CN112907164A - 物体定位方法和装置 - Google Patents
物体定位方法和装置 Download PDFInfo
- Publication number
- CN112907164A CN112907164A CN201911221477.1A CN201911221477A CN112907164A CN 112907164 A CN112907164 A CN 112907164A CN 201911221477 A CN201911221477 A CN 201911221477A CN 112907164 A CN112907164 A CN 112907164A
- Authority
- CN
- China
- Prior art keywords
- matrix
- point cloud
- cloud data
- coordinate axis
- filtering
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000001914 filtration Methods 0.000 claims abstract description 103
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims description 214
- 230000003044 adaptive effect Effects 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 35
- 230000006870 function Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000717 retained effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0833—Tracking
-
- 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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种物体定位方法和装置,涉及仓储物流技术领域。其中,该方法包括:从采集的原始点云数据中提取感兴趣区域;基于掩模对所述感兴趣区域在第一、第二坐标轴方向上进行滤波,并根据预设阈值对所述感兴趣区域在第三坐标轴方向上进行滤波,以得到滤波后的点云数据;其中,所述第三坐标轴方向为待测物体的高度方向;对所述滤波后的点云数据进行连通域分析,以得到至少一个连通域;基于所述连通域内的点云数据,确定待测物体的位姿信息。通过以上步骤,能够提高物体定位的处理效率以及物体定位精度。
Description
技术领域
本发明涉及仓储物流技术领域,尤其涉及一种物体定位方法和装置。
背景技术
在物流运输、仓储自动化快速发展的环境下,无人仓的许多场景都需要对方形箱体进行定位,然后通过将定位得到的箱体位姿信息提供给控制装置从而实现实时、精准地控制。箱体定位是该类任务的必要环节,并且“实时”和“精度”都是很重要的,一般要求箱体定位处理速度在毫秒(ms)量级,箱体定位处理精度在毫米(mm)量级。
现有的箱体定位方法主要包括以下流程:先通过深度相机获取三维点云数据,然后对三维点云数据进行滤波、降采样、分离各个箱体表面,再针对每个表面求解最小外接矩形、计算得到箱体的位姿信息。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:第一、由于点云数据的数据量较大(一般点云数据量少则十几万像素,多则几十万甚至上百万像素),直接对点云数据进行多个方向的滤波、聚类等操作会花费较长时间,且不易实现对任意形状区域的提取;第二、过多的降采样操作会降低箱体定位精度;第三、随着箱体数量的增加,分离各个箱体表面的操作(比如欧式聚类等操作)所耗费的时间也会显著增加,使得总体算法的时间开销很大。
发明内容
有鉴于此,本发明提供一种物体定位方法和装置,能够提高物体定位的处理效率以及物体定位精度。
为实现上述目的,根据本发明的一个方面,提供了一种物体定位方法。
本发明的物体定位方法包括:从采集的原始点云数据中提取感兴趣区域;基于掩模对所述感兴趣区域在第一、第二坐标轴方向上进行滤波,并根据预设阈值对所述感兴趣区域在第三坐标轴方向上进行滤波,以得到滤波后的点云数据;其中,所述第三坐标轴方向为待测物体的高度方向;对所述滤波后的点云数据进行连通域分析,以得到至少一个连通域;基于所述连通域内的点云数据,确定待测物体的位姿信息。
可选地,所述方法还包括:在执行所述基于所述连通域内的点云数据,确定待测物体的位姿信息的步骤之前,对所述连通域内的点在第三坐标轴方向上进行自适应滤波。
可选地,所述感兴趣区域采用第一矩阵表示,且所述第一矩阵中的元素用于存储点云数据点的三维坐标;所述基于掩模对所述感兴趣区域在第一、第二坐标轴方向上进行滤波的步骤包括:对所述第一矩阵中存储的点云数据点的三维坐标进行分离,以得到第二矩阵;其中,所述第二矩阵中的元素用于存储点云数据点在第三坐标轴上的坐标取值;将所述掩模与所述第二矩阵相乘得到第三矩阵,并将所述第三矩阵作为对所述感兴趣区域在第一、第二坐标轴方向上滤波后的结果。
可选地,所述预设阈值包括:第一高度阈值和第二高度阈值;所述根据预设阈值对所述感兴趣区域在第三坐标轴方向上进行滤波,以得到滤波后的点云数据的步骤包括:将所述第三矩阵中取值大于或等于第一高度阈值、且小于或等于第二高度阈值的元素保留,并将所述第三矩阵中的其他元素设置为0,以得到第四矩阵;其中,所述第四矩阵用于表示所述滤波后的点云数据。
可选地,所述方法还包括:将所述第四矩阵中的元素取值转换为对应的灰度值,然后基于灰度转换得到的第五矩阵执行所述对所述滤波后的点云数据进行连通域分析,以得到至少一个连通域的步骤。
可选地,所述对所述连通域内的点在第三坐标轴方向上进行自适应滤波的步骤包括:对所述连通域内的点在第三坐标轴上的坐标取值进行直方图分析,以确定自适应阈值区间;将所述连通域内落在所述自适应阈值区间的点保留,将所述连通域内没有落在所述自适应阈值区间的点滤除。
可选地,所述方法还包括:在执行所述从采集的原始点云数据中提取感兴趣区域的步骤之前,根据待测物体所在平台的大小和形状生成所述掩模。
为实现上述目的,根据本发明的另一方面,提供了一种物体定位装置。
本发明的物体定位装置包括:提取模块,用于从采集的原始点云数据中提取感兴趣区域;第一滤波模块,用于基于掩模对所述感兴趣区域在第一、第二坐标轴方向上进行滤波,并根据预设阈值对所述感兴趣区域在第三坐标轴方向上进行滤波,以得到滤波后的点云数据;其中,所述第三坐标轴方向为待测物体的高度方向;连通域分析模块,用于对所述滤波后的点云数据进行连通域分析,以得到至少一个连通域;确定模块,用于基于所述连通域内的点云数据,确定待测物体的位姿信息。
