CN108257173A - 一种图像信息中的物体分离方法及装置及系统 - Google Patents

一种图像信息中的物体分离方法及装置及系统 Download PDF

Info

Publication number
CN108257173A
CN108257173A CN201711499446.3A CN201711499446A CN108257173A CN 108257173 A CN108257173 A CN 108257173A CN 201711499446 A CN201711499446 A CN 201711499446A CN 108257173 A CN108257173 A CN 108257173A
Authority
CN
China
Prior art keywords
image
cloud data
point cloud
point
examined object
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.)
Withdrawn
Application number
CN201711499446.3A
Other languages
English (en)
Inventor
李佳艺
章征贵
张小*
张小�
李�杰
杨再甫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai View Technologies Co Ltd
Original Assignee
Shanghai View Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai View Technologies Co Ltd filed Critical Shanghai View Technologies Co Ltd
Priority to CN201711499446.3A priority Critical patent/CN108257173A/zh
Publication of CN108257173A publication Critical patent/CN108257173A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种图像信息中的物体分离方法，包括：步骤S100获取待检测物体的图像；步骤S200将获取的所述待检测物体的图像转换成点云数据；步骤S300将转换后的所述点云数据进行数据聚类处理；步骤S400根据聚类处理后的所述点云数据分离出地面物体所处的位置状态。本发明的主要目的在于提供一种图像信息中的物体分离方法及装置及系统，皆在解决现有技术中机器人避障时候雷达或传感器的障碍识别范围局限于传感器所在平面，当障碍物高度低于雷达或者传感器所在平面时无法有效识别的问题。

