CN106679671B - 一种基于激光数据的导航标识图识别方法 - Google Patents
一种基于激光数据的导航标识图识别方法 Download PDFInfo
- Publication number
- CN106679671B CN106679671B CN201710007576.4A CN201710007576A CN106679671B CN 106679671 B CN106679671 B CN 106679671B CN 201710007576 A CN201710007576 A CN 201710007576A CN 106679671 B CN106679671 B CN 106679671B
- Authority
- CN
- China
- Prior art keywords
- laser
- value
- data
- identification
- mark
- 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 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000013519 translation Methods 0.000 claims description 9
- 230000033001 locomotion Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims 1
- 238000005286 illumination Methods 0.000 abstract description 2
- 230000006978 adaptation Effects 0.000 abstract 1
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 6
- 239000000123 paper Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000006698 induction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000011087 paperboard Substances 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis 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
- 230000018109 developmental process Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002356 laser light scattering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于激光数据的导航标识图识别方法，属于移动机器人自主导航技术领域。本发明提出了一种基于激光数据的导航标识图，可实现非可见光条件下三维场景内的导航，能够克服光照条件不足造成的识别误差较大等问题。本发明提出的无畸变反射值图，可以对三维激光数据做一个清晰的二维图像描述，通过滤波、二值化等算法进行处理，可以准确地获得标识图所表述的信息。本发明可用在移动机器人在室内外环境中进行自主导航及环境适应等人工智能领域。
Description
技术领域
本发明属于移动机器人(如服务机器人、自动导引车等)自主导航技术领域，涉及到导航标识的识别技术，特别涉及到非可见光条件下导航标识的识别方法。
背景技术
为了更好地提升移动机器人在复杂场景中的自主工作能力，移动机器人面对动态变化的导航任务时，需要对标识图进行动态识别以获取最新任务信息。其中，如何在非可见光条件下实现标识图的可靠识别是其关键步骤。