为实现上述目的,根据本发明的再一个方面,提供了一种电子设备。
本发明的电子设备,包括:一个或多个处理器;以及,存储装置,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明的物体定位方法。
为实现上述目的,根据本发明的又一个方面,提供了一种计算机可读介质。
本发明的计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明的物体定位方法。
上述发明中的一个实施例具有如下优点或有益效果:通过从采集的原始点云数据中提取感兴趣区域,基于掩模对所述感兴趣区域在第一、第二坐标轴方向上进行滤波,并根据预设阈值对所述感兴趣区域在第三坐标轴方向上进行滤波,以得到滤波后的点云数据,对所述滤波后的点云数据进行连通域分析以得到至少一个连通域,基于所述连通域内的点云数据确定待测物体的位姿信息这些步骤,能够提高物体定位的处理效率以及物体定位精度。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明第一实施例的物体定位方法的主要流程的示意图;
图2是根据本发明第二实施例的物体定位方法的主要流程的示意图;
图3是本发明实施例中平台和深度相机的安装结构示意图;
图4是本发明实施例中原始点云数据和感兴趣区的示意图;
图5是根据本发明第三实施例的物体定位装置的主要模块示意图;
图6是根据本发明第四实施例的物体定位装置的主要模块示意图;
图7是本发明实施例可以应用于其中的示例性系统架构图;
图8是适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要指出的是,在不冲突的情况下,本发明中的实施例以及实施例中的特征可以相互组合。
在详细介绍本发明的实施例之前,首先对本发明实施例涉及的部分技术术语进行说明。
OpenCV:OpenCV是Intel开源计算机视觉库。它由一系列C函数和少量C++类构成,实现了图像处理和计算机视觉方面的很多通用算法。在进行计算机视觉算法处理时,可以直接调用OpenCV的函数(接口)来实现很多功能,并在此基础上进行开发。
图1是根据本发明第一实施例的物体定位方法的主要流程的示意图。如图1所示,本发明实施例的物体定位方法包括:
步骤S101、从采集的原始点云数据中提取感兴趣区域。
在步骤S101之前,可通过深度相机或者其他视觉设备采集包含待测物体的原始点云数据。其中,所述待测物体可以为箱体、或者其他物体。在得到原始点云数据后,可采用大小为N*M的矩阵(比如OpenCV中的Mat矩阵形式)进行存储,其中,N和M均为大于1的整数。具体实施时,可根据原始点云数据量的大小确定N和M的取值。在该矩阵中,每个元素有三个通道,分别用于存放点云数据点的在三个维度上的坐标值,即点云数据点的x坐标值、y坐标值和z坐标值。
在该步骤中,可从原始点云数据的矩阵中提取部分感兴趣的行和列,以得到第一矩阵,即以矩阵形式表示的感兴趣区域。例如,假设对原始点云数据的矩阵中的W行H列感兴趣,则可将这些行、列中的元素提取出来,以得到大小为W*H的第一矩阵。具体实施时,可基于OpenCV自带的函数实现感兴趣区域的提取。
步骤S102、基于掩模对所述感兴趣区域在第一、第二坐标轴方向上进行滤波,并根据预设阈值对所述感兴趣区域在第三坐标轴方向上进行滤波,以得到滤波后的点云数据。
其中,所述第三坐标轴方向为待测物体的高度方向。示例性地,假设以待测物体所在平台表面为坐标系的xy轴所在平面,以平台的高度方向或者说待测物体的高度方向为z轴方向,则第一坐标轴方向为x轴方向、第二坐标轴方向为y轴方向,第三坐标轴为z轴方向。
其中,所述掩模可采用矩阵的形式进行表示,且该矩阵大小与第一矩阵的大小相等。在该掩模的矩阵中,有一部分元素的取值为1,其余元素的取值全为0。具体实施时,可预先根据待测物体所在平台的大小和形状生成掩模。
在一个可选实施方式中,步骤S102包括:先将该掩模的矩阵与第一矩阵相乘以得到第三矩阵,并将所述第三矩阵作为对所述感兴趣区域在第一、第二坐标轴方向(比如x、y轴方向)上滤波后的结果;之后,可根据预设阈值对第三矩阵在第三坐标轴方向(比如z轴方向)上进行滤波,以得到滤波后的点云数据。
其中,所述预设阈值可包括第一高度阈值和第二高度阈值。具体实施时,第一高度阈值和第二高度阈值可根据平台高度和平台上待测物体的高度进行设置。例如,若将平台台面的高度定义为0cm,且台面上放置的箱子的最高高度为50cm,则可将第一高度阈值设为10cm,将第二高度阈值设为60cm,进而在对z轴方向上进行过滤时可将第三矩阵中z坐标值落在10cm~60cm范围内的点保留,并将第三矩阵中不在这一范围的点滤除。在本发明实施例中,通过掩模的方式对所述感兴趣区域的点云数据在x、y轴方向上进行滤波,相比直接取出各个点云数据点、并以逐点比较的方式进行多个方向的滤波操作,能够减小滤波处理的运算量,提高滤波处理效率。
在另一个可选实施方式中,步骤S102包括:先对所述第一矩阵中存储的点云数据点的三维坐标进行分离,以得到第二矩阵;其中,所述第二矩阵中的元素用于存储点云数据点在第三坐标轴上的坐标取值;将所述掩模与所述第二矩阵相乘得到第三矩阵,并将所述第三矩阵作为对所述感兴趣区域在第一、第二坐标轴方向上滤波后的结果;之后,可根据预设阈值对第三矩阵在第三坐标轴方向上进行滤波,以得到滤波后的点云数据。在该可选实施方式中,通过对第一矩阵中存储的点云数据点的x、y、z坐标值进行分离,以得到用于存储点云数据点z坐标值的第二矩阵,并基于第二矩阵进行多个方向的滤波,能够减小点云数据滤波过程中的运算量,提高滤波处理效率。
步骤S103、对所述滤波后的点云数据进行连通域分析,以得到至少一个连通域。
在该步骤中,可通过调用OpenCV自带的函数,比如connectedComponentsWithStats()函数求解连通域。另外,在不影响本发明实施的情况下,也可采用其他现有的连通域分析方法。
步骤S104、基于所述连通域内的点云数据,确定待测物体的位姿信息。
在该步骤中,可先确定所述连通域内的点云数据的最小外接矩形,并将所述最小外接矩形的位姿信息作为待测物体的位姿信息。具体实施时,可基于OpenCV自带的函数minAreaRect()求解最小外接矩形,进而得到该最小外接矩形的位姿信息。其中,所述最小外接矩形位姿信息可包括:最小外接矩形的长和宽、最小外接矩形中心点的坐标、以及旋转角度。
