CN107609510A - 一种岸桥下集卡定位方法及设备 - Google Patents

Abstract

本申请的目的是提供一种岸桥下集卡定位方法及设备，通过安装于岸桥横梁上的相机装置，获取岸桥下集卡的拍摄图像，确定拍摄图像中的所有像素点及其位置；基于预置的至少一个初始聚类中心点和所有像素点及其位置，对拍摄图像进行聚类处理，得到每个初始聚类中心点对应的聚类像素区域；对每个初始聚类中心点对应的聚类像素区域依次进行图像二值化、图像腐蚀及图像膨胀处理，得到处理后的拍摄图像；计算处理后的拍摄图像中的至少一个第一连通域，对第一连通域进行筛选过滤，得到所述集卡的车头连通域及其位置，通过对拍摄图像进行识别定位，能够准确、及时的对集卡进行识别定位，从而极大地提高了集装箱的装卸效率，进而节省了大量的人力成本。

Description

一种岸桥下集卡定位方法及设备

技术领域

本申请涉及计算机视觉技术领域，尤其涉及一种岸桥下集卡定位方法及设备。

背景技术

在传统的人工港口码头，港区内部集装箱卡车(以下简称集卡)在岸桥内的定位及引导主要依靠人工指挥引导及标线等方式。这种模式是通过人工“站位盯梢”的方式在现场进行的，该模式在环境恶劣下存在较大的安全隐患，现场工人除了指挥集卡走位外，还需记录确认集装箱箱号、箱体检查、锁钮拆卸等工作，劳动强度大；并且，这种模式比较依赖现场工人及集卡司机的经验，作业效率有待提升。然而，在集装箱码头自动化、智能化的趋势下，自动化视觉技术也开始替代传统人工方式逐渐应用到自动化集装箱码头中去。

为了实现港区岸桥作业区内集卡智能定位，国内已有一部分港口已在尝试使用新的定位方法来替代传统的人工引导及标线定位方法，在国内的主要研究现状有：文献(激光测距技术在桥吊下集装箱卡车定位的研究与实现。港口科技，2007)中提出基于激光测距技术的桥吊下集卡定位方法，该方法将激光沿平行于集装箱车道中心线,对集装箱及集卡平板车顶面进行扫描测距。激光扫描测距仪跟随云台转动,完成对桥吊下各集装箱车道的立体扫描测距。该方法需要先等集卡停至车道后对集卡进行扫描检测，一旦有所调整又需重新扫描，没有实现集卡实时识别定位，整体定位效率较低，并且激光雷达成本较高；文献(集装箱码头装卸技术中的GPS技术应用。中国水运，2012)中提出基于GPS的定位方法，该方法由车载终端中的GPS接收机实时接收数据中心发来的差分数据进行差分定位，并将差分结果再实时发送到数据中心来实现集卡的定位。该种方法成本高并且在岸桥内部钢铁结构下GPS信号干扰较大，定位精度不高；文献(集装箱码头GPS和RFID定位技术的开发与应用。电子科技大学，2011)中提出利用车载陀螺仪及其车轮运动编码器和射频识别(RFID)结合的集卡定位方法，该方法对集装箱码头自动引导载运车(AGV)进行定位跟踪,首先通过车载陀螺仪及其车轮运动编码器获取AGV运动方向和运动姿态信息。而采用RFID射频识别技术，通过AGV的RFID阅读器获取位置信息,并采用卡尔曼滤波方法进行多传感器数据融合,从而实现定位误差补偿。该方法虽然在定位精度上有一定提高，但仍没有解决在岸桥内作业区的钢结构干扰问题(RFID信号更易受金属物件的干扰)，且成本较大。

综上所述，在实现港区岸桥作业区内集卡定位上，人工引导及标线定位方法存在一定的安全隐患及劳动成本，而现阶段的智能定位方法，或多或少都存在通讯信号受钢结构干扰影响，定位精度和定位效率不高、成本较大等不足。

