CN112455396A - 面向自动洗车的车轮定位系统、方法和装置 - Google Patents

Abstract

本发明属于图像识别领域，具体涉及了一种面向自动洗车的车轮定位系统、方法和装置，旨在解决现有的自动洗车方法对车身和车轮进行无差别的清洗带来的资源浪费和清洗效果不佳的问题。本发明包括：图像采集模块通过设置于车位两侧的单线激光雷达获取车轮点集图像，点集聚类模块通过自适应阈值的最近邻聚类方法聚类生成车轮聚类点集，点集拟合模块拟合生成车轮聚类圆图像，车轮定位模块获取车轮圆心坐标和车轮半径，根据所述车轮圆心和车轮半径结合单线激光雷达的位置获得车轮位置信息，进而对车轮进行精确清洗。本发明在自动洗车中精确定位了车轮，能够将车轮清洗与车身清洗进行区分进而达到提高清洗效果和节省资源的目的。

Description

面向自动洗车的车轮定位系统、方法和装置

技术领域

本发明属于图像识别领域，具体涉及了一种面向自动洗车的车轮定位系统、方法和装置。

背景技术

随着经济的突飞猛进的发展，汽车成为人们生活中不可或缺的一部分，但是随之而来的各种问题也。其中洗车就是汽车生活中不可缺少的一部分，现在的洗车绝大多数是人工进行清洗，不紧时间过长而且清洗的过程中各种资源也存在浪费，特别是水资源。要从本质上解决这样的问题，就需要引入智能设备。

目前市场上存在的接触式或非接触式自动洗车房的一般工作方式为，通过滚刷或高压水枪擦拭或冲洗整车身，这种统一无差别清扫方式缺乏对汽车轮毂进行精细清洗的能力，为了解决现有自动洗车房的不足，本发明提出了一种面向自动洗车的车轮定位系统、方法和装置。

发明内容

为了解决现有技术中的上述问题，即现有的洗车方法不会对车轮和车身进行区分，缺乏对汽车轮毂进行精细清洗的能力，本发明提供了一种面向自动洗车的车轮定位系统，所述定位系统包括：图像采集模块、点集聚类模块、点集拟合模块、车轮定位模块和所述车轮清洗模块；

所述图像采集模块，用于通过设置于车位两侧的单线激光雷达获取车轮点集图像；

所述点集聚类模块，用于基于所述车轮点集图像，通过自适应阈值的最近邻聚类方法聚类生成车轮聚类点集；

所述点集拟合模块，用于基于所述车轮聚类点集拟合生成车轮聚类圆图像；

所述车轮定位模块，用于基于所述车轮聚类圆图像和单线激光雷达的位置获得车轮位置信息；

所述车轮清洗模块，用于根据所述车轮位置信息对车轮进行精确清洗。

在一些优选的实施方式中，所述点集聚类模块，包括第一聚类中心确定单元、第二聚类中心确定单元和样本点聚类单元；

所述第一聚类中心确定单元，用于基于所述车轮点集图像，随机选取第一车轮点样本X_i作为第一聚类中心Z₁；

所述第二聚类中心确定单元，用于基于所述第一聚类中心Z₁，选取第二车轮点样本X_j，计算第二车轮点样本X_j至第一聚类中心Z₁的欧式距离D_j1＝‖X_j-Z₁‖，当D_j1大于预设的聚类阈值T时，使所述第二车轮样本点X_j作为第二聚类中心Z₂，当D_j1小于或等于预设的聚类阈值T时，所述第二车轮样本点X_j作为以Z₁为中心的聚类；

所述样本点聚类单元，用于计算第三车轮样本点X_k至所有聚类中心的距离D_kn＝‖X_k-Z_n‖，当每个D_kn大于预设的聚类阈值T时，使所述第三车轮样本点X_k作为第三聚类中心，若存在D_kn小于或等于预设的聚类阈值，则所述第三车轮样本点X_k作为以minD_kn对应的Z_n为中心的聚类，选取未聚类的车轮样本点作为新的X_k重复样本点聚类单元的动作直至遍历所有车轮样本点，获得车轮聚类点集；i、j、k和n为自然数。

