CN113657332A - 地面警戒线识别方法、装置、计算机设备及存储介质 - Google Patents
地面警戒线识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113657332A CN113657332A CN202110978228.8A CN202110978228A CN113657332A CN 113657332 A CN113657332 A CN 113657332A CN 202110978228 A CN202110978228 A CN 202110978228A CN 113657332 A CN113657332 A CN 113657332A
- Authority
- CN
- China
- Prior art keywords
- area
- contour
- candidate
- outlines
- warning line
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012216 screening Methods 0.000 claims abstract description 56
- 238000004590 computer program Methods 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 10
- 230000010339 dilation Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了地面警戒线识别方法、装置、计算机设备及存储介质。所述方法包括：获取RGB图像以及深度图像信息；对所述RGB图像提取所有黄色区域轮廓；采用面积比例算法对所有黄色区域轮廓进行筛选，以得到符合要求的警戒线区域；遍历符合要求的警戒线区域的轮廓，以得到轮廓坐标和长宽；根据轮廓坐标和长宽结合所述深度图像信息生成雷达数据。通过实施本发明实施例的方法可实现机器人可精准识别地面警戒线，机器人更加灵活地避开警戒线，避免一些安全事故发生。
Description
技术领域
本发明涉及机器人，更具体地说是指地面警戒线识别方法、装置、计算机设备及存储介质。
背景技术
随着科学技术的高速发展，服务型移动机器人逐渐走进老百姓的日常生活中，并且真实落地应用于多个行业终端，包括餐厅、银行、政务、展会、地铁等多个垂直行业。
在现有的技术中，机器人使用激光雷达来感知环境，规划路径，智能避障，但当机器人定位丢失时，会移动到一些跌落风险区，如楼梯口以及台阶边缘等，由于激光雷达的局限性，无法准确识别地面上的警戒线，无法提前感知路径上的跌落风险区，从而导致机器人跌落，造成安全事故。
因此，有必要设计一种新的方法，实现机器人可精准识别地面警戒线，机器人更加灵活地避开警戒线，避免一些安全事故发生。
发明内容
本发明的目的在于克服现有技术的缺陷，提供地面警戒线识别方法、装置、计算机设备及存储介质。
为实现上述目的，本发明采用以下技术方案：地面警戒线识别方法，包括：
获取RGB图像以及深度图像信息；
对所述RGB图像提取所有黄色区域轮廓；
采用面积比例算法对所有黄色区域轮廓进行筛选，以得到符合要求的警戒线区域；
遍历符合要求的警戒线区域的轮廓，以得到轮廓坐标和长宽；
根据轮廓坐标和长宽结合所述深度图像信息生成雷达数据。
其进一步技术方案为：所述对所述RGB图像提取所有黄色区域轮廓，包括：
将所述RGB图像转至HSV颜色空间下，并设定颜色阈值，以提取所有黄色区域；
对所有黄色区域进行形态学闭运算，以得到运算结果；
对所述运算结果进行过滤噪声，以得到所有黄色区域轮廓。
其进一步技术方案为：所述采用面积比例算法对所有黄色区域轮廓进行筛选，以得到符合要求的警戒线区域，包括：
筛选所有黄色区域轮廓内面积比例符合面积比例规则的黄色区域轮廓，以得到候选轮廓；
对所述候选轮廓生成候选区域掩码图；
对所述候选区域掩码图与所述RGB图像进行二进制非运算，以得到候选区域对应的原图区域；
根据候选区域对应的原图区域生成黑色区域轮廓；
获取黑色区域轮廓的面积以及最小外接矩形的长宽；
筛选面积以及最小外接矩形的长宽比例符合要求的黑色区域轮廓，以得到目标轮廓；
判断所述目标轮廓的个数是否大于设定阈值；
若目标轮廓的个数大于设定阈值，则确定所述候选区域对应的原图区域为符合要求的警戒线区域。
其进一步技术方案为：所述筛选所有黄色区域轮廓内面积比例符合面积比例规则的黄色区域轮廓，以得到候选轮廓，包括：
筛选所有黄色区域轮廓内面积大于面积阈值的轮廓，并获取轮廓对应的最小外接矩形，以得到轮廓的长宽比；
筛选轮廓的长宽比符合要求的黄色区域轮廓，以得到候选轮廓。
其进一步技术方案为：所述对所述候选轮廓生成候选区域掩码图，包括：
