CN111401341A - 一种基于视觉的减速带检测方法、装置及其存储介质 - Google Patents

一种基于视觉的减速带检测方法、装置及其存储介质 Download PDF

Info

Publication number
CN111401341A
CN111401341A CN202010489774.0A CN202010489774A CN111401341A CN 111401341 A CN111401341 A CN 111401341A CN 202010489774 A CN202010489774 A CN 202010489774A CN 111401341 A CN111401341 A CN 111401341A
Authority
CN
China
Prior art keywords
deceleration strip
color
information
vision
picture
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
Application number
CN202010489774.0A
Other languages
English (en)
Other versions
CN111401341B (zh
Inventor
董敏杰
向良华
罗方龙
陈兆先
张殿礼
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.)
Huizhi robot technology (Shenzhen) Co., Ltd
Original Assignee
Flyingwings Intelligent Robot Technology Shanghai 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 Flyingwings Intelligent Robot Technology Shanghai Co ltd filed Critical Flyingwings Intelligent Robot Technology Shanghai Co ltd
Priority to CN202010489774.0A priority Critical patent/CN111401341B/zh
Publication of CN111401341A publication Critical patent/CN111401341A/zh
Application granted granted Critical
Publication of CN111401341B publication Critical patent/CN111401341B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/90—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于视觉的减速带检测方法、装置及其存储介质，所述方法包括：S101：获取图片；S102：通过深度学习法检测图片中的减速带信息，将减速带信息标记于减速带识别框内；S104：对减速带信息进行轮廓检测，并标记出减速带信息的最小外接轮廓，根据减速带特征信息滤除非减速带信息；S106：根据减速带颜色特征区分减速带颜色，标识出减速带第一颜色区块和第二颜色区块；S107：判断第一颜色区块与第二颜色区块相间个数是否超过相间个数阈值，若是,则确认检测到减速带信息。具有提高减速带检测准确度的优点。