Description

一种图像信息中的物体分离方法及装置及系统
技术领域
本发明涉及搬运机器人控制系统，尤指一种图像信息中的物体分离方法及装置及系统。
背景技术
移动机器人(Robot)是自动执行工作的机器装置。它既可以接受人类指挥，又可以运行预先编排的程序，也可以根据以人工智能技术制定的原则纲领行动。它的任务是协助或取代人类工作的工作，例如生产业、建筑业，或是危险的工作
当移动机器人在进行作业过程中，依靠激光雷达所扫描到的水平平面点云用以生成平面地图，从而识别外界的障碍物信息进行避障。但是一般激光雷达扫描范围只能局限于它所在的平面，这就容易导致如有障碍物突然进入到机器人的行进路径中，而且障碍物的高度低于激光雷达所扫描的高度，使得机器人无法识别障碍物，从而会有相撞的可能。
基于以上存在的问题，本申请提供了解决以上技术问题的技术方案。
发明内容
本发明的主要目的在于提供一种图像信息中的物体分离方法及装置及系统，解决了现有技术中机器人避障时候雷达或传感器的障碍识别范围局限于传感器所在平面，当障碍物高度低于雷达或者传感器所在平面时无法有效识别的问题。
本发明提供的技术方案如下：
一种图像信息中的物体分离方法，包括：步骤S100获取待检测物体的图像；步骤S200将获取的所述待检测物体的图像转换成点云数据；步骤S300将转换后的所述点云数据进行数据聚类处理；步骤S400根据聚类处理后的所述点云数据分离出地面物体所处的位置状态。
进一步，所述步骤S200包括：步骤S210将世界坐标系的原点设置成为摄像装置中所述待检测物体的图像坐标系的原点坐标；步骤S220根据所述世界坐标系的原点坐标获取所述待检测物体的图像中的世界坐标点；步骤S230根据所述待检测物体与摄像装置的距离信息通用预设第一算法，将所述待检测物体的图像中的世界坐标点对应映射成图片坐标点；所述图片坐标点为所述点云数据。
进一步，所述预设第一算法的数学模型包括：
--预设常数，--预设常数，zc--所述待检测物体与摄像装置的距离信息；(u0，v0)--图像的中心坐标；M(xw，yw，zw)--世界坐标系下三维坐标；且zc＝zw；(u，v)--三维所述点云数据。
进一步，所述步骤S300包括：步骤S310将所述点云数据根据设定的特征值分割成多个子数据块；步骤S320建立并获取多个所述子数据块之间的邻接关系；步骤S330根据所述子数据块之间的邻接关系获取聚类后的所述点云数据。
进一步，所述点云数据聚类处理的数学模型包括：
Dc--颜色上的差异，Dn--表示法线上的差异；Ds--点距离的差异；wn-- 法线权重；D--粒子。
一种图像信息中的物体分离装置，可应用以上所述物体分离方法，包括：图像获取模块，通过摄像装置获取待检测物体的图像；点云数据转换模块，将所述图像获取模块获取的所述待检测物体的图像转换成点云数据；聚类处理模块，将所述点云数据转换模块转换后的所述点云数据进行数据聚类处理；物体分类处理模块，根据所述聚类处理模块聚类处理后的所述点云数据分离出地面物体所处的位置状态。
进一步，所述云数据转换模块包括：原点坐标设置子模块，将世界坐标系的原点设置成为摄像装置中所述待检测物体的图像坐标系的原点坐标；世界坐标点获取子模块，根据所述世界坐标系的原点坐标获取所述待检测物体的图像中的世界坐标点；图片坐标点映射子模块，根据所述待检测物体与摄像装置的距离信息通用预设第一算法，将所述待检测物体的图像中的世界坐标点对应映射成图片坐标点；所述图片坐标点为所述点云数据。
进一步，所述预设第一算法的数学模型包括：
--预设常数，--预设常数，zc--所述待检测物体与摄像装置的距离信息；(u0，v0)--图像的中心坐标；M(uw，vw，zw)--世界坐标系下三维坐标；且zc＝zw；(u，v)--三维所述点云数据。
进一步，所述聚类处理模块包括：子数据块分割模块，将所述点云数据根据设定的特征值分割成多个子数据块；邻接关系建立子模块，建立并获取多个所述子数据块之间的邻接关系，根据所述子数据块之间的邻接关系获取聚类后的所述点云数据。
一种机器人，包括：摄像装置，以及设置在所述机器人内的中央处理器；所述摄像装置，用于获取待检测物体的图像；所述中央处理器用于存储所述待检测物体的图像，以及计算机可读指令；当所述中央处理器读取所述计算机可读指令时，使得所述中央处理器执行上述任一项所述方法；指令S100获取待检测物体的图片；指令S200将获取的所述待检测物体的图像转换成点云数据；指令S300将转换后的所述点云数据进行数据聚类处理；指令S400根据聚类处理后的所述点云数据分离出地面物体所处的位置状态。
本发明提供的一种图像信息中的物体分离方法及装置及系统，能够带来以下至少一种有益效果：