获取所述候选轮廓的最小外接矩形的四点坐标；
根据所述四点坐标结合漫水填充算法生成矩形区域，以得到候选区域掩码图。
其进一步技术方案为：所述根据候选区域对应的原图区域生成黑色区域轮廓，包括：
将候选区域对应的原图区域转至HSV颜色空间内，并设定颜色阈值，以提取候选区域对应的原图区域内所有黑色区域的轮廓；
对所有黑色区域的轮廓进行膨胀操作处理且过滤噪声，以得到黑色区域轮廓。
其进一步技术方案为：所述筛选面积以及最小外接矩形的长宽符合要求的黑色区域轮廓，以得到目标轮廓，包括：
筛选面积不小于第一阈值且最小外接矩形的长宽比例不小于比例阈值的黑色区域轮廓，以得到目标轮廓。
本发明还提供了地面警戒线识别装置，包括：
获取单元，用于获取RGB图像以及深度图像信息；
轮廓提取单元，用于对所述RGB图像提取所有黄色区域轮廓；
筛选单元，用于采用面积比例算法对所有黄色区域轮廓进行筛选，以得到符合要求的警戒线区域；
遍历单元，用于遍历符合要求的警戒线区域的轮廓，以得到轮廓坐标和长宽；
雷达数据生成单元，用于根据轮廓坐标和长宽结合所述深度图像信息生成雷达数据。
本发明还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质，所述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可实现上述的方法。
本发明与现有技术相比的有益效果是：本发明通过深度相机获取RGB图像以及深度图像信息，采用对RGB图像进行黄色区域轮廓的提取后，采用面积比较算法筛选出符合要求的警戒线区域，确定该警戒线区域的轮廓坐标以及长宽，结合深度图信息生成雷达数据，以转为警戒线的具体位置，实现机器人可精准识别地面警戒线，机器人更加灵活地避开警戒线，避免一些安全事故发生。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的地面警戒线识别方法的应用场景示意图；
图2为本发明实施例提供的地面警戒线识别方法的流程示意图；
图3为本发明实施例提供的地面警戒线识别方法的子流程示意图；
图4为本发明实施例提供的地面警戒线识别方法的子流程示意图；
图5为本发明实施例提供的地面警戒线识别方法的子流程示意图；
图6为本发明实施例提供的地面警戒线识别方法的子流程示意图；
图7为本发明实施例提供的地面警戒线识别方法的子流程示意图；
图8为本发明实施例提供的地面警戒线识别装置的示意性框图；
图9为本发明实施例提供的地面警戒线识别装置的轮廓提取单元的示意性框图；
图10为本发明实施例提供的地面警戒线识别装置的筛选单元的示意性框图；
图11为本发明实施例提供的地面警戒线识别装置的候选轮廓生成子单元的示意性框图；
图12为本发明实施例提供的地面警戒线识别装置的掩码图生成子单元的示意性框图；
图13为本发明实施例提供的地面警戒线识别装置的黑色轮廓生成子单元的示意性框图；
图14为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本发明实施例提供的地面警戒线识别方法的应用场景示意图。图2为本发明实施例提供的地面警戒线识别方法的示意性流程图。该地面警戒线识别方法应用于服务器中。该服务器可以为机器人的控制器，当然，服务器也可以与机器人独立设置，服务器与机器人、摄像头进行数据交互，摄像头设置在机器人上，通过摄像头获取的RGB图像以及深度图像信息，对RGB图像进行处理，以确定符合要求的警戒线区域，并结合深度图像信息确定雷达数据，以驱动机器人避开警戒线所涉及的范围，实现机器人可精准识别地面警戒线，机器人更加灵活地避开警戒线，避免一些安全事故发生。在本实施例中，本实施例的方法针对的地面警戒线为黄色底上设置若干个间隔布置的黑色图案的警戒线。
图2是本发明实施例提供的地面警戒线识别方法的流程示意图。如图2所示，该方法包括以下步骤S110至S150。
S110、获取RGB图像以及深度图像信息。
在本实施例中，采用RGB深度相机拍摄警戒线所在位置的图像，以形成RGB图像以及深度图像信息，其中，RGB图像是指带有颜色的图像，深度图像信息是指相机发出经调制的近红外光，遇警戒线后反射，通过计算光线发射和反射时间差或相位差，来换算被拍摄警戒线的距离，以产生深度信息。
S120、对所述RGB图像提取所有黄色区域轮廓。
在本实施例中，黄色区域轮廓是指警戒线的黄色区域的轮廓。
在一实施例中，请参阅图3，上述的步骤S120可包括步骤S121～S123。
S121、将所述RGB图像转至HSV颜色空间下，并设定颜色阈值，以提取所有黄色区域；
在本实施例中，将RGB图像转至HSV颜色空间下，并设置黄色的颜色阈值，便可提取所有黄色区域。
S122、对所有黄色区域进行形态学闭运算，以得到运算结果。
