CN113240737A - 识别门槛的方法、装置、电子设备及计算机可读存储介质 - Google Patents
识别门槛的方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113240737A CN113240737A CN202110427288.0A CN202110427288A CN113240737A CN 113240737 A CN113240737 A CN 113240737A CN 202110427288 A CN202110427288 A CN 202110427288A CN 113240737 A CN113240737 A CN 113240737A
- Authority
- CN
- China
- Prior art keywords
- threshold
- sub
- region
- height
- processed
- 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
Links
Images
Classifications
-
- 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
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20156—Automatic seed setting
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本申请公开一种识别门槛的方法、装置、电子设备及计算机可读存储介质,包括:获取待处理高度图;将所述待处理高度图划分为至少一个子区域,所述子区域由若干高度一致的像素点组成;若至少一个所述子区域中存在满足门槛确定条件的至少一个目标子区域,确定至少一个所述目标子区域属于门槛。本申请有利于提高门槛识别的准确率,进而有利于减少机器人过门槛的时间以及提升机器人过门槛的成功率。
Description
技术领域
本申请涉及门槛识别技术领域,具体涉及一种识别门槛的方法、装置、电子设备及计算机可读存储介质。
背景技术
随着科技水平的快速发展以及人们生活水平的不断提高,机器人正越来越多了走进人们的生活和工作中,比如清洁机器人凭借一定的人工智能,能自动在房间内完成地板清洁工作。而目前的机器人在进行工作时往往无法准确识别门槛,通过门槛的成功率低。
发明内容
本申请的目的在于提供一种识别门槛的方法、装置、电子设备及计算机可读存储介质,有利于提高门槛识别的准确率。
为实现上述目的,本申请提供了一种识别门槛的方法,包括:
获取待处理高度图;
将所述待处理高度图划分为至少一个子区域,所述子区域由高度一致的连续像素点组成;
若所述至少一个子区域中存在满足门槛确定条件的至少一个目标子区域,确定至少一个所述目标子区域属于门槛。
可选地,所述获取待处理高度图包括:
以机器人当前位姿为基准,从全局栅格障碍物地图中提取局部高度图作为所述待处理高度图。
可选地,所述待处理高度图由栅格障碍物地图经过高度过滤得到,所述待处理高度图的待处理像素点的高度位于预设高度范围内,门槛的高度位于所述预设高度范围内。
可选地,所述将所述待处理高度图划分为至少一个子区域包括:以所述待处理高度图的像素点的高度值作为划分标准,基于区域生长法将所述待处理高度图划分为至少一个所述子区域。
可选地,每一所述子区域内区域生长的种子点与其他像素点之间的高度差在高度差阈值内。
可选地,所述门槛确定条件包括:所述子区域内的像素点的数量处于预设数量范围,且该子区域符合门槛的形状特征。
可选地,所述门槛确定条件包括:所述子区域满足门槛的形状特征;若所述子区域不满足门槛的形状特征,则确定所述子区域不属于门槛。
可选地,所述形状特征为类直线特征。
可选地,所述方法还包括:对所述子区域的所有像素点的X、Y坐标数据进行计算以得到两个特征值;求所述子区域的两个所述特征值的比值;若所述比值不处于预设比值范围,确定所述子区域不属于门槛。
可选地,所述方法还包括:将至少一个所述目标子区域的位置信息从机器人坐标系转换到世界坐标系,得到转换后的位置信息;输出所述转换后的位置信息。
为实现上述目的,本申请还提供了一种识别门槛的装置,包括:
获取模块,用于获取待处理高度图;
划分模块,用于将所述待处理高度图划分为至少一个子区域,所述子区域由高度一致的连续像素点组成;
