CN112926460B - 基于Std-NMF的智能快递柜投递机器人视觉导航方法 - Google Patents

基于Std-NMF的智能快递柜投递机器人视觉导航方法 Download PDF

Info

Publication number
CN112926460B
CN112926460B CN202110222211.XA CN202110222211A CN112926460B CN 112926460 B CN112926460 B CN 112926460B CN 202110222211 A CN202110222211 A CN 202110222211A CN 112926460 B CN112926460 B CN 112926460B
Authority
CN
China
Prior art keywords
image
std
nmf
visual navigation
cabinet
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.)
Active
Application number
CN202110222211.XA
Other languages
English (en)
Other versions
CN112926460A (zh
Inventor
周洪成
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.)
Jinling Institute of Technology
Original Assignee
Jinling Institute of Technology
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 Jinling Institute of Technology filed Critical Jinling Institute of Technology
Priority to CN202110222211.XA priority Critical patent/CN112926460B/zh
Publication of CN112926460A publication Critical patent/CN112926460A/zh
Application granted granted Critical
Publication of CN112926460B publication Critical patent/CN112926460B/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
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation

Abstract

本发明公开了一种基于Std‑NMF的智能快递柜投递机器人视觉导航方法，针对目前物流机器人效率低问题，本发明提出基于Std‑NMF的智能快递柜投递机器人视觉导航方法，首先机器人通过云端获取路径信息，然后利用摄像头采集机器人周围环境信息，并对采集图像进行显著性检测处理，接着使用Std‑NMF(Soft threshold decomposition‑Nonnegative Matrix Factorization)对处理过的图像进行分解，得到图像的支撑特征，最后把得到的支撑特征集送入SVM进行分类识别。得到的识别结果指导机器人的工作，用于提高机器人的工作效率、缓解去物流压力。

Description

基于Std-NMF的智能快递柜投递机器人视觉导航方法
技术领域
本发明涉及视觉导航领域，特别设计基于Std-NMF的智能快递柜投递机器人视觉导航方法。
背景技术
近年，随着互联网行业的快速发展，网络购物掀起了巨大的热潮，从2011年开始，全球开始掀起3D打印热潮，例如，在2020年双11活动期间，京东和淘宝两大购物平台的成交额高达7700亿元。在巨大的成交额的背景下，给物流业务带来了巨大的压力。
针对目前物流机器人效率低问题，本发明提出基于Std-NMF的智能快递柜投递机器人视觉导航方法，能够极大提升智能物流行业的工作效率，减轻物流压力。
发明内容
为了解决上述存在问题。本发明提出一种基于Std-NMF的智能快递柜投递机器人视觉导航方法。为达此目的：
本发明提出基于Std-NMF的智能快递柜投递机器人视觉导航方法，其特征在于：
步骤1：机器人从云端读取路径信息；
步骤2：路径信息采集与快递柜信息采集摄像头分别采集路径图片信息与快递柜图像信息；
步骤3：图像预处理，把RGB图像转换为YCrCb图像空间，并只保留Y分量信息；
步骤4：对图像进行显著性检测；
步骤5：根据显著性对图像分割；
步骤6：对图像进行非负矩阵分解；
步骤7：对图像的非负矩阵分解系数进行软阈值更新；
步骤8：把非负分解系数作为图像特征；
步骤9：使用双SVM模型分别对路径信息特征与快递柜信息特征进行分类；
步骤10：根据双SVM模型识别结果对投递机器人进行工作指导。
作为本发明进一步改进，所述步骤4中图像显著性检测表示为：
y＝DCT(x) (1)
g＝sign(y) (2)
s＝iDCT(g) (3)
z＝Winaer(s) (4)
其中，x是图像信息，DCT(·)是离散余弦变换，sign(·)是求符号函数，iDCT(·)是离散余弦反变换，Winaer(·)是维纳滤波器。
作为本发明进一步改进，所述步骤5图像分割表达为把采集的512×512的图像更具其显著性检测后图像进行分割，分割为16个32×32的图像块。
作为本发明进一步改进，所述步骤6非负矩阵分解表示为：
zi＝wh (5)
其中，w表示非负基矩阵，h表示非负系数矩阵。
作为本发明进一步改进，所述步骤7中软阈值更新公式为为：
Figure BDA0002955406280000021
λ＝mean(h) (7)
其中，mean(·)表示求均值函数。
本发明基于Std-NMF的智能快递柜投递机器人视觉导航方法，有益效果在于：
1.本发明利用显著性检测算法，降低了数据量。
2.本发明利用Std-NMF算法，提高算法的识别率和抗干扰能力。
3.本发明算法复杂度低，实时性强。
4.本发明硬件系统实现简单，成本低。
附图说明
图1系统流程图；
具体实施方式
本发明提出一种基于Std-NMF的智能快递柜投递机器人视觉导航方法，具体步骤如下，其特征在于：
下面结合附图与具体实施方式对本发明进一步描述：
如图1系统流程图所示，机器人从云端读取路径信息，路径信息采集与快递柜信息采集摄像头分别采集路径图片信息与快递柜图像信息；，对图像预处理，把RGB图像转换为YCrCb图像空间，并只保留Y分量信息，接着，对图像进行显著性检测。
图像显著性检测表示为：
y＝DCT(x) (1)
g＝sign(y) (2)
s＝iDCT(g) (3)
z＝Winaer(s) (4)
其中，x是图像信息，DCT(·)是离散余弦变换，sign(·)是求符号函数，iDCT(·)是离散余弦反变换，Winaer(·)是维纳滤波器。
然后，根据显著性对图像分割，对图像进行非负矩阵分解，并且对图像的非负矩阵分解系数进行软阈值更新，把非负分解系数作为图像特征。
图像分割表达为把采集的512×512的图像更具其显著性检测后图像进行分割，分割为16个32×32的图像块。
非负矩阵分解表示为：
zi＝wh (5)
其中，w表示非负基矩阵，h表示非负系数矩阵。
软阈值更新公式为为：
Figure BDA0002955406280000031
λ＝mean(h) (7)
其中，mean(·)表示求均值函数。
最后，使用双SVM模型分别对路径信息特征与快递柜信息特征进行分类，并根据双SVM模型识别结果对投递机器人进行工作指导。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (5)