在本实施例中，运算结果是指将所有黄色区域使用形态学闭运算形成的连通区域，使用形态学闭运算可使得区域连通性更好。
S123、对所述运算结果进行过滤噪声，以得到所有黄色区域轮廓。
在本实施例中，采用中值滤波算法过滤噪声，获取所有黄色区域的所有完整轮廓。
S130、采用面积比例算法对所有黄色区域轮廓进行筛选，以得到符合要求的警戒线区域。
在本实施例中，符合要求的警戒线区域是指图像中定制警戒线的区域。
在一实施例中，请参阅图4，上述的步骤S130可包括步骤S131～S138。
S131、筛选所有黄色区域轮廓内面积比例符合面积比例规则的黄色区域轮廓，以得到候选轮廓。
在本实施例中，候选轮廓是指所有黄色区域轮廓内面积比例符合面积比例规则的黄色区域轮廓。
在一实施例中，请参阅图5，上述的步骤S131可包括步骤S1311～S1312。
S1311、筛选所有黄色区域轮廓内面积大于面积阈值的轮廓，并获取轮廓对应的最小外接矩形，以得到轮廓的长宽比。
在本实施例中，轮廓的长宽比是指轮廓对应的最小外接矩形的长宽比。
S1312、筛选轮廓的长宽比符合要求的黄色区域轮廓，以得到候选轮廓。
获取所有轮廓的面积，对于面积大于面积阈值的轮廓，获取该轮廓最小外接矩形，得到长宽比，将长宽比满足设定的比例的轮廓存储为候选轮廓，这些候选轮廓对应的区域均为长条状的黄色区域，比较接近警戒线的特征。先从黄色的区域进行确定，确定警戒线整体的轮廓。
S132、对所述候选轮廓生成候选区域掩码图。
在本实施例中，候选区域掩码图是指由候选轮廓的最小外接矩形的四点坐标采用漫水填充算法生成的图。
在一实施例中，请参阅图6，上述的步骤S132可包括步骤S1321～S1322。
S1321、获取所述候选轮廓的最小外接矩形的四点坐标；
S1322、根据所述四点坐标结合漫水填充算法生成矩形区域，以得到候选区域掩码图。
具体地，获取候选轮廓对应区域的最小外接矩形的四点坐标，在与RGB图像长宽一致的空白图上画出该矩形区域轮廓，使用漫水填充算法，填满该矩形区域，得到候选区域掩码图。
S133、对所述候选区域掩码图与所述RGB图像进行二进制非运算，以得到候选区域对应的原图区域；
在本实施例中，候选区域对应的原图区域是指候选区域掩码图所对应的内容在所述RGB图像对应的区域，也就是警戒线的黄色区域在RGB图像对应的区域。
S134、根据候选区域对应的原图区域生成黑色区域轮廓。
在本实施例中，黑色区域轮空是指候选区域对应的原图区域经过HSV转换、膨胀操作处理、过滤噪声后形成的轮廓，也就是在警戒线的黄色区域上确定黑色图案的轮廓。
在一实施例中，请参阅图7，上述的步骤S134可包括步骤S1341～S1342。
S1341、将候选区域对应的原图区域转至HSV颜色空间内，并设定颜色阈值，以提取候选区域对应的原图区域内所有黑色区域的轮廓；
S1342、对所有黑色区域的轮廓进行膨胀操作处理且过滤噪声，以得到黑色区域轮廓。
具体地，使用形态学中的膨胀操作，保证区域的完整性，再使用中值滤波算法过滤噪声，获取到完整的黑色区域轮廓。
S135、获取黑色区域轮廓的面积以及最小外接矩形的长宽。
在本实施例中，获取黑色区域轮廓的面积以及最小外接矩形的长宽，可以确定黑色区域轮廓是否是警戒线上的黑色图案。
S136、筛选面积以及最小外接矩形的长宽比例符合要求的黑色区域轮廓，以得到目标轮廓。
在本实施例中，目标轮廓是指面积以及最小外接矩形的长宽比例符合要求的黑色区域轮廓。
具体地，筛选面积不小于第一阈值且最小外接矩形的长宽比例不小于比例阈值的黑色区域轮廓，以得到目标轮廓。
S137、判断所述目标轮廓的个数是否大于设定阈值；
S138、若目标轮廓的个数大于设定阈值，则确定所述候选区域对应的原图区域为符合要求的警戒线区域。
若目标轮廓的个数不大于设定阈值，则执行所述步骤S110。
获取黑色区域轮廓的面积以及最小外接矩形的长宽比例，对于黑色区域轮廓的面积小于阈值或最小外接矩形的长宽比例不满足要求的黑色区域轮廓，予以删除，表明该黑色区域轮廓不是警戒线上的黑色图案；对剩下的黑色区域轮廓进行个数的统计，若剩下的黑色区域轮廓的个数大于设定的阈值，则可判定该候选原图区域为符合要求的警戒线区域。
S140、遍历符合要求的警戒线区域的轮廓，以得到轮廓坐标和长宽。
在本实施例中，轮廓坐标和长宽是指符合要求的警戒线区域的轮廓对应的坐标和长度、宽度。
S150、根据轮廓坐标和长宽结合所述深度图像信息生成雷达数据。
遍历最终得到的警戒线区域的轮廓，返回符合要求的轮廓坐标以及长宽，结合相应位置的深度图像信息，转为三维点云坐标以及雷达数据。