确定模块,用于若所述至少一个子区域中存在满足门槛确定条件的至少一个目标子区域,确定至少一个所述目标子区域属于门槛。
为实现上述目的,本申请还提供了一种电子设备,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行如上所述的识别门槛的方法。
为实现上述目的,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的识别门槛的方法。
本申请还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该电子设备执行上述识别门槛的方法。
本申请对待处理高度图进行区域划分,将高度一致的像素点划分为同一个子区域,若各子区域中存在满足门槛确定条件的至少一个目标子区域,则确定至少一个所述目标子区域属于门槛。本申请有利于提高门槛识别的准确率,进而有利于减少机器人过门槛的时间以及提升机器人过门槛的成功率。
附图说明
图1是本申请实施例识别门槛的方法流程图。
图2是本申请实施例识别门槛的装置的示意框图。
图3是本申请实施例电子设备的示意框图。
具体实施方式
为了详细说明本申请的技术内容、所实现目的及效果,以下结合实施方式并配合附图详予说明。
本申请实施例公开了一种识别门槛的方法,其基于门槛的各位置通常具有比较一致的高度以及门槛相对一般障碍物具有其自身的特征来进行门槛的识别。该识别门槛的方法的目的在于提高识别门槛的准确度,减少机器人过门槛的时间,以及提升机器人过门槛的成功率。另外,该识别门槛的方法可以是利用机器人本身来执行,也可以是利用其他电子设备来执行,本申请对此不作限制。
请参阅图1,本申请实施例识别门槛的方法包括:
S1、获取待处理高度图。
本申请中,“待处理高度图”指的是含有像素点的高度数据的栅格地图,其可以利用各像素点的高度值实现区域划分。该“待处理高度图”可以是全局性的地图,也可以是局部的地图。本申请对“待处理高度图”的获取方式也不作限定。只要是根据“待处理高度图”能够执行本申请识别门槛的方法即可。
在一些实施方式中,以机器人当前位姿为基准,从全局栅格障碍物地图中提取局部高度图作为待处理高度图,其中全局栅格障碍物地图融合了机器人在不同视角下的观测结果,局部高度图位于机器人的摄像装置的探测范围内。
具体地,全局栅格障碍物地图通过清洁机器人的检测装置获取的若干局部栅格障碍物地图融合形成。检测装置可以包括摄像装置和激光雷达传感器,其中摄像装置可以为双目摄像头。
这里以机器人作为执行主体,来获取其附近的局部高度图作为待处理高度图。由于一些环境下的金属门槛会出现强反光,机器人通过其摄像装置获取的单一视角下的图像会出现断裂,而本申请直接从全局栅格障碍物地图中提取局部高度图来作为机器人的待处理高度图,使得待处理高度图融合了不同视角下的观测结果,因此可以最大程度避免因为反光造成的断裂情况,进而有效减少门槛漏检的情况发生。
在机器人提取到局部高度图之后,后续的门槛识别步骤可以由机器人自身执行。当然,也不限于此,比如,也可以利用远端设备进行处理。
具体地,以机器人当前位姿为中心从全局栅格障碍物地图中提取Xm*Xm的局部高度图作为待处理高度图。这里“X”一般设置为小于或等于机器人的检测装置的探测距离。
由于家庭环境可能会存在金属等强反光的门槛,在检测装置检测门槛时,部分门槛会出现空洞,导致原本属于同一个门槛的区域被分割成两部分,在门槛检测时可能会导致漏检测,通过从全局栅格障碍物地图提取局部高度图作为待处理高度图,由于全局栅格障碍物地图包括的是不同视角下的地图数据,再对待处理高度图进行门槛识别,可有效避免因为反光造成的断裂情况,进而有效减少门槛漏检的情况发生。
具体地,检测装置可为双目摄像头或激光雷达传感器,但不以此为限。
在一些实施方式中,待处理高度图由栅格障碍物地图经过高度过滤得到,待处理高度图的待处理像素点的高度位于预设高度范围内,门槛的高度位于预设高度范围内。
由于门槛通常处于一定高度范围内,因此对于高度不处于或者明显不处于该高度范围内的像素点可以选择过滤掉,这样在后续对待处理高度图进行区域生长处理时,可以减少像素点的处理量,提升处理速度。
可选地,预设高度范围位于第一高度阈值和第二高度阈值之间。借此可以将高度值低于第一高度阈值的像素点和高度值高于第二高度阈值的像素点均过滤掉。