在一些优选的实施方式中，在通过所述点集聚类模块生成车轮聚类点集后，还包括聚类阈值调整步骤，其方法为：

计算相同聚类内所有样本的距离方差，若所述所有样本的距离方差大于预设的重计阈值，则减小所述聚类阈值T，并重新通过所述点集聚类模块生成车轮聚类点集。

在一些优选的实施方式中，所述点集拟合模块，包括：候选样本确定单元、图像灰度化单元、滤波去噪单元、边缘提取单元和图像拟合单元；

所述候选样本确定单元，用于基于所述车轮聚类点集，选取中心值最大的聚类作为候选样本；

所述图像灰度化单元，用于将所述候选样本转化为二维灰度点云图像；

所述滤波去噪单元，用于基于所述二维灰度点云图像，通过中值滤波的方法生成去噪二维灰度点云图像；

所述边缘提取单元，用于计算所述去噪二维灰度点云图像的梯度获得灰度图像纵向梯度图；

所述图像拟合单元，用于基于所述纵向梯度图通过最小二乘法拟合生成车轮聚类圆图像。

在一些优选的实施方式中，所述图像灰度化单元包括：

将所述候选样本根据灰度转化公式生成二维灰度点云图像，所述灰度转化公式为：

cMax＝max(R_r，l，G_r，l，B_r，l)

cMid＝mid(R_r，l，G_r，l，B_r，l)

cMin＝min(R_r，l，G_r，l，B_r，l)

imageGray_r，l＝(cMax-cMid)*ratio1+(cMid-cMin)*ratio2+cMin

其中，r为像素行号，1为像素列号，R为像素红色通道图像，G为像素绿色通道图像，B为像素蓝色通道图像。

在一些优选的实施方式中，所述图像拟合单元包括：

构建圆方程：

(X-a)²+(Y-b)²＝R²

其中，X和Y为所述纵向梯度图中点的坐标；

转化为圆方程的线性表示为：

X²-2Xa+a²+Y²-2Yb+b²＝R_c ²

2Xa+2Yb+(Rc²-a²-b²)＝X²+Y²

令(R_c ²-a²-b²)＝M，得聚类圆的线性方程组：

通过线性最小二乘法求解得a、b和M后，将a和b带入M得到车轮半径R_c，a和b为车轮圆心坐标，进而获得车轮聚类圆图像。

在一些优选的实施方式中，所述边缘提取单元，通过sobel卷积算子将去噪二维灰度点云图像卷积得到灰度图像纵向梯度图，所述sobel卷积算子为：

本发明的另一方面，提出了一种面向自动洗车的车轮定位方法，所述方法包括：

步骤S100，通过设置于车位两侧的单线激光雷达获取车轮点集图像；

步骤S200，基于所述车轮点集图像，通过自适应阈值的最近邻聚类方法聚类生成车轮聚类点集；

步骤S300，基于所述车轮聚类点集拟合生成车轮聚类圆图像；

步骤S400，基于所述车轮聚类圆图像和单线激光雷达的位置获得车轮位置信息；

步骤S500，根据所述车轮位置信息对车轮进行精确清洗。

本发明的第三方面，提出了一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的面向自动洗车的车轮定位方法。

本发明的第四方面，提出了一种处理装置，包括处理器、存储装置；所述处理器，适于执行各条程序；所述存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的面向自动洗车的车轮定位方法。

本发明的有益效果：

(1)本发明面向自动洗车的车轮定位系统通过单线激光雷达在自动洗车中识别出汽车车轮，可以对较难清洗的车轮轮毂进行精确清洗，相较于现有的无差别清扫方式，节省了水资源，提高了清洁效果。

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是本发明面向自动洗车的车轮定位系统实施例的系统结构框图；

图2是本发明实施例中激光雷达组成示意图；

图3是本发明实施例中激光雷达扫描面示意图；

图4是本发明实施例近邻聚类调整近邻阈值T的原理图；

图5是本发明实施例的激光雷达扫描的车轮点集图像效果图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

本发明提供一种面向自动洗车的车轮定位系统，本系统通过在自动洗车中使用单线激光雷达对汽车车轮进行定位，根据定位对汽车轮毂进行精确清洗，既提高了清洗效果又节省了资源。