Description

一种基于视觉的减速带检测方法、装置及其存储介质
技术领域
本发明涉及计算机技术的技术领域，尤其是涉及一种基于视觉的减速带检测方法、装置及其存储介质。
背景技术
目前在清洁机器人领域很少出现橡胶减速带自动检测等相关功能，主要是以手绘减速带标记到地图中，甚至没有减速带处理相关功能；由于清洁机器人工作环境复杂性，如地库中灯光昏暗，室外阳光照射太强都会影响相机成像效果；减速带信息颜色和亮暗的多变性导致目前没有成熟的减速带检测功能。
发明内容
本发明的目的一是提供一种基于视觉的减速带检测方法，具有提高减速带检测准确度的优点。
本发明的上述发明目的一是通过以下技术方案得以实现的：
一种基于视觉的减速带检测方法，所述方法包括：S101：获取图片；102：通过深度学习法检测图片中的减速带信息，将减速带信息标记于减速带识别框内；S104：对减速带信息进行轮廓检测，并标记出减速带信息的最小外接轮廓，根据减速带特征信息滤除非减速带信息；S106：根据减速带颜色特征区分减速带颜色，标识出减速带第一颜色区块和第二颜色区块；S107：判断第一颜色区块与第二颜色区块相间个数是否超过相间个数阈值，若是,则确认检测到减速带信息。
进一步的，所述步骤S102与步骤S104之间还包括步骤S103: 分割标记有减速带识别框的图片，保留减速带识别框内的图像。
进一步的，所述步骤S104中，根据减速带特征信息滤除非减速带信息的具体方法为：判断最小外接轮廓的像素点个数是否在预设的像素点个数阈值范围内，若否，则滤除非减速带信息；以及，计算最小外接轮廓长度与宽度的长宽比值；判断长宽比值是否超过预设的长宽比例阈值，若否，则滤除非减速带信息。
进一步的，所述步骤S104与步骤S106之间还包括步骤S105：滤除图片中的噪点。
进一步的，所述步骤S106中根据减速带颜色特征区分减速带颜色的具体方法为：将减速带颜色与预设的第一颜色特征信息和第二颜色特征信息进行比较，将减速带中符合第一颜色特征信息的区域标识为第一颜色区块，将减速带中符合第二颜色特征信息的区域标识为第二颜色区块；所述第一颜色特征信息包括第一颜色值范围和第一颜色值约束条件，所述第二颜色特征信息包括第二颜色值范围和第二颜色值约束条件。
进一步的，所述方法还包括：当所述图片的色彩模式为RGB且第一颜色特征信息用于区分黄色区域时，第一颜色值范围为30<R<150、50<G<150、50<B<150，第一颜色值约束条件为R<G、R-G<30、G-B>10。
进一步的，所述方法还包括S108：通过相机内外参方法获取最小外接轮廓内中心像素点与相机的实际水平距离信息，把获得的实际水平距离信息转化到实际的地图中，结合相机在地图中的坐标，在地图中以矩形的形式显示出识别到的减速带信息。
本发明的目的二是提供一种基于视觉的减速带检测装置，具有提高减速带检测准确度的优点。
本发明的上述发明目的二是通过以下技术方案得以实现的：
一种基于视觉的减速带检测装置，所述装置包括：获取模块，用于获取图片；识别框标记模块，用于通过深度学习法检测图片中的减速带信息，将减速带信息标记于减速带识别框内；分割模块，用于分割标记有减速带识别框的图片，保留减速带识别框内的图像；轮廓标记模块，用于对减速带信息进行轮廓检测，并标记出减速带信息的最小外接轮廓，根据减速带特征信息滤除非减速带信息；噪点滤除模块，用于滤除图片中的噪点；区块区分模块，用于根据减速带颜色特征区分减速带颜色，标识出减速带第一颜色区块和第二颜色区块；判断模块，用于判断第一颜色区块与第二颜色区块相间个数是否超过相间个数阈值，若是,则确认检测到减速带信息。
进一步的，所述装置还包括地图标记模块，用于通过相机内外参方法获取最小外接轮廓内中心像素点与相机的实际水平距离信息，把获得的实际水平距离信息转化到实际的地图中，结合相机在地图中的坐标，在地图中以矩形的形式显示出识别到的减速带信息。
本发明的目的三是提供一种计算机可读存储介质，具有提高减速带检测准确度的优点。
本发明的上述发明目的三是通过以下技术方案得以实现的：
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于视觉的减速带检测方法的步骤。
综上所述，本发明的有益技术效果为：