发明内容

本申请的一个目的是提供一种岸桥下集卡定位方法及设备，以解决现有集卡定位导致的定位精度、定位效率不高及成本较大的问题。

根据本申请的一个方面，提供了一种岸桥下集卡定位方法，该方法包括：

通过安装于岸桥横梁上的相机装置，获取岸桥下集卡的拍摄图像，确定所述拍摄图像中的所有像素点及其位置；

基于预置的至少一个初始聚类中心点和所述所有像素点及其位置，对所述集卡的拍摄图像进行聚类处理，得到每个初始聚类中心点对应的聚类像素区域；

对每个初始聚类中心点对应的聚类像素区域依次进行图像二值化、图像腐蚀及图像膨胀处理，得到处理后的拍摄图像；

计算所述处理后的拍摄图像中的至少一个第一连通域，对所述第一连通域进行筛选过滤，得到所述集卡的车头连通域及其位置。

进一步地，上述方法中，所述基于预置的至少一个初始聚类中心点和所述所有像素点及其位置，对所述集卡的拍摄图像进行聚类处理，得到每个初始聚类中心点对应的聚类像素区域，包括：

在所述集卡的拍摄图像中随机预置至少一个初始聚类中心点，重复如下步骤，直至对所述初始聚类中心点的更新为零，确定每个初始聚类中心点对应的聚类像素区域及其中的至少一个像素点及其位置：

通过硬聚类算法和所述初始聚类中心点，对所述集卡的拍摄图像中的所有像素点进行聚类，得到每个所述初始聚类中心点对应的至少一个像素点及其位置；

基于所述至少一个像素点及其位置，更新对应的所述初始聚类中心点，得到所述初始聚类中心点对应的更新聚类中心点；

将所述更新聚类中心点确定为所述初始聚类中心。

进一步地，上述方法中，所述通过硬聚类算法和所述初始聚类中心点，对所述集卡的拍摄图像中的所有像素点进行聚类，得到每个所述初始聚类中心点对应的至少一个像素点及其位置，包括：

采用欧式距离算法，对所述集卡的拍摄图像中的每个像素点，分别计算与每个初始聚类中心点之间的距离；

基于硬聚类算法和所述距离，对所述集卡的拍摄图像中的所有像素点进行聚类，得到每个所述初始聚类中心点对应的至少一个像素点及其位置及由所述至少一个像素点及其位置得到的聚类像素区域。

