CN114663775B - 一种用于外骨骼机器人使役环境中楼梯识别方法 - Google Patents

一种用于外骨骼机器人使役环境中楼梯识别方法 Download PDF

Info

Publication number
CN114663775B
CN114663775B CN202210577893.0A CN202210577893A CN114663775B CN 114663775 B CN114663775 B CN 114663775B CN 202210577893 A CN202210577893 A CN 202210577893A CN 114663775 B CN114663775 B CN 114663775B
Authority
CN
China
Prior art keywords
stair
score
environment
environment image
identification
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
CN202210577893.0A
Other languages
English (en)
Other versions
CN114663775A (zh
Inventor
刘启明
代玉星
李子瑞
郭士杰
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.)
Hebei University of Technology
Original Assignee
Hebei University 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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202210577893.0A priority Critical patent/CN114663775B/zh
Publication of CN114663775A publication Critical patent/CN114663775A/zh
Application granted granted Critical
Publication of CN114663775B publication Critical patent/CN114663775B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/16—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring distance of clearance between spaced objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/73—
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering

Abstract

本申请公开了一种用于外骨骼机器人使役环境中楼梯识别方法，包括以下步骤：通过安装在外骨骼机器人上的图像采集模块采集外骨骼机器人前进方向的路面环境图像，以得到第一环境图像；将第一环境图像输入基于Faster R‑CNN网络的楼梯识别系统，做首次楼梯识别。将第一环境图像进行灰度化处理，以得到第二环境图像；将第二环境图像输入基于canny算子和霍夫变换算法的直线识别系统，做二次楼梯识别。最后通过测距模快测量距离，采用测量值和阈值比较法判断楼梯环境具体为下行楼梯还是上行楼梯。该用于外骨骼机器人使役环境中楼梯识别方法可有效提升外骨骼机器人对楼梯判断的准确率。