1.一种基于Std-NMF的智能快递柜投递机器人视觉导航方法，具体步骤如下，其特征在于：
步骤1：机器人从云端读取路径信息；
步骤2：路径信息采集与快递柜信息采集摄像头分别采集路径图片信息与快递柜图像信息；
步骤3：图像预处理，把RGB图像转换为YCrCb图像空间，并只保留Y分量信息；
步骤4：对图像进行显著性检测；
步骤5：根据显著性对图像分割；
步骤6：对图像进行非负矩阵分解；
步骤7：对图像的非负矩阵分解系数进行软阈值更新；
步骤8：把非负分解系数作为图像特征；
步骤9：使用双SVM模型分别对路径信息特征与快递柜信息特征进行分类；
步骤10：根据双SVM模型识别结果对投递机器人进行工作指导。
2.根据权利要求1所述的基于Std-NMF的智能快递柜投递机器人视觉导航方法，其特征在于：
所述步骤4中图像显著性检测表示为：
y＝DCT(x) (1)
g＝sign(y) (2)
s＝iDCT(g) (3)
z＝Winaer(s) (4)
其中，x是图像信息，DCT(·)是离散余弦变换，sign(·)是求符号函数，iDCT(·)是离散余弦反变换，Winaer(·)是维纳滤波器。
3.根据权利要求1所述的基于Std-NMF的智能快递柜投递机器人视觉导航方法，其特征在于：
所述步骤5图像分割表达为把采集的512×512的图像更具其显著性检测后图像进行分割，分割为16个32×32的图像块。
4.根据权利要求1所述的基于Std-NMF的智能快递柜投递机器人视觉导航方法，其特征在于：
所述步骤6非负矩阵分解表示为：
zi＝wh (5)
其中，w表示非负基矩阵，h表示非负系数矩阵。
5.根据权利要求1所述的基于Std-NMF的智能快递柜投递机器人视觉导航方法，其特征在于：
所述步骤7中软阈值更新公式为为：
Figure FDA0002955406270000021
λ＝mean(h) (7)
其中，mean(·)表示求均值函数。
CN202110222211.XA 2021-02-28 2021-02-28 基于Std-NMF的智能快递柜投递机器人视觉导航方法 Active CN112926460B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110222211.XA CN112926460B (zh) 2021-02-28 2021-02-28 基于Std-NMF的智能快递柜投递机器人视觉导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110222211.XA CN112926460B (zh) 2021-02-28 2021-02-28 基于Std-NMF的智能快递柜投递机器人视觉导航方法

Publications (2)

Publication Number Publication Date
CN112926460A CN112926460A (zh) 2021-06-08
CN112926460B true CN112926460B (zh) 2023-06-23

Family

ID=76172514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110222211.XA Active CN112926460B (zh) 2021-02-28 2021-02-28 基于Std-NMF的智能快递柜投递机器人视觉导航方法

Country Status (1)

