CN110717003A - 基于路径规划的智能购物车自主导航与自动跟随方法 - Google Patents
基于路径规划的智能购物车自主导航与自动跟随方法 Download PDFInfo
- Publication number
- CN110717003A CN110717003A CN201910923151.7A CN201910923151A CN110717003A CN 110717003 A CN110717003 A CN 110717003A CN 201910923151 A CN201910923151 A CN 201910923151A CN 110717003 A CN110717003 A CN 110717003A
- Authority
- CN
- China
- Prior art keywords
- path
- shopping cart
- target
- node
- method based
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/215—Motion-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/254—Analysis of motion involving subtraction of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Multimedia (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Automation & Control Theory (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种基于路径规划的智能购物车自主导航与自动跟随方法,属于智能购物车领域。本发明包括如下步骤:建立中心服务器,搭建地图数据库,将购物商场路径以及各类商品位置数据存入地图数据库中,并定时更新;用户将购物清单导入购物车系统后,购物车系统记录下当前位置坐标,同时将各商品的标签码记录并调用地图数据库,通过地图数据库进行标签码与对应商品位置的匹配,从而得到需要到达的各个商品目的地坐标;中心服务器依据初始坐标以及目的坐标,通过路径最优算法,规划最优路径,实现自动导航;当确定下来行进路径后,即进入自动跟随状态。本发明能够给出购物所需最优路径,同时可以实现购物车自动跟随购物用户。
Description
技术领域
本发明涉及智能购物车技术,特别涉及一种基于路径规划的智能购物车自主导航与自动跟随方法。
背景技术
随着购物智能化的发展,零售业会因购物环境的改善和顾客满意度的提高而大幅度增加利润。目前国内商场大都采用传统的购物方式和条码扫描的结账方式,货物种类的繁杂、购物高峰期的拥挤和传统扫码结账方式的繁琐浪费了大量的人力物力,降低了顾客满意度。在这一背景下,智能购物车应运而生,那么当下的智能购物车在路径规划方面不尽如人意,特别是在障碍规避方面如何更加精确与科学,目前的智能购物车大多采用GPS定位模块获取位置信息,但是对于路径规划以及障碍规避并没有做合理的处理。
发明内容
本发明的目的是提供一种基于路径规划的智能购物车自主导航与自动跟随方法,能够解决智能购物车如何实现路径规划,精准规避障碍等问题。
本发明解决其技术问题,采用的技术方案是:基于路径规划的智能购物车自主导航与自动跟随方法,包括如下步骤:
步骤1、建立中心服务器,搭建地图数据库,将购物商场路径以及各类商品位置数据存入地图数据库中,并定时更新;
步骤2、用户将购物清单导入购物车系统后,购物车系统记录下当前位置坐标,同时将各商品的标签码记录并调用地图数据库,通过地图数据库进行标签码与对应商品位置的匹配,从而得到需要到达的各个商品目的地坐标;
步骤3、中心服务器依据初始坐标以及目的坐标,通过路径最优算法,规划最优路径,实现自动导航;
步骤4、当确定下来行进路径后,即进入自动跟随状态。
具体的是,步骤3中,所述路径最优算法为A星启发式路径搜索算法。
进一步的是,所述A星启发式路径搜索算法的公式为f(n)=g(n)+h(n),其中,f(n)是从初始状态经由状态n到目标状态的代价估计,g(n)是在状态空间中从初始状态到状态n的实际代价,h(n)是从状态n到目标状态的最佳路径的估计代价。
具体的是,所述A星启发式路径搜索算法的输入是起点和终点,起点即初始状态,终点即目标状态,以及两点间所有可能的路径,以及涉及到的中间节点,每两个节点间的路径的代价中间节点即中间状态;输出是从起点到终点的最优路径,即代价最小。
进一步的是,所述A星启发式路径搜索算法包括如下步骤:
步骤301、把起点加入open list;
步骤302、重复如下过程:
a、遍历open list,查找f值最小的节点,把它作为当前要处理的节点;
b、把这个节点移到close list;
c、对当前节点的所有邻近节点,如果它是不可抵达的或者它在close list中,忽略它;否则,做如下操作:
如果它不在open list中,把它加入open list,并且把当前方格设置为它的父节点,记录该方格的f,g和h值;
如果它已经在open list中,检查这条路径,即经由当前节点到达临近节点那里的路径是否更好,用g值作参考,把它的父节点设置为当前方格,并重新计算它的g和f值,如果open list是按f值排序的话,重新计算g值和f值后根据需要重新排序;