具体地,第一高度阈值可以设置为略低于对应环境中门槛的基准高度,第二高度阈值可以设置为略高于对应环境中门槛的基准高度,在确保门槛所占据的像素点不会被过滤掉的前提下,可以利用高度阈值尽量过滤掉不相关的像素点。
当然,关于“预设高度范围”,并不限制为以第一高度阈值和第二高度阈值来界定。
一些情况下,环境中存在的门槛的高度往往是一致的(比如,只有一个门槛),因此可以直接基于门槛的高度数据进行过滤,使待处理高度图的待处理像素点的高度与门槛的高度一致,进而能够保证识别门槛的准确率,同时有能够有效减少处理量。可以理解的是,由于现实中门槛的不同位置的高度可能存在偏差,因此本申请中“待处理像素点的高度与门槛的高度一致”可以是把门槛可能存在的偏差情况考虑在内,比如,可以设定一基准高度值和偏差阈值,与基准高度值差距在偏差阈值以内的像素点经过过滤后得以保留成为与门槛高度一致的待处理像素点,也可以基于该偏差直接设定两个高度阈值,位于两个高度阈值之间的像素点经过过滤后得以保留成为与门槛高度一致的待处理像素点。根据阈值的设定,经过过滤后,略低于门槛的正常最低位置或者略高于门槛的正常最高位置的像素点可能会被过滤成为与门槛高度一致的待处理像素点。另外,对于可能存在的测量误差(比如,在通过机器人的双目摄像头进行测量时,其本身存在一定的测量精度),也可以在进行阈值设定时加以考量。
S2、将待处理高度图划分为至少一个子区域,子区域由高度一致的像素点组成。
由于门槛通常是高度一致的连续区域,因此可以从待处理高度图中找到由高度一致的像素点组成的子区域,然后进行子区域的确定步骤。
根据高度过滤的设定值不同,过滤后得到的所有待处理像素点的高度可以均是与门槛的高度一致的,此种情况下,在进行子区域划分时,就可以不用再考虑像素点的高度问题,直接根据像素点的连续性进行区域划分即可。
如果在高度过滤时,设定了超出门槛高度(范围)的高度范围,则在进行子区域划分时,可以将门槛可能存在的高度偏差和/或测量误差考虑在内,这样能够避免因为存在高度偏差和/或测量误差而造成门槛的漏检。
在一些实施方式中,将待处理高度图划分为至少一个子区域包括:将待处理高度图的像素点的高度值作为划分标准,基于区域生长法将待处理高度图划分为至少一个子区域。
具体地,每一子区域内区域生长的种子点与其他像素点之间的高度差在高度差阈值内,由此可以避免因为存在误差而造成门槛的漏检。这样与种子点的高度差在高度差阈值内的连续像素点会被划分在同一子区域,由此可以避免因为存在高度误差而造成门槛的漏检。
具体地,本申请可采用区域生长法,首先在待处理高度图中随机选取像素点作为种子点;然后以与该种子点的高度差小于高度差阈值作为生长准则遍历该种子点的邻域像素点,如果邻域像素点符合生长准则,则该邻域像素点作为生长点并继续以上述生长准则遍历该生长点的领域像素点,以此原则一直生长,直到找不到符合生长准则的像素点,从而生成一个子区域;然后再找一个不属于任何已划分的子区域的点作为种子点开始生长。
具体地,本申请所采用的区域生长法可采用广度优先遍历的方式进行生长,本申请不做限制。
S3、若至少一个子区域中存在满足门槛确定条件的至少一个目标子区域,确定至少一个目标子区域属于门槛。
由于门槛相对一般障碍物而言具有其自身的特征,因此可以利用门槛的特征来设定门槛确定条件。通过该步骤可以直接确定至少一个子区域中是否存在门槛。
在一些实施方式中,步骤S3中,门槛确定条件包括:子区域内的像素点的数量处于预设数量范围,且该子区域符合门槛的形状特征;若子区域内的像素点的数量不处于预设数量范围,则确定该子区域不属于门槛;如果子区域内的像素点的数量处于预设数量范围,且该子区域符合门槛的形状特征,则可确定该子区域是门槛。
由于门槛占据的像素点的数量会满足一定的数量范围,因此可以将子区域内的像素点的数量处于预设数量范围作为门槛确定条件之一,这样可以将像素点的数量处于预设数量范围之外的子区域进行排除。
通过该设置,可根据各子区域内像素点的数量剔除不可能存在门槛的子区域,提高门槛识别的速度。
本申请对“预设数量范围”的界定方式不作限制,只要可以起到排除不相关子区域的目的即可。比如,由于门槛具有一定长度,会占据一定数量的像素点,可以仅以一数量阈值来界定“预设数量范围”,像素点的数量在该数量阈值以下的子区域被排除是门槛的可能。
在利用各子区域内像素点的数量剔除不是门槛的子区域后,对于像素点的数量处于预设数量范围的子区域,可以继续确定该子区域是否满足门槛的形状特征。若子区域满足门槛的形状特征,则确定该子区域为满足门槛确定条件的目标子区域,或者可再结合其他手段作进一步确定。若子区域不满足门槛的形状特征,则确定该子区域不属于门槛。