在本发明实施例中,提出了一种基于掩模和后处理的物体定位方法,既保证了定位结果精度,又实现了快速运算。具体来说,在本发明实施例中,基于掩模对所述感兴趣区域在第一、第二坐标轴方向上进行滤波,相比直接取出各个点云数据点、并以逐点比较的方式进行多个方向的滤波操作,能够减小滤波处理的运算量,提高滤波处理效率;另外,由于本发明无需对点云数据进行降采样操作,进而能够在实现快速定位的同时保证定位结果的精度。
图2是根据本发明第二实施例的物体定位方法的主要流程的示意图。如图2所示,本发明实施例的物体定位方法包括:
步骤S201、根据待测物体所在平台的大小和形状生成掩模。
在本发明实施例中,借鉴了数字图像处理中基于掩模对图像进行处理的思想,将掩模用于对点云数据进行滤波。
在一个可选示例中,可将平台范围作为有效区域,并基于此生成掩模(mask)。其中,所述掩模可采用矩阵的形式进行表示。在该掩模的矩阵中,一部分元素的取值为1,其余元素的取值全为0。掩模的形状可以是任意形状,比如正方形、圆形等等。一般情况下,平台在安装完成后不会轻易变动,因此该掩模可以提前生成。简便起见,可将掩模记为矩阵M,并将矩阵M的大小设为W*H。
步骤S202、从采集的原始点云数据中提取感兴趣区域。
在步骤S202之前,可通过深度相机或者其他视觉设备采集包含待测物体的原始点云数据。其中,所述待测物体可以为箱体、或者其他物体。例如,若待测物体为智能传送带或者其他平台型设备上的方形箱体时,可如图3所示,将深度相机301安装在平台302上方,并通过深度相机301采集原始点云数据。在得到原始点云数据后,可采用矩阵(比如OpenCV中的Mat矩阵形式)进行存储,在该矩阵中,每个元素有三个通道,分别用于存放点云数据点的在三个维度上的坐标值,即点云数据点的x坐标值、y坐标值和z坐标值。简便起见,可将原始点云数据的矩阵记为矩阵A,并将矩阵A的大小设为N*M。其中,N和M均为大于1的整数。具体实施时,可根据原始点云数据量的大小确定N和M的取值。
在步骤S202中,可从矩阵A中提取部分感兴趣的行和列,以得到第一矩阵,即以矩阵形式表示的感兴趣区域。也就是说,第一矩阵是原始点云数据的矩阵(即矩阵A)的一部分。具体实施时,可基于OpenCV自带的函数实现感兴趣区域的提取。简便起见,可将第一矩阵记为矩阵B,其大小为W*H(即表示矩阵B有W行H列元素组成),矩阵B中的每个元素有三个通道,分别用于存放点云数据点的在三个维度上的坐标值,即点云数据点的x坐标值、y坐标值和z坐标值。
步骤S203、基于掩模对所述感兴趣区域在第一、第二坐标轴方向上进行滤波,并根据预设阈值对所述感兴趣区域在第三坐标轴方向上进行滤波,以得到滤波后的点云数据。
其中,所述第三坐标轴方向为待测物体的高度方向。示例性地,假设以待测物体所在平台表面为坐标系的xy轴所在平面,以平台的高度方向或者说待测物体的高度方向为z轴方向,则第一坐标轴方向为x轴方向、第二坐标轴方向为y轴方向,第三坐标轴为z轴方向。
在一个可选实施方式中,步骤S203具体包括步骤a至步骤c。
在步骤a中,对第一矩阵(即矩阵B)中存储的点云数据点的三维坐标进行分离,以得到第二矩阵。其中,所述第二矩阵中的元素用于存储点云数据点在第三坐标轴上的坐标取值。由此可见,第二矩阵与第一矩阵的大小均为W*H,两者的区别在于:第一矩阵中存储的是点云数据点的x、y、z坐标值;第二矩阵中存储的是点云数据点在第三坐标轴上的坐标取值,比如z坐标值。
在步骤b中,将所述掩模(即矩阵M)与所述第二矩阵相乘得到第三矩阵,并将所述第三矩阵作为对所述感兴趣区域在第一、第二坐标轴方向上滤波后的结果。
在步骤c中,可根据预设阈值对第三矩阵在第三坐标轴方向上进行滤波,以得到滤波后的点云数据。其中,其中,所述预设阈值可包括第一高度阈值和第二高度阈值。具体实施时,第一高度阈值和第二高度阈值可根据平台高度和平台上待测物体的高度进行设置。例如,若将平台台面的高度定义为0cm、且台面上放置的箱子的最高高度为50cm时,则可将第一高度阈值设为10cm、将第二高度阈值设为60cm,进而在对第三坐标轴比如z轴方向上进行过滤时,可将第三矩阵中z坐标值落在10cm~60cm范围内的点保留,并将第三矩阵中不在这一范围的点滤除(比如可将第三矩阵中的这些点的取值设为0),进而可得到第四矩阵。其中,所述第四矩阵用于表示所述滤波后的点云数据。第四矩阵的大小与第三矩阵、第二矩阵的相同,都为W*H。
在该可选实施方式中,通过对第一矩阵中存储的点云数据点的x、y、z坐标值进行分离,以得到用于存储点云数据点z坐标值的第二矩阵,并基于掩模的方式对第二矩阵中的点云数据在x、y轴方向上进行滤波,相比直接取出各个点云数据点、并以逐点比较的方式进行多个方向的滤波操作,能够减小滤波处理的运算量,提高滤波处理效率。
步骤S204、对所述滤波后的点云数据进行连通域分析,以得到至少一个连通域。
进一步,在通过步骤S203得到滤波后的点云数据即第四矩阵后、且在步骤S204之前,本发明实施例的方法还可包括以下步骤:将所述第四矩阵中的元素取值转换为对应的灰度值,以得到第五矩阵。第五矩阵的大小与第四矩阵的大小相同,都为W*H,第五矩阵存储的是对点云数据点的z坐标值进行灰度转换处理后的值,即灰度值。具体实施时,可将第四矩阵中存储的z坐标值乘以灰度转换因子,以将其由浮点数转换为范围为0~255的整数(即灰度值)。通过进行灰度转换处理,能够起到如下作用:(1)扩大了点云数据在z方向上的差异,便于进行后续处理;(2)将浮点数转换为整数,有助于提高后续处理效率。
在步骤S204中,可将第五矩阵作为入参,通过调用OpenCV自带的函数,比如connectedComponentsWithStats()函数求解连通域。该函数的输出结果为至少一组点集。具体来说,该函数输出的每组点集表示连通域中的点的索引集合,具体为第五矩阵中的一部分元素的索引集合。比如连通域1对应的点集表明该连通域对应第五矩阵中哪些行哪些列的元素,用这个点集可以将第五矩阵中这些元素的z坐标值取出来,进而可得到该连通域内所有点云数据点的z坐标值。在将连通域内所有点云数据点的z坐标值取出来后,可将其存放至矩阵或者向量等数据结构中。例如,可将一个连通域内所有点云数据点的z坐标值存在矩阵G中,该矩阵的大小与第五矩阵相同,都为W*H。但是在矩阵G中,只有那些用于存放连通域内的点云数据点的元素取值不为0,其他元素取值都为0。另外,在不影响本发明实施的情况下,也可采用其他现有的连通域分析方法。
步骤S205、对所述连通域内的点在第三坐标轴方向上进行自适应滤波。
在一个可选实施方式中,步骤S205包括:对所述连通域内的点在第三坐标轴上的坐标取值进行直方图分析,以确定自适应阈值区间;将所述连通域内落在所述自适应阈值区间的点保留,将所述连通域内没有落在所述自适应阈值区间的点滤除。