本发明的一种面向自动洗车的车轮定位系统，所述系统包括：图像采集模块、点集聚类模块、点集拟合模块、车轮定位模块和所述车轮清洗模块；

所述图像采集模块，用于通过设置于车位两侧的单线激光雷达获取车轮点集图像；

所述点集聚类模块，用于基于所述车轮点集图像，通过自适应阈值的最近邻聚类方法聚类生成车轮聚类点集；

所述点集拟合模块，用于基于所述车轮聚类点集拟合生成车轮聚类圆图像；

所述车轮定位模块，用于基于所述车轮聚类圆图像和单线激光雷达的位置获得车轮位置信息；

所述车轮清洗模块，用于根据所述车轮位置信息对车轮进行精确清洗。

为了更清晰地对本发明面向自动洗车的车轮定位系统进行说明，下面结合图1对本发明实施例中各步骤展开详述。

本发明一种实施例的面向自动洗车的车轮定位系统，包括：图像采集模块、点集聚类模块、点集拟合模块、车轮定位模块和所述车轮清洗模块，各模块功能详细描述如下：

所述图像采集模块，用于通过设置于车位两侧的单线激光雷达获取车轮点集图像；所述车轮点集图像的效果如图5所示。

在本实施例中，将360°单线激光雷达被设置在汽车左右两侧，离地面高度为10cm，本实施例中的单线激光雷达的扫描面如图3所示。当汽车在开进自动洗车方时，两个单线激光雷达对汽车进行实时测距，形成二维的车轮点集图像，当有车轮的地方在点集图像中是跟其他无障碍物的有所区别。本实施例中的单线激光雷达如图2所示，包括发射器、分光器、反射镜和接受器，发射器发出的激光经分光器分光后由反射镜射向被测物，激光接触到被测物后反射回反射镜，经由分光器射向接受器，每一束反射的激光形成一个点。

所述点集聚类模块，用于基于所述车轮点集图像，通过自适应阈值的最近邻聚类方法聚类生成车轮聚类点集；

在本实施例中，所述点集聚类模块，包括第一聚类中心确定单元、第二聚类中心确定单元和样本点聚类单元；

所述第一聚类中心确定单元，用于基于所述车轮点集图像，随机选取第一车轮点样本X_i作为第一聚类中心Z₁，即令Z₁＝X_i；

所述第二聚类中心确定单元，用于基于所述第一聚类中心Z₁，选取第二车轮点样本X_j，计算第二车轮点样本X_j至第一聚类中心Z₁的欧式距离D_j1＝‖X_j-Z₁‖，当D_j1大于预设的聚类阈值T时，使所述第二车轮样本点X_j作为第二聚类中心Z₂，当D_j1小于或等于预设的聚类阈值T时，所述第二车轮样本点X_j作为以Z₁为中心的聚类；

所述样本点聚类单元，用于计算第三车轮样本点X_k至所有聚类中心的距离D_kn＝‖X_k-Z_n‖，当每个D_kn大于预设的聚类阈值T时，使所述第三车轮样本点X_k作为第三聚类中心，若存在D_kn小于或等于预设的聚类阈值，则所述第三车轮样本点X_k作为以minD_kn对应的Z_n为中心的聚类，选取未聚类的车轮样本点作为新的X_k重复样本点聚类单元的动作直至遍历所有车轮样本点，获得车轮聚类点集；i、j、k和n为自然数。

在本实施例中，如图4所示，在通过所述点集聚类模块生成车轮聚类点集后，还包括聚类阈值调整步骤，其方法为：计算相同聚类内所有样本的距离方差，若所述所有样本的距离方差大于预设的重计阈值，则减小所述聚类阈值T，具体为：将相同聚类内所有样本在y方向上投影，计算类内样本的最小外接凸多边形，然后计算该凸多边形与圆形的相似度，若所有聚类的外接凸多边形的圆形相似度均小于重计阈值，则减小所述聚类阈值T，每次减小步长为_ΔT，_ΔT＝0.01米。重新通过所述点集聚类模块生成车轮聚类点集。

在聚类过程中，最关键的是阈值的选择，不仅会聚类的效果产生影响，而且还会对后续的障碍物判定工作的准确和完整造成干扰。阈值选择过小，雷达数据会被分割的乱七八糟，虽然障碍判定的精度比较高，但检测的实时性会降低，障碍过于繁琐零碎，这对路径规划也造成障碍；相反，若阈值选择过大，则小障碍很难会被检测到，造成障碍物漏检。由于激光雷达的激光束成扇形的扫描特性，随着相邻两激光反射点间距离的增加，判断的阈值也应相应增加，而相邻两激光反射点间的距离dr是随光束的延长而线性增加的：

dr＝rsind

式中，dr为相邻两激光反射点之间的距离，r为激光束的长度，d为激光雷达的角度分辨率，即0.25°。本文所采用的聚类算法阈值是根据每个激光反射点的距离而自适应变化的。