Description

一种用于外骨骼机器人使役环境中楼梯识别方法
技术领域
本申请一般涉及外骨骼环境感知领域，尤其涉及一种用于外骨骼机器人使役环境中楼梯识别方法。
背景技术
外骨骼机器人也称"可穿戴机器人"，是一种可穿戴在操作者身上，以提升操作者行动便利性的装置，现已广泛应用于医疗领域、军事领域及其他相关领域中。由于外骨骼机器人的使役环境复杂多样，包括平地行走、上下楼梯、上下斜坡和避障等，其中上下楼梯为最常见的一种使役环境，外骨骼机器人对上下楼梯判断的准确将直接影响外骨骼机器人的有效性和实用性。但当前基于视觉的目标识别方法，仅适用于识别生活中常见物体，当将其用于外骨骼机器人对于上下楼梯的判断时，由于需要判断的楼梯样式多，识别时受图像质量影响等因素，导致外骨骼机器人对上下楼梯判断的准确率较低。因此，如何提升外骨骼机器人对上下楼梯判断的准确率已成为本领域中亟待解决的问题。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供一种可提升外骨骼机器人对上下楼梯判断的准确率的用于外骨骼机器人使役环境中楼梯识别方法。
具体技术方案如下：
本申请提供一种用于外骨骼机器人使役环境中楼梯识别方法，包括以下步骤：
通过安装在外骨骼机器人上的图像采集模块采集外骨骼机器人前进方向的路面环境图像，以得到第一环境图像；
将所述第一环境图像输入楼梯识别系统，以得到第一楼梯识别分数，其中所述楼梯识别系统利用经训练和测试得到的楼梯识别模型，得出所述第一楼梯识别分数；
将所述第一楼梯识别分数与第一设定分数进行比较；
当所述第一楼梯识别分数大于所述第一设定分数时，将所述第一环境图像进行灰度化处理，以得到第二环境图像；
将所述第二环境图像输入直线识别系统，以得到第二楼梯识别分数；
对所述第一楼梯识别分数和第二楼梯识别分数进行加权求和，以得到第三楼梯识别分数；
将所述第三楼梯识别分数与第二设定分数进行比较；
当所述第三楼梯识别分数大于所述第二设定分数时：
通过安装在外骨骼机器人上的测距模块测量得到测量距离，所述测量距离为测距模块和与其测距端正对的路面的距离；
将所述测量距离与设定距离进行比较；
当所述测量距离大于所述设定距离，判定当前路面环境为下行楼梯；
当所述测量距离小于所述设定距离，判定当前路面环境为上行楼梯。
可选的，所述楼梯识别模型通过以下步骤训练得到：
采集若干构图中包含有楼梯的第一图像，所述第一图像中的楼梯样式不同，和/或背景环境也不同；
对各所述第一图像中的楼梯部分划分为一类，并分别进行标注，以得到标注后生成的各第二图片；
利用各所述第二图片对所述Faster R-CNN网络进行训练和测试，以生成所述楼梯识别模型。
可选的，将所述第二环境图像输入直线识别系统，得到第二楼梯识别分数具体包括以下步骤：
利用canny算子对所述第二环境图像进行边缘检测，以得到所述第二环境图像的二值图像；
对所述二值图像进行霍夫变换，以得到霍夫矩阵；
提取所述霍夫矩阵中的霍夫峰值点；
根据所述霍夫峰值点提取所述二值图像中的线段，以得到各第一线段；
滤除长度小于25像素的第一线段，并将间距小于10的第一线段进行合并，以得到各第二线段；
测量各所述第二线段在沿垂直于第一方向的平面上的投影之间的距离，并记距离不为0的所述第二线段个数为a，距离为0的所述第二线段个数为b，其中第一方向为各所述第二线段的延伸方向；
计算所述第二楼梯识别分数k，其中：
Figure 965878DEST_PATH_IMAGE001
。
可选的，对所述第二环境图像进行边缘检测时，对所述第二环境图像进行基于高斯核的双边滤波处理后得到第三环境图像，再对所述第三环境图像用canny算子进行提取，以得到所述二值图像。
可选的，对所述第一环境图像进行灰度化处理之前，先对其进行锐化处理，得到第四环境图像，再对所述第四环境图像进行灰度化处理，以得到所述第二环境图像。
可选的，所述第一设定分数为0.5。
可选的，在计算所述第三楼梯识别分数时，所述第一楼梯识别分数和所述第二楼梯识别分数权重相等，且所述第二设定分数为0.6。
本申请有益效果在于：
该楼梯识别方法在处理所述图像采集模块采集的所述第一环境图像时，将其输入至所述楼梯识别系统中，以得到第一楼梯识别分数，并以所述第一楼梯识别分数的值，实现对当前环境是否为楼梯的第一次判断。期间由于采用了所述楼梯识别系统，而所述楼梯识别系统利用经训练和测试得到的楼梯识别模型，得出所述第一楼梯识别分数。因此具有更高的楼梯的识别率；又在通过所述直线识别系统对所述第二环境图像进行处理，以得到第二楼梯识别分数，并通过所述第一楼梯识别分数和所述第二楼梯识别分数加权求和的方式得到所述第三楼梯识别分数，再通过所述第三楼梯识别分数的值，实现对当前环境是否为楼梯的第二次判断。期间由于采用了所述直线识别系统，因此对清晰度较差的图像中是否有楼梯的判断的准确率会得到显著提升。
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为本申请实施例提供的用于外骨骼机器人使役环境中楼梯识别方法的流程图；
图2为图1楼梯识别方法中楼梯识别系统构建的流程图。
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。