利用深度相机采集RGB图像以及深度图像信息，通过HSV颜色空间，分割出黄色区域，使用形态学操作，滤波算法获取完整的黄色区域的轮廓，通过设定的面积以及长宽比例阈值筛选出候选区域，即可得到候选轮廓，再通过掩码图获取候选区域原图，并将候选区域原图转到HSV颜色空间，分割出黑色区域，使用形态学膨胀算法，滤波算法获取完整的黑色区域轮廓，通过设定的面积、长宽比例以及个数阈值，筛选出最终的符合要求的警戒线区域轮廓，结合深度图信息，将RGB图像坐标转为三维点云坐标，最终转为雷达导航数据类型，生成禁行线，能够区分市面上通用的警戒线，可从复杂的场景中识别定制警戒线；能够识别图像中所有的定制警戒线；配合自主移动的机器人，能够实时准确的识别地面警戒线，生成雷达数据，从而绕开警戒线后方的跌落风险区域，避免了机器人跌落情况发生。
上述的地面警戒线识别方法，通过深度相机获取RGB图像以及深度图像信息，采用对RGB图像进行黄色区域轮廓的提取后，采用面积比较算法筛选出符合要求的警戒线区域，确定该警戒线区域的轮廓坐标以及长宽，结合深度图信息生成雷达数据，以转为警戒线的具体位置，实现机器人可精准识别地面警戒线，机器人更加灵活地避开警戒线，避免一些安全事故发生。
图8是本发明实施例提供的一种地面警戒线识别装置300的示意性框图。如图8所示，对应于以上地面警戒线识别方法，本发明还提供一种地面警戒线识别装置300。该地面警戒线识别装置300包括用于执行上述地面警戒线识别方法的单元，该装置可以被配置于服务器中。具体地，请参阅图8，该地面警戒线识别装置300包括获取单元301、轮廓提取单元302、筛选单元303、遍历单元304以及雷达数据生成单元305。
获取单元301，用于获取RGB图像以及深度图像信息；轮廓提取单元302，用于对所述RGB图像提取所有黄色区域轮廓；筛选单元303，用于采用面积比例算法对所有黄色区域轮廓进行筛选，以得到符合要求的警戒线区域；遍历单元304，用于遍历符合要求的警戒线区域的轮廓，以得到轮廓坐标和长宽；雷达数据生成单元305，用于根据轮廓坐标和长宽结合所述深度图像信息生成雷达数据。
在一实施例中，如图9所示，所述轮廓提取单元302包括第一提取子单元3051、第一运算子单元3052以及第一过滤子单元3053。
第一提取子单元3051，用于将所述RGB图像转至HSV颜色空间下，并设定颜色阈值，以提取所有黄色区域；第一运算子单元3052，用于对所有黄色区域进行形态学闭运算，以得到运算结果；第一过滤子单元3053，用于对所述运算结果进行过滤噪声，以得到所有黄色区域轮廓。
在一实施例中，如图10所示，所述筛选单元303包括候选轮廓生成子单元3031、掩码图生成子单元3032、非运算子单元3033、黑色轮廓生成子单元3034、数据获取子单元3035、第二筛选子单元3036、个数判断子单元3037以及确定子单元3038。
候选轮廓生成子单元3031，用于筛选所有黄色区域轮廓内面积比例符合面积比例规则的黄色区域轮廓，以得到候选轮廓；掩码图生成子单元3032，用于对所述候选轮廓生成候选区域掩码图；非运算子单元3033，用于对所述候选区域掩码图与所述RGB图像进行二进制非运算，以得到候选区域对应的原图区域；黑色轮廓生成子单元3034，用于根据候选区域对应的原图区域生成黑色区域轮廓；数据获取子单元3035，用于获取黑色区域轮廓的面积以及最小外接矩形的长宽；第二筛选子单元3036，用于筛选面积以及最小外接矩形的长宽比例符合要求的黑色区域轮廓，以得到目标轮廓；个数判断子单元3037，用于判断所述目标轮廓的个数是否大于设定阈值；确定子单元3038，用于若目标轮廓的个数大于设定阈值，则确定所述候选区域对应的原图区域为符合要求的警戒线区域。
在一实施例中，如图11所示，所述候选轮廓生成子单元3031包括面积筛选模块30311以及轮廓筛选模块30312。
面积筛选模块30311，用于筛选所有黄色区域轮廓内面积大于面积阈值的轮廓，并获取轮廓对应的最小外接矩形，以得到轮廓的长宽比；轮廓筛选模块30312，用于筛选轮廓的长宽比符合要求的黄色区域轮廓，以得到候选轮廓。
在一实施例中，如图12所示，所述掩码图生成子单元3032包括坐标获取模块30321以及矩形区域生成模块30322。
坐标获取模块30321，用于获取所述候选轮廓的最小外接矩形的四点坐标；矩形区域生成模块30322，用于根据所述四点坐标结合漫水填充算法生成矩形区域，以得到候选区域掩码图。
在一实施例中，如图13所示，所述黑色轮廓生成子单元3034包括第二提取模块30341以及处理模块30342。
第二提取模块30341，用于将候选区域对应的原图区域转至HSV颜色空间内，并设定颜色阈值，以提取候选区域对应的原图区域内所有黑色区域的轮廓；处理模块30342，用于对所有黑色区域的轮廓进行膨胀操作处理且过滤噪声，以得到黑色区域轮廓。
在一实施例中，所述第二筛选子单元3036，用于筛选面积不小于第一阈值且最小外接矩形的长宽比例不小于比例阈值的黑色区域轮廓，以得到目标轮廓。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述地面警戒线识别装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述地面警戒线识别装置300可以实现为一种计算机程序的形式，该计算机程序可以在如图14所示的计算机设备上运行。