最近邻聚类方法，处理速度快，充分利用了单线激光雷达顺序扫描的特点。

所述点集拟合模块，用于基于所述车轮聚类点集拟合生成车轮聚类圆图像；

在本实施例中，所述点集拟合模块，包括：候选样本确定单元、图像灰度化单元、滤波去噪单元、边缘提取单元和图像拟合单元；

所述候选样本确定单元，用于基于所述车轮聚类点集，选取中心值最大的聚类作为候选样本；

所述图像灰度化单元，用于将所述候选样本转化为二维灰度点云图像；

在本实施例中，所述图像灰度化单元包括：

将所述候选样本根据灰度转化公式生成二维灰度点云图像，所述灰度转化公式为：

cMax＝max(R_r，l，G_r，l，B_r，l)

cMid＝mid(R_r，l，G_r，l，B_r，l)

cMin＝min(R_r，l，G_r，l，B_r，l)

imageGray_r，l＝(cMax-cMid)*ratio1+(cMid-cMin)*ratio2+cMin

其中，r为像素行号，1为像素列号，R为像素红色通道图像，G为像素绿色通道图像，B为像素蓝色通道图像。

所述滤波去噪单元，用于基于所述二维灰度点云图像，通过中值滤波的方法生成去噪二维灰度点云图像；

将二维点云图像等分成4份，使每份图像都有一个轮胎的印记。

单线激光雷达在使用过程中，经常会在结果中包含一些噪声，这些噪声会对雷达数据的处理造成一定程度的干扰。噪声的干扰主要分为有源干扰与混合像素干扰两大类采用中值滤波消除雷达数据中的随机噪声。中值滤波的基本原理是把一段序列中一点的值用该点的一个邻域内各点值的中值代替，从而消除孤立的噪声点；

所述边缘提取单元，用于计算所述去噪二维灰度点云图像的梯度获得灰度图像纵向梯度图；

在本实施例中，所述边缘提取单元，通过sobel卷积算子将去噪二维灰度点云图像卷积得到灰度图像纵向梯度图，所述sobel卷积算子为：

所述图像拟合单元，用于基于所述纵向梯度图通过最小二乘法拟合生成车轮聚类圆图像；

在本实施例中，所述图像拟合单元包括：

构建圆方程：

(X-a)²+(Y-b)²＝R²

其中X为所述纵向梯度图

转化为圆方程的线性表示为：

X²-2Xa+a²+Y²-2Yb+b²＝R_c ²

2Xa+2Yb+(R²-a²-b²)＝X²+Y²

令(R_c ²-a²-b²)＝M，得聚类圆的线性方程组：

通过线性最小二乘法求解得a、b和M后，将a和b带入M得到车轮半径R_c，a和b为车轮圆心坐标。

所述车轮定位模块，用于基于所述车轮聚类圆图像和单线激光雷达的位置获得车轮位置信息；

所述车轮清洗模块，用于根据所述车轮位置信息对车轮进行精确清洗。同样地对车轮轮毂进行精确清洗。

需要说明的是，上述实施例提供的面向自动洗车的车轮定位系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。

本发明第二实施例的面向自动洗车的车轮定位方法，包括步骤S100-步骤S400，各步骤的详细描述如下：

步骤S100，通过设置于车位两侧的单线激光雷达获取车轮点集图像；

步骤S200，基于所述车轮点集图像，通过自适应阈值的最近邻聚类方法聚类生成车轮聚类点集；

步骤S300,基于所述车轮聚类点集拟合生成车轮聚类圆图像；

步骤S400，基于所述车轮聚类圆图像和单线激光雷达的位置获得车轮位置信息；

步骤S500，根据所述车轮位置信息对车轮进行精确清洗。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的方法的具体工作过程及有关说明，可以参考前述系统实施例中的对应过程，在此不再赘述。

本发明第三实施例的一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的面向自动洗车的车轮定位方法。

本发明第四实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的面向自动洗车的车轮定位方法。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。

术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种面向自动洗车的车轮定位系统，其特征在于，所述系统包括：图像采集模块、点集聚类模块、点集拟合模块、车轮定位模块和所述车轮清洗模块；

所述图像采集模块，用于通过设置于车位两侧的单线激光雷达获取车轮点集图像；

所述点集聚类模块，用于基于所述车轮点集图像，通过自、适应阈值的最近邻聚类方法聚类生成车轮聚类点集；

所述点集拟合模块，用于基于所述车轮聚类点集通过最小二乘法拟合生成车轮聚类圆图像；

所述车轮定位模块，用于基于所述车轮聚类圆图像和单线激光雷达的位置获得车轮位置信息；

所述车轮清洗模块，用于根据所述车轮位置信息对车轮进行精确清洗。

2.根据权利要求1所述的面向自动洗车的车轮定位系统，其特征在于，所述点集聚类模块，包括第一聚类中心确定单元、第二聚类中心确定单元和样本点聚类单元；

所述第一聚类中心确定单元，用于基于所述车轮点集图像，随机选取第一车轮点样本X_i作为第一聚类中心Z₁；

所述第二聚类中心确定单元，用于基于所述第一聚类中心Z₁，选取第二车轮点样本X_j，计算第二车轮点样本X_j至第一聚类中心Z₁的欧式距离D_j1＝||X_j-Z₁||，当D_j1大于预设的聚类阈值T时，使所述第二车轮样本点X_j作为第二聚类中心Z₂，当D_j1小于或等于预设的聚类阈值T时，所述第二车轮样本点X_j作为以Z₁为中心的聚类；

