CN110084825A - 一种基于图像边缘信息导航的方法及系统 - Google Patents
一种基于图像边缘信息导航的方法及系统 Download PDFInfo
- Publication number
- CN110084825A CN110084825A CN201910305574.2A CN201910305574A CN110084825A CN 110084825 A CN110084825 A CN 110084825A CN 201910305574 A CN201910305574 A CN 201910305574A CN 110084825 A CN110084825 A CN 110084825A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- mobile device
- target image
- information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012916 structural analysis Methods 0.000 claims abstract description 11
- 239000000284 extract Substances 0.000 claims abstract description 8
- 230000033001 locomotion Effects 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 11
- 230000001629 suppression Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000004888 barrier function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请的目的是提供一种基于图像边缘信息导航的系统的方法及系统，本申请通过确定目标图像，提取所述目标图像的图像边缘信息；通过图像拓扑结构分析所述图像边缘信息，以获得移动设备行走轨迹；根据所述移动设备行走轨迹进行所述移动设备的导航。从而无需额外成本进行物理轨道辅助和改变物理环境，能够快捷地生成更加多样化和灵活的机器人运行轨迹。
Description
技术领域
本申请涉及机器人领域，尤其涉及一种基于图像边缘信息导航的方法及系统。
背景技术
随着计算机技术、微电子技术、网络技术等快速的发展，机器人技术也得到了飞速发展，除了工业机器人水平不断提高之外，各种用于服务行业的先进机器人系统也有了长足的发展，各类移动服务机器人越来越普及，特别是家庭服务类和商场导购类机器人，例如扫地机器人、拖地机器人，给人们的生活带来了极大的方便。在移动机器人领域，现有移动机器人进行导航主要有以下两种方式：
固定的物理轨道，例如利用磁条导航的AGV、送餐机器人和城市的有轨电车等，其所允许的运行路径完全沿预设的轨道运动，遇到障碍物只能暂停等待，无法对路径上的障碍物进行避绕，需要铺设轨道，成本高，路径完全固定，使用场景单一固定。
全局路径搜索，例如行车地图导航、部分服务机器人导航等，用户只需要输入起点和终点，它就能依据预先存储的地图信息规划出不同代价评估的参考路径。但这种全局搜路的方式，依据设计好的评估模型，关注的是目标点，不关心中心环节，无法满足用户对导航轨迹中间路段的期望。
发明内容
本申请的一个目的是提供一种基于图像边缘信息导航方法及系统，解决现有技术中机器人路径固定，使用场景单一以及无法满足用户对导航轨迹中间路段的期望的问题。
根据本申请一个方面，提供了一种基于图像边缘信息导航的方法，所述方法包括：
确定目标图像，提取所述目标图像的图像边缘信息；
通过图像拓扑结构分析所述图像边缘信息，以获得移动设备行走轨迹；
根据所述移动设备行走轨迹进行所述移动设备的导航。
进一步地，所述提取所述目标图像的图像边缘信息包括：
利用高斯滤波器消除图像的噪声，得到目标图像；
确定所述目标图像中每个像素点的梯度强度和方向；
利用非极大值抑制对所述目标图像中的每个像素点进行处理，以提取到所述目标图像的图像边缘信息。
进一步地，确定所述目标图像中每个像素点的梯度强度和方向包括：
计算所述目标图像在水平和垂直方向的差分，得到水平差分和垂直差分；
根据所述水平差分和垂直差分计算所述目标图像中每个像素点的梯度的模和方向。