请参阅图14，图14是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器，其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图14，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种地面警戒线识别方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种地面警戒线识别方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下步骤：
获取RGB图像以及深度图像信息；对所述RGB图像提取所有黄色区域轮廓；采用面积比例算法对所有黄色区域轮廓进行筛选，以得到符合要求的警戒线区域；遍历符合要求的警戒线区域的轮廓，以得到轮廓坐标和长宽；根据轮廓坐标和长宽结合所述深度图像信息生成雷达数据
在一实施例中，处理器502在实现所述对所述RGB图像提取所有黄色区域轮廓步骤时，具体实现如下步骤：
将所述RGB图像转至HSV颜色空间下，并设定颜色阈值，以提取所有黄色区域；对所有黄色区域进行形态学闭运算，以得到运算结果；对所述运算结果进行过滤噪声，以得到所有黄色区域轮廓。
在一实施例中，处理器502在实现所述采用面积比例算法对所有黄色区域轮廓进行筛选，以得到符合要求的警戒线区域步骤时，具体实现如下步骤：
筛选所有黄色区域轮廓内面积比例符合面积比例规则的黄色区域轮廓，以得到候选轮廓；对所述候选轮廓生成候选区域掩码图；对所述候选区域掩码图与所述RGB图像进行二进制非运算，以得到候选区域对应的原图区域；根据候选区域对应的原图区域生成黑色区域轮廓；获取黑色区域轮廓的面积以及最小外接矩形的长宽；筛选面积以及最小外接矩形的长宽比例符合要求的黑色区域轮廓，以得到目标轮廓；判断所述目标轮廓的个数是否大于设定阈值；若目标轮廓的个数大于设定阈值，则确定所述候选区域对应的原图区域为符合要求的警戒线区域。
在一实施例中，处理器502在实现所述筛选所有黄色区域轮廓内面积比例符合面积比例规则的黄色区域轮廓，以得到候选轮廓步骤时，具体实现如下步骤：
筛选所有黄色区域轮廓内面积大于面积阈值的轮廓，并获取轮廓对应的最小外接矩形，以得到轮廓的长宽比；筛选轮廓的长宽比符合要求的黄色区域轮廓，以得到候选轮廓。
在一实施例中，处理器502在实现所述对所述候选轮廓生成候选区域掩码图步骤时，具体实现如下步骤：
获取所述候选轮廓的最小外接矩形的四点坐标；根据所述四点坐标结合漫水填充算法生成矩形区域，以得到候选区域掩码图。
在一实施例中，处理器502在实现所述根据候选区域对应的原图区域生成黑色区域轮廓步骤时，具体实现如下步骤：
将候选区域对应的原图区域转至HSV颜色空间内，并设定颜色阈值，以提取候选区域对应的原图区域内所有黑色区域的轮廓；对所有黑色区域的轮廓进行膨胀操作处理且过滤噪声，以得到黑色区域轮廓。
在一实施例中，处理器502在实现所述筛选面积以及最小外接矩形的长宽符合要求的黑色区域轮廓，以得到目标轮廓步骤时，具体实现如下步骤：
筛选面积不小于第一阈值且最小外接矩形的长宽比例不小于比例阈值的黑色区域轮廓，以得到目标轮廓。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502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 Integrated Circuit，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。其中，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的是实现上述实施例的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。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中该计算机程序被处理器执行时使处理器执行如下步骤：
获取RGB图像以及深度图像信息；对所述RGB图像提取所有黄色区域轮廓；采用面积比例算法对所有黄色区域轮廓进行筛选，以得到符合要求的警戒线区域；遍历符合要求的警戒线区域的轮廓，以得到轮廓坐标和长宽；根据轮廓坐标和长宽结合所述深度图像信息生成雷达数据。
在一实施例中，所述处理器在执行所述计算机程序而实现所述对所述RGB图像提取所有黄色区域轮廓步骤时，具体实现如下步骤：
