及截距、横向导引线两侧边缘直线的斜率及截距、驻车标志两侧边缘直线的斜率及截距送至外部计算机,控制AGV(自动导引运输车)运动完成自动导航,直至驻车完成。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (7)
1.一种基于视觉的AGV导航方法,其特征在于包括如下步骤:
(1)在自动导引运输车的前方、后方、左侧、右侧中心位置各安装一套视觉系统,其中,视觉系统包括相机、光源、镜头及位置调整机械机构;
(2)在地面任意位置粘贴任意数量纵向导引线、横向导引线、驻车标志,其中,自动导引运输车的运动轨迹为纵向导引线或横向导引线,驻车标志位于纵向导引线或横向导引线的末端,纵向导引线、横向导引线相互垂直;
(3)令自动导引运输车上的相机实时采集自动导引运输车前方、后方、左侧或右侧图像,在采集得到的图像中设置N个尺寸为a像素×a像素子图像组成的方形监控区域,计算得到N个子图像的平均灰度值为
<mrow>
<mover>
<mi>G</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>N</mi>
<mo>&CenterDot;</mo>
<msup>
<mi>a</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>a</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>a</mi>
</munderover>
<msub>
<mi>g</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
其中,gij为一个子图像中第i行第j列像素的灰度值,i=1,2,3…a,j=1,2,3…a;
(4)从外部获取图像目标亮度G0,得到N个子图像的平均灰度值与目标亮度G0的比例因子d为
<mrow>
<mi>d</mi>
<mo>=</mo>
<msub>
<mi>G</mi>
<mn>0</mn>
</msub>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mover>
<mi>G</mi>
<mo>&OverBar;</mo>
</mover>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
进而得到目标曝光量=当前曝光量×d,然后调节当前相机的曝光量至目标曝光量;
(5)将采集得到的图像中第x行、第y列的像素灰度值记为f(x,y),然后得到图像灰度增量Δf(i,j)为
Δf(i,j)=[f(i+1,j)-f(i,j)]+[f(i,j+1)-f(i,j)]
进而得到x方向的图像灰度梯度变化Gx,y方向的图像灰度梯度变化Gy,得到图像总的灰度梯度变化G为
<mrow>
<mi>G</mi>
<mo>=</mo>
<msqrt>
<mrow>
<msub>
<mi>G</mi>
<mi>x</mi>
</msub>
<mo>+</mo>
<msub>
<mi>G</mi>
<mi>y</mi>
</msub>
</mrow>
</msqrt>
<mo>;</mo>
</mrow>
(6)根据图像总的灰度梯度变化G得到图像中第i行的最小梯度,并记为Min(i),然后计算图像中各行最小梯度的平均值Min_Avg为
<mrow>
<mi>M</mi>
<mi>i</mi>
<mi>n</mi>
<mo>_</mo>
<mi>A</mi>
<mi>v</mi>
<mi>g</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mi>M</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,M为图像的行数,i=1,2,3…M;
(7)从外部获取附加阈值T0,检测图像中第i行第j列的梯度Gij,如果Gij>Min_Avg+T0,则图像中第i行第j列的像素为边缘像素,否则为背景像素;其中,附加阈值T0的取值范围为[20,70],i=1,2,3…M,j=1,2,3…M’,M’为图像的列数;
(8)将在同一列中连续排列的边缘像素作为一个单元,记为Ui,j,i表示第j列中第i个像素所在行,j表示列,将单元Ui,j与下一列的单元Uk,j+1进行比较,如果两者有相连或者重合的边缘像素,则两者为一个联通区域,遍历所有列得到图像中的所有联通区域,i=1,2,3…M,j=1,2,3…M’,k=1,2,3…M;
(9)计算图像中的各个联通区域的面积Area(m)并判断,如果Area(m)<T1,则将当前联通区域去除,否则保留当前联通区域,其中,T1为图像中污点的最大面积,m为步骤(8)得到的联通区域的个数;