以下结合图3所示场景对以上可选实施方式进行详细说明。在图3所示场景下,深度相机从上而下照射,会采集到箱子顶面、侧面的点云数据。由于后续主要是基于箱子顶面的点云数据进行位姿估计,因此侧面的点云数据相当于是杂点。在该场景下,可认为顶面的高度基本是一致的,因此可利用直方图分析的方法从矩阵G中的z坐标值(即灰度值)中提取峰值,所述峰值表示箱子顶面的高度。比如,假设通过直方图分析方法确定该峰值为30cm,则可将自适应阈值设置为28cm~32cm。接下来,可将矩阵G中落在所述自适应阈值区间的元素的取值保持不变,将其他元素的取值设为0,进而实现了对连通域内的点在z轴方向的自适应滤波。之后,可根据矩阵G中非0元素的索引(所述索引用于表示该元素在矩阵中的位置,即具体在第几行和第几列)查询第一矩阵,并将查询出来的点云数据点的三维坐标取出来,后续基于这些点云数据点计算待测物体的位姿。具体实施时,基于直方图分析方法对各个连通域分别进行分析,可以得到每个连通域对应的自适应阈值,进而可对各个连通域分别进行滤波。另外,在具体实施时,还可基于其他方法提取自适应阈值,比如拟合平面法等。
在本发明实施例中,通过步骤S205对连通域内的点进行自适应滤波,能够进一步去除杂点,有助于提高物体定位的精度。
步骤S206、基于自适应滤波后的连通域内的点云数据,确定待测物体的位姿信息。
在该步骤中,可先确定所述连通域内的点云数据的最小外接矩形,并将所述最小外接矩形的位姿信息作为待测物体的位姿信息。具体实施时,可基于OpenCV自带的函数minAreaRect()求解最小外接矩形,进而得到该最小外接矩形的位姿信息。其中,所述最小外接矩形位姿信息可包括:最小外接矩形的长和宽、最小外接矩形中心点的坐标、以及旋转角度。
在本发明实施例中,通过以上步骤实现了物体的快速定位,既能保证定位结果精度,又实现了快速运算。具体来说,在本发明实施例中,基于掩模对所述感兴趣区域在第一、第二坐标轴方向上进行滤波,相比直接取出各个点云数据点、并以逐点比较的方式进行多个方向的滤波操作,能够减小滤波处理的运算量,提高滤波处理效率;另外,由于本发明无需对点云数据进行降采样操作,进而能够在实现快速定位的同时保证定位结果的精度。
图4是本发明实施例中原始点云数据和感兴趣区的示意图。如图4所示,区域401可用于表示原始点云数据覆盖的范围,也可用于表示原始点云数据对应的矩阵大小;区域402用于表示感兴趣区域覆盖的范围,也可用于感兴趣区域对应的矩阵大小,以及掩模对应的矩阵的大小;区域403用于表示掩模的形状为圆形,即在掩模对应的矩阵中,位于区域403中的元素取值为1,而其余元素的取值为0。另外,在具体实施时,掩模的形状也可以为其他形状,比如矩形。
图5是根据本发明第三实施例的物体定位装置的主要模块示意图。如图5所示,本发明实施例的物体定位装置500包括:提取模块501、第一滤波模块502、连通域分析模块503、确定模块504。
提取模块501,用于从采集的原始点云数据中提取感兴趣区域。
示例性地,所述原始点云数据后可采用大小为N*M的矩阵(比如OpenCV中的Mat矩阵形式)进行存储,其中,N和M均为大于1的整数。具体实施时,可根据原始点云数据量的大小确定N和M的具体取值。在该矩阵中,每个元素有三个通道,分别用于存放点云数据点的在三个维度上的坐标值,即点云数据点的x坐标值、y坐标值和z坐标值。在该示例中,提取模块501可从原始点云数据的矩阵中提取部分感兴趣的行和列,以得到第一矩阵,即以矩阵形式表示的感兴趣区域。例如,假设对原始点云数据的矩阵中的W行H列感兴趣,则可将这些行、列中的元素提取出来,以得到大小为W*H的第一矩阵。具体实施时,可基于OpenCV自带的函数实现感兴趣区域的提取。
第一滤波模块502,用于基于掩模对所述感兴趣区域在第一、第二坐标轴方向上进行滤波,并根据预设阈值对所述感兴趣区域在第三坐标轴方向上进行滤波,以得到滤波后的点云数据。其中,所述第三坐标轴方向为待测物体的高度方向。示例性地,假设以待测物体所在平台表面为坐标系的xy轴所在平面,以平台的高度方向或者说待测物体的高度方向为z轴方向,则第一坐标轴方向为x轴方向、第二坐标轴方向为y轴方向,第三坐标轴为z轴方向。
其中,所述掩模可采用矩阵的形式进行表示,且该矩阵大小与第一矩阵的大小相等。在该掩模的矩阵中,有一部分元素的取值为1,其余元素的取值全为0。具体实施时,可预先根据待测物体所在平台的大小和形状生成掩模。
在一个可选实施方式中,第一滤波模块502在多个方向上进行滤波具体包括:先将该掩模的矩阵与第一矩阵相乘以得到第三矩阵,并将所述第三矩阵作为对所述感兴趣区域在第一、第二坐标轴方向(比如x、y轴方向)上滤波后的结果;之后,可根据预设阈值对第三矩阵在第三坐标轴方向(比如z轴方向)上进行滤波,以得到滤波后的点云数据。
其中,所述预设阈值可包括第一高度阈值和第二高度阈值。具体实施时,第一高度阈值和第二高度阈值可根据平台高度和平台上待测物体的高度进行设置。例如,若将平台台面的高度定义为0cm,且台面上放置的箱子的最高高度为50cm,则可将第一高度阈值设为10cm,将第二高度阈值设为60cm,进而在对z轴方向上进行过滤时可将第三矩阵中z坐标值落在10cm~60cm范围内的点保留,并将第三矩阵中不在这一范围的点滤除。在本发明实施例中,通过掩模的方式对所述感兴趣区域的点云数据在x、y轴方向上进行滤波,相比直接取出各个点云数据点、并以逐点比较的方式进行多个方向的滤波操作,能够减小滤波处理的运算量,提高滤波处理效率。
在另一个可选实施方式中,第一滤波模块502在多个方向上进行滤波具体包括:先对所述第一矩阵中存储的点云数据点的三维坐标进行分离,以得到第二矩阵;其中,所述第二矩阵中的元素用于存储点云数据点在第三坐标轴上的坐标取值;将所述掩模与所述第二矩阵相乘得到第三矩阵,并将所述第三矩阵作为对所述感兴趣区域在第一、第二坐标轴方向上滤波后的结果;之后,可根据预设阈值对第三矩阵在第三坐标轴方向上进行滤波,以得到滤波后的点云数据。在该可选实施方式中,通过对第一矩阵中存储的点云数据点的x、y、z坐标值进行分离,以得到用于存储点云数据点z坐标值的第二矩阵,并基于第二矩阵进行多个方向的滤波,能够减小点云数据滤波过程中的运算量,提高滤波处理效率。
连通域分析模块503,用于对所述滤波后的点云数据进行连通域分析,以得到至少一个连通域。具体实施时,连通域分析模块503可通过调用OpenCV自带的函数,比如connectedComponentsWithStats()函数求解连通域。另外,在不影响本发明实施的情况下,连通域分析模块503可也可采用其他现有的连通域分析方法进行连通域分析。
确定模块504,用于基于所述连通域内的点云数据,确定待测物体的位姿信息。具体来说,确定模块504可先确定所述连通域内的点云数据的最小外接矩形,然后将所述最小外接矩形的位姿信息作为待测物体的位姿信息。具体实施时,确定模块504可基于OpenCV自带的函数minAreaRect()求解最小外接矩形,进而得到该最小外接矩形的位姿信息。其中,所述最小外接矩形位姿信息可包括:最小外接矩形的长和宽、最小外接矩形中心点的坐标、以及旋转角度。