在一些实施方式中,步骤S3中,所述门槛确定条件包括:所述子区域满足门槛的形状特征;若所述子区域不满足门槛的形状特征,则确定所述子区域不属于门槛。具体地,可直接通过确定子区域是否满足门槛的形状特征,来确定子区域是否属于门槛,若满足门槛的形状特征,则可确定子区域属于门槛,否则可确定子区域不属于门槛。
具体地,由于门槛具有类似直线的形状,因此可以通过各子区域是否满足类直线特征来作为确定是否为门槛的条件之一。
具体地,识别门槛的方法还包括:
对每一子区域的所有像素点的X、Y坐标数据进行计算以得到两个特征值;
求每一子区域的两个特征值的比值;
若该比值不处于预设比值范围,确定该子区域不属于门槛。
这两个特征值可以分别表示子区域内的像素点在两个特征向量方向上的分布状况。两个特征值的比值则表示该子区域内的像素点在相互正交的两个特征向量方向上分布的差距,差距越大,表示则该子区域的形状越接近直线。而门槛的形状近似直线,因此可以利用该方法对各子区域进行直线检测,并根据比值是否处于预设比值范围确定子区域是否满足门槛的形状特征,要么可以排除该子区域是门槛的可能,要么可以直接确定该子区域为门槛或者可以再结合其他手段进行进一步的确定。
具体地,预设比值范围可以通过一比值阈值来界定,将该比值与一比值阈值进行比较并根据比较结果来确定该子区域满足门槛的形状特征。
当以较大的特征值与较小的特征值进行比较时,比值越大,表示该子区域的形状越接近直线,这时比值阈值可以设置为一个远大于1的数字,比如10,当比较结果为大于比较阈值时,可以确定该子区域满足门槛的形状特征。当以较小的特征值与较大的特征值进行比对时,比值越小,表示该子区域的形状越接近直线,这时比值阈值可以设置为一个远小于1的数字,比如1/10,当比较结果为小于比较阈值时,可以确定该子区域满足门槛的形状特征。
具体地,各子区域的两个特征值可以通过PCA(principal component analysis;主成分分析)算法进行计算获得,其为一种数据分析方法,用于提取数据的主要特征。
具体地,通过PCA算法对每一子区域的所有像素点的X、Y坐标数据进行计算以得到两个特征值包括:
统合子区域内所有像素点X、Y的坐标数据,形成2×n的矩阵A,其中,n表示区域内的像素点个数。
对协方差矩阵C进行特征值分解,获得两个特征值。
需要注意的是,确定子区域是否满足门槛的形状特征可以在确定子区域内的像素点的数量处于预设数量范围后进行,这样在形状特征确定之后即可基本完成门槛的识别,当然不排除再结合其他手段作进一步确定。确定子区域是否满足门槛的形状特征之前,也可以不确定子区域内的像素点的数量是否处于预设数量范围,比如,可以直接进入形状特征的确定步骤,也可以先经过其他步骤再进入形状特征的确定步骤。相应的,确定子区域内的像素点的数量是否处于预设数量范围也可以结合其他步骤来进行门槛的识别,而且并不限定该步骤的执行顺序。
具体地,在步骤S3之后,识别门槛的方法还包括:
将至少一个目标子区域的位置信息从机器人坐标系转换到世界坐标系,得到转换后的位置信息;
输出转换后的位置信息。
根据转换后的位置信息,机器人能够快速准确的驶向门槛,并且可以对过门槛的行为进行提前规划,进而有利于减少机器人过门槛的时间以及提升机器人过门槛的成功率。
本申请对待处理高度图进行区域划分,将高度一致的像素点划分为同一个子区域,若各子区域中存在满足门槛确定条件的至少一个目标子区域,则确定该至少一个目标子区域属于门槛。本申请有利于提高门槛识别的准确率,进而有利于减少机器人过门槛的时间以及提升机器人过门槛的成功率。
请参阅图2,本申请实施例还公开了一种识别门槛的装置,包括:
获取模块100,用于获取待处理高度图;
划分模块200,用于将待处理高度图划分为至少一个子区域,子区域由高度一致的连续像素点组成;
确定模块300,用于若至少一个子区域中存在满足门槛确定条件的至少一个目标子区域,确定至少一个目标子区域属于门槛。
本申请对待处理高度图进行区域划分,将高度一致的像素点划分为同一个子区域,若各子区域中存在满足门槛确定条件的至少一个目标子区域,则确定至少一个目标子区域属于门槛。本申请有利于提高门槛识别的准确率,进而有利于减少机器人过门槛的时间以及提升机器人过门槛的成功率。
请参阅图3,本申请实施例还公开了一种电子设备,包括:
处理器40;