1、利用深度学习方法和视觉识别方法相结合方式提高减速带检测准确度；
2、在建图中自动标记出减速带信息，无需手动绘制。
附图说明
图1是本发明的方法流程图；
图2是本发明的系统框图；
图3是经过颜色区块划分后的减速带示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
在一实施例中，如图1所示，本发明公开了一种基于视觉的减速带检测方法，具体包括如下步骤：
S101：获取图片。
在发明的实施例中，图片由图像采集装置每时每刻采集地面的图片。图像采集装置可以是摄像头、摄像机、相机、扫描仪等。
S102：通过深度学习法检测图片中的减速带信息，将减速带信息标记于减速带识别框内。
在本发明的实施例中，深度学习的大致步骤为：a、减速带视觉训练模型；b、下载编译caffe，并切换到ssd分支；c、在caffe的example文件下载MobileNet-SSD；d、利用彩色相机采集减速带图片,并用labelImg标定减速带位置；e、使用 python 脚本划分图片的训练集和测试集；f、使用 python 脚本生成LMDB文件；g、使用 python 脚本进行神经网络训练；h、将训练完的caffe模型转换成NCNN需要的bin,param文件；i、利用生成的bin,param文件即可用标记框标记出图片中减速带的位置。深度学习识别的标记框只能是长方形的，如果减速带是斜着的情况，识别框部分还会存在地面的部分，因此将深度学习识别的标记框放入实际地图中就会导致减速带的标记位置与实际位置存在偏差。并且深度学习训练出来的结果可能存在误检的情况。因此还需要进一步操作确定减速带或将地面部分去掉。减速带识别框内的图像仅是在深度学习法后被认为是减速带的图像，而并不一定是减速带。本发明所指的减速带是橡胶减速带，橡胶减速带多为黑黄相间的颜色。
S103：分割标记有减速带识别框的图片，保留减速带识别框内的图像。
在本发明的实施例中，分割图片后，剩余的图片容量减小，可提高图片处理速度。
S104：对减速带信息进行轮廓检测，并标记出减速带信息的最小外接轮廓，根据减速带特征信息滤除非减速带信息。
在本发明的实施例中，根据减速带特征信息滤除非减速带信息的具体方法为：判断最小外接轮廓的像素点个数是否在预设的像素点个数阈值范围内，若否，则滤除非减速带信息；以及，计算最小外接轮廓长度与宽度的长宽比值；判断长宽比值是否超过预设的长宽比例阈值，若否，则滤除非减速带信息。滤除的意思就是，判定该图片不存在减速带。
像素点个数阈值范围的大小与采集图片的图像采集装置相对于被采集点的位置有关，图像采集装置距离被采集点的距离越远，那么要被识别的特征在整张图片中的面积就越小，也就是像素点个数越小。因此像素个数阈值范围是根据实际图像采集的情况设定的。例如一张图片的像素点个数是固定的2万个像素点个数，减速带所占整张图片的面积小于一半，对应所占的像素点格式也在一半以内，可以将像素点个数阈值范围设置为(1000,8000)。
长宽比例阈值是根据减速带的实际长宽来决定的，减速带的宽度一般是固定的或者浮动误差减小，只是长度会有所不同。最小外接轮廓根据经验长度至少为其宽度的三倍，可以将长宽比例阈值设置为3。
S105：滤除图片中的噪点。
在本发明的实施例中，利用bilateralFilter双边滤波函数去除图片的噪点信息；利用morphologyEx形态学变换函数的腐蚀膨胀功能滤除细长的噪点。
S106：根据减速带颜色特征区分减速带颜色，标识出减速带第一颜色区块和第二颜色区块。
在本发明的实施例中，一般减速带为黄黑相间的两种颜色，因此减速带颜色特征可分为第一颜色特征信息和第二颜色特征信息，第一颜色特征信息用于识别黄色，第二颜色特征信息用于识别黑色，若减速带为其他颜色，也可对应修改第一颜色特征信息和第二颜色特征信息，若减速带的颜色有三种，也可以对应增加第三颜色特征信息，在本实施例中，以两种颜色进行示例性说明。将减速带颜色与预设的第一颜色特征信息和第二颜色特征信息进行比较，将减速带中符合第一颜色特征信息的区域标识为第一颜色区块，将减速带中符合第二颜色特征信息的区域标识为第二颜色区块。
第一颜色特征信息包括第一颜色值范围和第一颜色值约束条件，第二颜色特征信息包括第二颜色值范围和第二颜色值约束条件。