进一步地，上述方法中，所述对每个初始聚类中心点对应的聚类像素区域进行图像二值化处理，包括：

确定预设的二值化阈值；

基于所述预设的二值化阈值，对每个初始聚类中心点对应的聚类像素区域进行图像二值化处理。

进一步地，上述方法中，所述确定预设的二值化阈值，包括：

计算每个所述初始聚类中心点对应的聚类像素区域的平均灰度值；

将所述平均灰度值按照从大到小的顺序进行排列，并计算排在第一位的平均灰度值和第二位的平均灰度值之间的平均值；

将所述平均值确定为所述预设的二值化阈值。

进一步地，上述方法中，所述计算所述处理后的拍摄图像中的至少一个第一连通域，对所述第一连通域进行筛选过滤，得到所述集卡的车头连通域及其位置，包括：

基于最小外接矩形算法计算所述处理后的拍摄图像中的至少一个第一连通域；

获取安装在岸桥横梁上的所述相机装置的实际位置及其与岸桥下所述集卡的车头之间的实际距离；

基于所述实际位置和所述实际距离，确定第一预设像素区域；

基于所述第一预设像素区域对所述第一连通域进行过滤，从至少一个所述第一连通域中筛选得到所述集卡的车头连通域及其位置。

进一步地，上述方法中，所述方法还包括：

计算所述集卡的车头连通域对应的集卡车头外接矩形，并确定所述集卡车头外接矩形的长边的中点所在的中心线L1及其纵坐标；

获取所述集卡的拍摄图像中的车道总长；

基于所述中心线L1及其纵坐标和所述车道总长，得到所述集卡的车头位置占比。

进一步地，上述方法中，所述方法还包括：

从所述处理后的拍摄图像中截取所述集卡的车头连通域对应的集卡车头外接矩形，并获取所述集卡车头外接矩形对应的至少一个像素点及其灰度值；

对所述集卡车头外接矩形对应的每个像素点的灰度值取反，得到新的集卡车头矩形；

对所述新的集卡车头矩形进行处理，确定所述集卡的车头的作业状态信息。

进一步地，上述方法中，所述对所述新的集卡车头矩形进行处理，确定所述集卡的车头的作业状态信息，包括：

扫描并计算所述新的集卡车头矩形中的至少一个第二连通域；

基于最小外接矩形算法计算每个所述第二连通域对应的外接矩形；

基于预置的第二预设像素区域对所述第二连通域进行过滤，从至少一个所述第二连通域中筛选得到所述集卡的车头上的数字对应的外接矩形；

基于所述新的集卡车头矩形及其中的所述数字对应的外接矩形，确定所述集卡的车头的作业状态信息。

进一步地，上述方法中，所述基于所述新的集卡车头矩形及其中的所述数字对应的外接矩形，确定所述集卡的车头的作业状态信息，包括：

将所述数字对应的外接矩形中的每个像素点的灰度值取反；

将所述新的集卡车头矩形中的每个像素点的灰度值取反，得到处理后的集卡车头矩形图；

以所述处理后的集卡车头矩形图中的宽边的中点所在的中心线L2，将所述处理后的集卡车头矩形图分成两部分，分别为部分1和部分2；

分别统计所述部分1和部分2中的像素点为白的个数，基于所述像素点为白的个数确定所述集卡的车头的作业状态信息。

进一步地，上述方法中，所述第二预设像素区域由所述集卡的车头上的集卡号确定。

根据本申请的另一个方面，提供了一种基于计算的设备，其中，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

通过安装于岸桥横梁上的相机装置，获取岸桥下集卡的拍摄图像，确定所述拍摄图像中的所有像素点及其位置；

基于预置的至少一个初始聚类中心点和所述所有像素点及其位置，对所述集卡的拍摄图像进行聚类处理，得到每个初始聚类中心点对应的聚类像素区域；

对每个初始聚类中心点对应的聚类像素区域依次进行图像二值化、图像腐蚀及图像膨胀处理，得到处理后的拍摄图像；

计算所述处理后的拍摄图像中的至少一个第一连通域，对所述第一连通域进行筛选过滤，得到所述集卡的车头连通域及其位置。

根据本申请的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器：

通过安装于岸桥横梁上的相机装置，获取岸桥下集卡的拍摄图像，确定所述拍摄图像中的所有像素点及其位置；

基于预置的至少一个初始聚类中心点和所述所有像素点及其位置，对所述集卡的拍摄图像进行聚类处理，得到每个初始聚类中心点对应的聚类像素区域；

对每个初始聚类中心点对应的聚类像素区域依次进行图像二值化、图像腐蚀及图像膨胀处理，得到处理后的拍摄图像；

计算所述处理后的拍摄图像中的至少一个第一连通域，对所述第一连通域进行筛选过滤，得到所述集卡的车头连通域及其位置。

与现有技术相比，本申请通过安装于岸桥横梁上的相机装置，获取岸桥下集卡的拍摄图像，确定所述拍摄图像中的所有像素点及其位置；基于预置的至少一个初始聚类中心点和所述所有像素点及其位置，对所述集卡的拍摄图像进行聚类处理，得到每个初始聚类中心点对应的聚类像素区域；对每个初始聚类中心点对应的聚类像素区域依次进行图像二值化、图像腐蚀及图像膨胀处理，得到处理后的拍摄图像；计算所述处理后的拍摄图像中的至少一个第一连通域，对所述第一连通域进行筛选过滤，得到所述集卡的车头连通域及其位置，实现了通过计算机对集卡的拍摄图像的识别来对岸桥作业区内的集卡进行定位，避免了现有技术中的以人工引导为主的集装箱装卸工作的模式，能够准确、及时的对集卡进行识别定位，从而极大地提高了集装箱的装卸效率，进而节省了大量的人力成本。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1示出本申请一实施例提供的一种岸桥下集卡定位方法的流程示意图；