进一步地，利用非极大值抑制对所述目标图像中的每个像素点进行处理包括：
将所述目标图像中的每一像素点与正负梯度方向上的两个像素点分别进行比较；
根据比较结果判断每一像素点是否被抑制；
根据第一预设阈值及每一像素点的像素值判断各像素点是否被抑制；
根据第二预设阈值筛选出目标像素点，判断所述目标像素点的预设联通邻域内的像素点中是否存在至少一个像素点的像素值大于所述目标像素点的像素值，根据判断结果确定所述目标像素点是否被抑制。
进一步地，通过图像拓扑结构分析所述图像边缘信息包括：
按照预设遍历方向遍历所述目标图像，根据遍历到的当前像素的灰度值确定所述当前像素的类型，其中，所述类型包括外轮廓点和内轮廓点；
根据遍历过程中最新保存的点轮廓的类型及边界值确定当前点轮廓的类型和边界值；
根据目标像素点的预设联通邻域进行遍历所述邻域，以确定所述领域内像素对应点轮廓的类型和边界值；
根据遍历过程中确定的点轮廓的类型和边界值确定所述图像边缘信息。
进一步地，根据遍历过程中确定的点轮廓的类型和边界值确定所述图像边缘信息，包括：
将遍历过程中确定的具有相同点轮廓的边界值对应的像素存储在二维向量中；
当遍历结束后，从所述二维向量中获取所述图像的多个边缘轮廓信息。
根据本申请又一个方面，提供了一种基于图像边缘信息导航的系统，所述系统包括：
客户端设备、定位模块、算法模块和决策模块，
其中，所述定位模块用于构建环境地图以及根据所述环境地图对移动设备进行定位；
所述算法模块用于提取确定目标图像，提取所述目标图像的图像边缘信息，并通过图像拓扑结构分析所述图像边缘信息，以获得所述移动设备行走轨迹；
所述决策模块用于根据所述移动设备行走轨迹控制所述移动设备的运动；
所述客户端设备用于显示所述移动设备的行走轨迹、所述环境地图以及所述移动设备的位置信息。
进一步地，所述算法模块用于通过图像拓扑结构分析所述图像边缘信息，获得所述目标图像的每个边缘线段的位置，在所述边缘线段之间插入中间目标点，生成所述移动设备行走轨迹。
进一步地，所述决策模块用于根据所述移动设备行走轨迹及所述移动设备当前位置判断目标路径上是否存在障碍物，若否，则根据所述移动设备所在的环境信息、定位信息以及移动设备运动模型确定可达路径，根据所述可达路径控制所述移动设备的运动。
根据本申请另一个方面，还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述所述的方法。
与现有技术相比，本申请通过确定目标图像，提取所述目标图像的图像边缘信息；通过图像拓扑结构分析所述图像边缘信息，以获得移动设备行走轨迹；根据所述移动设备行走轨迹进行所述移动设备的导航。从而无需额外成本进行物理轨道辅助和改变物理环境，能够快捷地生成更加多样化和灵活的机器人运行轨迹。
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示出根据本申请一个方面提供的一种基于图像边缘信息导航的方法流程示意图；
图2示出本申请一实施例中目标图像的概念示意图；
图3示出本申请一实施例中点轮廓的类型之间的规则示意图；
图4示出本申请一实施例中对目标图像进行边缘信息提取后的运行效果示意图；
图5示出根据本申请又一个方面提供的一种基于图像边缘信息导航的系统结构示意图；
图6示出本申请一实施例中系统中各部分的交互示意图。
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。
图1示出根据本申请一个方面提供的一种基于图像边缘信息导航的方法流程示意图，所述方法包括：步骤S11～步骤S13，其中，在步骤S11中，确定目标图像，提取所述目标图像的图像边缘信息；在此，用户端设定、增添、删除及编辑图像信息，将图像进行处理，处理后的图像作为目标图像，利用提取算法提取到目标图像的边缘信息；在步骤S12中，通过图像拓扑结构分析所述图像边缘信息，以获得移动设备行走轨迹；在此，检测目标图像的拓扑结构，进行分析，获得二进制图像的边缘的轮廓信息，进而获得移动设备的行走轨迹，其中，移动设备可以为移动机器人。最后，在步骤S13中，根据所述移动设备行走轨迹进行所述移动设备的导航。从而根据获得的移动机器人的行走轨迹控制移动机器人的运动，完成执行任务的导航。通过本申请所述基于图像边缘信息进行导航的方法，无需额外成本进行物理轨道辅助和改变物理环境，能够快捷地生成更加多样化和灵活的机器人运行轨迹。