(10)判断保留的联通区域,如果当前联通区域内像素数目不少于2/3总像素个数且面积Area(m)>T2且与图像中第1行或最后1行相交且当前联通区域相对图像纵向中心线的偏角在[α0,α1]内,则当前联通区域为纵向导引线,如果当前联通区域边缘像素数目不少于2/3总像素个数且面积Area(m)>T3且与图像中第1列或最后一列相交且当前联通区域相对图像横向中心线的偏角在[-α,α]范围内,则当前联通区域为横向导引线,如果当前联通区域垂直于纵向导引线且均匀分布在该纵向导引线两侧且面积Area(m)>T4,则当前联通区域为驻车标志,其中,T2为的取值范围为[5000,30000],T3的取值范围为[5000,30000],T4的取值范围为[300,1500],α0的取值范围为[-250,0],α1的取值范围为[0,250],α为20°;
(11)以图像左上角像素为原心,以平行于图像横向中心线的方向为x轴指向,以平行于图像纵向中心线的方向为y轴指向,建立图像坐标系,对图像进行第0列-第M’列搜索,将每一行遇到的第一个边缘像素记为xij,进行第M’列-第0列搜索,将第0列遇到的第一个边缘像素记为xi’j’,当上述两个边缘像素满足
时,
边缘像素xij、xi’j’为可信的边缘像素,遍历图像中所有行得到所有可信的边缘像素,进而得到纵向导引线两条边缘像素集合{x'ij,y'ij}、{x'i'j',y'i'j'},其中,W1的取值范围为[0-20]像素,W2的取值范围为[0-50]像素,xij为图像中第i行第j列的像素,xi’j’为图像中第I’行第j’列的像素,x'ij为边缘像素xij在图像坐标系中的横向坐标值,y'ij为边缘像素xij在图像坐标系中的纵向坐标值,i=1,2,3…M,j=1,2,3…M’,i’=1,2,3…M,j’=1,2,3…M’;
(12)把{x'ij,y'ij}、{x'i'j',y'i'j'}各自均匀划分为上下两部分,得到 和在集合中分别任意选择一个边缘像素点,得到对应的直线方程,计算集合{x'ij,y'ij}中各个边缘像素到该直线的距离并判断,如果距离<T5,则该边缘像素属于该直线,遍历{x'ij,y'ij}中各个边缘像素,记录该直线拥有的边缘像素点数目Numi,i',分别遍历集合中所有可能的边缘像素,得到所有直线对应的边缘像素点数目Numi,i',将NumMax=Max(Numi,i')且NumMax>T6对应的直线为纵向导引线左侧边缘直线,在集合分别任意选择一个边缘像素点,得到对应的直线方程,计算集合{x'i'j',y'i'j'}中各个边缘像素到该直线的距离并判断,如果距离<T5,则该边缘像素属于该直线,遍历{x'i'j',y'i'j'}中各个边缘像素,记录该直线拥有的边缘像素点数目Num'i,i',遍历集合中所有可能的边缘像素,得所有直线对应的边缘像素点数目Num'i,i',将Num'Max=Max(Num'i,i')且Num'Max>T6对应的直线为纵向导引线右侧边缘直线,其中,x'ij为边缘像素xij在图像坐标系中的横向坐标值,y'ij为边缘像素xij在图像坐标系中的纵向坐标值,i=1,2,3…M,j=1,2,3…M’,i’=1,2,3…M,j’=1,2,3…M’,为{x'ij,y'ij}的上半部分,为{x'ij,y'ij}的下半部分,为{x'i'j',y'i'j'}的上半部分,为{x'i'j',y'i'j'}的下半部分,T5的取值范围为[-5,+5],T6的取值范围为[80%-95%]M’;
(13)分别将纵向导引线左侧边缘直线斜率及截距、右侧边缘直线的斜率及截距、横向导引线、驻车标志送至外部,控制自动导引运输车运动,完成驻车。
2.根据权利要求1所述的一种基于视觉的AGV导航方法,其特征在于:所述的视觉系统的视场长度不大于1米。
3.根据权利要求1或2所述的一种基于视觉的AGV导航方法,其特征在于:所述的步骤(3)中的N个尺寸为a像素×a像素子图像均匀分布在相机采集得到的图像中。
4.根据权利要求1或2所述的一种基于视觉的AGV导航方法,其特征在于:所述的图像目标亮度G0取值范围为[70,150]。
5.根据权利要求1或2所述的一种基于视觉的AGV导航方法,其特征在于:所述的横向导引线或纵向导引线为50mm宽的黄色宽带,地面背景颜色为国网绿。
6.根据权利要求1或2所述的一种基于视觉的AGV导航方法,其特征在于:所述的W1为20像素,W2为50像素。