图2示出本申请一实施例中的岸桥集卡定位方法的实际应用效果示意图图；

图3示出本申请一实施例中的岸桥集卡定位方法中的港口岸桥下相机装置的布置示意图；

图4示出本申请一实施例中的岸桥集卡定位方法中的集卡的车头连通域对应的集卡车头外接矩形；

图5示出本申请一实施例中的岸桥集卡定位方法中的处理后的集卡车头矩形图。

附图中相同或相似的附图标记代表相同或相似的部件。

具体实施方式

下面结合附图对本申请作进一步详细描述。

在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

如图1所示本申请提供的一种岸桥下集卡定位方法的流程示意图，应用于对港口岸桥下的集卡进行识别定位的过程中，如图2所示的该岸桥集卡定位方法的实际应用效果示意图，该方法利用安装于岸桥横梁上的相机装置(例如工业相机等)，抓拍停于岸桥下的集卡，通过聚类算法及图像处理，实现对过往非作业车辆、非作业方向车辆，实现准确、及时的对集卡进行识别并定位。该方法包括步骤S11、步骤S12、步骤S13和步骤S14，其中，具体包括：

所述步骤S11，通过安装于岸桥横梁上的相机装置，获取岸桥下集卡的拍摄图像，确定所述拍摄图像中的所有像素点及其位置；例如，利用安装在岸桥横梁上的相机装置(例如工业相机等)采集抓拍岸桥下集卡的拍摄图像，如图3所示为港口岸桥下相机装置的布置示意图；根据抓拍的该拍摄图像能够确定该拍摄图像中的所有像素点及其位置(例如坐标位置等)，以便后续对该拍摄图像中的像素点进行聚类处理。

所述步骤S12，基于预置的至少一个初始聚类中心点和所述所有像素点及其位置，对所述集卡的拍摄图像进行聚类处理，得到每个初始聚类中心点对应的聚类像素区域；其中，所述预置的至少一个初始聚类中心点是随机在集卡的拍摄图像中选择的K个初始点作为初始聚类中心点，K为大于等于1的正整数。

进一步地，所述步骤S12基于预置的至少一个初始聚类中心点和所述所有像素点及其位置，对所述集卡的拍摄图像进行聚类处理，得到每个初始聚类中心点对应的聚类像素区域，包括：

在所述集卡的拍摄图像中随机预置至少一个初始聚类中心点(例如K个，K为大于等于一的正整数)，重复如下步骤，直至对所述初始聚类中心点的更新为零(即直至对初始聚类中心点不再变化为止)，确定每个初始聚类中心点对应的聚类像素区域及其中的至少一个像素点及其位置：

通过硬聚类算法和所述初始聚类中心点，对所述集卡的拍摄图像中的所有像素点进行聚类，得到每个所述初始聚类中心点对应的至少一个像素点及其位置；其中，该硬聚类算法可以是包括但不限于是K-means聚类算法。例如该拍摄图像中存在3个初始聚类中心点分别为O1、O2和O3，拍摄图像中的所有像素点为F1、F2、F3、……、Fn，n表示像素点的总个数，此处选择n＝30；若基于初始聚类中心点O1、O2和O3和拍摄图像的所有像素点，采用K-means聚类算法对该拍摄图像中的所有像素点：F1、F2、F3、……、Fn进行聚类，得到每个聚类中心点对应的像素点及其位置，例如，初始聚类中心点O1对应的像素点为F2、F6、F8、F13、F30；初始聚类中心点O2对应的像素点为F1、F7、F9、F10、F11、F12、F29；初始聚类中心点O3对应的像素点为F3、F4、F5、F14、F15、……、F28；及每个像素点分别对应的位置(x_i，y_i)，i＝1,2,3,……,30。

接着，基于所述至少一个像素点及其位置，更新对应的所述初始聚类中心点，得到所述初始聚类中心点对应的更新聚类中心点；例如，在初始聚类中心点O1对应的像素点为F2、F6、F8、F13、F30中进行重新计算，将像素点：F2、F6、F8、F13、F30形成的聚类像素区域中的中心点确定为新的聚类中心点，并将这个新的聚类中心点作为更新聚类中心点O1’，则得到初始聚类中心点对应的至少一个像素点及其位置进行计算之后的更新聚类中心点O1’。

之后，将所述更新聚类中心点确定为所述初始聚类中心。将更新聚类中心点O1’该确定为所述初始聚类中心O1，即初始聚类中心点O1＝O1’。

进一步地，所述步骤S12中的通过硬聚类算法和所述初始聚类中心点，对所述集卡的拍摄图像中的所有像素点进行聚类，得到每个所述初始聚类中心点对应的至少一个像素点及其位置，包括：