在本申请一实施例中，在步骤S11中，利用高斯滤波器消除图像的噪声，得到目标图像；确定所述目标图像中每个像素点的梯度强度和方向；利用非极大值抑制对所述目标图像中的每个像素点进行处理，以提取到所述目标图像的图像边缘信息。在此，目标图像为图像P，利用高斯滤波器H消除图像P噪声，得到新的图像P’，图像P’为目标图像。具体地，利用H对图像P做平滑处理，以得到新的图像P’，平滑处理过程可为：P’＝H*P。随后，计算图像P’中每个像素点的梯度强度和方向，梯度强度为梯度的模，方向包括正梯度方向和负梯度方向。最后，利用非极大值抑制对产生的图像P’进行精细化处理，以获得更加准确的边缘信息。
在本申请一优选实施例中，确定所述目标图像中每个像素点的梯度强度和方向时，可以计算所述目标图像在水平和垂直方向的差分，得到水平差分和垂直差分；根据所述水平差分和垂直差分计算所述目标图像中每个像素点的梯度的模和方向。在此，在步骤1)中，利用索贝尔(Sobel)算法计算图像P’在水平和垂直方向的差分Gx和Gy，如下：
随后在步骤2)中可以计算出P’中每个像素点梯度的模G和方向θ：
继续接上述实施例，利用非极大值抑制对步骤2)中的图像P’进行精细化处理：将所述目标图像中的每一像素点与正负梯度方向上的两个像素点分别进行比较；根据比较结果判断每一像素点是否被抑制；根据第一预设阈值及每一像素点的像素值判断各像素点是否被抑制；根据第二预设阈值筛选出目标像素点，判断所述目标像素点的预设联通邻域内的像素点中是否存在至少一个像素点的像素值大于所述目标像素点的像素值，根据判断结果确定所述目标像素点是否被抑制。
具体地：步骤S110，将P’中的每个像素和正负梯度方向上面的两个像素相互比较；步骤S111，若当前像素的梯度强度比另外两个像素的梯度强度均大，则该当前像素点的信息保留；否则，该当前像素点将被抑制；步骤S112，检查图像P’中每个像素，若像素值高于阈值th1，像素保持不变，若否，则像素被抑制；步骤S113，筛选出图像P’像素值小于阈值th2的像素p1，检查p1的预设联通邻域内的像素，预设联通邻域可为8联通邻域，如果该邻域内有像素值大于p1，该像素被认为是边缘信息；否则认为是假的边缘信息，该像素被抑制。
在本申请一实施例中，在步骤S12中，按照预设遍历方向遍历所述目标图像，根据遍历到的当前像素的灰度值确定所述当前像素的类型，其中，所述类型包括外轮廓点和内轮廓点；根据遍历过程中最新保存的点轮廓的类型及边界值确定当前点轮廓的类型和边界值；根据目标像素点的预设联通邻域进行遍历所述邻域，以确定所述领域内像素对应点轮廓的类型和边界值；根据遍历过程中确定的点轮廓的类型和边界值确定所述图像边缘信息。在此，预设遍历方向比如可以为从图像背景的左上方开始，确定每个像素点的点轮廓的类型，即像素对应的点轮廓是内轮廓还是外轮廓，以及对应的边界值，从而确定每个边缘线段的信息，如位置信息。进一步地，根据遍历过程中确定的点轮廓的类型和边界值确定所述图像边缘信息，可以将遍历过程中确定的具有相同点轮廓的边界值对应的像素存储在二维向量中；当遍历结束后，从所述二维向量中获取所述图像的多个边缘轮廓信息。通过对图像拓扑结构分析获得二进制图像的边缘的轮廓，进而根据二进制图像的边缘的轮廓生成机器人运动轨迹。
具体地，如图2所示目标图像的概念示意图，包括图像框架A、图像背景B、外轮廓C以及内轮廓D，其中，图像框架A为图像P’中某些行某些列构成，比如由最后一行、第一列和最后一列构成的框架，图像背景B是除了框架以外的像素灰度为0点组成的区域，外轮廓C为灰度值为1的最外部的白点组成的，内轮廓D为灰度值为1的最内部的白点组成的。首先，在步骤S120中，可以设定图像P’框架的边界值LNBD为1，步骤S121：从图像P’的背景开始从左上方开始遍历该图像，判断当前像素I(i,j)的灰度值，如果I的灰度值为1，且它的左侧像素灰度值为0，则令I1＝I，且I2为I左侧的像素I2(i,j-1)，并认为该点是个外轮廓点，同时LNBD＝LNBD+1；如果像素I≥1，并且它的右侧像素灰度值为0，则令I1＝1，且I2为I右侧的像素I2(i,j+1)，该点为内轮廓点；若为其他情况则直接跳到最后一步S129。步骤S122：在遍历图像过程中，会保存最近找到的点轮廓B’的类型以及LNBD，类型包括内轮廓和外轮廓。在此B’为当前点的轮廓B的父轮廓或B’与B共享相同的父轮廓。可以根据B的类型和B’的类型确定B的父轮廓的LNBD，其规则如图3所示。