CN114998274A - 对象的定位方法、装置、电子设备和可读存储介质 - Google Patents

对象的定位方法、装置、电子设备和可读存储介质 Download PDF

Info

Publication number
CN114998274A
CN114998274A CN202210658238.8A CN202210658238A CN114998274A CN 114998274 A CN114998274 A CN 114998274A CN 202210658238 A CN202210658238 A CN 202210658238A CN 114998274 A CN114998274 A CN 114998274A
Authority
CN
China
Prior art keywords
image
initial
contour
identified
target
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
Application number
CN202210658238.8A
Other languages
English (en)
Inventor
赵龙莲
原育慧
杨增荣
郑建华
李军会
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.)
China Agricultural University
Original Assignee
China Agricultural University
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 China Agricultural University filed Critical China Agricultural University
Priority to CN202210658238.8A priority Critical patent/CN114998274A/zh
Publication of CN114998274A publication Critical patent/CN114998274A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种对象的定位方法、装置、电子设备和可读存储介质，其中，所述方法通过获取待识别对象的原始采集图像，并从原始采集图像中提取出待识别对象对应的轮廓图像；获取轮廓图像中待识别对象的初始识别半径以及轮廓图像的边缘点数据集，边缘点数据集包括多个轮廓边缘点；基于边缘点数据集和初始识别半径，生成待识别对象的目标拟合圆，目标拟合圆用于拟合待识别对象的形状；基于目标拟合圆，确定轮廓图像中待识别对象所处的目标位置，解决了现有技术中无法准确高效地对被遮挡的对象进行识别和定位的技术问题。