目前移动机器人的引导方式主要有电磁感应式、射频引导式、视觉引导式和激光引导式。文献(王琳华.磁导式AGV自动导航车控制系统的设计[D].长沙理工大学,2013.)应用了电磁感应式的引导技术，其原理是电磁发生器产生一种信号源，再通过漆包线在地面上铺设的轨迹传送，此信号作为AGV(Automated Guided Vehicle)自动导航车、服务机器人的导引信号。由于需要铺设导引轨道，因此需要对工作环境进行改造，花费较大且场地的整洁性美观性较差，此外该种方法路线固定，信息单一且灵活性较差，因此无法应用到动态干扰较多的环境中。文献(Miah M S,Gueaieb W.An RFID-Based robot navigation systemwith a customized RFID tag architecture[C]//2007Internatonal Conference onMicroelectronics.IEEE,2007:25-30.)利用RFID(Radio Frequency Identification)标签识别进行机器人导航，其方法是通过射频信号自动识别目标对象并获取相关导航信息。该方法的缺点是只能在固定点进行数据采集，其技术的“点式定位”方式具有较强的局限性，且RFID标签比纸质标识图的成本高，后期维护成本昂贵，在含有金属和水分的环境中应用误差较大。文献(Olson,E.,"AprilTag:A robust and flexible visual fiducialsystem,"Robotics and Automation(ICRA),2011IEEE International Conference on,vol.,no.,pp.3400,3407,9-13May 2011)提出了AprilTags视觉标识图，其原理是将检测到的光信号转化为数字信号进行处理，对标识图案进行成像，然后再译码获取信息，该方法的缺陷在于受光照影响较大，只能应用在光线较好的环境中。专利(江浩斌；华一丁；吴狄；马世典；唐斌；王开德，江苏大学，一种基于激光引导的停车场内车辆引导装置及引导方法，专利号：201310726517.4)提出的激光引导技术是在墙角墙边等规定位置安装激光反射器，通过反射信号对车辆或机器人进行精确定位，计算出到达目标点的最短路径。其缺点是需要对工作场景进行事先改造，即在工作环境中安装一系列的激光反射装置，此外对工作环境也提出了较高要求，例如要求地面平整，激光反射器的摆放位置也有诸多限制。
发明内容
本发明为了克服现有技术中的不足，提高移动机器人在非可见光照条件下导航的自主性能。在三维场景激光数据分析的基础上，本发明提出了一种基于激光数据的移动机器人自主导航标识图识别方法。设计简单的标识图，可适用于非可见光条件下的导航需求，通过对场景进行全景扫描可以获得激光测距数据及反射值数据，然后确定标识图的位置，对标识图的所在区域点云进行正投影，生成无畸变反射值图，并对反射值图进行滤波处理，最后可以获得标识图的信息，本发明的技术方案如下：
1.制作导航标识图；
黑色作为背景色，白色矩形为标识条；黑色作为背景色可使照射到其表面的激光光束具有较低的反射率，而白色有较高的反射率，两者对比明显。
标识图中共有h个标识条，h为不小2的整数；其中最短的标识条为读取数据的起始位置，它的宽度为基准宽度s；其余等长的h-1个标识条的宽度分别为s,2s,…,ks，代表的数字依次是0,1,…,(k-1)，k为不小于2的整数；离起始位置最近的标识条为最高位，其位数为h-1，依次从高向低排序，则标识图代表的信息数值为
其中，i是该标识条的位数，ni是该标识条代表的数字，根据等长的h-1个标识条的不同排序，信息数值的取值范围为0～(kh-1-1)。标识条的宽度采用精确的标准制作，便于后续矩形标识条的提取，以保证识别算法的鲁棒性和识别结果的准确性。
利用一个信息数值可以查询到一条信息，这个信息可以是导航信息，如发布目标点坐标等，也可以是任务信息，如原地待命或做一些动作等。为了获得最好的识别效果，识别黑纸及标识条的大小可以根据激光数据的疏密程度进行适当调整。
2.标识图的无畸变反射值图生成；
因为激光扫描位置与标识图位置的相对变化，在每次生成的反射值图中，标识图的畸变方式并没有一个线性的规律，导致标识条的识别宽度产生错误，所以无法准确地获取标识图所包含的信息。因此本发明采用生成无畸变的反射值图进行处理。
获取标识图的位置并截取其区域内的激光点云，计算激光点云协方差矩阵的特征向量，求取旋转平移矩阵使点云与坐标平面平行，然后对旋转平移后的点云进行正投影；将激光点反射值映射为0-255范围内的灰度值，根据每个激光点的坐标位置将灰度值分配到图片中的对应像素点上，生成无畸变的反射值图。
3.反射值图滤波处理；