所述样本点聚类单元，用于计算第三车轮样本点X_k至所有聚类中心的距离D_kn＝||X_k-Z_n||，当每个D_kn大于预设的聚类阈值T时，使所述第三车轮样本点X_k作为第三聚类中心，若存在D_kn小于或等于预设的聚类阈值，则所述第三车轮样本点X_k作为以minD_kn对应的Z_n为中心的聚类，选取未聚类的车轮样本点作为新的X_k重复样本点聚类单元的动作直至遍历所有车轮样本点，获得车轮聚类点集；i、j、k和n为自然数。

3.根据权利要求2所述的面向自动洗车的车轮定位系统，其特征在于，在通过所述点集聚类模块生成车轮聚类点集后，还包括聚类阈值调整步骤，其方法为：

计算相同聚类内所有样本的距离方差，若所述所有样本的距离方差大于预设的重计阈值，则减小所述聚类阈值T，并重新通过所述点集聚类模块生成车轮聚类点集。

4.根据权利要求1所述的面向自动洗车的车轮定位系统，其特征在于，所述点集拟合模块，包括：候选样本确定单元、图像灰度化单元、滤波去噪单元、边缘提取单元和图像拟合单元；

所述候选样本确定单元，用于基于所述车轮聚类点集，选取中心值最大的聚类作为候选样本；

所述图像灰度化单元，用于将所述候选样本转化为二维灰度点云图像；

所述滤波去噪单元，用于基于所述二维灰度点云图像，通过中值滤波的方法生成去噪二维灰度点云图像；

所述边缘提取单元，用于计算所述去噪二维灰度点云图像的梯度获得灰度图像纵向梯度图；

所述图像拟合单元，用于基于所述纵向梯度图通过最小二乘法拟合生成车轮聚类圆图像。

5.根据权利要求4所述的面向自动洗车的车轮定位系统，其特征在于，所述图像灰度化单元包括：

将所述候选样本根据灰度转化公式生成二维灰度点云图像，所述灰度转化公式为：

cMax＝max(R_r，l，G_r，l，B_r，l)

cMid＝mid(R_r，l，G_r，l，B_r，l)

cMin＝min(R_r，l，G_r，l，B_r，l)

imageGray_r，l＝(cMax-cMid)*ratio1+(cMid-cMin)*ratio2+cMin

其中，r为像素行号，l为像素列号，R为像素红色通道图像，G为像素绿色通道图像，B为像素蓝色通道图像。

6.根据权利要求4所述的面向自动洗车的车轮定位系统，其特征在于，所述图像拟合单元包括：

构建圆方程：

(X-a)²+(Y-b)²＝R_c ²

其中，X和Y为所述纵向梯度图中点的坐标；

令(R_c ²-a²-b²)＝M，得聚类圆的线性方程组：

通过线性最小二乘法求解得a、b和M后，将a和b带入M得到车轮半径R_c，a和b为车轮圆心坐标，进而获得车轮聚类圆图像。

7.根据权利要求4所述的面向自动洗车的车轮定位系统，其特征在于，所述边缘提取单元，通过sobel卷积算子将去噪二维灰度点云图像卷积得到灰度图像纵向梯度图，所述sobel卷积算子为：

8.一种面向自动洗车的车轮定位方法，其特征在于，所述方法包括：

步骤S100，通过设置于车位两侧的单线激光雷达获取车轮点集图像；

步骤S200，基于所述车轮点集图像，通过自适应阈值的最近邻聚类方法聚类生成车轮聚类点集；

步骤S300,基于所述车轮聚类点集拟合生成车轮聚类圆图像；

步骤S400，基于所述聚类圆图像结合单线激光雷达的位置获得车轮位置信息；

步骤S500，根据所述车轮位置信息对车轮进行精确清洗。

9.一种存储装置，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求8所述的面向自动洗车的车轮定位方法。

10.一种处理装置，包括处理器，适于执行各条程序以及存储装置，适于存储多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求8所述的面向自动洗车的车轮定位方法。

Images