步骤S123：从点I开始，在它的8邻域内以I2为起点顺时针遍历该邻域，若寻找第一个像素灰度不为0，令I1为该像素；若不存在像素值为0，则令其中心点I＝-LNBD，跳到最后一步S129。步骤S124：若I1存在，则令I2＝I1，I3＝I。步骤S125：从I3开始，以I2为起点，逆时针遍历它的8邻域，寻找第一个除I2外像素值不为0的点，令其为I4。步骤S126：若I3的右边像素点为0，令I3的像素灰度值为-LNBD，若I3右边的像素值不为0，且I3的像素灰度值为1，令I3的像素灰度值为LNBD，若为其他情况，则该值保持不变。步骤S127：若I4＝1且I3＝I1，则跳转到最后一步S129；否则，令I2＝I3＝，I3＝I4，并跳转到步骤S125。步骤S128：回到最初开始的点I，若I的灰度值不为1，LNBD＝1的灰度值；开始遍历I右边的像素值，跳转到步骤S122；当遍历到图像左下角的最后一个像素时，跳转到步骤S129。步骤S129：从左上角遍历图像，将图像中具有相同LNBD的像素存储在二维向量V中，当遍历到图像右下角最后一个像素时，获取图像的多个边缘轮廓信息。使用上述方法获得导航轨迹，如图4所示的运行效果示意图，对原始图像信息进行上述方法的处理，获得导航轨迹。
图5示出根据本申请又一个方面提供的一种基于图像边缘信息导航的系统结构示意图，所述系统包括：客户端设备11、定位模块12、算法模块13和决策模块14，其中，所述定位模块12用于构建环境地图以及根据所述环境地图对移动设备进行定位；所述算法模块13用于提取确定目标图像，提取所述目标图像的图像边缘信息，并通过图像拓扑结构分析所述图像边缘信息，以获得所述移动设备行走轨迹；所述决策模块14用于根据所述移动设备行走轨迹控制所述移动设备的运动；所述客户端设备11用于显示所述移动设备的行走轨迹、所述环境地图以及所述移动设备的位置信息。在此，客户端设备11为用户端，可以为手机APP或PC上位机部分，为用户提供可视化的界面，设定、添加或者删除任意图片信息，显示环境地图、机器人运动轨迹和机器人位置等。定位模块12可为SLAM定位部分，负责构建环境地图和依据环境地图对机器人位置进行定位，给移动机器人的导航运动提供精确的位置保障。算法模块13用于提取图片边缘信息，通过拓扑结构分析得到图片的关键点线段，生成机器人运动轨迹。决策模块14为运动决策部分，用于控制机器人沿轨迹运动，保证机器人速度平滑和避免碰撞。可以理解的是，各模块之间相互交互时，还需要通信部分，以用于用户端和定位部分、算法部分以及决策部分之间的数据传输起到桥梁的作用。
在本申请一实施例中，所述算法模块13用于通过图像拓扑结构分析所述图像边缘信息，获得所述目标图像的每个边缘线段的位置，在所述边缘线段之间插入中间目标点，生成所述移动设备行走轨迹。在此，算法模块13接收到图像相关信息后，可采用边缘检测算法(Canny算法)和拓扑结构分析提取算法，得到图像的每个边缘线段的位置，在边缘线段之间插入中间目标点，生成机器人最终运动轨迹，发布导航任务。
在本申请一实施例中，所述决策模块14用于根据所述移动设备行走轨迹及所述移动设备当前位置判断目标路径上是否存在障碍物，若否，则根据所述移动设备所在的环境信息、定位信息以及移动设备运动模型确定可达路径，根据所述可达路径控制所述移动设备的运动。在此，移动设备为移动机器人，根据算法模块生成的运动轨迹，结合机器人起点当前位置，判断路径上是否有障碍物，如果有，则路径不可达，结束当前任务；如果没有，则路径可达，确定如何到达目标点的行走路径，根据确定的行走路径进行控制机器人运动。
在本申请一实施例中，如图6所示，该系统通过各部分实现如下步骤：
步骤1：用户在用户端设定、增添、删除及编辑图像信息，通信部分负责发送至算法部分；
步骤2：通信部分收到用户端发送的相应图像信息，将此信息发送至算法部分中其他信息处理模块；
步骤3：算法部分接收到图像相关信息后，采用Canny算法和拓扑结构分析提取算法，得到图片的每个边缘线段的位置，可以先判断边缘线段是否大于1，若大于，则在边缘线段之间插入中间目标点，生成机器人目标运动路径，若小于，则直接生成机器人目标运动路径；还可以直接在边缘线段之间插入中间目标点，从而得到更加精确的图像边缘信息，生成更精确的目标运动路径，生成目标运动路径后，发布导航任务；
步骤4：通信模块接受到任务信息，通知运动控制模块按照3)中生成的轨迹执行导航任务；
步骤5：SLAM定位部分融合多传感器数据，结合光线跟踪(raytrace)算法，构建当前全局导航地图，用于运动控制模块导航，使得移动机器人知道自己实时的位置，解决“WhereamI”的问题；