因为激光点与像素点不是一一对应的关系，所生成反射值图的部分填充像素点与周围像素点差别较大，同时因为激光散射的问题，造成标识图边界不清晰，影响后续的聚类分析，造成识别错误。因此需要用滤波算法对初步得到的反射值图进行处理，除去噪声，确保识别精度。
通过滤波算法对图片进行滤波处理，使反射值图中标识条边缘更加清晰。
4.对标识图进行识别；
对滤波后的无畸变反射值图进行二值化处理，然后对标识图中的白色标识条聚类分析，通过直线拟合的方法求出标识条的倾角θ，利用公式 求取每个标识条的实际宽度wi，其中xl,yl分别为标识条横纵方向的长度和宽度；起始标识条的基准宽度为s,则每个标识条实际代表的数字为[wi/s+0.5]-1，根据每个标识条实际代表的数字计算出标识图所代表的信息数值，从而获得标识图所代表的信息。
进一步地，生成无畸变的反射值图具体步骤如下：
1)滑动窗口法确定标识图的位置
采用滑动窗口法确定标识图在场景中的位置，滑动窗口的尺寸可根据场景的大小设定，具体流程如下：
首先通过采样的方式对每个窗口区域的激光数据进行特征提取，特征提取的方式采用Harr特征，因为Harr特征最适用于此类有明显的、稳定结构的物体，只要结构相对固定即使发生扭曲等非线性形变依然可识别。然后对获取的特征数据进行训练得到一个二分类分类器，用于对后续通过滑动窗口获得的感兴趣区域进行类别判定。最后，使用滑动窗口对场景进行滑窗遍历，对每个感兴趣区域提取特征并输入到预先训练好的分类器中以获得分类结果，若判断某窗口为标识图，则获取该窗口的中心位置，并截取包含标识图的三维激光点的集合。
2)对标识图所在区域点云进行正投影
设定截取标识图所在平面一系列点云为S,计算S的协方差矩阵的特征向量。设该特征向量在三个方向上的向量分别为Ex,Ey,Ez，设定机器人前进方向为x方向,标识图贴在墙壁上，则可以求出Ex,Ez与x，z轴的夹角为使标识图平面与x-o-z平面平行，则旋转矩阵Mp为：
根据标识图的位置，移动机器人的前进方向与标识图平面的垂直方向的交点作为视点，向标识图平面做正交投影，利用公式(2)进行投影变换，
其中，xe,ye,ze是初始点云，xc,yc,zc为投影到x-o-z平面的坐标点云，T是旋转后的点云到坐标轴面的平移矩阵。
3)生成无畸变反射值图
标识图平面的激光数据经旋转后，忽略与其平行的坐标平面的距离信息，假设遍历获取激光数据得到四边界限xmin,xmax,ymin,ymax，根据移动机器人与标识图的距离确定步长d，并根据设定的步长d求出生成的反射值图的长度length和宽度width分别为
length＝(xmax-xmin)/d,width＝(ymax-ymin)/d (4)
每个像素点灰度值的大小利用公式(5)，对激光点的反射值进行处理获得
其中，di和gi分别为激光点i的反射值和灰度值，dmax和dmin是所有激光点的最大和最小反射值。
给定一个像素qi＝[ui,vi,gi]T，ui和vi分别是图像坐标，gi是该点的灰度值。在图像坐标系下，它可以表示一个三维点pi＝[xc,yc,zc]T，图像像素坐标与三维点坐标的对应关系是
ui＝(xc-xmin)/d,vi＝(yc-ymin)/d (6)
其中，xc和yc分别表示标识图平面旋转平移后与坐标轴面平行的激光点的x和y的坐标。
根据公式(6)，将每个激光点的灰度值分配到图片中的对应像素点上。因为激光数据的疏密程度不同，每个激光点和像素点并不是一一对应的关系，对于没有激光点对应的像素点使用默认值填补，默认值为墙面等背景色灰度值；有两个或两个以上激光点对应一个像素点时，使用这几个激光点灰度值的平均值填补该像素点。
上述算法初步生成了无畸变的反射值图。其优点在于：还原了激光数据的直观模样，得到的标识图比较规整，降低了识别的难度，之后在二维反射值图的基础上进行处理，与直接处理三维激光点比较降低了一维难度。
进一步地，第3步中的滤波算法为高斯核滤波和Mean Shift算法。
1)高斯核滤波处理
高斯核滤波算法直接对图像的数据做空间变换达到滤波的目的，其优点是降噪、避免误测，既可以对密集的点云进行精简，也可以给没有点云对应的像素点一个高确定度的灰度值。
该算法采用邻域运算，即输出图像中任何像素的灰度值都是通过采用一定的算法，根据输入图像中像素周围一定邻域内像素的灰度值获得。每个像素点通过如下3×3的高斯核:
其中，wa,w11,w12,w13,w21,w22,w23,w31,w32,w33均是非负数，满足w11+w12+w13+w21+w22+w23+w31+w32+w33＝wa。
对于有激光点对应的像素点，根据标识图设计，对于矩形的检测应增加w12,w21,w23,w32上下左右四个方向的权重；对于没有激光点对应的像素点，因为该像素点的灰度值是根据背景灰度值填补的，不确定性较大，所以应降低w22本身权重。
2)Mean Shift算法滤波处理
Mean Shift均值漂移算法是一种通用的聚类算法，其优点就在于如果是处理像墙面这样的浅色纹理，图像分割的过程中可以将小的浮动过滤掉，并且保留相对明显的标识图边缘。
该算法的实现步骤是：对于给定的一定数量样本，任选其中一个样本，以该样本为中心点划定一个圆形区域，求取该圆形区域内样本的质心，即密度最大处的点，再以该点为中心继续执行上述迭代过程，直至最终收敛。
利用均值偏移算法的这个特性，图像在灰度层面的平滑滤波，它可以中和灰度值分布相近的颜色，平滑色彩细节，侵蚀面积较小的颜色区域，从而使边界更加清晰。
进一步地，为了便于处理和更好地识别标识图信息，避免较多干扰，步骤4对于步骤3得到的反射值图进行二值化处理：
其中，gi′为二值化后的像素灰度值，是所有像素点的灰度均值，kg为灰度调节阈值，根据场景的不同确定kg，从而得到更好的二值化效果。二值化后，图中只剩下黑色和白色，使标识图的区域更加清晰。
由于标识图放置位置或是采集点角度的问题，标识图可能在图像中不与底边平行，如果直接求取每个标识条矩形u和v方向的最大值和最小值，利用最大值和最小值计算标识条宽度会存在较大误差，因此为了获得实际的标识条宽度，需要求出标识条与v方向的夹角θ。首先按照像素点的灰度值选出标识图范围内的像素点，然后对根据这些点的灰度值进行八邻域聚类，对于每个聚类后的白色条进行直线拟合，从而求出倾角θ。
八邻域聚类过程如下：首先为每个白色像素点定义一个标签，默认值为-1，并定义一个聚类容器；遍历所有白色像素点，如果该点的标签是默认值则存入容器，并把标签置1，此时遍历当前容器中所有的白色像素点，把其八邻域的白色像素点都存入容器中，标签置1，直到当前容器中所有像素点的八邻域都没有标签为默认值的白色像素点，输出当前容器，即为一个像素簇，然后清空容器；如此循环，直到所有白色像素点均被遍历。
通过上述聚类算法，白色像素点被聚类为多个像素簇。对于每个像素簇，设u和v之间的函数关系为：
v＝a+bu (9)
式中有两个待定参数，a代表截距，b代表斜率。像素簇中包括m组数据(ui，vi)，i＝1,2……,m，下面利用最小二乘法把观测数据拟合为直线。用最小二乘法估计参数时，要求观测值vi的偏差的加权平方和为最小。对于等精度观测值的直线拟合来说，可使下式的值最小：
上式对a、b分别求偏导数得：
整理后得到方程组
求解上述方程组，可以求得直线参数a和b的最佳估计值和
因此可以求出倾角θ，
参见示意图(如图5)，标识条(示意图中用灰色条表示)的长为l，宽为w，框选矩形的长度和宽度分为yl和xl，求解如下方程组
可以计算出每个标识条的实际宽度wi:
i＝1,2…,h-1，然后根据计算出的实际宽度求取与基准宽度的比例，即设起始标识条基准宽度为s,每个标识条代表的整数数字ni为
ni＝[wi/s+0.5]-1 (19)i＝1,2…,h-1，根据公式(1)，利用每个标识条所代表的数字计算出标识图所代表的信息数值，从而获得标识图所代表的信息。
进一步地，本发明使用的激光数据是由二维激光传感器和带有伺服电机的旋转平台构成的三维全景激光系统获取的，旋转平台的旋转中心在机器人的前进方向上，二维激光传感器的扫描平面是扇形的。每组激光数据同时包含测距数据和反射值数据，且两种数据一一对应，经旋转后的激光数据可以得到场景的空间信息。反射值数据同时受物体材质、颜色等多种物体属性影响，不受物体间距离的限制，可方便实现多类物体数据的划分。
本发明的有益效果是利用激光数据可以有效地识别标识图信息，而且标识图可以包含大量信息，修改与添加标识图的信息比较方便，识别效果稳定。基于激光数据识别标识图的方法克服了较差光照条件下使用的局限性，可以保证移动机器人的灵活性，降低了对环境的要求，增强了标识图的适用性及识别准确率。标识图的设计方法简单，标识图材质质量轻、制作简单、易于携带，不仅可以应用在室内外环境中，还可以实现虚拟墙等功能或是移动机器人的引导式导航等任务，为移动机器人的智能导航技术发展打下坚实的基础。
