CN105719241A - 一种基于视觉扫描的船槽定位方法 - Google Patents

Abstract

一种基于视觉扫描的船槽定位方法，属于计算机视觉技术和图像处理结合技术领域。该方法包括集装箱船槽舱位扫描、船槽舱位图像拼接、图像预处理与数学形态学船槽边缘检测、船槽舱位边缘直线检测、船槽舱位分段及船槽定位。本发明通过采用上述技术，得到的一种基于视觉扫描的船槽定位方法，用于船槽的定位，改善传统以人工引导为主的集装箱装卸工作模式，提升了船舶集装箱装卸数字化和智能化水平，极大方便了司机远程操控船舶的集装箱装卸作业，提高作业效率并提高集装箱装卸工作的安全性，是一项改善生产和工作环境的多赢工程，对提高作业效率、降低成本非常有利。

Description

一种基于视觉扫描的船槽定位方法

技术领域

本发明属于计算机视觉技术和图像处理结合技术领域，具体涉及一种用于船舶集装箱装卸的基于视觉扫描的船槽定位方法。

背景技术

随着世界经济一体化和外贸经济的迅速发展，集装箱运输逐渐成为了当今航运的必然发展方向。集装箱码头、港口的运输主要包括集装箱堆放、集装箱运输、集装箱装卸作业，其中的集装箱的装卸效率直接影响到船公司和港口装卸的市场竞争力，随着集装箱运输量的不断增长和集装箱船的吨位增加，集装箱码头的装卸效率必须要得到提高，增强集装箱装卸的自动化是提高集装箱装卸效率的有效途径之一，其核心部分就是对船舶集装箱导轨定位(船槽)和箱体定位，进而引导起重机吊具的抓取、装卸等后续作业。

为了实现集装箱运输的自动化，提高码头集装箱装卸效率以及安全性，该领域的相关国内外研究者对此都有研究，其中与本发明最接近的技术方案包括：发明专利(申请号：201410400655.8，名称：一种集装箱装、卸船操作方法、装船操作系统)中提出一种结合第一终端和第二终端互相协作的集装箱装卸方法，集装箱装卸主要是通过助理人员所在的第一终端将船上的信息确认清楚后，把位置信息传送给图形化服务器，岸桥操作人员通过第二终端获取图形化服务器中的位置信息，再进行集装箱的装卸，该方法在整个集装箱的装卸过程中太过依赖于工作人员的经验；发明专利(申请号：DE10107048，名称：一种集装箱起重机装卸的方法)中提出一种方便起重机驾驶员进行集装箱装卸的方法，驾驶员可通过观察监视器操作触摸屏，使起重机达到预先设定的目标位置，该方法虽然便利了操作，但在装卸集装箱时依赖于工作人员操作熟练程度；

综上所述，在实现船舶集装箱的装卸时，现有的方法无法完全脱离集装箱本身进行操作，并且过多依赖于操作人员的经验，特别是在船舶为空船时，怎样精确地将集装箱放置在指定的船槽位置，这对于整个集装箱装卸是一个至关重要的工作，本发明针对这一不足提出了一种基于视觉扫描的船槽定位方法。

发明内容

针对现有技术中存在的上述问题，本发明的目的在于提供一种基于视觉扫描的船槽定位方法，该方法极大方便了司机远程操控船舶的集装箱装卸作业，提升了船舶集装箱装卸数字化和智能化水平，提高作业效率并提高集装箱装卸工作的安全性。

本发明的具体技术方案如下：

所述的一种基于视觉扫描的船槽定位方法，包括集装箱船槽舱位扫描、船槽舱位图像拼接、图像预处理与数学形态学船槽边缘检测、船槽舱位边缘直线检测、船槽舱位分段及船槽定位，

所述集装箱船槽舱位扫描：当需要进行集装箱装卸时，首先使用已标定完成的双目视觉系统，以集装箱船靠岸一侧为起点，逐渐移动吊具并不断拍摄船槽舱位图像，直到吊具到达船体另一侧为止，结果得到一组有序的船槽舱位图像f＝{f_i|i＝1,2,…n}，其中n为图像数量，f_i表示第i张图像；