在本发明中，通过对将深景图像信息进行点云处理，有序的聚类分析，即将图像中的三维坐标转换为二维坐标，因此可实现图像中的物体分离出地面与地面上的物体，有效的提高了当障碍物的高度低于激光雷达所扫描的高度时，机器人在激光雷达盲区时的避障能力。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对种图像信息中的物体分离方法及装置及系统的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明一种图像信息中的物体分离方法的一个实施例；
图2是本发明一种图像信息中的物体分离方法的另一个实施例；
图3是本发明一种图像信息中的物体分离方法的另一个实施例；
图4是本发明一种图像信息中的物体分离方法的另一个实施例；
图5是本发明一种图像信息中的物体分离系统的一个实施例。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。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，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
本发明提供了一种图像信息中的物体分离方法的一个实施例，参考图1所示；包括：步骤S100获取待检测物体的图像；步骤S200将获取的所述待检测物体的图像转换成点云数据；步骤S300将转换后的所述点云数据进行数据聚类处理；步骤S400根据聚类处理后的所述点云数据分离出地面物体所处的位置状态。
具体的，通过机器人上设置的摄像头拍摄在行进路线上地面上物体信息，有些物体由于距离以及方位的原因检测不到，为达到路线的有效避障，其拍摄的图像为深景模式，并将神经模式的图像转换成点云数据，点云数据(point cloud data)是指扫描资料以点的形式记录，每一个点包含有三维坐标，有些可能含有颜色信息(RGB)或反射强度信息(Intensity)。因此，本实施例根据颜色以及三维坐标信息将图像的点云数据进行聚类处理；将三维坐标转换为二维坐标，并将图像中的物体分离出地面与地面上的物体。
在本发明中，通过对将深景图像信息进行点云处理，有序的聚类分析，即将图像中的三维坐标转换为二维坐标，因此可实现图像中的物体分离出地面与地面上的物体，有效的提高了当障碍物的高度低于激光雷达所扫描的高度时，机器人在激光雷达盲区时的避障能力。
在以上实施例的基础上，又提供了一个实施例；参考图2所示；步骤S100 获取待检测物体的图像；步骤S200将获取的所述待检测物体的图像转换成点云数据；步骤S210将世界坐标系的原点设置成为摄像装置中所述待检测物体的图像坐标系的原点坐标；步骤S220根据所述世界坐标系的原点坐标获取所述待检测物体的图像中的世界坐标点；步骤S230根据所述待检测物体与摄像装置的距离信息通用预设第一算法，将所述待检测物体的图像中的世界坐标点对应映射成图片坐标点；所述图片坐标点为所述点云数据。步骤S300将转换后的所述点云数据进行数据聚类处理；步骤S400根据聚类处理后的所述点云数据分离出地面物体所处的位置状态。
具体的，世界坐标系是系统的绝对坐标系，在没有建立用户坐标系之前画面上所有点的坐标都是以该坐标系的原点来确定各自的位置的。假设通过机器人上安装的摄像头进行深景拍摄时，将拍摄的待检测物体的图像中的原点坐标系与世界坐标原点重合；由于世界坐标原点和摄像头原点是重合的，即没有旋转和平移，R为外参矩阵的3×3旋转矩阵、T为3×1平移矩阵。因此设置--预设常数，--预设常数，世界坐标点M(xw，yw，zw)--世界坐标系下三维坐标映射到图像点m(u，v)--三维所述点云数据的过程；也即深度图转换成点云数据通过表达式(1)如下：
将R、T带入的得到表达式(2)；
其中u，v为图像坐标系下的任意坐标点；u0，v0--图像的中心坐标；uw，vw，zw表示世界坐标系下的三维坐标点，zc表示摄像装置坐标的z轴值，即为所述待检测物体与摄像装置的距离信息；由于世界坐标原点和摄像装置原点是重合的，即没有旋转和平移，摄像装置坐标系和世界坐标系的坐标原点重合，因此摄像装置坐标和世界坐标下的同一个物体具有相同的深度，即zc＝zw；得到表达式 (3)为到图像点[u，v]T[u，v]^T到世界坐标点[xw，yw，zw]T的交换公式。
在以上实施例的基础上，有提供了一个实施例；参考图3和图4所示；步骤S100获取待检测物体的图像；步骤S200将获取的所述待检测物体的图像转换成点云数据；步骤S300将转换后的所述点云数据进行数据聚类处理；所述步骤S300包括：步骤S310将所述点云数据根据设定的特征值分割成多个子数据块；步骤S320建立并获取多个所述子数据块之间的邻接关系；步骤S330根据所述子数据块之间的邻接关系获取聚类后的所述点云数据；步骤S400根据聚类处理后的所述点云数据分离出地面物体所处的位置状态。