附图说明
图1是标识图。
图2是有畸变的反射值图。
图3是无畸变的反射值图，。
图4(a)是滤波后的反射值图，(b)是二值化效果图。
图5是识别示意图。
图6是方法流程图
具体实施方式
为了验证本方法的有效性，利用构建的移动机器人数据采集平台进行标识图的验证。采用二维激光传感器，其平面扫描角度为0-120度，云台伺服电机的频率范围为500-2500Hz。利用电机带动激光传感器获得场景的三维激光测距数据和反射值数据。
采用的标识图所选材料为黑卡纸和白卡纸，黑卡纸作为背景，依次在黑卡纸上贴上由白卡纸制作的标识条，矩形黑卡纸的大小为380mm×260mm，标识图中共有五个标识条，起始标识条的宽度为基准宽度1cm，长度为9cm，；其余四个标识条的宽度严格按照1cm,2cm,3cm,4cm的标准制作，长度为18cm。该种标识图可表示0-255的数据，三组样例数据分析如下表：
将标识图(如图1)贴在场景中的走廊墙面上，移动机器人载着激光数据采集平台，读取该标识图信息。
如果将场景的激光反射值数据按照激光线顺序排列，会得到一幅有畸变的反射值图(如图2)，即以总数据组数和每组数据的激光点数量作为x方向和y方向的像素点个数生成二维图片。由图可见，畸变的反射图会影响识别，故需生成无畸变的反射值图。
标识图平面正投影得到的参数为:
旋转矩阵：
平移矩阵：
T＝[0 -0.524 0]
根据旋转和平移矩阵参数，可以生成无畸变的反射值图(如图3)，并通过滤波算法对图片进行处理，对于有激光点对应的像素点，通过如下3×3的高斯核:
对于没有激光点对应的像素点，通过如下的高斯核：
经过滤波算法处理后，得到边界更加清晰的反射值图(如图4(a))。然后对图片进行二值化处理(如图4(b))，白色像素点聚类后求出倾角θ＝0.175，用识别算法可以求出每个标识条代表的数字，从右向左依次是3102，即表示数据为210。基于该算法可以得到标识图所代表的信息序号，直观验证了算法的可靠性。
Claims (8)
1.一种基于激光数据的导航标识图识别方法，其特征在于，包括如下步骤：
1)制作导航标识图；
黑色作为背景色，白色矩形为标识条；标识图中共有h个标识条，h为不小2的整数；其中最短的标识条为读取数据的起始位置，它的宽度为基准宽度s；其余等长的h-1个标识条的宽度分别为s,2s,…,ks，代表的数字依次是0,1,…,(k-1)，k为不小于2的整数；离起始位置最近的标识条为最高位，其位数为h-1，依次从高向低排序，则标识图代表的信息数值为其中，i是该标识条的位数，ni是该标识条代表的数字，根据等长的h-1个标识条的不同排序，信息数值的取值范围为0～(kh-1-1)；
2)标识图的无畸变反射值图生成；
获取标识图的位置并截取其区域内的激光点云，计算激光点云协方差矩阵的特征向量，求取旋转平移矩阵使点云与坐标平面平行，然后对旋转平移后的点云进行正投影；将激光点反射值映射为0-255范围内的灰度值，根据每个激光点的坐标位置将灰度值分配到图片中的对应像素点上，生成无畸变的反射值图；
所述对旋转平移后的点云进行正投影过程为：
设定截取标识图所在平面一系列点云为S,计算S的协方差矩阵的特征向量；设该特征向量在三个方向上的向量分别为Ex,Ey,Ez，设定机器人前进方向为x方向,标识图贴在墙壁上，则求出Ex,Ez与x，z轴的夹角为使标识图平面与x-o-z平面平行，则旋转矩阵Mp为：
根据标识图的位置，移动机器人的前进方向与标识图平面的垂直方向的交点作为视点，向标识图平面做正交投影，利用公式(2)进行投影变换，
其中，xe,ye,ze是初始点云，xc,yc,zc为投影到x-o-z平面的坐标点云，T是旋转后的点云到坐标轴面的平移矩阵；
所述生成无畸变的反射值图的过程如下：
标识图平面的激光数据经旋转后，忽略与其平行的坐标平面的距离信息，设遍历获取激光数据得到四边界限xmin,xmax,ymin,ymax，根据移动机器人与标识图的距离确定步长d，并根据设定的步长d求出生成的反射值图的长度lengt和宽度widt分别为：
lengt＝(xmax-xmin)/d,widt＝(ymax-ymin)/d (4)
每个像素点灰度值的大小利用公式(5)，对激光点的反射值进行处理获得
其中，di和gi分别为激光点i的反射值和灰度值，dmax和dmin是所有激光点的最大和最小反射值；