存储器50,其中存储有处理器40的可执行指令;
其中,处理器40配置为经由执行可执行指令来执行上述识别门槛的方法。
具体地,电子设备可以是机器人,也可以其他电子设备,本申请对此不作限制。
本申请实施例还公开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上述识别门槛的方法。
本申请实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该电子设备执行上述识别门槛的方法。
应当理解,在本申请实施例中,所称处理器可以是中央处理模块(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
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指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所揭露的仅为本申请的较佳实例而已,不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,均属于本申请所涵盖的范围。
Claims (13)
1.一种识别门槛的方法,其特征在于,包括:
获取待处理高度图;
将所述待处理高度图划分为至少一个子区域,所述子区域由高度一致的连续像素点组成;
若所述至少一个子区域中存在满足门槛确定条件的至少一个目标子区域,确定至少一个所述目标子区域属于门槛。
2.如权利要求1所述的识别门槛的方法,其特征在于,
所述获取待处理高度图包括:
以机器人当前位姿为基准,从全局栅格障碍物地图中提取局部高度图作为所述待处理高度图。
3.如权利要求1所述的识别门槛的方法,其特征在于,
所述待处理高度图由栅格障碍物地图经过高度过滤得到,所述待处理高度图的待处理像素点的高度位于预设高度范围内,门槛的高度位于所述预设高度范围内。
4.如权利要求1-3任一项所述的识别门槛的方法,其特征在于,
所述将所述待处理高度图划分为至少一个子区域包括:
以所述待处理高度图的像素点的高度值作为划分标准,基于区域生长法将所述待处理高度图划分为至少一个所述子区域。
5.如权利要求4所述的识别门槛的方法,其特征在于,
每一所述子区域内区域生长的种子点与其他像素点之间的高度差在高度差阈值内。
6.如权利要求1所述的识别门槛的方法,其特征在于,
所述门槛确定条件包括:所述子区域内的像素点的数量处于预设数量范围,且该子区域符合门槛的形状特征。
7.如权利要求1所述的识别门槛的方法,其特征在于,
所述门槛确定条件包括:所述子区域满足门槛的形状特征;
若所述子区域不满足门槛的形状特征,则确定所述子区域不属于门槛。
8.如权利要求6或7所述的识别门槛的方法,其特征在于,
所述形状特征为类直线特征。
9.如权利要求8所述的识别门槛的方法,其特征在于,
所述方法还包括:
对所述子区域的所有像素点的X、Y坐标数据进行计算以得到两个特征值;
求所述子区域的两个所述特征值的比值;
若所述比值处于预设比值范围,确定所述子区域属于门槛。
10.如权利要求1所述的识别门槛的方法,其特征在于,所述方法还包括:
将至少一个所述目标子区域的位置信息从机器人坐标系转换到世界坐标系,得到转换后的位置信息;
输出所述转换后的位置信息。
11.一种识别门槛的装置,其特征在于,包括:
获取模块,用于获取待处理高度图;
划分模块,用于将所述待处理高度图划分为至少一个子区域,所述子区域由高度一致的连续像素点组成;
确定模块,用于若所述至少一个子区域中存在满足门槛确定条件的至少一个目标子区域,确定至少一个所述目标子区域属于门槛。
12.一种电子设备,其特征在于,包括:
处理器;
存储器,其中存储有所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-10任一项所述的识别门槛的方法。