7.根据权利要求1或2所述的一种基于视觉的AGV导航方法,其特征在于:所述的T1的取值范围为[0,200]像素×像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510860358.6A CN105511462B (zh) | 2015-11-30 | 2015-11-30 | 一种基于视觉的agv导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510860358.6A CN105511462B (zh) | 2015-11-30 | 2015-11-30 | 一种基于视觉的agv导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105511462A CN105511462A (zh) | 2016-04-20 |
CN105511462B true CN105511462B (zh) | 2018-04-27 |
Family
ID=55719523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510860358.6A Active CN105511462B (zh) | 2015-11-30 | 2015-11-30 | 一种基于视觉的agv导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105511462B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107346135A (zh) * | 2016-05-06 | 2017-11-14 | 新疆西北星信息技术有限责任公司 | 一种危险品运输机器人、激光导航自主运输系统及方法 |
CN106444765B (zh) * | 2016-10-21 | 2019-07-09 | 广东工业大学 | 一种基于视觉的agv导航方法 |
CN106940183B (zh) * | 2016-12-13 | 2019-08-09 | 北京卫星制造厂 | 一种基于psd测距的agv精确定位方法 |
CN106774335B (zh) * | 2017-01-03 | 2020-01-21 | 南京航空航天大学 | 基于多目视觉和惯导的导引装置、地标布局及导引方法 |
CN107632604A (zh) * | 2017-09-25 | 2018-01-26 | 上海木爷机器人技术有限公司 | 自主移动装置导引线导航方法及装置 |
CN108227708A (zh) * | 2017-12-27 | 2018-06-29 | 广州市技田信息技术有限公司 | 一种移动机器人定位方法及其系统 |
CN108845573A (zh) * | 2018-05-30 | 2018-11-20 | 上海懒书智能科技有限公司 | 一种agv视觉轨道的铺设及优化方法 |
CN109032125B (zh) * | 2018-05-31 | 2021-09-10 | 上海工程技术大学 | 一种视觉agv的导航方法 |
CN111093007B (zh) * | 2018-10-23 | 2021-04-06 | 辽宁石油化工大学 | 双足机器人的行走控制方法及装置、存储介质、终端 |
CN109189076B (zh) * | 2018-10-24 | 2021-08-31 | 湖北三江航天万山特种车辆有限公司 | 一种基于视觉传感器的重型导引车定位方法及重型导引车 |
CN113343962B (zh) * | 2021-08-09 | 2021-10-29 | 山东华力机电有限公司 | 基于视觉感知的多agv小车工作区域最大化实现方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1786859A (zh) * | 2005-11-22 | 2006-06-14 | 南京航空航天大学 | 室内外两用自动搬运车导引系统及zigbee模块的实施方法 |
CN101608924A (zh) * | 2009-05-20 | 2009-12-23 | 电子科技大学 | 一种基于灰度估计和级联霍夫变换的车道线检测方法 |
CN102663403A (zh) * | 2012-04-26 | 2012-09-12 | 北京工业大学 | 基于视觉的快速路智能车导航中车道信息提取系统及方法 |
CN104483966A (zh) * | 2014-11-17 | 2015-04-01 | 范良志 | 一种agv导航控制系统 |
-
2015
- 2015-11-30 CN CN201510860358.6A patent/CN105511462B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1786859A (zh) * | 2005-11-22 | 2006-06-14 | 南京航空航天大学 | 室内外两用自动搬运车导引系统及zigbee模块的实施方法 |