给定一个像素qi＝[ui,vi,gi]T，ui和vi分别是图像坐标，gi是该点的灰度值；在图像坐标系下，表示一个三维点pi＝[xc,yc,zc]T，图像像素坐标与三维点坐标的对应关系是：
ui＝(xc-xmin)/d,vi＝(yc-ymin)/d (6)
其中，xc和yc分别表示标识图平面旋转平移后与坐标轴面平行的激光点的x和y的坐标；
根据公式(6)，将每个激光点的灰度值分配到图片中的对应像素点上；对于没有激光点对应的像素点使用默认值填补，默认值为墙面等背景色灰度值；有两个或两个以上激光点对应一个像素点时，使用这几个激光点灰度值的平均值填补该像素点；
3)反射值图滤波处理；
通过滤波算法对图片进行滤波处理，使反射值图中标识条边缘更加清晰；
4)对标识图进行识别；
对滤波后的无畸变反射值图进行二值化处理，然后对标识图中的白色标识条聚类分析，通过直线拟合的方法求出标识条的倾角θ，利用公式 求取每个标识条的实际宽度wi，其中xl,yl分别为标识条横纵方向的长度和宽度；起始标识条的基准宽度为s,则每个标识条实际代表的数字为[wi/s+0.5]-1，根据每个标识条实际代表的数字计算出标识图所代表的信息数值，从而获得标识图所代表的信息；
所述通过直线拟合的方法求出标识条的倾角θ的过程如下：
对于每个像素簇，设u和v之间的函数关系为：
v＝a+bu (9)
式(9)中有两个待定参数，a代表截距，b代表斜率；像素簇中包括m组数据(ui，vi)，i＝1,2……,m，利用最小二乘法把观测数据拟合为直线；用最小二乘法估计参数时，要求观测值vi的偏差的加权平方和为最小；对于等精度观测值的直线拟合，使下式的值最小：
式(10)对a、b分别求偏导数得：
整理后得到方程组：
求解方程组(13)，求得直线参数a和b的最佳估计值和
求出倾角θ：
2.根据权利要求1所述的一种基于激光数据的导航标识图识别方法，其特征在于，步骤2)所述的获取标识图位置的方法为滑动窗口法。
3.根据权利要求1或2所述的一种基于激光数据的导航标识图识别方法，其特征在于，步骤3)所述的滤波算法为高斯核滤波和Mean Shift算法。
4.根据权利要求1或2所述的一种基于激光数据的导航标识图识别方法，其特征在于，步骤4)所述的聚类算法为八邻域聚类算法。
5.根据权利要求3所述的一种基于激光数据的导航标识图识别方法，其特征在于，步骤4)所述的聚类算法为八邻域聚类算法。
6.根据权利要求1或2或5所述的一种基于激光数据的导航标识图识别方法，其特征在于，所用的激光数据是由二维激光传感器和带有伺服电机的旋转平台构成的三维全景激光系统获取的，旋转平台的旋转中心在机器人的前进方向上，二维激光传感器的扫描平面是扇形的；每组激光数据同时包含测距数据和反射值数据，且两种数据一一对应，通过旋转后的激光数据得到场景的空间信息。
7.根据权利要求3所述的一种基于激光数据的导航标识图识别方法，其特征在于，所用的激光数据是由二维激光传感器和带有伺服电机的旋转平台构成的三维全景激光系统获取的，旋转平台的旋转中心在机器人的前进方向上，二维激光传感器的扫描平面是扇形的；每组激光数据同时包含测距数据和反射值数据，且两种数据一一对应，通过旋转后的激光数据得到场景的空间信息。
8.根据权利要求4所述的一种基于激光数据的导航标识图识别方法，其特征在于，所用的激光数据是由二维激光传感器和带有伺服电机的旋转平台构成的三维全景激光系统获取的，旋转平台的旋转中心在机器人的前进方向上，二维激光传感器的扫描平面是扇形的；每组激光数据同时包含测距数据和反射值数据，且两种数据一一对应，通过旋转后的激光数据得到场景的空间信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710007576.4A CN106679671B (zh) | 2017-01-05 | 2017-01-05 | 一种基于激光数据的导航标识图识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710007576.4A CN106679671B (zh) | 2017-01-05 | 2017-01-05 | 一种基于激光数据的导航标识图识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106679671A CN106679671A (zh) | 2017-05-17 |