所述船槽舱位图像拼接：实时在移动吊具拍摄船槽舱位图像的过程中，图像拼接算法实时地拼接相邻的两张图像，最后得到一组双目摄像头的完整的船槽舱位图F₁；

所述图像预处理与数学形态学船槽边缘检测：对经过图像拼接得到的船槽舱位图像F₁进行图像灰度化处理、图像去噪声处理、图像锐化处理以及图像高斯平滑处理，进一步利用数学形态学边缘检测方法对图像F₁进行边缘检测，根据式子(1)，得到边缘图像G：

$D=\frac{\left|P_1{P}_2\right|+\left|P_3{P}_4\right|}{2}---\left(3\right)$

其中0≤ρ≤1，ΔG＝G_max-G_min，G_max＝max{G₁,G₂}，G_min＝min{G₁，G₂}，e₁、e₂和e₃表示形态学检测用到的结构元素，“Θ”表示腐蚀操作，“⊕”表示膨胀操作，“ο”表示开运算操作，“·”表示闭运算操作；

所述船槽舱位边缘直线检测：利用霍夫变换直线检测方法对船槽舱位边缘图像G进行直线检测，得到直线集合L＝{L_j|j＝1,2,…,m}，m为检测的直线总数；进一步对直线集合L进行直线过滤，分别得到船槽舱位边缘水平线Lh和船槽舱位边缘垂直线Lv₁和Lv₂，再计算水平直线和垂直直线的交点，结果得到P＝{P₁,P₂}，其中P₁为直线Lh和直线Lv₁的交点，P₂为直线Lh和直线Lv₂的交点，重复船槽舱位图像拼接、图像预处理与数学形态学船槽边缘检测及船槽舱位边缘直线检测步骤，得到另外一组双目摄像头的船槽舱位图像F₂中的船槽舱位水平边缘直线和垂直边缘直线，进一步得图像F₂中的直线交点P₃和P₄，其中点P₃与点P₁对应，点P₄和点P₂对应，这四个点构成了船槽舱位的整体边缘轮廓；

所述船槽舱位分段及船槽定位：根据船槽安装工艺的标准，量出船槽的实际宽度为length，根据式(2)，利用船槽舱位的四个顶点P₁、P₂、P₃、P₄计算出船槽舱位的长度D：

$D=\frac{\left|P_1{P}_2\right|+\left|P_3{P}_4\right|}{2}---\left(2\right)$

其中|P₁P₂|为点P₁到P₂的距离，|P₃P₄|为点P₃到点P₄的距离，得到的四个顶点用于标识船槽的具体位置，即能定位船槽。

所述的一种基于视觉扫描的船槽定位方法，其特征在于所述船槽舱位图像拼接具体步骤如下：

步骤1.1：当船槽舱位图像序列f中有两张船槽舱位图像时，就启动图像拼接算法；

步骤1.2：从图像序列f中获取相邻的两张船槽舱位图像f₁和f₂，再分别利用SIFT算法提取图像的SIFT特征；

步骤1.3：利用K-DTree和BBN算法，对步骤1.2提取的两张船槽舱位图的SIFT特征匹配点进行查询；

步骤1.4：利用RANSAC算法筛选步骤1.3所查询的特征匹配点并计算变换矩阵H，该变换矩阵表示两张图像的重叠区域；

步骤1.5：利用步骤1.4得到的变换矩阵H、图像f₁和f₂进行图像拼接，得到拼接图F₁，并将图像拼接过程分为三部分：(1)取图像f₂经变换矩阵H变换生成一张新图像作为拼接图F₁的初始图像；(2)取图像f₁和图像f₂重叠区域的加权平均作为拼接图像F₁的中间部分；(3)取图像f₁去掉重叠区域的剩余部分作为拼接图像F₁的左边部分，其中加权平均的权重选择根据图像f₁和f₂重叠区域的宽度以及重叠区域中的点到重叠区域左边界和右边界的距离来计算重叠区域的像素值Pixel_F，具体见式(3)：