具体的，将获取到的点云数据聚类；将获取到的点云数据集[u，v]T使用基于八叉树算法，把点云分割成子数据块，获得不同子数据块之间的邻接关系。使用区域生长，首先需要规律的布置区域生长“核”，核在空间中实际上是均匀分布的，指定核距离、粒子距离、最小粒子，过小的粒子需要融入最近的大粒子。因此需要控制过程，则可以将整个空间划分开了，本质就是不断吸纳类似的粒子。即数学表达为(4)：
Dc--颜色上的差异，Dn--表示法线上的差异；Ds--点距离的差异；wn-- 法线权重；D--新的粒子；Rseed-粒子。
Dc是通过深度摄像头提供的RGB信息获得；D得出的是一个数值，当其结果最小时就认为是下一个新的粒子；通过以上的过程完成点云数据的聚类，进而根据以上在实施例中的计算出的图像坐标系上某个点相对应与世界坐标系上某个点的真实距离，将聚类后的点云数据分割；点云完成聚类之后，对于过分割的点云需要计算不同的块之间凹凸关系；通过凹凸关系判断物体所处的位置关系；凹凸关系通过CC和SC判据来进行判断。其中CC利用相邻两片中心连线向量与法向量夹角来判断两片是凹是凸。其中，SC用于判断相邻两面是否真正联通，是否存在单独面，与θ角有关，θ角越大，则两面真的形成凸关系的可能性就越大；显然，参见图3所示，如果图中α1＞α2则为凹，反之α1＜α2则为凸。
另外，CCe由于测量噪声等因素，需要在实际使用过程中引入门限值来滤出较小的凹凸误判。此外，为去除一些小噪声引起的误判，还需要引入验证，如果某块和相邻两块都相交，则其凹凸关系必相同。CC判据最终如CCe：
相邻两面中，有一个面是单独的，需要引入SC判据，来对此进行区分。相邻两面θ角越大，两面形成凸关系的可能性就越大。设计SC判据：
其中S(向量)为两平面法向量的叉积。
两相邻面之间凸边判据为：在滤去多余噪声后既获得点云分割结果，之后分离出地面与地面上物体。
一种图像信息中的物体分离装置的一个实施例，参考图5所示；可应用上述所述物体分离方法的实施例，包括：图像获取模块100，通过摄像装置获取待检测物体的图像；点云数据转换模块200，将所述图像获取模块获取的所述待检测物体的图像转换成点云数据；聚类处理模块300，将所述点云数据转换模块转换后的所述点云数据进行数据聚类处理；物体分类处理模块400，根据所述聚类处理模块聚类处理后的所述点云数据分离出地面物体所处的位置状态。
优选的，所述云数据转换模块包括：原点坐标设置子模块，将世界坐标系的原点设置成为摄像装置中所述待检测物体的图像坐标系的原点坐标；世界坐标点获取子模块，根据所述世界坐标系的原点坐标获取所述待检测物体的图像中的世界坐标点；图片坐标点映射子模块，根据所述待检测物体与摄像装置的距离信息通用预设第一算法，将所述待检测物体的图像中的世界坐标点对应映射成图片坐标点；所述图片坐标点为所述点云数据。
优选的，所述预设第一算法的数学模型包括：
--预设常数，--预设常数，zc--所述待检测物体与摄像装置的距离信息；(u0，v0)--图像的中心坐标；M(uw，vw，zw)--世界坐标系下三维坐标；且zc＝zw；(u，v)--三维所述点云数据。
优选的，所述聚类处理模块包括：子数据块分割模块，将所述点云数据根据设定的特征值分割成多个子数据块；邻接关系建立子模块，建立并获取多个所述子数据块之间的邻接关系，根据所述子数据块之间的邻接关系获取聚类后的所述点云数据。
本发明还提供一种机器人的一个实施例，参考图1-4所示；包括：摄像装置，以及设置在所述机器人内的中央处理器；所述摄像装置，用于获取待检测物体的图像；所述中央处理器用于存储所述待检测物体的图像，以及计算机可读指令；当所述中央处理器读取所述计算机可读指令时，使得所述中央处理器执行以上所述方法的实施例；指令S100获取待检测物体的图片；指令S200将获取的所述待检测物体的图像转换成点云数据；指令S300将转换后的所述点云数据进行数据聚类处理；指令S400根据聚类处理后的所述点云数据分离出地面物体所处的位置状态。
在本发明中，如果以软件功能单元的形式实现并作为独立的产品销售或者使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术的贡献的部分或者该技术方案的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可是个人计算机，服务器，或者网络设备)，或者处理器执行本申请个实施例所述方法的全部或部分步骤。而前述的存储价值包数据服务器，云端服务器，只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动通信设备，或者光盘、或者U盘等各种可以存储代码的介质。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种图像信息中的物体分离方法，其特征在于，包括：