在本发明实施例中,提出了一种基于掩模和后处理的物体定位装置,既保证了定位结果精度,又实现了快速运算。具体来说,在本发明实施例中,通过第一滤波模块基于掩模的方式对所述感兴趣区域在第一、第二坐标轴方向上进行滤波,相比直接取出各个点云数据点、并以逐点比较的方式进行多个方向的滤波操作,能够减小滤波处理的运算量,提高滤波处理效率;另外,由于本发明无需对点云数据进行降采样操作,进而能够在实现快速定位的同时保证定位结果的精度。
图6是根据本发明第四实施例的物体定位装置的主要模块示意图。如图6所示,本发明实施例的物体定位装置600包括:生成模块601、提取模块602、第一滤波模块603、连通域分析模块604、第二滤波模块605、确定模块606。
生成模块601,用于根据待测物体所在平台的大小和形状生成掩模。
在一个可选示例中,生成模块601可将平台范围作为有效区域,并基于此生成掩模(mask)。其中,所述掩模可采用矩阵的形式进行表示。在该掩模的矩阵中,一部分元素的取值为1,其余元素的取值全为0。掩模的形状可以是任意形状,比如正方形、圆形等等。一般情况下,平台在安装完成后不会轻易变动,因此该掩模可以提前生成。简便起见,可将掩模记为矩阵M,并将矩阵M的大小设为W*H。
提取模块602,用于从采集的原始点云数据中提取感兴趣区域。
具体实施时,可先通过深度相机或者其他视觉设备采集包含待测物体的原始点云数据。其中,所述待测物体可以为箱体、或者其他物体。在得到原始点云数据后,可采用矩阵(比如OpenCV中的Mat矩阵形式)进行存储,在该矩阵中,每个元素有三个通道,分别用于存放点云数据点的在三个维度上的坐标值,即点云数据点的x坐标值、y坐标值和z坐标值。简便起见,可将原始点云数据的矩阵记为矩阵A,并将矩阵A的大小设为N*M。其中,N和M均为大于1的整数。具体实施时,可根据原始点云数据量的大小确定N和M的取值。
示例性地,提取模块602可从矩阵A中提取部分感兴趣的行和列,以得到第一矩阵,即以矩阵形式表示的感兴趣区域。也就是说,第一矩阵是原始点云数据的矩阵(即矩阵A)的一部分。具体实施时,可基于OpenCV自带的函数实现感兴趣区域的提取。简便起见,可将第一矩阵记为矩阵B,其大小为W*H(即表示矩阵B有W行H列元素组成),矩阵B中的每个元素有三个通道,分别用于存放点云数据点的在三个维度上的坐标值,即点云数据点的x坐标值、y坐标值和z坐标值。
第一滤波模块603,用于基于掩模对所述感兴趣区域在第一、第二坐标轴方向上进行滤波,并根据预设阈值对所述感兴趣区域在第三坐标轴方向上进行滤波,以得到滤波后的点云数据。
其中,所述第三坐标轴方向为待测物体的高度方向。示例性地,假设以待测物体所在平台表面为坐标系的xy轴所在平面,以平台的高度方向或者说待测物体的高度方向为z轴方向,则第一坐标轴方向为x轴方向、第二坐标轴方向为y轴方向,第三坐标轴为z轴方向。
在一个可选实施方式中,第一滤波模块603在多个方向上进行滤波包括:步骤1至步骤3。
步骤1、第一滤波模块603对第一矩阵(即矩阵B)中存储的点云数据点的三维坐标进行分离,以得到第二矩阵。其中,所述第二矩阵中的元素用于存储点云数据点在第三坐标轴上的坐标取值。由此可见,第二矩阵与第一矩阵的大小均为W*H,两者的区别在于:第一矩阵中存储的是点云数据点的x、y、z坐标值;第二矩阵中存储的是点云数据点在第三坐标轴上的坐标取值,比如z坐标值。
步骤2、第一滤波模块603将所述掩模(即矩阵M)与所述第二矩阵相乘得到第三矩阵,并将所述第三矩阵作为对所述感兴趣区域在第一、第二坐标轴方向上滤波后的结果。
步骤3、第一滤波模块603可根据预设阈值对第三矩阵在第三坐标轴方向上进行滤波,以得到滤波后的点云数据。其中,其中,所述预设阈值可包括第一高度阈值和第二高度阈值。具体实施时,第一高度阈值和第二高度阈值可根据平台高度和平台上待测物体的高度进行设置。例如,若将平台台面的高度定义为0cm、且台面上放置的箱子的最高高度为50cm时,则可将第一高度阈值设为10cm、将第二高度阈值设为60cm,进而在对第三坐标轴比如z轴方向上进行过滤时,可将第三矩阵中z坐标值落在10cm~60cm范围内的点保留,并将第三矩阵中不在这一范围的点滤除(比如可将第三矩阵中的这些点的取值设为0),进而可得到第四矩阵。其中,所述第四矩阵用于表示所述滤波后的点云数据。第四矩阵的大小与第三矩阵、第二矩阵的相同,都为W*H。
在该可选实施方式中,通过对第一矩阵中存储的点云数据点的x、y、z坐标值进行分离,以得到用于存储点云数据点z坐标值的第二矩阵,并基于掩模的方式对第二矩阵中的点云数据在x、y轴方向上进行滤波,相比直接取出各个点云数据点、并以逐点比较的方式进行多个方向的滤波操作,能够减小滤波处理的运算量,提高滤波处理效率。
连通域分析模块604,用于对所述滤波后的点云数据进行连通域分析,以得到至少一个连通域。
在通过第一滤波模块603得到滤波后的点云数据即第四矩阵后、且在进行连通域分析之前,可先将所述第四矩阵中的元素取值转换为对应的灰度值,以得到第五矩阵,然后基于第五矩阵进行连通域分析。其中,第五矩阵的大小与第四矩阵的大小相同,都为W*H,第五矩阵存储的是对点云数据点的z坐标值进行灰度转换处理后的值,即灰度值。具体实施时,可将第四矩阵中存储的z坐标值乘以灰度转换因子,以将其由浮点数转换为范围为0~255的整数(即灰度值)。通过进行灰度转换处理,能够起到如下作用:(1)扩大了点云数据在z方向上的差异,便于进行后续处理;(2)将浮点数转换为整数,有助于提高后续处理效率。
示例性地,连通域分析模块604可将第五矩阵作为入参,通过调用OpenCV自带的函数,比如connectedComponentsWithStats()函数求解连通域。该函数的输出结果为至少一组点集。具体来说,该函数输出的每组点集表示连通域中的点的索引集合,具体为第五矩阵中的一部分元素的索引集合。比如连通域1对应的点集表明该连通域对应第五矩阵中哪些行哪些列的元素,用这个点集可以将第五矩阵中这些元素的z坐标值取出来,进而可得到该连通域内所有点云数据点的z坐标值。在将连通域内所有点云数据点的z坐标值取出来后,可将其存放至矩阵或者向量等数据结构中。例如,可将一个连通域内所有点云数据点的z坐标值存在矩阵G中,该矩阵的大小与第五矩阵相同,都为W*H。但是在矩阵G中,只有那些用于存放连通域内的点云数据点的元素取值不为0,其他元素取值都为0。另外,在不影响本发明实施的情况下,也可采用其他现有的连通域分析方法。
第二滤波模块605,用于对所述连通域内的点在第三坐标轴方向上进行自适应滤波。