步骤6：当决策模块收到导航任务后利用5)中当前全局导航地图实时自定位信息，算法部分生成的运动轨迹，结合智能设备起点当前位置，判断路径上是否有障碍物；如果有障碍物，认为路径不可达，结束当前任务；否则，认为路径可达，则进入步骤7；
步骤7：根据6产生的路径，结合机器人的观测到的环境信息、自定位信息以及机器人运动模型，利用动态窗口算法，解决移动机器人导航过程中的“Howto go”问题。如果找到该窗口，则进入步骤8，否则，转入步骤7，尝试搜索其他可达路径；
步骤8：根据步骤7的控制决策，下发控制指令到移动设备，控制移动设备移动进行导航。
步骤9：用户端在机器人导航过程中实时显示全局环境地图、机器人位置和运动轨迹。
通过上述系统中各部分执行的步骤，提供了一种新的路径生成方法，基于图像边缘信息进行导航，用户可以根据自定义的图像信息生成更加丰富和多样的机器人轨迹。
此外，本申请实施例还提供了一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现前述一种基于图像边缘信息导航的方法。
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 (10)
1.一种基于图像边缘信息导航的方法，其中，所述方法包括：
确定目标图像，提取所述目标图像的图像边缘信息；
通过图像拓扑结构分析所述图像边缘信息，以获得移动设备行走轨迹；
根据所述移动设备行走轨迹进行所述移动设备的导航。
2.根据权利要求1所述的方法，其中，所述提取所述目标图像的图像边缘信息包括：
利用高斯滤波器消除图像的噪声，得到目标图像；
确定所述目标图像中每个像素点的梯度强度和方向；
利用非极大值抑制对所述目标图像中的每个像素点进行处理，以提取到所述目标图像的图像边缘信息。
3.根据权利要求2所述的方法，其中，确定所述目标图像中每个像素点的梯度强度和方向包括：
计算所述目标图像在水平和垂直方向的差分，得到水平差分和垂直差分；
根据所述水平差分和垂直差分计算所述目标图像中每个像素点的梯度的模和方向。
4.根据权利要求2或3所述的方法，其中，利用非极大值抑制对所述目标图像中的每个像素点进行处理包括：
将所述目标图像中的每一像素点与正负梯度方向上的两个像素点分别进行比较；
根据比较结果判断每一像素点是否被抑制；
根据第一预设阈值及每一像素点的像素值判断各像素点是否被抑制；
根据第二预设阈值筛选出目标像素点，判断所述目标像素点的预设联通邻域内的像素点中是否存在至少一个像素点的像素值大于所述目标像素点的像素值，根据判断结果确定所述目标像素点是否被抑制。
5.根据权利要求1所述的方法，其中，通过图像拓扑结构分析所述图像边缘信息包括：
按照预设遍历方向遍历所述目标图像，根据遍历到的当前像素的灰度值确定所述当前像素的类型，其中，所述类型包括外轮廓点和内轮廓点；
根据遍历过程中最新保存的点轮廓的类型及边界值确定当前点轮廓的类型和边界值；
根据目标像素点的预设联通邻域进行遍历所述邻域，以确定所述领域内像素对应点轮廓的类型和边界值；
根据遍历过程中确定的点轮廓的类型和边界值确定所述图像边缘信息。
6.根据权利要求5所述的方法，其中，根据遍历过程中确定的点轮廓的类型和边界值确定所述图像边缘信息，包括：
将遍历过程中确定的具有相同点轮廓的边界值对应的像素存储在二维向量中；
当遍历结束后，从所述二维向量中获取所述图像的多个边缘轮廓信息。
7.一种基于图像边缘信息导航的系统，其特征在于，所述系统包括：
客户端设备、定位模块、算法模块和决策模块，
其中，所述定位模块用于构建环境地图以及根据所述环境地图对移动设备进行定位；
所述算法模块用于提取确定目标图像，提取所述目标图像的图像边缘信息，并通过图像拓扑结构分析所述图像边缘信息，以获得所述移动设备行走轨迹；
所述决策模块用于根据所述移动设备行走轨迹控制所述移动设备的运动；
所述客户端设备用于显示所述移动设备的行走轨迹、所述环境地图以及所述移动设备的位置信息。
8.根据权利要求7所述的系统，其特征在于，所述算法模块用于通过图像拓扑结构分析所述图像边缘信息，获得所述目标图像的每个边缘线段的位置，在所述边缘线段之间插入中间目标点，生成所述移动设备行走轨迹。