${\mathrm{Pixel}}_F=\frac{d_1}{d_1+d_2}*{\mathrm{Pixel}}_{f_1}+\frac{d_2}{d_1+d_2}*{\mathrm{Pixel}}_{f_2}---\left(3\right)$

其中d₁为图像重叠区域中的点到左边界的距离，d₂为图像重叠区域中的点到右边界的距离，为重叠区域中的点在图像f₁中的像素值，为重叠区域中的点在图像f₂中的像素值。

所述的一种基于视觉扫描的船槽定位方法，其特征在于所述船槽舱位边缘直线检测具体步骤如下：

步骤2.1：对船槽边缘的水平线进行检测，首先通过判断直线L_j的斜率，过滤直线斜率不满足|K|≤0.087的直线，得到直线候选集合Lsh＝{Lsh_k|k＝1,2,…,N_h}，N_h为过滤后直线的总数；其次把直线候选集合Lsh中斜率相同的且平行直线之间的距离d满足d≤4的直线聚为一类，得到直线聚合类Lch＝{Lch_r|r＝1,2,…,Q_h}，Lch_r表示第r个直线聚合类，Q_h为直线聚合类的数量；再利用最小二乘法分别对每个直线聚合类中的直线进行拟合，结果得到一个直线集合Lfh＝{Lfh_r|r＝1,2,…,Q_h}，Q_h为直线拟合后的直线总数，Lfh_r表示由直线聚合类Lch_r拟合得到的直线；最后利用在图像F₁区域内直线Lfh_r所经过的像素点灰度值构成集合并计算该集合的方差，进一步得到直线集合Lfh对应的灰度值方差集合Var，获取Lfh中灰度值方差最小的直线即为船槽舱位水平边缘直线Lh；

步骤2.2：对船槽舱位边缘垂直线进行检测，首先通过判断直线L_j的斜率，保留直线斜率满足|K|≥11.43的直线，进一步得到直线候选集合Lsv＝{Lsv_k|k＝1,2,…,N_v}，N_v为过滤后直线的总数；其次把直线候选集合Lsv中斜率相同的且平行直线之间的距离d满足d≤4的直线聚为一类，得到直线聚合类Lcv＝{Lcv_r|r＝1,2,…,Q_v}，Lcv_r表示第r个直线聚合类，Q_v为直线聚合类的总数，再利用最小二乘法分别对每个直线聚合类的直线进行拟合，结果为直线集合Lfv＝{Lfv_r|r＝1,2,…,Q_v}，Q_v为直线拟合后的直线总数，Lfv_r表示由直线聚合类Lcv_r拟合得到的直线；进一步利用Lfv_r在图像F1中的位置，过滤图像中间区域内的垂直线，结果得到直线集合Lbv＝{Lbv_r|r＝1,2,…,T_v}，T_v为过滤垂直线后的直线总数；最后利用在图像F₁区域内直线Lbv_r所经过的像素点灰度值构成集合并计算该集合的方差，进一步得到直线集合Lbv对应的灰度值方差集合Var，获取Lbv中灰度值方差最小的两条直线即为船槽舱位垂直边缘直线Lv₁和Lv₂；

步骤2.3：利用步骤2.1和步骤2.2检测到的船槽舱位边缘水平直线Lh以及垂直直线Lv₁和Lv₂，分别计算水平直线和垂直直线的交点，结果得到P＝{P₁,P₂}，其中P₁为直线Lh和直线Lv₁的交点，P₂为直线Lh和直线Lv₂的交点；

步骤2.4：重复步骤2.1-2.3，得到另外一组双目摄像头的船槽舱位图像F₂中的船槽舱位水平边缘直线和垂直边缘直线，进一步得图像F₂中的直线交点P₃和P₄，其中点P₃与点P₁对应，点P₄和点P₂对应，这四个点构成了船槽舱位的整体边缘轮廓。

所述的一种基于视觉扫描的船槽定位方法，其特征在于船槽舱位分段按照船槽宽度进行分段，具体步骤如下：

步骤3.1：首先将点P₁和点P₃的坐标保存到第一个船槽E₁中，其次从坐标点P₁开始，在对应的直线P₁P₂上找到第一个和点P₁之间的距离等于船槽宽度length的点A，同理，从坐标点P₃开始，在对应的直线P₃P₄上找到第一个和点P₃之间的距离等于船槽宽度length的点B，同时保证直线AB和直线P₁P₃的斜率相同；