将所述RGB图像转至HSV颜色空间下，并设定颜色阈值，以提取所有黄色区域；对所有黄色区域进行形态学闭运算，以得到运算结果；对所述运算结果进行过滤噪声，以得到所有黄色区域轮廓。
在一实施例中，所述处理器在执行所述计算机程序而实现所述采用面积比例算法对所有黄色区域轮廓进行筛选，以得到符合要求的警戒线区域步骤时，具体实现如下步骤：
筛选所有黄色区域轮廓内面积比例符合面积比例规则的黄色区域轮廓，以得到候选轮廓；对所述候选轮廓生成候选区域掩码图；对所述候选区域掩码图与所述RGB图像进行二进制非运算，以得到候选区域对应的原图区域；根据候选区域对应的原图区域生成黑色区域轮廓；获取黑色区域轮廓的面积以及最小外接矩形的长宽；筛选面积以及最小外接矩形的长宽比例符合要求的黑色区域轮廓，以得到目标轮廓；判断所述目标轮廓的个数是否大于设定阈值；若目标轮廓的个数大于设定阈值，则确定所述候选区域对应的原图区域为符合要求的警戒线区域。
在一实施例中，所述处理器在执行所述计算机程序而实现所述筛选所有黄色区域轮廓内面积比例符合面积比例规则的黄色区域轮廓，以得到候选轮廓步骤时，具体实现如下步骤：
筛选所有黄色区域轮廓内面积大于面积阈值的轮廓，并获取轮廓对应的最小外接矩形，以得到轮廓的长宽比；筛选轮廓的长宽比符合要求的黄色区域轮廓，以得到候选轮廓。
在一实施例中，所述处理器在执行所述计算机程序而实现所述对所述候选轮廓生成候选区域掩码图步骤时，具体实现如下步骤：
获取所述候选轮廓的最小外接矩形的四点坐标；根据所述四点坐标结合漫水填充算法生成矩形区域，以得到候选区域掩码图。
在一实施例中，所述处理器在执行所述计算机程序而实现所述根据候选区域对应的原图区域生成黑色区域轮廓步骤时，具体实现如下步骤：
将候选区域对应的原图区域转至HSV颜色空间内，并设定颜色阈值，以提取候选区域对应的原图区域内所有黑色区域的轮廓；对所有黑色区域的轮廓进行膨胀操作处理且过滤噪声，以得到黑色区域轮廓。
在一实施例中，所述处理器在执行所述计算机程序而实现所述筛选面积以及最小外接矩形的长宽符合要求的黑色区域轮廓，以得到目标轮廓步骤时，具体实现如下步骤：
筛选面积不小于第一阈值且最小外接矩形的长宽比例不小于比例阈值的黑色区域轮廓，以得到目标轮廓。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明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。专业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。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.地面警戒线识别方法，其特征在于，包括：
获取RGB图像以及深度图像信息；
对所述RGB图像提取所有黄色区域轮廓；
采用面积比例算法对所有黄色区域轮廓进行筛选，以得到符合要求的警戒线区域；
遍历符合要求的警戒线区域的轮廓，以得到轮廓坐标和长宽；
根据轮廓坐标和长宽结合所述深度图像信息生成雷达数据。
2.根据权利要求1所述的地面警戒线识别方法，其特征在于，所述对所述RGB图像提取所有黄色区域轮廓，包括：
将所述RGB图像转至HSV颜色空间下，并设定颜色阈值，以提取所有黄色区域；
对所有黄色区域进行形态学闭运算，以得到运算结果；
对所述运算结果进行过滤噪声，以得到所有黄色区域轮廓。
3.根据权利要求1所述的地面警戒线识别方法，其特征在于，所述采用面积比例算法对所有黄色区域轮廓进行筛选，以得到符合要求的警戒线区域，包括：
筛选所有黄色区域轮廓内面积比例符合面积比例规则的黄色区域轮廓，以得到候选轮廓；
对所述候选轮廓生成候选区域掩码图；
对所述候选区域掩码图与所述RGB图像进行二进制非运算，以得到候选区域对应的原图区域；
根据候选区域对应的原图区域生成黑色区域轮廓；
获取黑色区域轮廓的面积以及最小外接矩形的长宽；
筛选面积以及最小外接矩形的长宽比例符合要求的黑色区域轮廓，以得到目标轮廓；
判断所述目标轮廓的个数是否大于设定阈值；
若目标轮廓的个数大于设定阈值，则确定所述候选区域对应的原图区域为符合要求的警戒线区域。
4.根据权利要求3所述的地面警戒线识别方法，其特征在于，所述筛选所有黄色区域轮廓内面积比例符合面积比例规则的黄色区域轮廓，以得到候选轮廓，包括：
筛选所有黄色区域轮廓内面积大于面积阈值的轮廓，并获取轮廓对应的最小外接矩形，以得到轮廓的长宽比；
筛选轮廓的长宽比符合要求的黄色区域轮廓，以得到候选轮廓。
5.根据权利要求3所述的地面警戒线识别方法，其特征在于，所述对所述候选轮廓生成候选区域掩码图，包括：
获取所述候选轮廓的最小外接矩形的四点坐标；
根据所述四点坐标结合漫水填充算法生成矩形区域，以得到候选区域掩码图。