13.一种计算机可读存储介质,其上存储有计算机程序,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1-10任一项所述的识别门槛的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110427288.0A CN113240737B (zh) | 2021-04-20 | 2021-04-20 | 识别门槛的方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110427288.0A CN113240737B (zh) | 2021-04-20 | 2021-04-20 | 识别门槛的方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113240737A true CN113240737A (zh) | 2021-08-10 |
CN113240737B CN113240737B (zh) | 2023-08-08 |
Family
ID=77128685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110427288.0A Active CN113240737B (zh) | 2021-04-20 | 2021-04-20 | 识别门槛的方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240737B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023179393A1 (zh) * | 2022-03-24 | 2023-09-28 | 追觅创新科技(苏州)有限公司 | 区域划分方法、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010224930A (ja) * | 2009-03-24 | 2010-10-07 | Fuji Heavy Ind Ltd | 道路認識装置 |
CN106940560A (zh) * | 2010-07-01 | 2017-07-11 | 德国福维克控股公司 | 具有区域划分的测绘制图 |
CN110393482A (zh) * | 2019-09-03 | 2019-11-01 | 深圳飞科机器人有限公司 | 地图处理方法以及清洁机器人 |
CN110807806A (zh) * | 2020-01-08 | 2020-02-18 | 中智行科技有限公司 | 一种障碍物检测方法、装置及存储介质和终端设备 |
CN111093019A (zh) * | 2019-12-30 | 2020-05-01 | 科沃斯机器人股份有限公司 | 地形识别、行进与地图构建方法、设备及存储介质 |
CN111221337A (zh) * | 2020-01-19 | 2020-06-02 | 弗徕威智能机器人科技(上海)有限公司 | 机器人栅格地图的构建方法及系统 |
CN112129266A (zh) * | 2020-09-28 | 2020-12-25 | 北京嘀嘀无限科技发展有限公司 | 处理地图的方法、装置、设备和计算机可读存储介质 |
CN112347876A (zh) * | 2020-10-26 | 2021-02-09 | 珠海市一微半导体有限公司 | 一种基于tof摄像头的障碍物识别方法、清洁机器人 |
-
2021
- 2021-04-20 CN CN202110427288.0A patent/CN113240737B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010224930A (ja) * | 2009-03-24 | 2010-10-07 | Fuji Heavy Ind Ltd | 道路認識装置 |
CN106940560A (zh) * | 2010-07-01 | 2017-07-11 | 德国福维克控股公司 | 具有区域划分的测绘制图 |
CN110393482A (zh) * | 2019-09-03 | 2019-11-01 | 深圳飞科机器人有限公司 | 地图处理方法以及清洁机器人 |
CN111093019A (zh) * | 2019-12-30 | 2020-05-01 | 科沃斯机器人股份有限公司 | 地形识别、行进与地图构建方法、设备及存储介质 |
CN110807806A (zh) * | 2020-01-08 | 2020-02-18 | 中智行科技有限公司 | 一种障碍物检测方法、装置及存储介质和终端设备 |
CN111221337A (zh) * | 2020-01-19 | 2020-06-02 | 弗徕威智能机器人科技(上海)有限公司 | 机器人栅格地图的构建方法及系统 |