由于图片的色彩模式不同，因此对应不同的色彩模式会有不同的颜色值范围和颜色值约束条件。在本发明的实施例中，以RGB色彩模式为例，在RGB色彩模式下，R、G、B均有0～255的颜色值。为识别减速带中的黄色，可以将第一颜色值范围设置为30<R<150、50<G<150、50<B<150，第一颜色值得约束条件设置为R<G、R-G<30、G-B>10，筛选出的第一颜色区块就是黄色区块。同样根据黑色的颜色值范围和颜色值约束条件45<R<130、15<G<90、15<B<90、B-G> 15、R-B>20、|G-B|<15可以筛选出黑色区块。
S107：判断第一颜色区块与第二颜色区块相间个数是否超过相间个数阈值，若是,则确认检测到减速带信息。
在本发明的实施例中，根据相间个数来确认减速带信息是根据减速带固有的颜色特征来设定的条件。在一实施例中，如图3所示，如果黄黑区域块相间个数大于3则确认检测到减速带信息。也就是说有3块区域的颜色是相间的。
S108：通过相机内外参方法获取最小外接轮廓内中心像素点与相机的实际水平距离信息，把获得的实际水平距离信息转化到实际的地图中，结合相机在地图中的坐标，在地图中以矩形的形式显示出识别到的减速带信息。
在本发明的实施例中，通过内外参可以计算出减速带相对相机的实际水平距离，机器人在地图上的位置又是已知的，通过坐标转化就可以把减速带转化到地图上。减速带的实际大小，则根据最小外接轮廓的长宽比值和默认的减速带宽度来得到。
本发明实现的效果：在建图中自动标记出减速带信息，无需手动绘制，相对于深度学习的在减速带倾斜状态下包含地面标记减速带识别框更加精确。
而将本发明应用于清扫机器人时，可提高清洁机器人部署效率和精度，辅助清洁机器人清扫和避障，提高清洁机器人工作安全性和稳定性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种基于视觉的减速带检测装置，该基于视觉的减速带检测装置与上述实施例中基于视觉的减速带检测方法一一对应。如图2所示，该基于视觉的减速带检测装置包括获取模块、识别框标记模块、分割模块、轮廓标记模块、噪点滤除模块、区块区分模块、判断模块和地图标记模块。各功能模块详细说明如下：
获取模块，用于获取图片；
识别框标记模块，用于通过深度学习法检测图片中的减速带信息，将减速带信息标记于减速带识别框内；
分割模块，用于分割标记有减速带识别框的图片，保留减速带识别框内的图像；
轮廓标记模块，用于对减速带信息进行轮廓检测，并标记出减速带信息的最小外接轮廓，根据减速带特征信息滤除非减速带信息；
噪点滤除模块，用于滤除图片中的噪点；
区块区分模块，用于根据减速带颜色特征区分减速带颜色，标识出减速带第一颜色区块和第二颜色区块；
判断模块，用于判断第一颜色区块与第二颜色区块相间个数是否超过相间个数阈值，若是,则确认检测到减速带信息。
地图标记模块，用于通过相机内外参方法获取最小外接轮廓内中心像素点与相机的实际水平距离信息，把获得的实际水平距离信息转化到实际的地图中，结合相机在地图中的坐标，在地图中以矩形的形式显示出识别到的减速带信息。
关于基于视觉的减速带检测装置的具体限定可以参见上文中对于基于视觉的减速带检测方法的限定，在此不再赘述。上述基于视觉的减速带检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
S101：获取图片；
S102：通过深度学习法检测图片中的减速带信息，将减速带信息标记于减速带识别框内；
S104：对减速带信息进行轮廓检测，并标记出减速带信息的最小外接轮廓，根据减速带特征信息滤除非减速带信息；
S106：根据减速带颜色特征区分减速带颜色，标识出减速带第一颜色区块和第二颜色区块；
S107：判断第一颜色区块与第二颜色区块相间个数是否超过相间个数阈值，若是,则确认检测到减速带信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于视觉的减速带检测方法，其特征在于，所述方法包括：
S101：获取图片；
S102：通过深度学习法检测图片中的减速带信息，将减速带信息标记于减速带识别框内；