步骤3.2：将步骤3.1找到的点A和点B保存到第一个船槽E₁中，则在船槽实体E₁中包含点P₁、P₃、A、B，这四个点标识了第一个船槽的位置，再将E₁保存到船槽队列E＝{E_i|i＝1,2,…,K}中，其中K为船槽的总个数；进一步将点A和点B保存到第二个船槽E₂中，再按照步骤3.1的方法，找到属于第二个船槽的另外两个顶点，循环整个过程，直到点P₂和点P₄为止，最后得到一个船槽队列E，船槽队列中的每个船槽包括四个顶点，这四个顶点标识船槽的具体位置，即可定位船槽。

本发明的有益效果为：通过采用本发明限定的方法，用于船槽的定位，改善传统以人工引导为主的集装箱装卸工作模式，提升了船舶集装箱装卸数字化和智能化水平，是一项改善生产和工作环境的多赢工程，对提高作业效率、降低成本非常有利。

附图说明

图1为船槽定位方法流程图；

图2为实施例中船槽舱位扫描示意图；

图3为实施例中船槽舱位图像拼接示意图；

图4为实施例中船槽舱位轮廓检测示意图；

图5为实施例中船槽定位示意图。

图中：1-吊具，2-重叠区域，3-点。

具体实施方式

下面结合说明书附图对本发明进行进一步的说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

图1是根据本发明的实施例的船槽定位方法整体流程图。

如图1所示，根据本发明实施例的流程图，船槽定位方法包括集装箱船槽舱位扫描、船槽舱位图像拼接、图像预处理与数学形态学船槽边缘检测、船槽舱位边缘霍夫直线检测、船槽舱位分段及船槽定位。

本发明的一种船槽定位方法具体实施如下：

码头进行集装箱装卸作业时，首先使用已标定完成的双目视觉系统，以集装箱船靠岸一侧为起点，逐渐移动吊具1并不断拍摄船槽舱位图像，直到吊具1到达船体另一侧为止，结果得到一组有序的船槽舱位图像f＝{f_i|i＝1,2,…n}，其中n为图像数量，f_i表示第i张图像，图2为本实施例中船槽舱位扫描示意图；

当捕获的图像超过2张时，在扫描的船槽舱位图像过程中对图像进行实时拼接，即在移动吊具1拍摄船槽舱位图像的过程中，图像拼接算法会实时地拼接相邻的两张图像，最后得到一组双目摄像头的完整的船槽舱位图F₁，其具体步骤如下：

步骤1.1：当船槽舱位图像序列f中有两张船槽舱位图像时，就启动图像拼接算法；

步骤1.2：从图像序列f中获取相邻的两张船槽舱位图像f₁和f₂，再分别利用SIFT算法提取图像的SIFT特征；

步骤1.3：利用K-DTree和BBN算法，对步骤1.2提取的两张船槽舱位图的SIFT特征匹配点进行查询；

步骤1.4：利用RANSAC算法筛选步骤1.3所查询的特征匹配点并计算变换矩阵H，该变换矩阵表示两张图像的重叠区域；

步骤1.5：利用步骤1.4得到的变换矩阵H、图像f₁和f₂进行图像拼接，得到拼接图F₁，并将图像拼接过程分为三部分：(1)取图像f₂经变换矩阵H变换生成一张新图像作为拼接图F₁的初始图像；(2)取图像f₁和图像f₂的重叠区域2的加权平均作为拼接图像F₁的中间部分；(3)取图像f₁去掉重叠区域2的剩余部分作为拼接图像F₁的左边部分，其中加权平均的权重选择根据图像f₁和f₂重叠区域的宽度以及重叠区域2中的点到重叠区域2左边界和右边界的距离来计算重叠区域的像素值Pixel_F，具体见式(1)：

${\mathrm{Pixel}}_F=\frac{d_1}{d_1+d_2}*{\mathrm{Pixel}}_{f_1}+\frac{d_2}{d_1+d_2}*{\mathrm{Pixel}}_{f_2}---\left(1\right)$