采用欧式距离算法，对所述集卡的拍摄图像中的每个像素点，分别计算与每个初始聚类中心点之间的距离d(x，y)；其中，针对每个像素点，计算其与每个初始聚类中心点之间的距离d(x，y)的计算如下：

其中，(x_i，y_i)表示像素点对应的坐标。

基于硬聚类算法和所述距离，对所述集卡的拍摄图像中的所有像素点进行聚类，即：针对每个像素点，将像素点到每个初始聚类中心点之间的距离d(x，y)按照从小到大的顺序排列，将像素点与每个初始聚类中心点之间的距离最小时对应的初始聚类中心点，作为该像素点进行聚类之后所对应的初始聚类中线点，对每个像素点进行上述距离最小判断，得到每个所述初始聚类中心点对应的至少一个像素点及其位置及由所述至少一个像素点及其位置得到的聚类像素区域。

在所述步骤S12之后，所述步骤S13对每个初始聚类中心点对应的聚类像素区域依次进行图像二值化、图像腐蚀及图像膨胀处理，得到处理后的拍摄图像；其中，对每个初始聚类中心点对应的聚类像素区域进行图像二值化处理，包括：

确定预设的二值化阈值t；在确定预设的二值化阈值t时，先分别计算每个所述初始聚类中心点对应的聚类像素区域的平均灰度值，之后将所述平均灰度值按照从大到小的顺序进行排列，并计算排在第一位的平均灰度值和第二位的平均灰度值之间的平均值；最后将所述平均值确定为所述预设的二值化阈值t，实现对用于进行图像二值化处理的预设的二值化阈值t的计算。

所述步骤S12继续基于所述预设的二值化阈值t，对每个初始聚类中心点对应的聚类像素区域进行图像二值化处理t，得到拍摄图像对应的二值化图像，具体进行图像二值化处理的计算公式如下：

其中，所述G_f(x,y)表示：原始的拍摄图像中的像素点的像素值，f(x)表示：二值化之后的二值化图像中的像素点的像素值。

所述步骤S14，计算所述处理后的拍摄图像中的至少一个第一连通域，对所述第一连通域进行筛选过滤，得到所述集卡的车头连通域及其位置，实现了通过计算机对集卡的拍摄图像的识别来对岸桥作业区内的集卡进行定位，避免了现有技术中的以人工引导为主的集装箱装卸工作的模式，能够准确、及时的对集卡进行识别定位，从而极大地提高了集装箱的装卸效率，进而节省了大量的人力成本。

进一步地，所述步骤S14中的计算所述处理后的拍摄图像中的至少一个第一连通域，对所述第一连通域进行筛选过滤，得到所述集卡的车头连通域及其位置，包括：

基于最小外接矩形算法计算所述处理后的拍摄图像中的至少一个第一连通域；例如，扫描所述步骤S13中得到的处理后的拍摄图像计算各白色区域的像素面积，视为第一连通域，得到处理后的拍摄图像中的至少一个第一连通域，并利用最小外接矩形算法计算每个第一连通域的外接矩形的长、宽及面积；接着获取安装在岸桥横梁上的所述相机装置的实际位置及其与岸桥下所述集卡的车头之间的实际距离；基于所述实际位置和所述实际距离，确定第一预设像素区域；基于所述第一预设像素区域对所述第一连通域进行过滤，将至少一个所述第一连通域中的长小于300像素，宽小于200像素及面积小于300×200的第一连通域过滤掉，即可从至少一个所述第一连通域中筛选得到所述集卡的车头连通域及其位置，进而实现对集卡及其车头区域的识别定位。

本申请实施例中的一种岸桥下集卡定位方法还包括：

计算所述集卡的车头连通域对应的集卡车头外接矩形如图4所示，并确定经过所述集卡车头外接矩形的长边的中点且垂直于宽边时所对应的中心线L1及其纵坐标；获取所述集卡的拍摄图像中的车道总长(抓拍的拍摄图像中的车道总长，即抓拍图像车道长)；基于所述中心线L1及其纵坐标和所述车道总长，得到所述集卡的车头位置占比，其中集卡的车头位置占比计算公式如下：