| CN106679671B true CN106679671B (zh) | 2019-10-11 |
Family
ID=58849304
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710007576.4A Active CN106679671B (zh) | 2017-01-05 | 2017-01-05 | 一种基于激光数据的导航标识图识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106679671B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107390679B (zh) * | 2017-06-13 | 2020-05-05 | 合肥中导机器人科技有限公司 | 存储设备、激光导航叉车 |
| CN107910915A (zh) * | 2017-11-24 | 2018-04-13 | 北京奇虎科技有限公司 | 机器人的充电方法、装置及电子设备 |
| CN107894770A (zh) * | 2017-11-24 | 2018-04-10 | 北京奇虎科技有限公司 | 机器人充电座、机器人的充电方法及装置 |
| CN109840454B (zh) * | 2017-11-28 | 2021-01-29 | 华为技术有限公司 | 目标物定位方法、装置、存储介质以及设备 |
| CN108334080B (zh) * | 2018-01-18 | 2021-01-05 | 大连理工大学 | 一种针对机器人导航的虚拟墙自动生成方法 |
| CN110109450A (zh) * | 2019-04-01 | 2019-08-09 | 深圳市女娲机器人科技有限公司 | 一种机器人自动回充方法、装置及终端设备 |
| CN111552289B (zh) * | 2020-04-28 | 2021-07-06 | 苏州高之仙自动化科技有限公司 | 检测方法及虚拟雷达装置、电子设备、存储介质 |
| CN113297723B (zh) * | 2021-04-22 | 2022-11-08 | 哈尔滨理工大学 | 基于均值漂移-灰色关联分析的电主轴温度测点优化方法 |
| CN113706615B (zh) * | 2021-08-27 | 2024-02-27 | 上海埃威航空电子有限公司 | 基于遥感技术的航标漂移监测方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101698303B (zh) * | 2009-09-11 | 2011-02-02 | 大连理工大学 | 一种三维激光和单目视觉间的自动标定方法 |
| WO2014014838A2 (en) * | 2012-07-15 | 2014-01-23 | 2R1Y | Interactive illumination for gesture and/or object recognition |
| CN102830404B (zh) * | 2012-08-28 | 2014-01-08 | 中国人民解放军国防科学技术大学 | 基于距离像的激光成像雷达地面目标识别方法 |
| KR101618814B1 (ko) * | 2012-10-09 | 2016-05-09 | 에스케이텔레콤 주식회사 | 단일객체에 대한 기울기를 추정하는 영상을 감시하는 장치 및 방법 |
| CN103868501A (zh) * | 2014-03-25 | 2014-06-18 | 西北工业大学 | 一种视觉测量用接触式主动发光平面标识装置 |
| CN104268933B (zh) * | 2014-09-11 | 2017-02-15 | 大连理工大学 | 一种车载二维激光运动中三维环境扫描成像方法 |
| CN104574406B (zh) * | 2015-01-16 | 2017-06-23 | 大连理工大学 | 一种360度全景激光与多个视觉系统间的联合标定方法 |
| WO2016171238A1 (ja) * | 2015-04-23 | 2016-10-27 | オリンパス株式会社 | 外科処置装置 |