d、停止,当把终点加入到了open list中,此时路径已经找到了;查找终点失败,并且open list是空的,此时没有路径;
步骤303、保存路径,从终点开始,每个方格沿着父节点移动直至起点,这就是需要的最优路径。
具体的是,步骤4中,购物车需要在室内场景锁定顾客,顾客本身是一个运动目标,或者成为静态目标,需要同时实现静态与动态背景下的目标跟踪。
进一步的是,当顾客静止不动时,购物车镜头所观察的视野也是静止的,此时采用背景差分法,即先对背景图像进行建模,然后从视频流中读取图像作为前景图像,将前景图像与背景图像做差,就可以得到进入视野的目标物体,也就实现了静态背景下对目标的锁定,这同样可以用于购物车自主跟随系统初始化时对顾客的锁定;
当顾客运动时,购物车镜头所观察的视野是动态的,这时采取以下算法:
以视频图像中运动物体的颜色信息作为特征,对输入图像的每一帧分别作迭代运算,并将上一帧的目标中心和搜索窗口大小作为下一帧迭代算法的中心和搜索窗口大小的初始值,如此迭代下去,实现对目标的跟踪。
具体的是,当顾客运动时,采取的算法包括如下步骤:
步骤401、计算目标区域内的颜色直方图;
步骤402、根据获得的颜色直方图将原始输入图像转化成颜色概率分布图像;
步骤403、进行迭代运算;
步骤404、调整搜索窗口中心到质心。
进一步的是,当顾客运动时,对于同一个顾客,身体特征例如颜色是不变的,用镜头提取自主跟随功能初始化时的静态图像中的关键特征信息,根据该特征信息,建立目标的色彩直方图模型,从而得到某像素为目标像素的概率,根据概率的阀值将视频图像转换为目标色彩概率分布图,概率为1的像素值设为255,概率为0的像素值为0,其他像素也转换为相应的灰度值,从而生成灰度图与二值图,实现对目标的跟随。
本发明的有益效果是,通过上述基于路径规划的智能购物车自主导航与自动跟随方法,能够在保证路径准确的前提下,给出购物所需最优路径,同时可以实现购物车自动跟随购物用户,实时调整购物车摆放位置,以便于消费者用户放置选购的商品。
附图说明
图1为本发明基于路径规划的智能购物车自主导航与自动跟随方法的流程图。
具体实施方式
下面结合实施例及附图,详细描述本发明的技术方案。
本发明所述基于路径规划的智能购物车自主导航与自动跟随方法,其流程图参见图1,其中,该方法包括如下步骤:
步骤1、建立中心服务器,搭建地图数据库,将购物商场路径以及各类商品位置数据存入地图数据库中,并定时更新;
步骤2、用户将购物清单导入购物车系统后,购物车系统记录下当前位置坐标,同时将各商品的标签码记录并调用地图数据库,通过地图数据库进行标签码与对应商品位置的匹配,从而得到需要到达的各个商品目的地坐标;
步骤3、中心服务器依据初始坐标以及目的坐标,通过路径最优算法,规划最优路径,实现自动导航;
步骤4、当确定下来行进路径后,即进入自动跟随状态。
上述方法中,步骤3中,路径最优算法优选为A星启发式路径搜索算法。
A星启发式路径搜索算法的公式为f(n)=g(n)+h(n),其中,f(n)是从初始状态经由状态n到目标状态的代价估计,g(n)是在状态空间中从初始状态到状态n的实际代价,h(n)是从状态n到目标状态的最佳路径的估计代价。
A星启发式路径搜索算法的输入是起点和终点,起点即初始状态,终点即目标状态,以及两点间所有可能的路径,以及涉及到的中间节点,每两个节点间的路径的代价中间节点即中间状态;输出是从起点到终点的最优路径,即代价最小。
A星启发式路径搜索算法包括如下步骤:
步骤301、把起点加入open list;
步骤302、重复如下过程:
a、遍历open list,查找f值最小的节点,把它作为当前要处理的节点;
b、把这个节点移到close list;
c、对当前节点的所有邻近节点,如果它是不可抵达的或者它在close list中,忽略它;否则,做如下操作:
如果它不在open list中,把它加入open list,并且把当前方格设置为它的父节点,记录该方格的f,g和h值;
如果它已经在open list中,检查这条路径,即经由当前节点到达临近节点那里的路径是否更好,用g值作参考,把它的父节点设置为当前方格,并重新计算它的g和f值,如果open list是按f值排序的话,重新计算g值和f值后根据需要重新排序;
d、停止,当把终点加入到了open list中,此时路径已经找到了;查找终点失败,并且open list是空的,此时没有路径;
步骤303、保存路径,从终点开始,每个方格沿着父节点移动直至起点,这就是需要的最优路径。
步骤4中,购物车需要在室内场景锁定顾客,顾客本身是一个运动目标,或者成为静态目标,需要同时实现静态与动态背景下的目标跟踪。
当顾客静止不动时,购物车镜头所观察的视野也是静止的,此时采用背景差分法,即先对背景图像进行建模,然后从视频流中读取图像作为前景图像,将前景图像与背景图像做差,就可以得到进入视野的目标物体,也就实现了静态背景下对目标的锁定,这同样可以用于购物车自主跟随系统初始化时对顾客的锁定;
当顾客运动时,购物车镜头所观察的视野是动态的,这时采取以下算法:
以视频图像中运动物体的颜色信息作为特征,对输入图像的每一帧分别作迭代运算,并将上一帧的目标中心和搜索窗口大小作为下一帧迭代算法的中心和搜索窗口大小的初始值,如此迭代下去,实现对目标的跟踪。
具体的是,当顾客运动时,采取的算法包括如下步骤:
步骤401、计算目标区域内的颜色直方图;
步骤402、根据获得的颜色直方图将原始输入图像转化成颜色概率分布图像;
步骤403、进行迭代运算;
步骤404、调整搜索窗口中心到质心。
当顾客运动时,对于同一个顾客,身体特征例如颜色是不变的,用镜头提取自主跟随功能初始化时的静态图像中的关键特征信息,根据该特征信息,建立目标的色彩直方图模型,从而得到某像素为目标像素的概率,根据概率的阀值将视频图像转换为目标色彩概率分布图,概率为1的像素值设为255,概率为0的像素值为0,其他像素也转换为相应的灰度值,从而生成灰度图与二值图,实现对目标的跟随。
实施例
本发明实施例基于路径规划的智能购物车自主导航与自动跟随方法,具体应用时,可包括如下步骤:
一、首先建立中心服务器,搭建地图数据库,将购物商场路径以及各类商品位置数据存入库中,并定时更新。建立中心服务器,构建云后台大数据体系,对日常消费者购物清单以及购物行为数据信息进行存储,便于商场分析消费者消费爱好,从而实现精准营销,商场与消费者互利共赢;另外搭建商场地图数据库,将商场建筑位置以及各类别商品摆放位置坐标加以录入采集,并且一旦发生变更,则地图数据库也要实时更新。
二、用户将购物清单导入购物车系统后,购物车系统记录下当前位置坐标,同时将各商品的标签码记录并调用地图数据库,通过地图数据库进行标签码与对应商品位置的匹配,从而得到需要到达的各个商品目的地坐标。用户通过手机端APP或者微信小程序,将提前制定好的购物清单导入购物车系统,购物车系统则先记录下当前车辆所在位置的坐标信息,然后将所导入的购物清单中各商品匹配对应的标签码,将匹配好的各商品的标签码,调用地图数据库进行各商品具体位置坐标匹配,当匹配全部完成后,将购物车当前位置坐标信息以及各商品目的位置坐标信息一起传到中心服务器数据库。
三、中心服务器依据这些初始坐标以及目的坐标,通过路径最优算法,规划最优路径,实现自动导航。
中心服务器依据这些初始坐标以及目的坐标,通过路径最优算法,规划最优路径,实现自动导航;就路径规划而言,一个好的路径规划方法需要满足如下指标:
合理性——返回的任何路径都是合理的,或者说任何路径对购物车运动都是可执行的;
完备性——如果客观上存在一条从起点到达终点的无碰路径,该算法一定能找到;如果环境中没有路径可通行,会报告规划失败;
最优性——算法规划的结果路径在某个测度(如时间、距离、能量消耗等)上是最优的;
实时性——规划算法的复杂度(时间需求、存储、需求等)能满足购物车运动的需要;
环境变化适应性——算法具有适应环境动态改变的能力,随着环境改变,不必全部重新计算;
满足约束——支持移动购物车运动时的完整性和非完整性运动约束;
但对于在未知的或部分已知的、动态的非结构环境下,一般的传统算法很难达到前面所提到的指标,为此,我们采用了一种静态路网中求解最短路径最优效的直接搜索算法——A星启发式路径搜索算法,并在A星算法上进行了部分的改进。
3.1A星启发式路径搜索算法,其公式为f(n)=g(n)+h(n),其中,f(n)是从初始状态经由状态n到目标状态的代价估计,g(n)是在状态空间中从初始状态到状态n的实际代价,h(n)是从状态n到目标状态的最佳路径的估计代价。A星启发式路径搜索算法的输入是起点和终点,起点即初始状态,终点即目标状态,以及两点间所有可能的路径,以及涉及到的中间节点,每两个节点间的路径的代价中间节点即中间状态;输出是从起点到终点的最优路径,即代价最小。
3.2A星算法是从起点开始,检查所有可能的扩展点即它的相邻点,对每个点计算g+h得到f,在所有可能的扩展点中,选择f最小的那个点进行扩展,即计算该点的所有可能扩展点的f值,并将这些新的扩展点添加到扩展点列表即open list。当然,忽略已经在列表中的点、已经考察过的点。不断从open list中选择f值最小的点进行扩展,直到到达目标点,或者节点用完,路径搜索失败。
算法步骤:
(1)把起点加入open list。
(2)重复如下过程:
a.遍历open list,查找f值最小的节点,把它作为当前要处理的节点;
b.把这个节点移到close list,已经考察过的节点列表;
c.对当前节点的所有邻近节点,如果它是不可抵达的或者它在close list中,忽略它;否则,做如下操作:
如果它不在open list中,把它加入open list,并且把当前方格设置为它的父节点,记录该方格的f,g和h值;如果它已经在open list中,检查这条路径,即经由当前节点到达临近节点那里的路径是否更好,用g值作参考,把它的父节点设置为当前方格,并重新计算它的g和f值,如果open list是按f值排序的话,重新计算g值和f值后根据需要重新排序;
d.停止,当把终点加入到了open list中,此时路径已经找到了;查找终点失败,并且open list是空的,此时没有路径。
(3)保存路径,从终点开始,每个方格沿着父节点移动直至起点,这就是你的路径。
3.3对于h(n),又称为启发式函数,有以下几种情况:
(1)h(n)=0,一种极端情况,如果h(n)是0,则只有g(n)起作用,这保证能找到最短路径,但效率不高,因为得不到启发;
(2)h(n)<真实代价,如果h(n)经常都比从n移动到目标的实际代价小或者相等,则A*保证能找到一条最短路径,h(n)越小,A星扩展的结点越多,运行就得越慢;