9.根据权利要求7所述的系统，其特征在于，所述决策模块用于根据所述移动设备行走轨迹及所述移动设备当前位置判断目标路径上是否存在障碍物，若否，则根据所述移动设备所在的环境信息、定位信息以及移动设备运动模型确定可达路径，根据所述可达路径控制所述移动设备的运动。
10.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910305574.2A CN110084825B (zh) | 2019-04-16 | 2019-04-16 | 一种基于图像边缘信息导航的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910305574.2A CN110084825B (zh) | 2019-04-16 | 2019-04-16 | 一种基于图像边缘信息导航的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110084825A true CN110084825A (zh) | 2019-08-02 |
| CN110084825B CN110084825B (zh) | 2021-06-01 |
Family
ID=67415349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910305574.2A Active CN110084825B (zh) | 2019-04-16 | 2019-04-16 | 一种基于图像边缘信息导航的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110084825B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111123953A (zh) * | 2020-01-09 | 2020-05-08 | 哈尔滨工程大学 | 人工智能大数据下粒子化移动机器人组及其控制方法 |
| CN111238470A (zh) * | 2020-01-09 | 2020-06-05 | 哈尔滨工程大学 | 人工智能大数据下智能眼镜道路规划方法、介质及设备 |
| CN113421278A (zh) * | 2021-06-22 | 2021-09-21 | 咪咕互动娱乐有限公司 | 基于边缘检测的范围检测方法、装置、设备及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101408982A (zh) * | 2008-10-29 | 2009-04-15 | 南京邮电大学 | 一种基于粒子滤波和活动轮廓模型的目标跟踪方法 |
| CN102043950A (zh) * | 2010-12-30 | 2011-05-04 | 南京信息工程大学 | 基于canny算子和边缘点统计的车辆轮廓识别方法 |
| CN102800088A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 超声颈动脉斑块自动分割方法 |
| CN102903108A (zh) * | 2012-09-25 | 2013-01-30 | 哈尔滨工程大学 | 基于水下图像统计特性的边缘检测方法 |
| CN104077773A (zh) * | 2014-06-23 | 2014-10-01 | 北京京东方视讯科技有限公司 | 图像边缘检测方法、图像目标识别方法及装置 |
| CN104766275A (zh) * | 2014-01-02 | 2015-07-08 | 株式会社理光 | 稀疏视差图稠密化方法和装置 |
| CN105547287A (zh) * | 2016-01-22 | 2016-05-04 | 北京理工大学 | 一种不规则天体导航视线信息提取方法 |
| CN108181897A (zh) * | 2017-12-11 | 2018-06-19 | 华侨大学 | 一种双足机器人自动循迹的方法 |
| CN108648234A (zh) * | 2018-04-19 | 2018-10-12 | 北京控制工程研究所 | 一种用于目标抓捕的机械臂相对导航方法 |
| CN108827278A (zh) * | 2018-10-09 | 2018-11-16 | 上海岚豹智能科技有限公司 | 导航方法及设备 |
| CN109426277A (zh) * | 2017-08-30 | 2019-03-05 | 广州极飞科技有限公司 | 移动轨迹规划的方法及装置 |