6.根据权利要求3所述的地面警戒线识别方法，其特征在于，所述根据候选区域对应的原图区域生成黑色区域轮廓，包括：
将候选区域对应的原图区域转至HSV颜色空间内，并设定颜色阈值，以提取候选区域对应的原图区域内所有黑色区域的轮廓；
对所有黑色区域的轮廓进行膨胀操作处理且过滤噪声，以得到黑色区域轮廓。
7.根据权利要求3所述的地面警戒线识别方法，其特征在于，所述筛选面积以及最小外接矩形的长宽符合要求的黑色区域轮廓，以得到目标轮廓，包括：
筛选面积不小于第一阈值且最小外接矩形的长宽比例不小于比例阈值的黑色区域轮廓，以得到目标轮廓。
8.地面警戒线识别装置，其特征在于，包括：
获取单元，用于获取RGB图像以及深度图像信息；
轮廓提取单元，用于对所述RGB图像提取所有黄色区域轮廓；
筛选单元，用于采用面积比例算法对所有黄色区域轮廓进行筛选，以得到符合要求的警戒线区域；
遍历单元，用于遍历符合要求的警戒线区域的轮廓，以得到轮廓坐标和长宽；
雷达数据生成单元，用于根据轮廓坐标和长宽结合所述深度图像信息生成雷达数据。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。
10.一种存储介质，其特征在于，所述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可实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110978228.8A CN113657332B (zh) | 2021-08-23 | 2021-08-23 | 地面警戒线识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110978228.8A CN113657332B (zh) | 2021-08-23 | 2021-08-23 | 地面警戒线识别方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113657332A true CN113657332A (zh) | 2021-11-16 |
| CN113657332B CN113657332B (zh) | 2023-11-24 |
Family
ID=78492767
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110978228.8A Active CN113657332B (zh) | 2021-08-23 | 2021-08-23 | 地面警戒线识别方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657332B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109756698A (zh) * | 2017-11-03 | 2019-05-14 | 深圳市航盛电子股份有限公司 | 应用于车载摄像系统的运动物体预警方法、车载摄像系统 |
| CN109949331A (zh) * | 2019-04-17 | 2019-06-28 | 合肥泰禾光电科技股份有限公司 | 货箱边缘检测方法及装置 |
| CN111275910A (zh) * | 2019-11-05 | 2020-06-12 | 杭州安脉盛智能技术有限公司 | 一种基于高斯混合模型的扶梯越界行为检测方法及系统 |
| CN111666824A (zh) * | 2020-05-14 | 2020-09-15 | 浙江工业大学 | 移动机器人的基于颜色属性和机器学习的指示灯识别方法 |
| CN112488037A (zh) * | 2020-12-15 | 2021-03-12 | 上海有个机器人有限公司 | 一种在图像识别中危险区域标识的方法 |
-
2021
- 2021-08-23 CN CN202110978228.8A patent/CN113657332B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109756698A (zh) * | 2017-11-03 | 2019-05-14 | 深圳市航盛电子股份有限公司 | 应用于车载摄像系统的运动物体预警方法、车载摄像系统 |
| CN109949331A (zh) * | 2019-04-17 | 2019-06-28 | 合肥泰禾光电科技股份有限公司 | 货箱边缘检测方法及装置 |
| CN111275910A (zh) * | 2019-11-05 | 2020-06-12 | 杭州安脉盛智能技术有限公司 | 一种基于高斯混合模型的扶梯越界行为检测方法及系统 |