CN112129266A (zh) * | 2020-09-28 | 2020-12-25 | 北京嘀嘀无限科技发展有限公司 | 处理地图的方法、装置、设备和计算机可读存储介质 |
CN112347876A (zh) * | 2020-10-26 | 2021-02-09 | 珠海市一微半导体有限公司 | 一种基于tof摄像头的障碍物识别方法、清洁机器人 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023179393A1 (zh) * | 2022-03-24 | 2023-09-28 | 追觅创新科技(苏州)有限公司 | 区域划分方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113240737B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086724B (zh) | 一种加速的人脸检测方法及存储介质 | |
US20100284572A1 (en) | Systems and methods for extracting planar features, matching the planar features, and estimating motion from the planar features | |
WO2022099530A1 (zh) | 点云数据运动分割方法、装置、计算机设备和存储介质 | |
US10445868B2 (en) | Method for detecting a defect on a surface of a tire | |
CN109255802B (zh) | 行人跟踪方法、装置、计算机设备及存储介质 | |
JP2020518918A (ja) | 情報処理方法、装置、クラウド処理デバイス及びコンピュータプログラム製品 | |
CN111488808B (zh) | 基于交通违法图像数据的车道线检测方法 | |
CN113112490B (zh) | 一种三维医学影像标记点提取方法及系统 | |
CN111582077A (zh) | 基于人工智能软件技术的安全带佩戴检测方法和装置 | |
CN113240737B (zh) | 识别门槛的方法、装置、电子设备及计算机可读存储介质 | |
CN113450402B (zh) | 用于蔬菜大棚巡检机器人的导航中心线提取方法 | |
CN113177941B (zh) | 一种钢卷边裂识别方法、系统、介质和终端 | |
KR101991452B1 (ko) | 유두위치 검출 방법, 유방 이미지 표시방법 및 유두위치 검출 장치 | |
JP2003187248A (ja) | 画像処理システムおよび画像処理装置 | |
CN111783648A (zh) | 道路点云中护栏的提取方法及装置 | |
CN115683109A (zh) | 基于cuda和三维栅格地图的视觉动态障碍物检测方法 | |
CN114359403A (zh) | 一种基于非完整性蘑菇图像的三维空间视觉定位方法、系统及装置 | |
CN113744416A (zh) | 一种基于遮罩的全局点云滤波方法、设备和存储介质 | |
CN112991294A (zh) | 异物检测方法、装置及计算机可读介质 | |
CN111563883A (zh) | 屏幕视觉定位方法、定位设备及存储介质 | |
Khan et al. | Clustering Algorithm Based Straight and Curved Crop Row Detection Using Color Based Segmentation | |
CN110472538B (zh) | 一种电子图纸的图像识别方法、存储介质 | |
CN117372988B (zh) | 道路边界检测方法、装置、电子设备及存储介质 | |
CN115063578B (zh) | 芯片图像中目标对象检测与定位方法、装置及存储介质 | |
CN115861426B (zh) | 物料取样方法、装置、计算机设备和存储介质 |
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 |