步骤S100获取待检测物体的图像；
步骤S200将获取的所述待检测物体的图像转换成点云数据；
步骤S300将转换后的所述点云数据进行数据聚类处理；
步骤S400根据聚类处理后的所述点云数据分离出地面物体所处的位置状态。
2.根据权利要求1所述的一种图像信息中的物体分离方法，其特征在于，所述步骤S200包括：
步骤S210将世界坐标系的原点设置成为摄像装置中所述待检测物体的图像坐标系的原点坐标；
步骤S220根据所述世界坐标系的原点坐标获取所述待检测物体的图像中的世界坐标点；
步骤S230根据所述待检测物体与摄像装置的距离信息通用预设第一算法，将所述待检测物体的图像中的世界坐标点对应映射成图片坐标点；所述图片坐标点为所述点云数据。
3.根据权利要求2所述一种图像信息中的物体分离方法，其特征在于，所述预设第一算法的数学模型包括：
--预设常数，--预设常数，zc--所述待检测物体与摄像装置的距离信息；(u0，v0)--图像的中心坐标；M(xw，yw，zw)--世界坐标系下三维坐标；且zc＝zw；(u，v)--三维所述点云数据。
4.根据权利要求2所述的一种图像信息中的物体分离方法，其特征在于，所述步骤S300包括：
步骤S310将所述点云数据根据设定的特征值分割成多个子数据块；
步骤S320建立并获取多个所述子数据块之间的邻接关系；
步骤S330根据所述子数据块之间的邻接关系获取聚类后的所述点云数据。
5.根据权利要求4所述的一种图像信息中的物体分离方法，其特征在于，所述点云数据聚类处理的数学模型包括：
Dc--颜色上的差异，Dn--表示法线上的差异；Ds--点距离的差异；wn--法线权重；D--新的粒子；Rseed--粒子。
6.一种图像信息中的物体分离装置，其特征在于，可应用权利要求1-5任一所述物体分离方法，包括：
图像获取模块，通过摄像装置获取待检测物体的图像；
点云数据转换模块，将所述图像获取模块获取的所述待检测物体的图像转换成点云数据；
聚类处理模块，将所述点云数据转换模块转换后的所述点云数据进行数据聚类处理；
物体分类处理模块，根据所述聚类处理模块聚类处理后的所述点云数据分离出地面物体所处的位置状态。
7.根据权利要求6所述的图像信息中的物体分离装置，其特征在于，所述云数据转换模块包括：
原点坐标设置子模块，将世界坐标系的原点设置成为摄像装置中所述待检测物体的图像坐标系的原点坐标；
世界坐标点获取子模块，根据所述世界坐标系的原点坐标获取所述待检测物体的图像中的世界坐标点；
图片坐标点映射子模块，根据所述待检测物体与摄像装置的距离信息通用预设第一算法，将所述待检测物体的图像中的世界坐标点对应映射成图片坐标点；所述图片坐标点为所述点云数据。
8.根据权利要求7所述的图像信息中的物体分离装置，其特征在于，所述预设第一算法的数学模型包括：
-预设常数，预设常数，zc--所述待检测物体与摄像装置的距离信息；(u0,v0)--图像的中心坐标；M(uw,vw,zw)--世界坐标系下三维坐标；且zc＝zw；(u,v)--三维所述点云数据。
9.根据权利要求7所述的图像信息中的物体分离装置，其特征在于，所述聚类处理模块包括：
子数据块分割模块，将所述点云数据根据设定的特征值分割成多个子数据块；
邻接关系建立子模块，建立并获取多个所述子数据块之间的邻接关系，根据所述子数据块之间的邻接关系获取聚类后的所述点云数据。
10.一种机器人，其特征在于，包括：摄像装置，以及设置在所述机器人内的中央处理器；
所述摄像装置，用于获取待检测物体的图像；
所述中央处理器用于存储所述待检测物体的图像，以及计算机可读指令；
当所述中央处理器读取所述计算机可读指令时，使得所述中央处理器执行如权利要求1-5任一项所述方法；
指令S100获取待检测物体的图片；
指令S200将获取的所述待检测物体的图像转换成点云数据；
指令S300将转换后的所述点云数据进行数据聚类处理；
指令S400根据聚类处理后的所述点云数据分离出地面物体所处的位置状态。
CN201711499446.3A 2017-12-29 2017-12-29 一种图像信息中的物体分离方法及装置及系统 Withdrawn CN108257173A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711499446.3A CN108257173A (zh) 2017-12-29 2017-12-29 一种图像信息中的物体分离方法及装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711499446.3A CN108257173A (zh) 2017-12-29 2017-12-29 一种图像信息中的物体分离方法及装置及系统