Country Link
CN (1) CN112926460B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646249A (zh) * 2013-12-12 2014-03-19 江苏大学 一种温室智能移动机器人视觉导航路径识别方法
CN104732248A (zh) * 2015-03-24 2015-06-24 电子科技大学 基于Omega形状特征的人体目标检测方法
CN106097381A (zh) * 2016-05-27 2016-11-09 北京理工大学 一种基于流形判别非负矩阵分解的目标跟踪方法
CN107153209A (zh) * 2017-07-06 2017-09-12 武汉大学 一种短弧段低轨导航卫星实时精密定轨方法
CN110059857A (zh) * 2019-03-15 2019-07-26 青岛日日顺物流有限公司 社区配送路径推荐方法和装置
US10552695B1 (en) * 2018-12-19 2020-02-04 GM Global Technology Operations LLC Driver monitoring system and method of operating the same
CN111523005A (zh) * 2019-02-02 2020-08-11 北京嘀嘀无限科技发展有限公司 网约用户分析方法、装置及电子设备
CN112036498A (zh) * 2020-09-03 2020-12-04 西北农林科技大学 基于凸非负矩阵分解及自适应图的特征选择方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9652525B2 (en) * 2012-10-02 2017-05-16 Banjo, Inc. Dynamic event detection system and method

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646249A (zh) * 2013-12-12 2014-03-19 江苏大学 一种温室智能移动机器人视觉导航路径识别方法
CN104732248A (zh) * 2015-03-24 2015-06-24 电子科技大学 基于Omega形状特征的人体目标检测方法
CN106097381A (zh) * 2016-05-27 2016-11-09 北京理工大学 一种基于流形判别非负矩阵分解的目标跟踪方法
CN107153209A (zh) * 2017-07-06 2017-09-12 武汉大学 一种短弧段低轨导航卫星实时精密定轨方法
US10552695B1 (en) * 2018-12-19 2020-02-04 GM Global Technology Operations LLC Driver monitoring system and method of operating the same
CN111523005A (zh) * 2019-02-02 2020-08-11 北京嘀嘀无限科技发展有限公司 网约用户分析方法、装置及电子设备
CN110059857A (zh) * 2019-03-15 2019-07-26 青岛日日顺物流有限公司 社区配送路径推荐方法和装置
CN112036498A (zh) * 2020-09-03 2020-12-04 西北农林科技大学 基于凸非负矩阵分解及自适应图的特征选择方法和装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Inverse Nonnegative Local Coordinate Factorization for Visual Tracking;Fanghui Liu 等;《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》;第28卷(第8期);1752-1764 *
地面场景下目标检测与跟踪关键技术研究;汪鹏程;《中国博士学位论文全文数据库信息科技辑》(第(2019)07期);I138-62 *
基于稀疏外观模型学习的目标持续性跟踪算法研究;张焕龙;《中国博士学位论文全文数据库信息科技辑》(第(2017)02期);I138-205 *
视频中的异常事件检测算法研究;冯亚闯;《中国博士论文数据库信息科技辑》(第(2018)04期);I136-10 *

Also Published As

Publication number Publication date
CN112926460A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
CN109784333B (zh) 基于点云带权通道特征的三维目标检测方法及系统
US11227147B2 (en) Face image processing methods and apparatuses, and electronic devices
CN107330439B (zh) 一种图像中物体姿态的确定方法、客户端及服务器
CN106780576B (zh) 一种面向rgbd数据流的相机位姿估计方法
CN110458863B (zh) 一种基于rgbd与编码器融合的动态slam系统
CN107563377A (zh) 一种利用边缘和文字区域的证件关键区域检测定位方法
US20190171879A1 (en) Method of extracting warehouse in port from hierarchically screened remote sensing image
CN107480585B (zh) 基于dpm算法的目标检测方法
CN108510496B (zh) 基于图像dct域的svd分解的模糊检测方法
EP3852061A1 (en) Method and device for damage segmentation of vehicle damage image
CN107657629A (zh) 一种目标的跟踪方法和跟踪系统
CN115272306B (zh) 利用梯度运算的太阳能电池板栅线增强方法
CN114049499A (zh) 用于连续轮廓的目标对象检测方法、设备及存储介质
CN112633294A (zh) 基于感知哈希的显著性区域检测方法、设备及存储设备
CN114627154B (zh) 一种在频域部署的目标跟踪方法、电子设备及存储介质
CN114445904A (zh) 基于全卷积神经网络的虹膜分割方法和装置、介质和设备
CN111126169B (zh) 基于正交化的图正则非负矩阵分解的人脸识别方法及系统
CN111783736A (zh) 一种基于人体语义对齐的行人重识别方法、装置和系统
CN112926460B (zh) 基于Std-NMF的智能快递柜投递机器人视觉导航方法
CN107392127B (zh) 基于切比雪夫多项式描述子的输电线路提取方法
CN113409340A (zh) 语义分割模型训练方法、语义分割方法、装置及电子设备
Wang et al. Lane detection algorithm based on density clustering and RANSAC
CN102324043A (zh) 基于dct的特征描述算子及优化空间量化的图像匹配方法
Fang et al. 1-D barcode localization in complex background
Wang et al. Straight lane line detection based on the Otsu-Canny algorithm

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