(3)h(n)=真实代价,如果h(n)精确地等于从n移动到目标的代价,则A星将会仅仅寻找最佳路径而不扩展别的任何结点,这会运行得非常快;
(4)h(n)>真实代价,如果h(n)有时比从n移动到目标的实际代价高,则A*不能保证找到一条最短路径,但它运行得更快;
(5)h(n)>>真实代价,另一种极端情况,如果h(n)比g(n)大很多,则只有h(n)起作用,这样也可以找到最短路径。
在大型购物商场内,h(n)<=真实代价必然成立,所以本算法运用到购物商场购物车智能导购系统中必然可以找到最优路径。
四、当确定下来行进路径后,即进入自动跟随状态。
当确定下来行进路径后,即进入自动跟随状态,本方法的自动跟随功能由两方面组成,其一为镜头对跟踪目标的锁定,其二为购物车根据目标所在的位置调整与目标的距离。
在实际运用中,购物车需要在室内场景锁定顾客,顾客本身是一个运动目标,但也有可能成为静态目标,因此需要同时实现静态与动态背景下的目标跟踪。
4.1当顾客静止不动时,例如挑选货物,购物车镜头所观察的视野也是静止的,此时我们采用背景差分法,即先对背景图像进行建模,然后从视频流中读取图像作为前景图像,将前景图像与背景图像做差,就可以得到进入视野的目标物体,也就实现了静态背景下对目标的锁定,这同样可以用于购物车自主跟随系统初始化时对顾客的锁定。
4.2当顾客运动时,购物车镜头所观察的视野是动态的,那么我们采用以下算法:
基本思想是以视频图像中运动物体的颜色信息作为特征,对输入图像的每一帧分别作迭代运算,并将上一帧的目标中心和搜索窗口大小即核函数带宽,作为下一帧迭代算法的中心和搜索窗口大小的初始值,如此迭代下去,就可以实现对目标的跟踪。
算法步骤如下:
(1)计算目标区域内的颜色直方图,将输入图像转换到HSV颜色空间,目标区域为初始设定的搜索窗口范围,分离出色调H分量做该区域的色调直方图计算,因为RGB颜色空间对光线条件的改变较为敏感,要减小该因素对跟踪效果的影响;
(2)根据获得的颜色直方图将原始输入图像转化成颜色概率分布图像,输入图像在已知目标颜色直方图的条件下的颜色概率密度分布图,包含了目标在当前帧中的相干信息,对于输入图像中的每一个像素,查询目标模型颜色直方图,对于目标区域内的像素,可得到该像素属于目标像素的概率,而对于非目标区域内的像素,该概率为0;
(3)进行迭代运算,目的在于找到目标中心在当前帧中的位置。首先在颜色概率分布图中选择搜索窗口的大小和初始位置,然后计算搜索窗口的质心位置;
(4)调整搜索窗口中心到质心,零阶矩反映了搜索窗口尺寸,依据它调整窗口大小,并将搜索窗口的中心移到质心,如果移动距离大于设定的阈值,则重新计算调整后的窗口质心,进行新一轮的窗口位置和尺寸调整。直到窗口中心与质心之间的移动距离小于阈值,或者迭代次数达到某一最大值,认为收敛条件满足,将搜索窗口位置和大小作为下一帧的目标位置输入,开始对下一帧图像进行新的目标搜索。
对于同一个顾客,他的身体特征例如颜色是不变的,因此我们可以用镜头提取自主跟随功能初始化时的静态图像中的关键特征信息,根据特征信息,我们可以建立目标的色彩直方图模型,从而得到某像素为目标像素的概率,根据概率的阀值将视频图像转换为目标色彩概率分布图,概率为1的像素值设为255,概率为0的像素值为0,其他像素也转换为相应的灰度值,从而生成灰度图与二值图,实现目标的锁定。
因为在每次搜索前将搜索窗口的位置和大小设置为运动目标当前中心的位置和大小,而运动目标通常在这区域附近,缩短了搜索时间;另外,在目标运动过程中,颜色变化不大,故该算法具有良好的鲁棒性。
Claims (9)
1.基于路径规划的智能购物车自主导航与自动跟随方法,其特征在于,包括如下步骤:
步骤1、建立中心服务器,搭建地图数据库,将购物商场路径以及各类商品位置数据存入地图数据库中,并定时更新;
步骤2、用户将购物清单导入购物车系统后,购物车系统记录下当前位置坐标,同时将各商品的标签码记录并调用地图数据库,通过地图数据库进行标签码与对应商品位置的匹配,从而得到需要到达的各个商品目的地坐标;
步骤3、中心服务器依据初始坐标以及目的坐标,通过路径最优算法,规划最优路径,实现自动导航;
步骤4、当确定下来行进路径后,即进入自动跟随状态。
2.根据权利要求1所述的基于路径规划的智能购物车自主导航与自动跟随方法,其特征在于,步骤3中,所述路径最优算法为A星启发式路径搜索算法。
3.根据权利要求2所述的基于路径规划的智能购物车自主导航与自动跟随方法,其特征在于,所述A星启发式路径搜索算法的公式为f(n)=g(n)+h(n),其中,f(n)是从初始状态经由状态n到目标状态的代价估计,g(n)是在状态空间中从初始状态到状态n的实际代价,h(n)是从状态n到目标状态的最佳路径的估计代价。
4.根据权利要求3所述的基于路径规划的智能购物车自主导航与自动跟随方法,其特征在于,所述A星启发式路径搜索算法的输入是起点和终点,起点即初始状态,终点即目标状态,以及两点间所有可能的路径,以及涉及到的中间节点,每两个节点间的路径的代价中间节点即中间状态;输出是从起点到终点的最优路径,即代价最小。
5.根据权利要求3或4所述的基于路径规划的智能购物车自主导航与自动跟随方法,其特征在于,所述A星启发式路径搜索算法包括如下步骤:
步骤301、把起点加入open list;
步骤302、重复如下过程:
a、遍历open list,查找f值最小的节点,把它作为当前要处理的节点;
b、把这个节点移到close list;