| CN111666824A (zh) * | 2020-05-14 | 2020-09-15 | 浙江工业大学 | 移动机器人的基于颜色属性和机器学习的指示灯识别方法 |
| CN112488037A (zh) * | 2020-12-15 | 2021-03-12 | 上海有个机器人有限公司 | 一种在图像识别中危险区域标识的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李贺 等: "基于颜色规格化和轮廓多边形的交通标志检测", 铁路计算机应用, vol. 22, no. 2, pages 9 - 13 * |
| 王浩兵 等: "基于距离与面积加权算法绘制实时视频警戒线反走样技术", 城市建设理论研究（电子版）, vol. 4, no. 36, pages 1 - 2 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113657332B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110717489B (zh) | Osd的文字区域的识别方法、装置及存储介质 | |
| JP6710426B2 (ja) | 障害物検出方法及び装置 | |
| US8538151B2 (en) | Building roof outline recognizing device, building roof outline recognizing method, and building roof outline recognizing program | |
| Mu et al. | Lane detection based on object segmentation and piecewise fitting | |
| CN110919653B (zh) | 机器人的爬楼控制方法、装置、存储介质和机器人 | |
| EP2207010B1 (en) | House change judgment method and house change judgment program | |
| CN110390306B (zh) | 直角车位的检测方法、车辆和计算机可读存储介质 | |
| Gomez et al. | Traffic lights detection and state estimation using hidden markov models | |
| CN107578012B (zh) | 一种基于聚类算法选择敏感区域的驾驶辅助系统 | |
| CN109726717A (zh) | 一种车辆综合信息检测系统 | |
| CN111222511B (zh) | 一种红外无人机目标检测方法及系统 | |
| CN114119676A (zh) | 基于多特征信息融合的目标检测跟踪识别方法和系统 | |
| CN111882568A (zh) | 火灾图像边缘提取处理方法、终端及系统 | |
| CN111695373A (zh) | 斑马线的定位方法、系统、介质及设备 | |
| KR20140148171A (ko) | 지능형 차량의 차선 검출방법 | |
| Lin et al. | License plate recognition based on mathematical morphology and template matching | |
| Raikar et al. | Automatic building detection from satellite images using internal gray variance and digital surface model | |
| CN113806464A (zh) | 路牙确定方法、装置、设备以及存储介质 | |
| CN116128916B (zh) | 一种基于空间能流对比度的红外弱小目标增强方法 | |
| JP7126316B2 (ja) | 家屋異動推定装置及びプログラム | |
| CN113657332B (zh) | 地面警戒线识别方法、装置、计算机设备及存储介质 | |
| CN114898321A (zh) | 道路可行驶区域检测方法、装置、设备、介质及系统 | |
| CN113658195A (zh) | 图像分割方法、装置及电子设备 | |
| CN114090905A (zh) | 警戒线位置识别方法、装置、计算机设备及存储介质 | |
| CN114764853A (zh) | 占道信息确定方法和装置 |
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 |