请参考图1，为本实施例提供的一种可提升外骨骼机器人对上下楼梯判断的准确率的用于外骨骼机器人使役环境中楼梯识别方法，包括以下步骤：
通过安装在外骨骼机器人上的图像采集模块采集外骨骼机器人前进方向的路面环境图像，以得到第一环境图像；
将所述第一环境图像输入楼梯识别系统，以得到第一楼梯识别分数，其中所述楼梯识别系统利用经训练和测试得到的楼梯识别模型，得出所述第一楼梯识别分数；
将所述第一楼梯识别分数与第一设定分数进行比较；
当所述第一楼梯识别分数大于所述第一设定分数时，将所述第一环境图像进行灰度化处理，以得到第二环境图像；
将所述第二环境图像输入直线识别系统，以得到第二楼梯识别分数；
对所述第一楼梯识别分数和第二楼梯识别分数进行加权求和，以得到第三楼梯识别分数；
将所述第三楼梯识别分数与第二设定分数进行比较；
当所述第三楼梯识别分数大于所述第二设定分数时：
通过安装在外骨骼机器人上的测距模块测量得到测量距离，所述测量距离为测距模块和与其测距端正对的路面的距离；
将所述测量距离与设定距离进行比较；
当所述测量距离大于所述设定距离，判定当前路面环境为下行楼梯；
当所述测量距离小于所述设定距离，判定当前路面环境为上行楼梯。
该楼梯识别方法在处理所述图像采集模块采集的所述第一环境图像时，将其输入至所述楼梯识别系统中，以得到第一楼梯识别分数，并以所述第一楼梯识别分数的值，实现对当前环境是否为楼梯的第一次判断。期间由于采用了所述楼梯识别系统，而所述楼梯识别系统利用经训练和测试得到的楼梯识别模型，得出所述第一楼梯识别分数。因此具有更高的楼梯的识别率；又在通过所述直线识别系统对所述第二环境图像进行处理，以得到第二楼梯识别分数，并通过所述第一楼梯识别分数和所述第二楼梯识别分数加权求和的方式得到所述第三楼梯识别分数，再通过所述第三楼梯识别分数的值，实现对当前环境是否为楼梯的第二次判断。期间由于采用了所述直线识别系统，因此对清晰度较差的图像中是否有楼梯的判断的准确率会得到显著提升。
其中在提升楼梯识别系统的识别准确性的优选实施方式中，所述楼梯识别模型通过以下步骤训练得到：
采集若干构图中包含有楼梯的第一图像，所述第一图像中的楼梯样式不同，和/或背景环境也不同；
对各所述第一图像中的楼梯部分划分为一类，并分别进行标注，以得到标注后生成的各第二图片；
利用各所述第二图片对所述Faster R-CNN网络进行训练和测试，以生成所述楼梯识别模型。
如图2中所示，由于所述楼梯识别系统中采用Faster R-CNN网络生成所述楼梯识别模型，而本实施例中所用的所述楼梯识别模型，是经过将过往大量包含有楼梯的图片输入所述Faster R-CNN网络内，并进行反复训练和测试得到的，因此楼梯识别系统的楼梯识别准确率较高。
其中在提升直线识别系统的识别能力的优选实施方式中，将所述第二环境图像输入直线识别系统，得到第二楼梯识别分数具体包括以下步骤：
利用canny算子对所述第二环境图像进行边缘检测，以得到所述第二环境图像的二值图像；
对所述二值图像进行霍夫变换，以得到霍夫矩阵；
提取所述霍夫矩阵中的霍夫峰值点；
根据所述霍夫峰值点提取所述二值图像中的线段，以得到各第一线段；
滤除长度小于25像素的第一线段，并将间距小于10的第一线段进行合并，以得到各第二线段；
测量各所述第二线段在沿垂直于第一方向的平面上的投影之间的距离，并记距离不为0的所述第二线段个数为a，距离为0的所述第二线段个数为b，其中第一方向为各所述第二线段的延伸方向；
计算所述第二楼梯识别分数k，其中：
Figure 103598DEST_PATH_IMAGE002
由于在所述直线识别系统对所述第二环境图像的处理过程中，是通过边缘检测得到二值图像，再通过霍夫变换从二值图像中抽取所述第一直线，并对所述第一直线进行筛选，得到所述第二线段。上述过程中经过了对所述第二环境图像中轮廓信息的多次深入提取，因此可在较大程度上排除图像清晰度差对楼梯识别带来的干扰。因此可有效提升对楼梯识别的准确度。
其中在进一步提升直线识别系统的识别能力的优选实施方式中，对所述第二环境图像进行边缘检测时，对所述第二环境图像进行基于高斯核的双边滤波处理后得到第三环境图像，再对所述第三环境图像用canny算子进行提取，以得到所述二值图像。
通过对所述第二环境图像进行基于高斯核的双边滤波处理，再用所述canny算子进行提取，可使得所述二值图像更好的保留边缘，因此提升了边缘检测的准确性，进而提升了直线识别系统的识别能力。
其中在进一步提升直线识别系统的识别能力的优选实施方式中，对所述第一环境图像进行灰度化处理之前，先对其进行锐化处理，得到第四环境图像，再对所述第四环境图像进行灰度化处理，以得到所述第二环境图像。
在对所述第一环境图像进行灰度化处理之前，对其进行锐化处理，可进一步凸显所述第一环境图像中的边缘信息，进而提升了所述直线识别系统的识别能力。
其中在提升楼梯识别系统的识别准确性的优选实施方式中，所述第一设定分数为0.5。
其中在提升楼梯识别系统的识别准确性的优选实施方式中，在计算所述第三楼梯识别分数时，所述第一楼梯识别分数和所述第二楼梯识别分数权重相等，且所述第二设定分数为0.6。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (5)