S104：对减速带信息进行轮廓检测，并标记出减速带信息的最小外接轮廓，根据减速带特征信息滤除非减速带信息；
S106：根据减速带颜色特征区分减速带颜色，标识出减速带第一颜色区块和第二颜色区块；
S107：判断第一颜色区块与第二颜色区块相间个数是否超过相间个数阈值，若是,则确认检测到减速带信息。
2.如权利要求1所述的基于视觉的减速带检测方法，其特征在于，所述S102与S104之间还包括S103: 分割标记有减速带识别框的图片，保留减速带识别框内的图像。
3.如权利要求1所述的基于视觉的减速带检测方法，其特征在于，所述S104中，根据减速带特征信息滤除非减速带信息的具体方法为：
判断最小外接轮廓的像素点个数是否在预设的像素点个数阈值范围内，若否，则滤除非减速带信息；
以及，计算最小外接轮廓长度与宽度的长宽比值；判断长宽比值是否超过预设的长宽比例阈值，若否，则滤除非减速带信息。
4.如权利要求1所述的基于视觉的减速带检测方法，其特征在于，所述S104与S106之间还包括S105：滤除图片中的噪点。
5.如权利要求1所述的基于视觉的减速带检测方法，其特征在于，所述S106中根据减速带颜色特征区分减速带颜色的具体方法为：
将减速带颜色与预设的第一颜色特征信息和第二颜色特征信息进行比较，将减速带中符合第一颜色特征信息的区域标识为第一颜色区块，将减速带中符合第二颜色特征信息的区域标识为第二颜色区块；
所述第一颜色特征信息包括第一颜色值范围和第一颜色值约束条件，所述第二颜色特征信息包括第二颜色值范围和第二颜色值约束条件。
6.如权利要求5所述的基于视觉的减速带检测方法，其特征在于，所述方法还包括：当所述图片的色彩模式为RGB且第一颜色特征信息用于区分黄色区域时，第一颜色值范围为30<R<150、50<G<150、50<B<150，第一颜色值约束条件为R<G、R-G<30、G-B>10。
7.如权利要求1所述的基于视觉的减速带检测方法，其特征在于，所述方法还包括S108：通过相机内外参方法获取最小外接轮廓内中心像素点与相机的实际水平距离信息，把获得的实际水平距离信息转化到实际的地图中，结合相机在地图中的坐标，在地图中以矩形的形式显示出识别到的减速带信息。
8.一种基于视觉的减速带检测装置，其特征在于，所述装置包括：
获取模块，用于获取图片；
识别框标记模块，用于通过深度学习法检测图片中的减速带信息，将减速带信息标记于减速带识别框内；
分割模块，用于分割标记有减速带识别框的图片，保留减速带识别框内的图像；
轮廓标记模块，用于对减速带信息进行轮廓检测，并标记出减速带信息的最小外接轮廓，根据减速带特征信息滤除非减速带信息；
噪点滤除模块，用于滤除图片中的噪点；
区块区分模块，用于根据减速带颜色特征区分减速带颜色，标识出减速带第一颜色区块和第二颜色区块；
判断模块，用于判断第一颜色区块与第二颜色区块相间个数是否超过相间个数阈值，若是,则确认检测到减速带信息。
9.如权利要求8所述的基于视觉的减速带检测装置，其特征在于，所述装置还包括地图标记模块，用于通过相机内外参方法获取最小外接轮廓内中心像素点与相机的实际水平距离信息，把获得的实际水平距离信息转化到实际的地图中，结合相机在地图中的坐标，在地图中以矩形的形式显示出识别到的减速带信息。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于视觉的减速带检测方法的步骤。
CN202010489774.0A 2020-06-02 2020-06-02 一种基于视觉的减速带检测方法、装置及其存储介质 Active CN111401341B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010489774.0A CN111401341B (zh) 2020-06-02 2020-06-02 一种基于视觉的减速带检测方法、装置及其存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010489774.0A CN111401341B (zh) 2020-06-02 2020-06-02 一种基于视觉的减速带检测方法、装置及其存储介质