集卡的车头位置占比＝(L1纵坐标/拍摄图像中的车道总长)×100％。

本申请实施例中的一种岸桥下集卡定位方法还包括：

从所述处理后的拍摄图像中截取所述集卡的车头连通域对应的集卡车头外接矩形，并获取所述集卡车头外接矩形对应的至少一个像素点及其灰度值；接着对所述集卡车头外接矩形对应的每个像素点的灰度值取反，得到新的集卡车头矩形；之后对所述新的集卡车头矩形进行处理，确定所述集卡的车头的作业状态信息，其中，所述集卡的车头的作业状态信息可以是包括但不限于包括车头朝下工作、车头朝上工作等，实现对集卡的非作业方向的干扰集卡对应的车辆的过滤。

接着本申请的上述实施例，所述对所述新的集卡车头矩形进行处理，确定所述集卡的车头的作业状态信息，包括：

扫描并计算所述新的集卡车头矩形中的至少一个第二连通域；

基于最小外接矩形算法计算每个所述第二连通域对应的外接矩形；

基于预置的第二预设像素区域对所述第二连通域进行过滤，将至少一个所述第二连通域中的长小于60像素，宽小于80像素以及面积小于60×80的第二连通域过滤掉，从至少一个所述第二连通域中即可筛选得到所述集卡的车头上的数字对应的外接矩形；其中，所述第二预设像素区域由所述集卡的车头上的集卡号确定。基于所述新的集卡车头矩形及其中的所述数字对应的外接矩形，确定所述集卡的车头的作业状态信息，该数字对应的外接矩形位于所述新的集卡车头矩形中。

接着本申请的上述实施例，所述基于所述新的集卡车头矩形及其中的所述数字对应的外接矩形，确定所述集卡的车头的作业状态信息，包括：

将所述数字对应的外接矩形中的每个像素点的灰度值取反；

将所述新的集卡车头矩形中的每个像素点的灰度值取反，得到处理后的集卡车头矩形图如图5所示；

以所述处理后的集卡车头矩形图中的宽边的中点所在的中心线L2，将所述处理后的集卡车头矩形图分成两部分，分别为部分1和部分2；其中，处理后的集卡车头矩形图均分成两部分，可以是上半部分和下半部分，也可以是左半部分和右半部分；本申请将这两部分优选为左半部分和右半部分；

分别统计所述部分1和部分2中的像素点为白的个数，基于所述像素点为白的个数确定所述集卡的车头的作业状态信息。例如，若左半部分的像素点为白的个数少于右半部分的像素点为白的个数，则该集卡的车头的作业状态信息为车头朝下工作；若右半部分的像素点为白的个数少于左半部分的像素点为白的个数，则该集卡的车头的作业状态信息为车头朝上工作，如此，即可获得集卡的车头的插头朝向，过滤掉非作业方向的干扰车辆。

此外，根据本申请的另一个方面，提供了一种基于计算的设备，其中，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