| CN109541634A (zh) * | 2018-12-28 | 2019-03-29 | 歌尔股份有限公司 | 一种路径规划方法、装置和移动设备 |
-
2019
- 2019-04-16 CN CN201910305574.2A patent/CN110084825B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101408982A (zh) * | 2008-10-29 | 2009-04-15 | 南京邮电大学 | 一种基于粒子滤波和活动轮廓模型的目标跟踪方法 |
| CN102043950A (zh) * | 2010-12-30 | 2011-05-04 | 南京信息工程大学 | 基于canny算子和边缘点统计的车辆轮廓识别方法 |
| CN102800088A (zh) * | 2012-06-28 | 2012-11-28 | 华中科技大学 | 超声颈动脉斑块自动分割方法 |
| CN102903108A (zh) * | 2012-09-25 | 2013-01-30 | 哈尔滨工程大学 | 基于水下图像统计特性的边缘检测方法 |
| CN104766275A (zh) * | 2014-01-02 | 2015-07-08 | 株式会社理光 | 稀疏视差图稠密化方法和装置 |
| CN104077773A (zh) * | 2014-06-23 | 2014-10-01 | 北京京东方视讯科技有限公司 | 图像边缘检测方法、图像目标识别方法及装置 |
| CN105547287A (zh) * | 2016-01-22 | 2016-05-04 | 北京理工大学 | 一种不规则天体导航视线信息提取方法 |
| CN109426277A (zh) * | 2017-08-30 | 2019-03-05 | 广州极飞科技有限公司 | 移动轨迹规划的方法及装置 |
| CN108181897A (zh) * | 2017-12-11 | 2018-06-19 | 华侨大学 | 一种双足机器人自动循迹的方法 |
| CN108648234A (zh) * | 2018-04-19 | 2018-10-12 | 北京控制工程研究所 | 一种用于目标抓捕的机械臂相对导航方法 |
| CN108827278A (zh) * | 2018-10-09 | 2018-11-16 | 上海岚豹智能科技有限公司 | 导航方法及设备 |
| CN109541634A (zh) * | 2018-12-28 | 2019-03-29 | 歌尔股份有限公司 | 一种路径规划方法、装置和移动设备 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111123953A (zh) * | 2020-01-09 | 2020-05-08 | 哈尔滨工程大学 | 人工智能大数据下粒子化移动机器人组及其控制方法 |
| CN111238470A (zh) * | 2020-01-09 | 2020-06-05 | 哈尔滨工程大学 | 人工智能大数据下智能眼镜道路规划方法、介质及设备 |
| CN111238470B (zh) * | 2020-01-09 | 2023-05-02 | 中耘(广东)信息科技有限公司 | 人工智能大数据下智能眼镜道路规划方法、介质及设备 |
| CN113421278A (zh) * | 2021-06-22 | 2021-09-21 | 咪咕互动娱乐有限公司 | 基于边缘检测的范围检测方法、装置、设备及存储介质 |
| CN113421278B (zh) * | 2021-06-22 | 2023-08-15 | 咪咕互动娱乐有限公司 | 基于边缘检测的范围检测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110084825B (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11216971B2 (en) | Three-dimensional bounding box from two-dimensional image and point cloud data | |