c、对当前节点的所有邻近节点,如果它是不可抵达的或者它在closelist中,忽略它;否则,做如下操作:
如果它不在open list中,把它加入open list,并且把当前方格设置为它的父节点,记录该方格的f,g和h值;
如果它已经在openlist中,检查这条路径,即经由当前节点到达临近节点那里的路径是否更好,用g值作参考,把它的父节点设置为当前方格,并重新计算它的g和f值,如果openlist是按f值排序的话,重新计算g值和f值后根据需要重新排序;
d、停止,当把终点加入到了open list中,此时路径已经找到了;查找终点失败,并且open list是空的,此时没有路径;
步骤303、保存路径,从终点开始,每个方格沿着父节点移动直至起点,这就是需要的最优路径。
6.根据权利要求1所述的基于路径规划的智能购物车自主导航与自动跟随方法,其特征在于,步骤4中,购物车需要在室内场景锁定顾客,顾客本身是一个运动目标,或者成为静态目标,需要同时实现静态与动态背景下的目标跟踪。
7.根据权利要求6所述的基于路径规划的智能购物车自主导航与自动跟随方法,其特征在于,当顾客静止不动时,购物车镜头所观察的视野也是静止的,此时采用背景差分法,即先对背景图像进行建模,然后从视频流中读取图像作为前景图像,将前景图像与背景图像做差,就可以得到进入视野的目标物体,也就实现了静态背景下对目标的锁定,这同样可以用于购物车自主跟随系统初始化时对顾客的锁定;
当顾客运动时,购物车镜头所观察的视野是动态的,这时采取以下算法:
以视频图像中运动物体的颜色信息作为特征,对输入图像的每一帧分别作迭代运算,并将上一帧的目标中心和搜索窗口大小作为下一帧迭代算法的中心和搜索窗口大小的初始值,如此迭代下去,实现对目标的跟踪。
8.根据权利要求7所述的基于路径规划的智能购物车自主导航与自动跟随方法,其特征在于,当顾客运动时,采取的算法包括如下步骤:
步骤401、计算目标区域内的颜色直方图;
步骤402、根据获得的颜色直方图将原始输入图像转化成颜色概率分布图像;
步骤403、进行迭代运算;
步骤404、调整搜索窗口中心到质心。
9.根据权利要求7所述的基于路径规划的智能购物车自主导航与自动跟随方法,其特征在于,当顾客运动时,对于同一个顾客,身体特征例如颜色是不变的,用镜头提取自主跟随功能初始化时的静态图像中的关键特征信息,根据该特征信息,建立目标的色彩直方图模型,从而得到某像素为目标像素的概率,根据概率的阀值将视频图像转换为目标色彩概率分布图,概率为1的像素值设为255,概率为0的像素值为0,其他像素也转换为相应的灰度值,从而生成灰度图与二值图,实现对目标的跟随。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910923151.7A CN110717003A (zh) | 2019-09-27 | 2019-09-27 | 基于路径规划的智能购物车自主导航与自动跟随方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910923151.7A CN110717003A (zh) | 2019-09-27 | 2019-09-27 | 基于路径规划的智能购物车自主导航与自动跟随方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110717003A true CN110717003A (zh) | 2020-01-21 |
Family
ID=69211967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910923151.7A Pending CN110717003A (zh) | 2019-09-27 | 2019-09-27 | 基于路径规划的智能购物车自主导航与自动跟随方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717003A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111324826A (zh) * | 2020-02-03 | 2020-06-23 | 深圳震有科技股份有限公司 | 基于Mapbox的用户跟随模式下地图视点动态方法及装置 |
CN111464590A (zh) * | 2020-03-05 | 2020-07-28 | 深圳市元征科技股份有限公司 | 购物车的送货控制方法、购物车、服务器及存储介质 |
CN111552300A (zh) * | 2020-06-09 | 2020-08-18 | 南开大学 | 一种基于实例分割和路径规划的农作物采摘系统 |
CN111563632A (zh) * | 2020-05-14 | 2020-08-21 | 南京市斯塔万格智能科技有限公司 | 一种基于SVM与A-Star算法的高效导购机器人的设计方法 |
CN112927093A (zh) * | 2021-03-15 | 2021-06-08 | 上海京知信息科技有限公司 | 基于物联网的农业生态管理方法、装置、设备及存储介质 |
CN112967450A (zh) * | 2021-01-30 | 2021-06-15 | 上海玮顺网络科技有限公司 | 一种基于路径规划的购物车自带履带防碰撞方法 |