其中d₁为图像重叠区域2中的点3到左边界的距离，d₂为图像重叠区域2中的点3到右边界的距离，为重叠区域2中的点在图像f₁中的像素值，为重叠区域2中的点在图像f₂中的像素值，图3(a)为本实施例中船槽舱位图像f₁示意图，图3(b)为本实施例中船槽舱位图像f₂示意图，图3(c)为本实施例中船槽舱位拼接图像F₁示意图；

进一步对经过图像拼接得到的船槽舱位图像F₁进行图像灰度化处理、图像去噪声处理、图像锐化处理以及图像高斯平滑处理，再利用数学形态学边缘检测方法对图像F₁进行边缘检测，根据式子(2)，得到边缘图像G：

其中0≤ρ≤1，ΔG＝G_max-G_min，G_max＝max{G₁,G₂}，G_min＝min{G₁，G₂}，e₁、e₂和e₃表示形态学检测用到的结构元素，“Θ”表示腐蚀操作，“⊕”表示膨胀操作，“ο”表示开运算操作，“·”表示闭运算操作；

进一步利用霍夫变换直线检测方法对船槽舱位边缘图像G进行直线检测，得到直线集合L＝{L_j|j＝1,2,…,m}，m为检测的直线总数；进一步对直线集合L进行直线过滤，分别得到船槽舱位边缘水平线Lh和船槽舱位边缘垂直线Lv＝{Lv₁,Lv₂}，图4为本实施例中船槽舱位边缘检测示意图，具体步骤如下：

步骤2.1：对船槽边缘的水平线进行检测，首先通过判断直线L_j的斜率，过滤直线斜率不满足|K|≤0.087的直线，得到直线候选集合Lsh＝{Lsh_k|k＝1,2,…,N_h}，N_h为过滤后直线的总数；其次把直线候选集合Lsh中斜率相同的且平行直线之间的距离d满足d≤4的直线聚为一类，得到直线聚合类Lch＝{Lch_r|r＝1,2,…,Q_h}，Lch_r表示第r个直线聚合类，Q_h为直线聚合类的数量；再利用最小二乘法分别对每个直线聚合类中的直线进行拟合，结果得到一个直线集合Lfh＝{Lfh_r|r＝1,2,…,Q_h}，Q_h为直线拟合后的直线总数，Lfh_r表示由直线聚合类Lch_r拟合得到的直线；最后利用在图像F₁区域内直线Lfh_r所经过的像素点灰度值构成集合并计算该集合的方差，进一步得到直线集合Lfh对应的灰度值方差集合Var，获取Lfh中灰度值方差最小的直线即为船槽舱位水平边缘直线Lh；

步骤2.2：对船槽舱位边缘垂直线进行检测，首先通过判断直线L_j的斜率，保留直线斜率满足|K|≥11.43的直线，进一步得到直线候选集合Lsv＝{Lsv_k|k＝1,2,…,N_v}，N_v为过滤后直线的总数；其次把直线候选集合Lsv中斜率相同的且平行直线之间的距离d满足d≤4的直线聚为一类，得到直线聚合类Lfv＝{Lfv_r|r＝1,2,…,Q_v}，Lcv_r表示第r个直线聚合类，Q_v为直线聚合类的总数，再利用最小二乘法分别对每个直线聚合类的直线进行拟合，结果为直线集合Lfv＝{Lfv_r|r＝1,2,…,Q_v}，Q_v为直线拟合后的直线总数，Lfv_r表示由直线聚合类Lcv_r拟合得到的直线；进一步利用Lfv_r在图像F₁中的位置，过滤图像中间部分的垂直线，结果为直线集合Lbv＝{Lbv_r|r＝1,2,…,T_v}，T_v为过滤垂直线后的直线总数；最后利用在图像F₁区域内直线Lbv_r所经过的像素点灰度值构成集合并计算该集合的方差，进一步得到直线集合Lbv对应的灰度值方差集合Var，获取Lbv中灰度值方差最小的两条直线即为船槽舱位垂直边缘直线Lv₁和Lv₂；