Publications (2)

Publication Number Publication Date
CN111401341A true CN111401341A (zh) 2020-07-10
CN111401341B CN111401341B (zh) 2020-09-08

Family

ID=71433830

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010489774.0A Active CN111401341B (zh) 2020-06-02 2020-06-02 一种基于视觉的减速带检测方法、装置及其存储介质

Country Status (1)

Country Link
CN (1) CN111401341B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780196A (zh) * 2021-09-15 2021-12-10 江阴市浩华新型复合材料有限公司 异常数据实时上报系统
CN116385529A (zh) * 2023-04-14 2023-07-04 小米汽车科技有限公司 确定减速带位置的方法、装置、存储介质以及车辆

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130086819A (ko) * 2012-01-26 2013-08-05 현대엠엔소프트 주식회사 차량 ｍｍｓ를 이용한 과속방지턱 정보 취득방법
CN104973052A (zh) * 2014-04-14 2015-10-14 现代自动车株式会社 减速带检测装置和使用该装置的导航数据更新装置和方法
CN110450594A (zh) * 2018-05-08 2019-11-15 现代自动车株式会社 利用路面信息的车辆电子控制悬架控制系统及使用该控制系统的控制方法
CN110458161A (zh) * 2019-07-15 2019-11-15 天津大学 一种结合深度学习的移动机器人门牌定位方法
CN110807771A (zh) * 2019-10-31 2020-02-18 长安大学 一种道路减速带的缺损检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130086819A (ko) * 2012-01-26 2013-08-05 현대엠엔소프트 주식회사 차량 ｍｍｓ를 이용한 과속방지턱 정보 취득방법
CN104973052A (zh) * 2014-04-14 2015-10-14 现代自动车株式会社 减速带检测装置和使用该装置的导航数据更新装置和方法
CN110450594A (zh) * 2018-05-08 2019-11-15 现代自动车株式会社 利用路面信息的车辆电子控制悬架控制系统及使用该控制系统的控制方法
CN110458161A (zh) * 2019-07-15 2019-11-15 天津大学 一种结合深度学习的移动机器人门牌定位方法
CN110807771A (zh) * 2019-10-31 2020-02-18 长安大学 一种道路减速带的缺损检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
V S K P VARMA等: "Real time detection of speed hump/bump and distance estimation with deep learning using GPU and ZED stereo camera", 《PROCEDIA COMPUTER SCIENCE》 *
周攀等: "基于阈值ACF算法的减速带检测", 《工业控制计算机》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780196A (zh) * 2021-09-15 2021-12-10 江阴市浩华新型复合材料有限公司 异常数据实时上报系统
CN116385529A (zh) * 2023-04-14 2023-07-04 小米汽车科技有限公司 确定减速带位置的方法、装置、存储介质以及车辆
CN116385529B (zh) * 2023-04-14 2023-12-26 小米汽车科技有限公司 确定减速带位置的方法、装置、存储介质以及车辆

Also Published As

Publication number Publication date
CN111401341B (zh) 2020-09-08

Similar Documents

Publication Publication Date Title
CN109886896B (zh) 一种蓝色车牌分割与矫正方法
CN110919653B (zh) 机器人的爬楼控制方法、装置、存储介质和机器人
KR101403876B1 (ko) 차량 번호판 인식 방법과 그 장치
US20190340446A1 (en) Shadow removing method for color image and application
CN108256521B (zh) 用于车身颜色识别的有效区域定位方法
CN107590447A (zh) 一种文字标题识别方法及装置
CN108985129B (zh) 二维码的定位与检出方法
US20100208071A1 (en) Vehicle detection device, vehicle detection method, and vehicle detection program
CN111401341B (zh) 一种基于视觉的减速带检测方法、装置及其存储介质
CN110596120A (zh) 玻璃边界缺陷检测方法、装置、终端及存储介质
KR101549495B1 (ko) 문자 추출 장치 및 그 방법
CN110866932A (zh) 多通道舌体边缘检测装置、方法及存储介质
CN114331986A (zh) 一种基于无人机视觉的坝体裂纹识别与测量方法
JP3490482B2 (ja) エッジ及び輪郭抽出装置
CN113283439B (zh) 基于图像识别的智能计数方法、装置及系统
CN114004858A (zh) 基于机器视觉识别航空线缆表面编码的方法及装置
CN113705351A (zh) 车辆定损方法、装置及设备
CN110909751A (zh) 用于变电站绝缘子清扫机器人的视觉识别方法、系统及介质
CN113569859B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN111695374A (zh) 监控视角中斑马线区域的分割方法、系统、介质及设备
CN116189038A (zh) 一种画面异常判定方法、装置、设备及存储介质
CN112749753B (zh) 电器设备控制方法、装置、电器设备和存储介质
CN111583341B (zh) 云台像机移位检测方法
CN114596307A (zh) 基于无人机和机器视觉的铁路接触网吊弦长度测量方法
CN112571409B (zh) 基于视觉slam的机器人控制方法、机器人及介质

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20201125

Address after: B1205, phase II, Bolton Science Park, 1044 chaguang Road, Shuguang community, Xili street, Nanshan District, Shenzhen City, Guangdong Province

Patentee after: Huizhi robot technology (Shenzhen) Co., Ltd

Address before: 3 / F, building 1, No. 400 Fangchun Road, Pudong New Area (Shanghai) pilot Free Trade Zone

Patentee before: FLYINGWINGS INTELLIGENT ROBOT TECHNOLOGY (SHANGHAI) Co.,Ltd.