CN101608924A (zh) * | 2009-05-20 | 2009-12-23 | 电子科技大学 | 一种基于灰度估计和级联霍夫变换的车道线检测方法 |
CN102663403A (zh) * | 2012-04-26 | 2012-09-12 | 北京工业大学 | 基于视觉的快速路智能车导航中车道信息提取系统及方法 |
CN104483966A (zh) * | 2014-11-17 | 2015-04-01 | 范良志 | 一种agv导航控制系统 |
Non-Patent Citations (5)
Title |
---|
AGV视觉导航技术与路径规划;章植栋;《中国优秀硕士学位论文全文数据库信息科技辑》;20140515(第05期);I140-214 * |
AGV视觉导航标识线边缘特征提取研究;夏田 等;《机械设计与制造》;20130331(第3期);199-201 * |
一种基于直线模型的AGV视觉导航;何彩青 等;《安徽农业大学学报》;20061231;第33卷(第2期);281-283 * |
基于彩色轨迹引导的AGV视觉导航方案研究;龙水军 等;《工具技术》;20141231;第48卷(第1期);74-78 * |
视觉引导AGV的数字图像处理方法研究;李西锋 等;《科学技术与工程》;20100430;第10卷(第10期);2515-2519 * |
Also Published As
Publication number | Publication date |
---|---|
CN105511462A (zh) | 2016-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105511462B (zh) | 一种基于视觉的agv导航方法 | |
CN109945858B (zh) | 用于低速泊车驾驶场景的多传感融合定位方法 | |
CN106774313B (zh) | 一种基于多传感器的室外自动避障agv导航方法 | |
CN106651953B (zh) | 一种基于交通指示牌的车辆位姿估计方法 | |
CN109085823B (zh) | 一种园区场景下基于视觉的自动循迹行驶方法 | |
CN109685858B (zh) | 一种单目摄像头在线标定方法 | |
CN106997688B (zh) | 基于多传感器信息融合的停车场停车位检测方法 | |
Alonso et al. | Accurate global localization using visual odometry and digital maps on urban environments | |
CN104699104B (zh) | 一种自适应agv视觉导航视线调整装置的线迹跟踪方法 | |
CN105700532B (zh) | 基于视觉的变电站巡检机器人导航定位控制方法 | |
CN109791598A (zh) | 用于识别地面标记的图像处理方法以及地面标记检测系统 | |
CN105676253A (zh) | 一种自动驾驶中基于城市道路标线地图的纵向定位系统及其方法 | |
CN108873904B (zh) | 矿用车辆无人驾驶停靠方法、设备及可读存储介质 | |
CN108257410A (zh) | 一种现场监控与导航系统协作的停车位精准导航方法 | |
CN109386155A (zh) | 面向自动化停车场的无人泊车搬运机器人的对位方法 | |
WO2020083103A1 (zh) | 一种基于深度神经网络图像识别的车辆定位方法 | |
CN112699708A (zh) | 一种车道级拓扑网的生成方法及装置 | |
CN110766760B (zh) | 用于相机标定的方法、装置、设备和存储介质 | |
CN103729837A (zh) | 一种单个路况摄像机的快速标定方法 | |
CN110379168A (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN102446355B (zh) | 一种基于双视场的无标定平面突起目标检测方法 | |
CN114399748A (zh) | 一种基于视觉车道检测的农机实时路径校正方法 | |
CN105444741A (zh) | 基于双视野窗口的路径特征识别、偏差测量与精确定位方法 | |
CN116503818A (zh) | 一种多车道车速检测方法及系统 | |
CN114808649B (zh) | 基于视觉系统控制的公路划线方法 |
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 |