步骤2.3：利用步骤2.1和步骤2.2检测到的船槽舱位边缘水平直线Lh以及垂直直线Lv₁和Lv₂，分别计算水平直线和垂直直线的交点，结果得到P＝{P₁,P₂}，其中P₁为直线Lh和直线Lv₁的交点，P₂为直线Lh和直线Lv₂的交点；

步骤2.4：同理，可得到另外一组双目摄像头的船槽舱位图像F₂中的船槽舱位水平边缘直线和垂直边缘直线，进一步可得图像F₂中的直线交点P₃和P₄，其中点P₃与点P₁对应，点P₄和点P₂对应，这四个点构成了船槽舱位的整体边缘轮廓；

进一步根据集装箱船舶船槽安装工艺的标准可知船槽的实际宽度为length，根据式(3)，利用船槽舱位的四个顶点P₁、P₂、P₃、P₄可计算出船槽舱位的长度D：

$D=\frac{\left|P_1{P}_2\right|+\left|P_3{P}_4\right|}{2}---\left(3\right)$

其中|P₁P₂|为点P₁到P₂的距离，|P₃P₄|为点P₃到点P₄的距离；

进一步按照船槽宽度对船槽舱位进行分段，具体步骤如下：

步骤3.1：首先将点P₁和点P₃的坐标保存到第一个船槽E₁中，其次从坐标点P₁开始，在对应的直线P₁P₂上找到第一个和点P₁之间的距离为船槽宽度length的点A，同理，从坐标点P₃开始，在对应的直线P₃P₄上找到第一个和点P₃之间的距离为船槽宽度length的点B，同时保证直线AB和直线P₁P₃的斜率相同；

步骤3.2：将步骤3.1找到的点A和点B保存到第一个船槽E₁中，则在船槽实体E₁中包含点P₁、P₃、A、B，这四个点标识了第一个船槽的位置，再将E₁保存到船槽队列E＝{E_i|i＝1,2,…,K}中；进一步再将点A和点B保存到第二个船槽E₂中，再按照步骤3.1的方法，找到属于第二个船槽的另外两个顶点；循环整个过程，直到点P₂和点P₄为止，最后得到一个船槽队列，船槽队列中的每个船槽包括四个顶点，这四个顶点标识船槽的具体位置，即可定位船槽，图5为本实施例中的船槽E₁定位示意图。

实施本发明后，用于船槽的定位，可改善传统以人工引导为主的集装箱装卸工作模式，提升了船舶集装箱装卸数字化和智能化水平，是一项改善生产和工作环境的多赢工程，对提高作业效率、提高集装箱装卸安全性以及降低成本非常有利。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (4)

1.一种基于视觉扫描的船槽定位方法，包括集装箱船槽舱位扫描、船槽舱位图像拼接、图像预处理与数学形态学船槽边缘检测、船槽舱位边缘直线检测、船槽舱位分段及船槽定位，

所述集装箱船槽舱位扫描：当需要进行集装箱装卸时，首先使用已标定完成的双目视觉系统，以集装箱船靠岸一侧为起点，逐渐移动吊具并不断拍摄船槽舱位图像，直到吊具到达船体另一侧为止，结果得到一组有序的船槽舱位图像f＝{f_i|i＝1,2,…n}，其中n为图像数量，f_i表示第i张图像；

所述船槽舱位图像拼接：实时在移动吊具拍摄船槽舱位图像的过程中，图像拼接算法实时地拼接相邻的两张图像，最后得到一组双目摄像头的完整的船槽舱位图F₁；

所述图像预处理与数学形态学船槽边缘检测：对经过图像拼接得到的船槽舱位图像F₁进行图像灰度化处理、图像去噪声处理、图像锐化处理以及图像高斯平滑处理，进一步利用数学形态学边缘检测方法对图像F₁进行边缘检测，根据式子(1)，得到边缘图像G：

其中0≤ρ≤1，ΔG＝G_max-G_min，G_max＝max{G₁,G₂}，G_min＝min{G₁，G₂}，e₁、e₂和e₃表示形态学检测用到的结构元素，“Θ”表示腐蚀操作，表示膨胀操作，“ο”表示开运算操作，“·”表示闭运算操作；