在一个可选实施方式中,第二滤波模块605对所述连通域内的点在第三坐标轴方向上进行自适应滤波包括:对所述连通域内的点在第三坐标轴上的坐标取值进行直方图分析,以确定自适应阈值区间;将所述连通域内落在所述自适应阈值区间的点保留,将所述连通域内没有落在所述自适应阈值区间的点滤除。具体实施时,第二滤波模块605基于直方图分析方法对各个连通域分别进行分析,可以得到每个连通域对应的自适应阈值,进而可对各个连通域分别进行滤波。另外,在具体实施时,第二滤波模块605还可基于其他方法提取自适应阈值,比如拟合平面法等。
在本发明实施例中,通过第二滤波模块605对连通域内的点进行自适应滤波,能够进一步去除杂点,有助于提高物体定位的精度。
确定模块606,用于基于自适应滤波后的连通域内的点云数据,确定待测物体的位姿信息。
示例性地,确定模块606可先确定所述连通域内的点云数据的最小外接矩形,并将所述最小外接矩形的位姿信息作为待测物体的位姿信息。具体实施时,可基于OpenCV自带的函数minAreaRect()求解最小外接矩形,进而得到该最小外接矩形的位姿信息。其中,所述最小外接矩形位姿信息可包括:最小外接矩形的长和宽、最小外接矩形中心点的坐标、以及旋转角度。
在本发明实施例中,通过以上装置实现了物体的快速定位,既能保证定位结果精度,又实现了快速运算。具体来说,在本发明实施例中,基于掩模对所述感兴趣区域在第一、第二坐标轴方向上进行滤波,相比直接取出各个点云数据点、并以逐点比较的方式进行多个方向的滤波操作,能够减小滤波处理的运算量,提高滤波处理效率;另外,由于本发明无需对点云数据进行降采样操作,进而能够在实现快速定位的同时保证定位结果的精度。
图7示出了可以应用本发明实施例的物体定位方法或物体定位装置的示例性系统架构700。
如图7所示,系统架构700可以包括终端设备701、702、703,网络704和服务器705。网络704用以在终端设备701、702、703和服务器705之间提供通信链路的介质。网络704可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备701、702、703可通过网络704与服务器705交互,以接收或发送消息等。终端设备701、702、703上可以安装有各种通讯客户端应用,例如仓储管理类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备701、702、703可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器705可以是提供各种服务的服务器,例如对用户利用终端设备701、702、703所浏览的仓储管理类应用提供支持的后台管理服务器。后台管理服务器可以对接收到的定位请求等数据进行分析等处理,并将处理结果(例如待测物体的位姿信息信息)反馈给终端设备。
需要说明的是,本发明实施例所提供的物体定位方法一般由服务器705执行,相应地,物体定位装置一般设置于服务器705中。
应该理解,图7中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图8,其示出了适于用来实现本发明实施例的电子设备的计算机系统800的结构示意图。图8示出的计算机系统仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示,计算机系统800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口Y05。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括提取模块、第一滤波模块、连通域分析模块、确定模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,提取模块还可以被描述为“提取感兴趣区域的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备执行以下流程:从采集的原始点云数据中提取感兴趣区域;基于掩模对所述感兴趣区域在第一、第二坐标轴方向上进行滤波,并根据预设阈值对所述感兴趣区域在第三坐标轴方向上进行滤波,以得到滤波后的点云数据;其中,所述第三坐标轴方向为待测物体的高度方向;对所述滤波后的点云数据进行连通域分析,以得到至少一个连通域;基于所述连通域内的点云数据,确定待测物体的位姿信息。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种物体定位方法,其特征在于,所述方法包括:
从采集的原始点云数据中提取感兴趣区域;
基于掩模对所述感兴趣区域在第一、第二坐标轴方向上进行滤波,并根据预设阈值对所述感兴趣区域在第三坐标轴方向上进行滤波,以得到滤波后的点云数据;其中,所述第三坐标轴方向为待测物体的高度方向;
对所述滤波后的点云数据进行连通域分析,以得到至少一个连通域;
基于所述连通域内的点云数据,确定待测物体的位姿信息。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在执行所述基于所述连通域内的点云数据,确定待测物体的位姿信息的步骤之前,对所述连通域内的点在第三坐标轴方向上进行自适应滤波。
3.根据权利要求1所述的方法,其特征在于,所述感兴趣区域采用第一矩阵表示,且所述第一矩阵中的元素用于存储点云数据点的三维坐标;所述基于掩模对所述感兴趣区域在第一、第二坐标轴方向上进行滤波的步骤包括:
对所述第一矩阵中存储的点云数据点的三维坐标进行分离,以得到第二矩阵;其中,所述第二矩阵中的元素用于存储点云数据点在第三坐标轴上的坐标取值;将所述掩模与所述第二矩阵相乘得到第三矩阵,并将所述第三矩阵作为对所述感兴趣区域在第一、第二坐标轴方向上滤波后的结果。
4.根据权利要求3所述的方法,其特征在于,所述预设阈值包括:第一高度阈值和第二高度阈值;所述根据预设阈值对所述感兴趣区域在第三坐标轴方向上进行滤波,以得到滤波后的点云数据的步骤包括:
将所述第三矩阵中取值大于或等于第一高度阈值、且小于或等于第二高度阈值的元素保留,并将所述第三矩阵中的其他元素设置为0,以得到第四矩阵;其中,所述第四矩阵用于表示所述滤波后的点云数据。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
将所述第四矩阵中的元素取值转换为对应的灰度值,然后基于灰度转换得到的第五矩阵执行所述对所述滤波后的点云数据进行连通域分析,以得到至少一个连通域的步骤。
6.根据权利要求2所述的方法,其特征在于,所述对所述连通域内的点在第三坐标轴方向上进行自适应滤波的步骤包括:
对所述连通域内的点在第三坐标轴上的坐标取值进行直方图分析,以确定自适应阈值区间;将所述连通域内落在所述自适应阈值区间的点保留,将所述连通域内没有落在所述自适应阈值区间的点滤除。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在执行所述从采集的原始点云数据中提取感兴趣区域的步骤之前,根据待测物体所在平台的大小和形状生成所述掩模。
8.一种物体定位装置,其特征在于,所述装置包括:
提取模块,用于从采集的原始点云数据中提取感兴趣区域;
第一滤波模块,用于基于掩模对所述感兴趣区域在第一、第二坐标轴方向上进行滤波,并根据预设阈值对所述感兴趣区域在第三坐标轴方向上进行滤波,以得到滤波后的点云数据;其中,所述第三坐标轴方向为待测物体的高度方向;
连通域分析模块,用于对所述滤波后的点云数据进行连通域分析,以得到至少一个连通域;
确定模块,用于基于所述连通域内的点云数据,确定待测物体的位姿信息。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911221477.1A CN112907164A (zh) | 2019-12-03 | 2019-12-03 | 物体定位方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911221477.1A CN112907164A (zh) | 2019-12-03 | 2019-12-03 | 物体定位方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112907164A true CN112907164A (zh) | 2021-06-04 |
Family
ID=76104161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911221477.1A Pending CN112907164A (zh) | 2019-12-03 | 2019-12-03 | 物体定位方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112907164A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808112A (zh) * | 2021-09-22 | 2021-12-17 | 北京京东乾石科技有限公司 | 轨道扣件检测方法、电子设备和计算机可读介质 |
CN114332219A (zh) * | 2021-12-27 | 2022-04-12 | 机科发展科技股份有限公司 | 一种基于三维点云处理的托盘定位方法及装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100020074A1 (en) * | 2006-10-30 | 2010-01-28 | Lukasz Piotr Taborowski | Method and apparatus for detecting objects from terrestrial based mobile mapping data |
KR20100030093A (ko) * | 2008-09-09 | 2010-03-18 | 삼성전자주식회사 | 3d 영상처리 방법 |
US20100209013A1 (en) * | 2009-02-13 | 2010-08-19 | Harris Corporation | Registration of 3d point cloud data to 2d electro-optical image data |
CN102915539A (zh) * | 2012-09-26 | 2013-02-06 | 北京理工大学 | 一种基于目标特征构型的位姿测量特征点提取方法 |
US20150243035A1 (en) * | 2014-02-21 | 2015-08-27 | Metaio Gmbh | Method and device for determining a transformation between an image coordinate system and an object coordinate system associated with an object of interest |
CN106530279A (zh) * | 2016-10-15 | 2017-03-22 | 扬州奥泰光电生物技术有限公司 | 一种图像处理方法及系统 |
CN107123142A (zh) * | 2017-05-09 | 2017-09-01 | 北京京东尚科信息技术有限公司 | 位姿估计方法和装置 |
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 |
CN107516077A (zh) * | 2017-08-17 | 2017-12-26 | 武汉大学 | 基于激光点云和影像数据融合的交通标牌信息提取方法 |
US20180058861A1 (en) * | 2016-08-26 | 2018-03-01 | Here Global B.V. | Automatic localization geometry detection |
CN108399630A (zh) * | 2018-01-22 | 2018-08-14 | 北京理工雷科电子信息技术有限公司 | 一种复杂场景下感兴趣区域内目标快速测距方法 |
CN109035330A (zh) * | 2018-08-17 | 2018-12-18 | 深圳蓝胖子机器人有限公司 | 箱体拟合方法、设备和计算机可读存储介质 |
CN109801337A (zh) * | 2019-01-21 | 2019-05-24 | 同济大学 | 一种基于实例分割网络和迭代优化的6d位姿估计方法 |
KR102030040B1 (ko) * | 2018-05-09 | 2019-10-08 | 한화정밀기계 주식회사 | 빈 피킹을 위한 빈 모델링 방법 및 그 장치 |
CN110458772A (zh) * | 2019-07-30 | 2019-11-15 | 五邑大学 | 一种基于图像处理的点云滤波方法、装置和存储介质 |
-
2019
- 2019-12-03 CN CN201911221477.1A patent/CN112907164A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100020074A1 (en) * | 2006-10-30 | 2010-01-28 | Lukasz Piotr Taborowski | Method and apparatus for detecting objects from terrestrial based mobile mapping data |