Publications (1)

Publication Number Publication Date
CN108257173A true CN108257173A (zh) 2018-07-06

Family

ID=62724683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711499446.3A Withdrawn CN108257173A (zh) 2017-12-29 2017-12-29 一种图像信息中的物体分离方法及装置及系统

Country Status (1)

Country Link
CN (1) CN108257173A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109144072A (zh) * 2018-09-30 2019-01-04 亿嘉和科技股份有限公司 一种基于三维激光的机器人智能避障方法
CN109257543A (zh) * 2018-11-29 2019-01-22 维沃移动通信有限公司 拍摄模式控制方法及移动终端
CN109859208A (zh) * 2019-01-03 2019-06-07 北京化工大学 基于凹凸性和rsd特征的场景分割与目标建模方法
CN110503040A (zh) * 2019-08-23 2019-11-26 斯坦德机器人（深圳）有限公司 障碍物检测方法及装置
CN111308448A (zh) * 2018-12-10 2020-06-19 杭州海康威视数字技术股份有限公司 图像采集设备与雷达的外参确定方法及装置
WO2020206671A1 (zh) * 2019-04-09 2020-10-15 北京大学深圳研究生院 一种基于属性的点云条带划分方法
CN111796299A (zh) * 2020-06-10 2020-10-20 东风汽车集团有限公司 一种障碍物的感知方法、感知装置和无人驾驶清扫车
CN113156933A (zh) * 2020-12-30 2021-07-23 徐宁 一种机器人行进控制系统和方法
CN113925742A (zh) * 2021-10-20 2022-01-14 南通大学 一种目标驱动式的上肢外骨骼康复机器人的控制方法及其控制系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106052674A (zh) * 2016-05-20 2016-10-26 青岛克路德机器人有限公司 一种室内机器人的slam方法和系统
CN107247960A (zh) * 2017-05-08 2017-10-13 深圳市速腾聚创科技有限公司 图像提取分类区域的方法、物体识别方法及汽车

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106052674A (zh) * 2016-05-20 2016-10-26 青岛克路德机器人有限公司 一种室内机器人的slam方法和系统
CN107247960A (zh) * 2017-05-08 2017-10-13 深圳市速腾聚创科技有限公司 图像提取分类区域的方法、物体识别方法及汽车