所述船槽舱位边缘直线检测：利用霍夫变换直线检测方法对船槽舱位边缘图像G进行直线检测，得到直线集合L＝{L_j|j＝1,2,…,m}，m为检测的直线总数；进一步对直线集合L进行直线过滤，分别得到船槽舱位边缘水平线Lh和船槽舱位边缘垂直线Lv₁和Lv₂，计算水平直线和垂直直线的交点，结果得到P＝{P₁,P₂}，其中P₁为直线Lh和直线Lv₁的交点，P₂为直线Lh和直线Lv₂的交点，重复船槽舱位图像拼接、图像预处理与数学形态学船槽边缘检测及船槽舱位边缘直线检测步骤，得到另外一组双目摄像头的船槽舱位图像F₂中的船槽舱位水平边缘直线和垂直边缘直线，进一步得图像F₂中的直线交点P₃和P₄，其中点P₃与点P₁对应，点P₄和点P₂对应，这四个点构成了船槽舱位的整体边缘轮廓；

所述船槽舱位分段及船槽定位：根据船槽安装工艺的标准，量出船槽的实际宽度为length，根据式(2)，利用船槽舱位的四个顶点P₁、P₂、P₃、P₄计算出船槽舱位的长度D：

$D=\frac{\left|P_1{P}_2\right|+\left|P_3{P}_4\right|}{2}---\left(2\right)$

其中|P₁P₂|为点P₁到P₂的距离，|P₃P₄|为点P₃到点P₄的距离，得到的四个顶点用于标识船槽的具体位置，即能定位船槽。

2.根据权利要求1所述的一种基于视觉扫描的船槽定位方法，其特征在于所述船槽舱位图像拼接具体步骤如下：

步骤1.1：当船槽舱位图像序列f中有两张船槽舱位图像时，就启动图像拼接算法；

步骤1.2：从图像序列f中获取相邻的两张船槽舱位图像f₁和f₂，再分别利用SIFT算法提取图像的SIFT特征；

步骤1.3：利用K-DTree和BBN算法，对步骤1.2提取的两张船槽舱位图的SIFT特征匹配点进行查询；

步骤1.4：利用RANSAC算法筛选步骤1.3所查询的特征匹配点并计算变换矩阵H，该变换矩阵表示两张图像的重叠区域；

步骤1.5：利用步骤1.4得到的变换矩阵H、图像f₁和f₂进行图像拼接，得到拼接图F₁，并将图像拼接过程分为三部分：(1)取图像f₂经变换矩阵H变换生成一张新图像作为拼接图F₁的初始图像；(2)取图像f₁和图像f₂重叠区域的加权平均作为拼接图像F₁的中间部分；(3)取图像f₁去掉重叠区域的剩余部分作为拼接图像F₁的左边部分，其中加权平均的权重选择根据图像f₁和f₂重叠区域的宽度以及重叠区域中的点到重叠区域左边界和右边界的距离来计算重叠区域的像素值Pixel_F，具体见式(3)：

${\mathrm{Pixel}}_F=\frac{d_1}{d_1+d_2}*{\mathrm{Pixel}}_{f_1}+\frac{d_2}{d_1+d_2}*{\mathrm{Pixel}}_{f_2}---\left(3\right)$ 其中d₁为图像重叠区域中的点到左边界的距离，d₂为图像重叠区域中的点到右边界的距离，为重叠区域中的点在图像f₁中的像素值，为重叠区域中的点在图像f₂中的像素值。