KR20100030093A (ko) * | 2008-09-09 | 2010-03-18 | 삼성전자주식회사 | 3d 영상처리 방법 |
US20100209013A1 (en) * | 2009-02-13 | 2010-08-19 | Harris Corporation | Registration of 3d point cloud data to 2d electro-optical image data |
CN102915539A (zh) * | 2012-09-26 | 2013-02-06 | 北京理工大学 | 一种基于目标特征构型的位姿测量特征点提取方法 |
US20150243035A1 (en) * | 2014-02-21 | 2015-08-27 | Metaio Gmbh | Method and device for determining a transformation between an image coordinate system and an object coordinate system associated with an object of interest |
US20180058861A1 (en) * | 2016-08-26 | 2018-03-01 | Here Global B.V. | Automatic localization geometry detection |
CN106530279A (zh) * | 2016-10-15 | 2017-03-22 | 扬州奥泰光电生物技术有限公司 | 一种图像处理方法及系统 |
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 |
CN107123142A (zh) * | 2017-05-09 | 2017-09-01 | 北京京东尚科信息技术有限公司 | 位姿估计方法和装置 |
CN107516077A (zh) * | 2017-08-17 | 2017-12-26 | 武汉大学 | 基于激光点云和影像数据融合的交通标牌信息提取方法 |
CN108399630A (zh) * | 2018-01-22 | 2018-08-14 | 北京理工雷科电子信息技术有限公司 | 一种复杂场景下感兴趣区域内目标快速测距方法 |
KR102030040B1 (ko) * | 2018-05-09 | 2019-10-08 | 한화정밀기계 주식회사 | 빈 피킹을 위한 빈 모델링 방법 및 그 장치 |
CN109035330A (zh) * | 2018-08-17 | 2018-12-18 | 深圳蓝胖子机器人有限公司 | 箱体拟合方法、设备和计算机可读存储介质 |
CN109801337A (zh) * | 2019-01-21 | 2019-05-24 | 同济大学 | 一种基于实例分割网络和迭代优化的6d位姿估计方法 |
CN110458772A (zh) * | 2019-07-30 | 2019-11-15 | 五邑大学 | 一种基于图像处理的点云滤波方法、装置和存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808112A (zh) * | 2021-09-22 | 2021-12-17 | 北京京东乾石科技有限公司 | 轨道扣件检测方法、电子设备和计算机可读介质 |
CN113808112B (zh) * | 2021-09-22 | 2024-03-01 | 北京京东乾石科技有限公司 | 轨道扣件检测方法、电子设备和计算机可读介质 |
CN114332219A (zh) * | 2021-12-27 | 2022-04-12 | 机科发展科技股份有限公司 | 一种基于三维点云处理的托盘定位方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111754515B (zh) | 堆叠物品的顺序抓取方法和装置 | |
CN110632608B (zh) | 一种基于激光点云的目标检测方法和装置 | |
US10346996B2 (en) | Image depth inference from semantic labels | |
CN109711508B (zh) | 图像处理方法和装置 | |
CN110378175B (zh) | 道路边沿的识别方法和装置 | |
CN109255337B (zh) | 人脸关键点检测方法和装置 | |
CN109118456B (zh) | 图像处理方法和装置 | |
CN109377508B (zh) | 图像处理方法和装置 | |
CN110516678B (zh) | 图像处理方法和装置 | |
CN108960206B (zh) | 视频帧处理方法和装置 | |
CN110647596B (zh) | 地图数据处理方法和装置 | |
CN112907164A (zh) | 物体定位方法和装置 | |
CN110766348B (zh) | 一种组合拣货任务的方法和装置 | |
CN111783777B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 | |
CN109255563B (zh) | 物品的储位区域的确定方法和装置 | |
CN111815683B (zh) | 目标定位方法及装置、电子设备和计算机可读介质 | |
CN113362090A (zh) | 一种用户行为数据处理方法和装置 | |
CN110895699B (zh) | 用于处理图像的特征点的方法和装置 | |
CN114882313B (zh) | 生成图像标注信息的方法、装置、电子设备及存储介质 | |
CN111027376A (zh) | 一种确定事件图谱的方法、装置、电子设备及存储介质 | |
CN111091138A (zh) | 辐照预报的处理方法、堆叠泛化模型的训练方法及装置 | |
CN113561181B (zh) | 目标检测模型的更新方法、装置及系统 | |
CN110634159A (zh) | 一种目标检测方法和装置 | |
CN110634155A (zh) | 一种基于深度学习的目标检测方法和装置 | |
CN111784709B (zh) | 图像处理方法、装置、电子设备和计算机可读介质 |
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 |