1.一种用于外骨骼机器人使役环境中楼梯识别方法，其特征在于，包括以下步骤：
通过安装在外骨骼机器人上的图像采集模块采集外骨骼机器人前进方向的路面环境图像，以得到第一环境图像；
将所述第一环境图像输入楼梯识别系统，以得到第一楼梯识别分数，其中所述楼梯识别系统利用经训练和测试得到的楼梯识别模型，得出所述第一楼梯识别分数；
将所述第一楼梯识别分数与第一设定分数进行比较；
当所述第一楼梯识别分数大于所述第一设定分数时，将所述第一环境图像进行灰度化处理，以得到第二环境图像；
将所述第二环境图像输入直线识别系统，以得到第二楼梯识别分数；
对所述第一楼梯识别分数和第二楼梯识别分数进行加权求和，以得到第三楼梯识别分数；
将所述第三楼梯识别分数与第二设定分数进行比较；
当所述第三楼梯识别分数大于所述第二设定分数时：
通过安装在外骨骼机器人上的测距模块测量得到测量距离，所述测量距离为测距模块和与其测距端正对的路面的距离；
将所述测量距离与设定距离进行比较；
当所述测量距离大于所述设定距离，判定当前路面环境为下行楼梯；
当所述测量距离小于所述设定距离，判定当前路面环境为上行楼梯。
2.根据权利要求1所述的用于外骨骼机器人使役环境中楼梯识别方法，其特征在于，所述楼梯识别模型通过以下步骤训练得到：
采集若干构图中包含有楼梯的第一图片，所述第一图片中的楼梯样式不同，和/或背景环境也不同；
对各所述第一图片中的楼梯部分划分为一类，并分别进行标注，以得到标注后生成的各第二图片；
利用各所述第二图片对Faster R-CNN网络进行训练和测试，以生成所述楼梯识别模型。
3.根据权利要求1所述的用于外骨骼机器人使役环境中楼梯识别方法，其特征在于，对所述第一环境图像进行灰度化处理之前，先对其进行锐化处理，得到第四环境图像，再对所述第四环境图像进行灰度化处理，以得到所述第二环境图像。
4.根据权利要求1-3中任意一项所述的用于外骨骼机器人使役环境中楼梯识别方法，其特征在于，所述第一设定分数为0.5。
5.根据权利要求4所述的用于外骨骼机器人使役环境中楼梯识别方法，其特征在于，在计算所述第三楼梯识别分数时，所述第一楼梯识别分数和所述第二楼梯识别分数权重相等，且所述第二设定分数为0.6。
CN202210577893.0A 2022-05-26 2022-05-26 一种用于外骨骼机器人使役环境中楼梯识别方法 Active CN114663775B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210577893.0A CN114663775B (zh) 2022-05-26 2022-05-26 一种用于外骨骼机器人使役环境中楼梯识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210577893.0A CN114663775B (zh) 2022-05-26 2022-05-26 一种用于外骨骼机器人使役环境中楼梯识别方法