CN113159433A (zh) * | 2021-04-28 | 2021-07-23 | 中国科学院沈阳应用生态研究所 | 面向综合体室内混合立体路网的导航路径动态搜索方法 |
CN113220945A (zh) * | 2021-04-28 | 2021-08-06 | 广州宸祺出行科技有限公司 | 一种用于数据血缘的字段检索和路径展示的方法及系统 |
WO2021246963A1 (en) * | 2020-06-04 | 2021-12-09 | Ngee Ann Polytechnic | Apparatus and method for indoor guiding |
CN113781132A (zh) * | 2020-06-15 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种线上导购方法和装置 |
US20220019230A1 (en) * | 2020-07-17 | 2022-01-20 | Toyota Jidosha Kabushiki Kaisha | Information processing apparatus, information processing system, non-transitory computer readable medium, and autonomous vehicle |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639922A (zh) * | 2008-07-31 | 2010-02-03 | Nec九州软件株式会社 | 来宾路径分析系统和方法 |
CN102073851A (zh) * | 2011-01-13 | 2011-05-25 | 北京科技大学 | 一种城市交通事故自动识别方法和系统 |
CN102110296A (zh) * | 2011-02-24 | 2011-06-29 | 上海大学 | 一种复杂场景下的运动目标跟踪方法 |
CN103325124A (zh) * | 2012-03-21 | 2013-09-25 | 东北大学 | 一种基于fpga的背景差分法目标检测跟踪系统及方法 |
CN104008670A (zh) * | 2014-06-10 | 2014-08-27 | 山东建筑大学 | 一种车库内路径规划系统及路径规划方法 |
CN106651920A (zh) * | 2016-10-19 | 2017-05-10 | 北京邮电大学 | 基于机器视觉的移动控制方法、装置及系统 |
CN106779857A (zh) * | 2016-12-23 | 2017-05-31 | 湖南晖龙股份有限公司 | 一种远程控制机器人的购物方法 |
CN108253984A (zh) * | 2017-12-19 | 2018-07-06 | 昆明理工大学 | 一种基于改进a星算法的移动机器人路径规划方法 |
CN108520429A (zh) * | 2018-03-19 | 2018-09-11 | 北方民族大学 | 一种服务器和可应用于线下购物场所的导购系统 |
CN108549088A (zh) * | 2018-04-27 | 2018-09-18 | 科沃斯商用机器人有限公司 | 基于机器人的定位方法、设备、系统及存储介质 |
CN109571499A (zh) * | 2018-12-25 | 2019-04-05 | 广州天高软件科技有限公司 | 一种智能导航引领机器人及其实现方法 |
CN109579851A (zh) * | 2019-01-17 | 2019-04-05 | 深圳壹账通智能科技有限公司 | 一种线下购物导航方法、装置、计算机设备及存储介质 |
CN109703607A (zh) * | 2017-10-25 | 2019-05-03 | 北京眸视科技有限公司 | 一种智能行李车 |
CN109959386A (zh) * | 2018-09-29 | 2019-07-02 | 大连艾米移动科技有限公司 | 一种超市购物投影导航系统 |
CN110220528A (zh) * | 2019-06-10 | 2019-09-10 | 福州大学 | 一种基于a星算法的自动驾驶无人车双向动态路径规划方法 |
CN110222861A (zh) * | 2018-03-01 | 2019-09-10 | 北京京东尚科信息技术有限公司 | 路径规划的方法、装置、存储介质及电子设备 |
-
2019
- 2019-09-27 CN CN201910923151.7A patent/CN110717003A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639922A (zh) * | 2008-07-31 | 2010-02-03 | Nec九州软件株式会社 | 来宾路径分析系统和方法 |
CN102073851A (zh) * | 2011-01-13 | 2011-05-25 | 北京科技大学 | 一种城市交通事故自动识别方法和系统 |
CN102110296A (zh) * | 2011-02-24 | 2011-06-29 | 上海大学 | 一种复杂场景下的运动目标跟踪方法 |