3.根据权利要求1所述的一种基于视觉扫描的船槽定位方法，其特征在于所述船槽舱位边缘直线检测具体步骤如下：

步骤2.1：对船槽边缘的水平线进行检测，首先通过判断直线L_j的斜率，过滤直线斜率不满足|K|≤0.087的直线，得到直线候选集合Lsh＝{Lsh_k|k＝1,2,…,N_h}，N_h为过滤后直线的总数；其次把直线候选集合Lsh中斜率相同的且平行直线之间的距离d满足d≤4的直线聚为一类，得到直线聚合类Lch＝{Lch_r|r＝1,2,…,Q_h}，Lch_r表示第r个直线聚合类，Q_h为直线聚合类的数量；再利用最小二乘法分别对每个直线聚合类中的直线进行拟合，结果得到一个直线集合Lfh＝{Lfh_r|r＝1,2,…,Q_h}，Q_h为直线拟合后的直线总数，Lfh_r表示由直线聚合类Lch_r拟合得到的直线；最后利用在图像F₁区域内直线Lfh_r所经过的像素点灰度值构成集合并计算该集合的方差，进一步得到直线集合Lfh对应的灰度值方差集合Var，获取Lfh中灰度值方差最小的直线即为船槽舱位水平边缘直线Lh；

步骤2.2：对船槽舱位边缘垂直线进行检测，首先通过判断直线L_j的斜率，保留直线斜率满足|K|≥11.43的直线，进一步得到直线候选集合Lsv＝{Lsv_k|k＝1,2,…,N_v}，N_v为过滤后直线的总数；其次把直线候选集合Lsv中斜率相同的且平行直线之间的距离d满足d≤4的直线聚为一类，得到直线聚合类Lcv＝{Lcv_r|r＝1,2,…,Q_v}，Lcv_r表示第r个直线聚合类，Q_v为直线聚合类的总数，再利用最小二乘法分别对每个直线聚合类的直线进行拟合，结果为直线集合Lfv＝{Lfv_r|r＝1,2,…,Q_v}，Q_v为直线拟合后的直线总数，Lfv_r表示由直线聚合类Lcv_r拟合得到的直线；进一步利用Lfv_r在图像F1中的位置，过滤图像中间区域内的垂直线，结果得到直线集合Lbv＝{Lbv_r|r＝1,2,…,T_v}，T_v为过滤垂直线后的直线总数；最后利用在图像F₁区域内直线Lbv_r所经过的像素点灰度值构成集合并计算该集合的方差，进一步得到直线集合Lbv对应的灰度值方差集合Var，获取Lbv中灰度值方差最小的两条直线即为船槽舱位垂直边缘直线Lv₁和Lv₂；

步骤2.3：利用步骤2.1和步骤2.2检测到的船槽舱位边缘水平直线Lh以及垂直直线Lv₁和Lv₂，分别计算水平直线和垂直直线的交点，结果得到P＝{P₁,P₂}，其中P₁为直线Lh和直线Lv₁的交点，P₂为直线Lh和直线Lv₂的交点；

步骤2.4：重复步骤2.1-2.3，得到另外一组双目摄像头的船槽舱位图像F₂中的船槽舱位水平边缘直线和垂直边缘直线，进一步得图像F₂中的直线交点P₃和P₄，其中点P₃与点P₁对应，点P₄和点P₂对应，这四个点构成了船槽舱位的整体边缘轮廓。

4.根据权利要求1所述的一种基于视觉扫描的船槽定位方法，其特征在于船槽舱位分段按照船槽宽度进行分段，具体步骤如下：

步骤3.1：首先将点P₁和点P₃的坐标保存到第一个船槽E₁中，其次从坐标点P₁开始，在对应的直线P₁P₂上找到第一个和点P₁之间的距离等于船槽宽度length的点A，同理，从坐标点P₃开始，在对应的直线P₃P₄上找到第一个和点P₃之间的距离等于船槽宽度length的点B，同时保证直线AB和直线P₁P₃的斜率相同；

步骤3.2：将步骤3.1找到的点A和点B保存到第一个船槽E₁中，则在船槽实体E₁中包含点P₁、P₃、A、B，这四个点标识了第一个船槽的位置，再将E₁保存到船槽队列E＝{E_i|i＝1,2,…,K}中，其中K为船槽的总个数；进一步将点A和点B保存到第二个船槽E₂中，再按照步骤3.1的方法，找到属于第二个船槽的另外两个顶点，循环整个过程，直到点P₂和点P₄为止，最后得到一个船槽队列E，船槽队列中的每个船槽包括四个顶点，这四个顶点标识船槽的具体位置，即可定位船槽。