Publications (2)

Publication Number Publication Date
CN114663775A CN114663775A (zh) 2022-06-24
CN114663775B true CN114663775B (zh) 2022-08-12

Family

ID=82038388

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210577893.0A Active CN114663775B (zh) 2022-05-26 2022-05-26 一种用于外骨骼机器人使役环境中楼梯识别方法

Country Status (1)

Country Link
CN (1) CN114663775B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331884A (zh) * 2014-10-29 2015-02-04 上海大学 四触角履带机器人爬楼梯参数获取系统和方法
CN109238288A (zh) * 2018-09-10 2019-01-18 电子科技大学 一种无人机室内自主导航方法
CN112949676A (zh) * 2020-12-29 2021-06-11 武汉理工大学 一种柔性下肢助力外骨骼机器人的自适应运动模式识别方法
CN113791400A (zh) * 2021-09-07 2021-12-14 大连理工大学 一种基于激光雷达的楼梯参数自主检测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7653216B2 (en) * 2003-12-23 2010-01-26 Carnegie Mellon University Polyhedron recognition system
CN103984962B (zh) * 2014-05-30 2017-03-29 河北工业大学 一种基于肌电信号的外骨骼行走模式识别方法
CN107609520B (zh) * 2017-09-15 2020-07-03 四川大学 障碍物识别方法、装置及电子设备
CN111652897A (zh) * 2020-06-10 2020-09-11 北京云迹科技有限公司 一种基于机器人视觉的边缘定位方法及装置
CN112597857B (zh) * 2020-12-16 2022-06-14 武汉科技大学 一种基于kinect的室内机器人楼梯攀爬位姿快速估计方法
CN113681541B (zh) * 2021-08-12 2022-11-25 杭州程天科技发展有限公司 一种基于物联网的外骨骼控制系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331884A (zh) * 2014-10-29 2015-02-04 上海大学 四触角履带机器人爬楼梯参数获取系统和方法
CN109238288A (zh) * 2018-09-10 2019-01-18 电子科技大学 一种无人机室内自主导航方法
CN112949676A (zh) * 2020-12-29 2021-06-11 武汉理工大学 一种柔性下肢助力外骨骼机器人的自适应运动模式识别方法
CN113791400A (zh) * 2021-09-07 2021-12-14 大连理工大学 一种基于激光雷达的楼梯参数自主检测方法

Also Published As

Publication number Publication date
CN114663775A (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
US11360571B2 (en) Information processing device and method, program and recording medium for identifying a gesture of a person from captured image data
JP4216668B2 (ja) 映像視覚情報を結合してリアルタイムで複数の顔を検出して追跡する顔検出・追跡システム及びその方法
CN108921813B (zh) 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法
CN110008932B (zh) 一种基于计算机视觉的车辆违章压线检测方法
US9294665B2 (en) Feature extraction apparatus, feature extraction program, and image processing apparatus
CN110210477B (zh) 一种数字式仪表读数识别方法
US8396817B2 (en) Learning apparatus, learning method, recognition apparatus, recognition method, and program
KR101035768B1 (ko) 립 리딩을 위한 입술 영역 설정 방법 및 장치
CN110222661B (zh) 一种用于运动目标识别及跟踪的特征提取方法
CN114331986A (zh) 一种基于无人机视觉的坝体裂纹识别与测量方法
CN109389116B (zh) 一种字符检测方法及装置
Hitimana et al. Automatic estimation of live coffee leaf infection based on image processing techniques
CN107729863B (zh) 人体指静脉识别方法
CN114663775B (zh) 一种用于外骨骼机器人使役环境中楼梯识别方法
Chen et al. Image segmentation based on mathematical morphological operator
CN111882575A (zh) 一种视频图像去噪和前景分割方法和装置
JP3416058B2 (ja) 濃淡画像の文字抽出方法及びそのプログラムを記録した記録媒体
Cho et al. Image matting for automatic target recognition
US10366278B2 (en) Curvature-based face detector
CN110348443B (zh) 复杂环境树木主干多特征分离统计方法及树干识别方法
Mohammed et al. Research Article Subject Independent Facial Emotion Classification Using Geometric Based Features
CN114494165A (zh) 一种基于聚类的光条提取方法及装置
CN111127534A (zh) 一种障碍物的检测方法
CN113470073A (zh) 一种基于深度学习的动物中心追踪方法
CN112132036A (zh) 一种基于安全区域的大数据图像处理方法及系统

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