CN103325124A (zh) * | 2012-03-21 | 2013-09-25 | 东北大学 | 一种基于fpga的背景差分法目标检测跟踪系统及方法 |
CN104008670A (zh) * | 2014-06-10 | 2014-08-27 | 山东建筑大学 | 一种车库内路径规划系统及路径规划方法 |
CN106651920A (zh) * | 2016-10-19 | 2017-05-10 | 北京邮电大学 | 基于机器视觉的移动控制方法、装置及系统 |
CN106779857A (zh) * | 2016-12-23 | 2017-05-31 | 湖南晖龙股份有限公司 | 一种远程控制机器人的购物方法 |
CN109703607A (zh) * | 2017-10-25 | 2019-05-03 | 北京眸视科技有限公司 | 一种智能行李车 |
CN108253984A (zh) * | 2017-12-19 | 2018-07-06 | 昆明理工大学 | 一种基于改进a星算法的移动机器人路径规划方法 |
CN110222861A (zh) * | 2018-03-01 | 2019-09-10 | 北京京东尚科信息技术有限公司 | 路径规划的方法、装置、存储介质及电子设备 |
CN108520429A (zh) * | 2018-03-19 | 2018-09-11 | 北方民族大学 | 一种服务器和可应用于线下购物场所的导购系统 |
CN108549088A (zh) * | 2018-04-27 | 2018-09-18 | 科沃斯商用机器人有限公司 | 基于机器人的定位方法、设备、系统及存储介质 |
CN109959386A (zh) * | 2018-09-29 | 2019-07-02 | 大连艾米移动科技有限公司 | 一种超市购物投影导航系统 |
CN109571499A (zh) * | 2018-12-25 | 2019-04-05 | 广州天高软件科技有限公司 | 一种智能导航引领机器人及其实现方法 |
CN109579851A (zh) * | 2019-01-17 | 2019-04-05 | 深圳壹账通智能科技有限公司 | 一种线下购物导航方法、装置、计算机设备及存储介质 |
CN110220528A (zh) * | 2019-06-10 | 2019-09-10 | 福州大学 | 一种基于a星算法的自动驾驶无人车双向动态路径规划方法 |
Non-Patent Citations (1)
Title |
---|
倪麒等: "基于背景差分法和CAMShift法的运动目标跟踪系统的设计与实现", 《工矿自动化》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111324826B (zh) * | 2020-02-03 | 2023-05-30 | 深圳震有科技股份有限公司 | 基于Mapbox的用户跟随模式下地图视点动态方法及装置 |
CN111324826A (zh) * | 2020-02-03 | 2020-06-23 | 深圳震有科技股份有限公司 | 基于Mapbox的用户跟随模式下地图视点动态方法及装置 |
CN111464590A (zh) * | 2020-03-05 | 2020-07-28 | 深圳市元征科技股份有限公司 | 购物车的送货控制方法、购物车、服务器及存储介质 |
CN111563632A (zh) * | 2020-05-14 | 2020-08-21 | 南京市斯塔万格智能科技有限公司 | 一种基于SVM与A-Star算法的高效导购机器人的设计方法 |
CN111563632B (zh) * | 2020-05-14 | 2023-08-18 | 许峰 | 一种基于SVM与A-Star算法的高效导购机器人的设计方法 |
WO2021246963A1 (en) * | 2020-06-04 | 2021-12-09 | Ngee Ann Polytechnic | Apparatus and method for indoor guiding |
CN111552300A (zh) * | 2020-06-09 | 2020-08-18 | 南开大学 | 一种基于实例分割和路径规划的农作物采摘系统 |
CN113781132A (zh) * | 2020-06-15 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种线上导购方法和装置 |
US20220019230A1 (en) * | 2020-07-17 | 2022-01-20 | Toyota Jidosha Kabushiki Kaisha | Information processing apparatus, information processing system, non-transitory computer readable medium, and autonomous vehicle |
JP2022019250A (ja) * | 2020-07-17 | 2022-01-27 | トヨタ自動車株式会社 | 情報処理装置、情報処理システム、プログラム、及び自律運転車両 |
CN112967450A (zh) * | 2021-01-30 | 2021-06-15 | 上海玮顺网络科技有限公司 | 一种基于路径规划的购物车自带履带防碰撞方法 |