| Chen et al. | Moving object segmentation in 3D LiDAR data: A learning-based approach exploiting sequential data | |
| Chen et al. | Suma++: Efficient lidar-based semantic slam | |
| JP7016943B2 (ja) | 物体検出のための方法、装置および機器 | |
| Barnes et al. | Find your own way: Weakly-supervised segmentation of path proposals for urban autonomy | |
| KR101725060B1 (ko) | 그래디언트 기반 특징점을 이용한 이동 로봇의 위치를 인식하기 위한 장치 및 그 방법 | |
| Tan et al. | Color model-based real-time learning for road following | |
| JP2020125102A (ja) | ライダ、レーダ及びカメラセンサのデータを使用する強化学習に基づく自律走行時の最適化されたリソース割当てのための方法及び装置 | |
| KR101784183B1 (ko) | ADoG 기반 특징점을 이용한 이동 로봇의 위치를 인식하기 위한 장치 및 그 방법 | |
| JP6455113B2 (ja) | 物体追跡方法と装置 | |
| CN107179082B (zh) | 基于拓扑地图和度量地图融合的自主探索方法和导航方法 | |
| US20200250848A1 (en) | Method and device for short-term path planning of autonomous driving through information fusion by using v2x communication and image processing | |
| CN110084825A (zh) | 一种基于图像边缘信息导航的方法及系统 | |
| KR102664410B1 (ko) | 다중 센서 및 인공지능에 기반하여 맵을 생성하고 맵을 이용하여 주행하는 로봇 | |
| Singh et al. | A two-layered subgoal based mobile robot navigation algorithm with vision system and IR sensors | |
| Lim et al. | River flow lane detection and Kalman filtering‐based B‐spline lane tracking | |
| Sales et al. | Vision-based autonomous navigation system using ann and fsm control | |
| CN111679661A (zh) | 基于深度相机的语义地图构建方法及扫地机器人 | |
| KR20180059188A (ko) | 딥 러닝을 이용한 동적 장애물이 없는 배경 위주의 3차원 지도 생성 방법 | |
| CN110986945A (zh) | 基于语义高度地图的局部导航方法和系统 | |
| GB2578721A (en) | Method and system for processing image data utilizing deep neural network | |
| Jeon et al. | Leveraging future trajectory prediction for multi-camera people tracking | |
| CN113158779B (zh) | 一种行走方法、装置和计算机存储介质 | |
| Hu et al. | Accuracy enhancement for the front-end tracking algorithm of RGB-D SLAM | |
| JP6800901B2 (ja) | 物体領域識別装置、物体領域識別方法およびプログラム |
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 |