通过安装于岸桥横梁上的相机装置，获取岸桥下集卡的拍摄图像，确定所述拍摄图像中的所有像素点及其位置；

基于预置的至少一个初始聚类中心点和所述所有像素点及其位置，对所述集卡的拍摄图像进行聚类处理，得到每个初始聚类中心点对应的聚类像素区域；

对每个初始聚类中心点对应的聚类像素区域依次进行图像二值化、图像腐蚀及图像膨胀处理，得到处理后的拍摄图像；

计算所述处理后的拍摄图像中的至少一个第一连通域，对所述第一连通域进行筛选过滤，得到所述集卡的车头连通域及其位置。

根据本申请的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器：

通过安装于岸桥横梁上的相机装置，获取岸桥下集卡的拍摄图像，确定所述拍摄图像中的所有像素点及其位置；

基于预置的至少一个初始聚类中心点和所述所有像素点及其位置，对所述集卡的拍摄图像进行聚类处理，得到每个初始聚类中心点对应的聚类像素区域；

对每个初始聚类中心点对应的聚类像素区域依次进行图像二值化、图像腐蚀及图像膨胀处理，得到处理后的拍摄图像；

计算所述处理后的拍摄图像中的至少一个第一连通域，对所述第一连通域进行筛选过滤，得到所述集卡的车头连通域及其位置。

综上所述，本申请通过安装于岸桥横梁上的相机装置，获取岸桥下集卡的拍摄图像，确定所述拍摄图像中的所有像素点及其位置；基于预置的至少一个初始聚类中心点和所述所有像素点及其位置，对所述集卡的拍摄图像进行聚类处理，得到每个初始聚类中心点对应的聚类像素区域；对每个初始聚类中心点对应的聚类像素区域依次进行图像二值化、图像腐蚀及图像膨胀处理，得到处理后的拍摄图像；计算所述处理后的拍摄图像中的至少一个第一连通域，对所述第一连通域进行筛选过滤，得到所述集卡的车头连通域及其位置，实现了通过计算机对集卡的拍摄图像的识别来对岸桥作业区内的集卡进行定位，避免了现有技术中的以人工引导为主的集装箱装卸工作的模式，能够准确、及时的对集卡进行识别定位，从而极大地提高了集装箱的装卸效率，进而节省了大量的人力成本。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

需要注意的是，本申请可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本申请的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。

另外，本申请的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本申请的方法和/或技术方案。而调用本申请的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本申请的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (13)

1.一种岸桥下集卡定位方法，其中，所述方法包括：

通过安装于岸桥横梁上的相机装置，获取岸桥下集卡的拍摄图像，确定所述拍摄图像中的所有像素点及其位置；

基于预置的至少一个初始聚类中心点和所述所有像素点及其位置，对所述集卡的拍摄图像进行聚类处理，得到每个初始聚类中心点对应的聚类像素区域；

对每个初始聚类中心点对应的聚类像素区域依次进行图像二值化、图像腐蚀及图像膨胀处理，得到处理后的拍摄图像；

计算所述处理后的拍摄图像中的至少一个第一连通域，对所述第一连通域进行筛选过滤，得到所述集卡的车头连通域及其位置。

2.根据权利要求1所述的方法，其中，所述基于预置的至少一个初始聚类中心点和所述所有像素点及其位置，对所述集卡的拍摄图像进行聚类处理，得到每个初始聚类中心点对应的聚类像素区域，包括：

在所述集卡的拍摄图像中随机预置至少一个初始聚类中心点，重复如下步骤，直至对所述初始聚类中心点的更新为零，确定每个初始聚类中心点对应的聚类像素区域及其中的至少一个像素点及其位置：

通过硬聚类算法和所述初始聚类中心点，对所述集卡的拍摄图像中的所有像素点进行聚类，得到每个所述初始聚类中心点对应的至少一个像素点及其位置；

基于所述至少一个像素点及其位置，更新对应的所述初始聚类中心点，得到所述初始聚类中心点对应的更新聚类中心点；

将所述更新聚类中心点确定为所述初始聚类中心。

3.根据权利要求2所述的方法，其中，所述通过硬聚类算法和所述初始聚类中心点，对所述集卡的拍摄图像中的所有像素点进行聚类，得到每个所述初始聚类中心点对应的至少一个像素点及其位置，包括：

采用欧式距离算法，对所述集卡的拍摄图像中的每个像素点，分别计算与每个初始聚类中心点之间的距离；

基于硬聚类算法和所述距离，对所述集卡的拍摄图像中的所有像素点进行聚类，得到每个所述初始聚类中心点对应的至少一个像素点及其位置及由所述至少一个像素点及其位置得到的聚类像素区域。