CN112927093A (zh) * | 2021-03-15 | 2021-06-08 | 上海京知信息科技有限公司 | 基于物联网的农业生态管理方法、装置、设备及存储介质 |
CN113220945A (zh) * | 2021-04-28 | 2021-08-06 | 广州宸祺出行科技有限公司 | 一种用于数据血缘的字段检索和路径展示的方法及系统 |
CN113159433A (zh) * | 2021-04-28 | 2021-07-23 | 中国科学院沈阳应用生态研究所 | 面向综合体室内混合立体路网的导航路径动态搜索方法 |
CN113220945B (zh) * | 2021-04-28 | 2024-05-31 | 广州宸祺出行科技有限公司 | 一种用于数据血缘的字段检索和路径展示的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717003A (zh) | 基于路径规划的智能购物车自主导航与自动跟随方法 | |
CN111536964B (zh) | 机器人定位方法及装置、存储介质 | |
CN110501017A (zh) | 一种基于orb_slam2的移动机器人导航地图生成方法 | |
CN112179330A (zh) | 移动设备的位姿确定方法及装置 | |
CN109931942A (zh) | 机器人路径生成方法、装置、机器人和存储介质 | |
Ding et al. | Laser map aided visual inertial localization in changing environment | |
WO2022016320A1 (zh) | 地图更新方法、装置、计算机设备和存储介质 | |
WO2011015800A1 (en) | Correlated probabilistic trajectories pedestrian motion detection using a decision forest | |
CN116592897B (zh) | 基于位姿不确定性的改进orb-slam2定位方法 | |
CN114187418A (zh) | 回环检测方法、点云地图构建方法、电子设备及存储介质 | |
Adachi et al. | Accuracy improvement of semantic segmentation trained with data generated from a 3d model by histogram matching using suitable references | |
Ali et al. | A life-long SLAM approach using adaptable local maps based on rasterized LIDAR images | |
Wang et al. | Combining ElasticFusion with PSPNet for RGB-D based indoor semantic mapping | |
Steiner et al. | Location utility-based map reduction | |
CN116563341A (zh) | 一种处理复杂环境下动态物体的视觉定位与建图方法 | |
Leung et al. | Evaluating set measurement likelihoods in random-finite-set slam | |
CN116679698A (zh) | 用于车辆的自动驾驶方法、装置、车辆、设备和介质 | |
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 | |
CN113379915B (zh) | 一种基于点云融合的行车场景构建方法 | |
CN116520302A (zh) | 应用于自动驾驶系统的定位方法和构建三维地图的方法 | |
Xia et al. | Enabling a mobile robot for autonomous RFID-based inventory by multilayer mapping and ACO-enhanced path planning | |
Portugal et al. | Developing a spatial-temporal contextual and semantic trajectory clustering framework | |
Delibaşoğlu | PESMOD: Small moving object detection benchmark dataset for moving cameras | |
CN112614162B (zh) | 基于空间优化策略的室内视觉快速匹配定位方法及系统 | |
CN113297259A (zh) | 机器人及其环境地图构建方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200121 |
|
RJ01 | Rejection of invention patent application after publication |