| CN106097348B (zh) * | 2016-06-13 | 2019-03-05 | 大连理工大学 | 一种三维激光点云与二维图像的融合方法 |
-
2017
- 2017-01-05 CN CN201710007576.4A patent/CN106679671B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106679671A (zh) | 2017-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106679671B (zh) | 一种基于激光数据的导航标识图识别方法 | |
| US11971726B2 (en) | Method of constructing indoor two-dimensional semantic map with wall corner as critical feature based on robot platform | |
| CN111665842B (zh) | 一种基于语义信息融合的室内slam建图方法及系统 | |
| CN108363065A (zh) | 物体检测系统 | |
| CN116907458A (zh) | 基于光学目标的室内车辆导航的系统和方法 | |
| Beinschob et al. | Semi-automated map creation for fast deployment of AGV fleets in modern logistics | |
| CN107850449A (zh) | 用于生成及使用定位参考数据的方法及系统 | |
| GB2532948A (en) | Objection recognition in a 3D scene | |
| CN110308729A (zh) | 基于视觉与imu或里程计的agv组合导航定位方法 | |
| KR20060085751A (ko) | 상향 영상을 이용한 이동체의 위치 추정 및 지도 생성장치 및 방법과 그 장치를 제어하는 컴퓨터 프로그램을저장하는 컴퓨터로 읽을 수 있는 기록 매체 | |
| CN104766058A (zh) | 一种获取车道线的方法和装置 | |
| CN102773862A (zh) | 用于室内移动机器人的快速精确定位系统及其工作方法 | |
| CN108564650B (zh) | 基于车载2D LiDAR点云数据的行道树靶标识别方法 | |
| Benedek et al. | Positioning and perception in LIDAR point clouds | |
| JP2005164323A (ja) | 位置検出用マーク、並びに、マーク検出装置、その方法及びそのプログラム | |
| CN105574812B (zh) | 多角度三维数据配准方法及装置 | |
| CN109872366A (zh) | 基于深度拟合程度评估网络的物体三维位置检测方法和装置 | |
| CN110473221A (zh) | 一种目标物体自动扫描系统及方法 | |
| Zheng et al. | A decision tree based road recognition approach using roadside fixed 3D LiDAR sensors | |
| CN115609591A (zh) | 一种基于2D Marker的视觉定位方法和系统、复合机器人 | |
| Wang et al. | Autonomous landing of multi-rotors UAV with monocular gimbaled camera on moving vehicle | |
| CN116277025A (zh) | 一种智能制造用机器人的物件分拣控制方法及系统 | |
| CN116452852A (zh) | 一种高精度矢量地图的自动生成方法 | |
| WO2022151011A1 (zh) | 一种定位方法、装置和车辆 | |
| JP2022080303A (ja) | オプティカルフローを用いたライダー位置推定 |
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 |