4.根据权利要求1所述的方法，其中，所述对每个初始聚类中心点对应的聚类像素区域进行图像二值化处理，包括：

确定预设的二值化阈值；

基于所述预设的二值化阈值，对每个初始聚类中心点对应的聚类像素区域进行图像二值化处理。

5.根据权利要求4所述的方法，其中，所述确定预设的二值化阈值，包括：

计算每个所述初始聚类中心点对应的聚类像素区域的平均灰度值；

将所述平均灰度值按照从大到小的顺序进行排列，并计算排在第一位的平均灰度值和第二位的平均灰度值之间的平均值；

将所述平均值确定为所述预设的二值化阈值。

6.根据权利要求1所述的方法，其中，所述计算所述处理后的拍摄图像中的至少一个第一连通域，对所述第一连通域进行筛选过滤，得到所述集卡的车头连通域及其位置，包括：

基于最小外接矩形算法计算所述处理后的拍摄图像中的至少一个第一连通域；

获取安装在岸桥横梁上的所述相机装置的实际位置及其与岸桥下所述集卡的车头之间的实际距离；

基于所述实际位置和所述实际距离，确定第一预设像素区域；

基于所述第一预设像素区域对所述第一连通域进行过滤，从至少一个所述第一连通域中筛选得到所述集卡的车头连通域及其位置。

7.根据权利要求1所述的方法，其中，所述方法还包括：

计算所述集卡的车头连通域对应的集卡车头外接矩形，并确定所述集卡车头外接矩形的长边的中点所在的中心线L1及其纵坐标；

获取所述集卡的拍摄图像中的车道总长；

基于所述中心线L1及其纵坐标和所述车道总长，得到所述集卡的车头位置占比。

8.根据权利要求1所述的方法，其中，所述方法还包括：

从所述处理后的拍摄图像中截取所述集卡的车头连通域对应的集卡车头外接矩形，并获取所述集卡车头外接矩形对应的至少一个像素点及其灰度值；

对所述集卡车头外接矩形对应的每个像素点的灰度值取反，得到新的集卡车头矩形；

对所述新的集卡车头矩形进行处理，确定所述集卡的车头的作业状态信息。

9.根据权利要求8所述的方法，其中，所述对所述新的集卡车头矩形进行处理，确定所述集卡的车头的作业状态信息，包括：

扫描并计算所述新的集卡车头矩形中的至少一个第二连通域；

基于最小外接矩形算法计算每个所述第二连通域对应的外接矩形；

基于预置的第二预设像素区域对所述第二连通域进行过滤，从至少一个所述第二连通域中筛选得到所述集卡的车头上的数字对应的外接矩形；

基于所述新的集卡车头矩形及其中的所述数字对应的外接矩形，确定所述集卡的车头的作业状态信息。

10.根据权利要求9所述的方法，其中，所述基于所述新的集卡车头矩形及其中的所述数字对应的外接矩形，确定所述集卡的车头的作业状态信息，包括：

将所述数字对应的外接矩形中的每个像素点的灰度值取反；

将所述新的集卡车头矩形中的每个像素点的灰度值取反，得到处理后的集卡车头矩形图；

以所述处理后的集卡车头矩形图中的宽边的中点所在的中心线L2，将所述处理后的集卡车头矩形图分成两部分，分别为部分1和部分2；

分别统计所述部分1和部分2中的像素点为白的个数，基于所述像素点为白的个数确定所述集卡的车头的作业状态信息。

11.根据权利要求9所述的方法，其中，所述第二预设像素区域由所述集卡的车头上的集卡号确定。

12.一种基于计算的设备，其中，包括：

处理器；以及

被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：

通过安装于岸桥横梁上的相机装置，获取岸桥下集卡的拍摄图像，确定所述拍摄图像中的所有像素点及其位置；

基于预置的至少一个初始聚类中心点和所述所有像素点及其位置，对所述集卡的拍摄图像进行聚类处理，得到每个初始聚类中心点对应的聚类像素区域；

对每个初始聚类中心点对应的聚类像素区域依次进行图像二值化、图像腐蚀及图像膨胀处理，得到处理后的拍摄图像；

计算所述处理后的拍摄图像中的至少一个第一连通域，对所述第一连通域进行筛选过滤，得到所述集卡的车头连通域及其位置。

13.一种计算机可读存储介质，其上存储有计算机可执行指令，其中，该计算机可执行指令被处理器执行时使得该处理器：

通过安装于岸桥横梁上的相机装置，获取岸桥下集卡的拍摄图像，确定所述拍摄图像中的所有像素点及其位置；

基于预置的至少一个初始聚类中心点和所述所有像素点及其位置，对所述集卡的拍摄图像进行聚类处理，得到每个初始聚类中心点对应的聚类像素区域；

对每个初始聚类中心点对应的聚类像素区域依次进行图像二值化、图像腐蚀及图像膨胀处理，得到处理后的拍摄图像；

计算所述处理后的拍摄图像中的至少一个第一连通域，对所述第一连通域进行筛选过滤，得到所述集卡的车头连通域及其位置。