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JEREMIE PAPON等: "Voxel Cloud Connectivity Segmentation – Supervoxels for Point CIouds", 《COMPUTER VISION AND PATTERN RECOGNITION》 *
SIMON CHRISTOPH STEIN等: "Object Partitioning Using Local Convexity", 《2014 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
刘明国: "面向机器人导航的立体视觉及目标检测技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109144072A (zh) * 2018-09-30 2019-01-04 亿嘉和科技股份有限公司 一种基于三维激光的机器人智能避障方法
CN109257543A (zh) * 2018-11-29 2019-01-22 维沃移动通信有限公司 拍摄模式控制方法及移动终端
CN111308448A (zh) * 2018-12-10 2020-06-19 杭州海康威视数字技术股份有限公司 图像采集设备与雷达的外参确定方法及装置
CN109859208A (zh) * 2019-01-03 2019-06-07 北京化工大学 基于凹凸性和rsd特征的场景分割与目标建模方法
WO2020206671A1 (zh) * 2019-04-09 2020-10-15 北京大学深圳研究生院 一种基于属性的点云条带划分方法
CN110503040A (zh) * 2019-08-23 2019-11-26 斯坦德机器人（深圳）有限公司 障碍物检测方法及装置
CN111796299A (zh) * 2020-06-10 2020-10-20 东风汽车集团有限公司 一种障碍物的感知方法、感知装置和无人驾驶清扫车
CN113156933A (zh) * 2020-12-30 2021-07-23 徐宁 一种机器人行进控制系统和方法
CN113925742A (zh) * 2021-10-20 2022-01-14 南通大学 一种目标驱动式的上肢外骨骼康复机器人的控制方法及其控制系统

Similar Documents

Publication Publication Date Title
CN108257173A (zh) 一种图像信息中的物体分离方法及装置及系统
Ge et al. Fruit localization and environment perception for strawberry harvesting robots
US9630320B1 (en) Detection and reconstruction of an environment to facilitate robotic interaction with the environment
CN107179768B (zh) 一种障碍物识别方法及装置
US11880208B2 (en) Method for drivable area detection and autonomous obstacle avoidance of unmanned haulage equipment in deep confined spaces
CN108509820B (zh) 障碍物分割方法及装置、计算机设备及可读介质
CN108363065A (zh) 物体检测系统
CN107908185A (zh) 一种机器人自主全局重定位方法及机器人
CN113031005B (zh) 基于激光雷达的吊车动态障碍物识别方法
CN110674705A (zh) 基于多线激光雷达的小型障碍物检测方法及装置
CN109584294A (zh) 一种基于激光点云的路面点云提取方法和装置
CN107918953B (zh) 基于三维空间的激光扫描电力线点云的提取方法及装置
CN109074490A (zh) 通路检测方法、相关装置及计算机可读存储介质
CN108919295A (zh) 机载LiDAR点云道路信息提取方法及装置
CN112182917B (zh) 基于多目标优化的摄像设备布控优化方法、系统、设备及存储介质
CN115205690B (zh) 基于mls点云数据的行道树单体化提取方法及装置
CN110378942A (zh) 基于双目相机的障碍物标识方法、系统、设备和存储介质
CN113920134A (zh) 一种基于多线激光雷达的斜坡地面点云分割方法及系统
CN113640826A (zh) 一种基于3d激光点云的障碍物识别方法及系统
CN107133967A (zh) 提取目标图像的方法及装置
CN111046846A (zh) 一种机器人前方障碍通过性判断的方法
CN111340834A (zh) 基于激光雷达和双目相机数据融合的衬板装配系统及方法
CN114519712A (zh) 一种点云数据处理方法、装置、终端设备及存储介质
CN117021059B (zh) 采摘机器人及其果实定位方法、装置、电子设备及介质
TW202017784A (zh) 基於光學雷達之汽車偵測方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20180706

WW01 Invention patent application withdrawn after publication