Description

对象的定位方法、装置、电子设备和可读存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种对象的定位方法、装置、电子设备和可读存储介质。
背景技术
随着科技的发展以及人民生活水平的日益提高，人们对新鲜水果的需求也逐渐增大，由此水果所带来的经济效益也在逐年递增。由于水果中富含丰富的维生素以及膳食纤维，因此深受人们的喜欢。然而，由于水果的成熟周期比较短，时效性比较强，因此，水果成熟后需要及时完成采摘。目前大多数果实的采摘作业仍旧需要依靠人工来完成，这种人工采摘果实的方式耗时且效率低下，并且，随着人口老龄化以及劳动力短缺等问题的日益严峻，人工采摘水果的方式已经不能满足当前的需求，因此，加快果实的自动化采摘进程刻不容缓。
如何精准地识别以及定位果实是自动化采摘作业中的关键环节，然而，在自然环境中，果实被枝叶遮挡的现象非常普遍，导致待识别果实的轮廓不完整或者部分轮廓缺失的问题，从而给果实的识别以及定位带来了很大的挑战。采用现有的方法对重叠以及遮挡果实进行识别和定位时，为了提高识别和定位的精度而增加了运行的时间，从而导致无法实时地对果实进行识别和定位，进而导致果实采摘速率低的问题。
因此，如何准确高效地对被遮挡的对象进行识别和定位是本领域技术人员亟待解决的技术问题。
发明内容
本发明提供一种对象的定位方法、装置、电子设备和可读存储介质，用以解决现有技术中无法准确高效地对被遮挡的对象进行识别和定位的缺陷，实现了准确高效地对被遮挡的对象进行识别和定位，提高了被遮挡对象的自动化摘取速率。
本发明提供一种对象的定位方法，包括：获取待识别对象的原始采集图像，并从所述原始采集图像中提取出所述待识别对象对应的轮廓图像；获取所述轮廓图像中所述待识别对象的初始识别半径以及所述轮廓图像的边缘点数据集，所述边缘点数据集包括多个轮廓边缘点；基于所述边缘点数据集和所述初始识别半径，生成所述待识别对象的目标拟合圆，所述目标拟合圆用于拟合所述待识别对象的形状；基于所述目标拟合圆，确定所述轮廓图像中所述待识别对象所处的目标位置。
根据本发明提供的一种对象的定位方法，所述获取所述轮廓图像中所述待识别对象的初始识别半径，包括：对所述轮廓图像进行扫描，并获取所述轮廓图像中同一扫描方向上的两个外部轮廓边缘点的坐标差值数据；基于所述坐标差值数据，生成所述待识别对象对应对象轮廓的坐标差值曲线；基于所述坐标差值曲线，确定所述待识别对象的初始识别半径。
根据本发明提供的一种对象的定位方法，所述获取所述轮廓图像中所述待识别对象的初始识别半径，包括：获取所述轮廓图像中所述待识别对象的对象数量；在所述对象数量为一个的情况下，以横向扫描方向以及纵向扫描方向对所述轮廓图像进行扫描，并获取所述轮廓图像中同一扫描方向上的两个外部轮廓边缘点的坐标差值数据；基于所述坐标差值数据，生成所述待识别对象对应对象轮廓的坐标差值曲线；获取所述坐标差值曲线的峰值，并基于预设第一比例和所述峰值确定所述待识别对象的初始识别半径。
根据本发明提供的一种对象的定位方法，所述获取所述轮廓图像中所述待识别对象的初始识别半径，包括：获取所述轮廓图像中所述待识别对象的对象数量；在所述对象数量为至少两个的情况下，获取所述轮廓图像中对象轮廓的最大坐标差值；基于所述最大坐标差值和预设坐标差值阈值确定至少两个所述待识别对象的对象分布姿态，并基于所述对象分布姿态确定目标扫描方向；以所述目标扫描方向对所述轮廓图像进行扫描，并获取所述轮廓图像中同一扫描方向上的两个外部轮廓边缘点的坐标差值数据；基于所述坐标差值数据，生成所述待识别对象对应对象轮廓的坐标差值曲线；基于所述坐标差值曲线和所述对象分布姿态，确定第一个所述待识别对象的初始识别半径。
根据本发明提供的一种对象的定位方法，所述基于所述边缘点数据集和所述初始识别半径，生成所述待识别对象的目标拟合圆，包括：从所述边缘点数据集中选取多个轮廓边缘点作为初始拟合边缘点，所述初始拟合边缘点的数量大于或者等于三个；基于所述初始拟合边缘点生成所述待识别对象的初始拟合圆，并判断所述初始拟合圆的半径是否在所述初始识别半径的第一容差范围内；在所述初始拟合圆的半径在所述初始识别半径的第一容差范围内的情况下，从所述边缘点数据集中获取在所述初始拟合圆的第二容差范围内的所有轮廓边缘点作为所述初始拟合圆的内点，并将所述初始拟合圆的内点作为目标拟合边缘点；基于所述目标拟合边缘点，生成所述待识别对象的目标拟合圆。
根据本发明提供的一种对象的定位方法，所述基于所述边缘点数据集和所述初始识别半径，生成所述待识别对象的目标拟合圆，包括：在所述对象数量为至少两个的情况下，基于第一个所述待识别对象的初始识别半径和所述边缘点数据集，生成第一个所述待识别对象的初始拟合圆；从所述边缘点数据集中获取在所述初始拟合圆的第二容差范围内的所有轮廓边缘点作为所述初始拟合圆的内点，并获取当前剩余边缘点数据集；将所述初始拟合圆的内点作为第一个所述待识别对象的目标拟合边缘点，并基于所述目标拟合边缘点生成第一个所述待识别对象的目标拟合圆；对所述当前剩余边缘点数据集进行扫描，以获取第二个所述待识别对象的初始识别半径，基于所述初始识别半径和所述当前剩余边缘点数据集生成第二个所述待识别对象的目标拟合圆；更新所述当前剩余边缘点数据集，并基于更新后的当前剩余边缘点数据集，重复执行上述获取初始识别半径以及生成目标拟合圆的步骤，直至生成每一所述待识别对象的目标拟合圆。
根据本发明提供的一种对象的定位方法，所述从所述原始采集图像中提取出所述待识别对象对应的轮廓图像，包括：对所述原始采集图像进行形态学开运算处理以及滤波处理，得到预处理图像；基于预设色差分析法对所述预处理图像中的对象图像区域与背景图像区域进行分割处理，以从所述预处理图像中提取出对象区域图像；对所述对象区域图像进行形态学闭运算处理以及阈值面积区域消除处理，得到目标二值图像；从所述目标二值图像中提取出所述原始采集图像对应的轮廓图像。
本发明还提供一种对象的定位装置，包括：轮廓提取模块，用于获取待识别对象的原始采集图像，并从所述原始采集图像中提取出所述待识别对象对应的轮廓图像；初始识别模块，用于获取所述轮廓图像中所述待识别对象的初始识别半径以及所述轮廓图像的边缘点数据集，所述边缘点数据集包括多个轮廓边缘点；目标拟合模块，用于基于所述边缘点数据集和所述初始识别半径，生成所述待识别对象的目标拟合圆，所述目标拟合圆用于拟合所述待识别对象的形状；位置识别模块，用于基于所述目标拟合圆，确定所述轮廓图像中所述待识别对象所处的目标位置。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述对象的定位方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述对象的定位方法。
本发明提供的对象的定位方法、装置、电子设备和可读存储介质，通过获取轮廓图像中待识别对象的初始识别半径，以实现对待识别对象的初始识别，并将初始识别半径与待识别对象对应对象轮廓的实际轮廓边缘点相结合实现对待识别对象的目标识别，以消除或者减小初始对象识别过程中产生的误差，得到比较准确的目标对象识别结果，保证了对象识别的准确性。另外，由于本发明中所采用的对象的定位方法在对象轮廓不完整或者部分对象轮廓缺失的情况下，仍然可以获取初始识别半径以及边缘点数据集的步骤，并基于初始识别半径以及边缘点数据集进行目标对象识别，因此识别过程不受对象轮廓不完整或者部分对象轮廓缺失的影响，并且本发明通过结合两次对象识别过程可以得到准确的目标位置，因此不会为了提高识别精度而增加运行时间，保证了对象识别的效率，实现了准确高效地对被遮挡的对象进行识别和定位。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，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是本发明提供的对象的定位方法的流程示意图之一；
图2是本发明提供的对象的定位方法的流程示意图之二；
图3a是本发明提供的对象的定位方法的流程示意图之三；
图3b是本发明实施例中以横向扫描方向进行扫描的示意图；
图3c是本发明实施例中以纵向扫描方向进行扫描的示意图；
图3d是本发明实施例中横向坐标差值曲线的示意图；
图3e是本发明实施例中纵向坐标差值曲线的示意图；
图4a是本发明提供的对象的定位方法的流程示意图之四；
图4b是本发明实施例中横向分布姿态的坐标差值曲线的示意图；
图4c是本发明实施例中纵向分布姿态的坐标差值曲线的示意图；
图4d是本发明实施例中斜向分布姿态的坐标差值曲线的示意图；
图5是本发明提供的对象的定位方法的流程示意图之五；
图6是本发明提供的对象的定位方法的流程示意图之六；
图7是本发明提供的对象的定位方法的流程示意图之七；
图8a是本发明具体实施例二中单个待识别对象的轮廓图像的示意图；
图8b是本发明具体实施例二中单个待识别对象的目标拟合圆的示意图；
图8c至图8d是本发明具体实施例二中两个待识别对象的目标拟合圆的示意图；
图9是本发明提供的对象的定位装置的结构示意图；
图10是本发明提供的电子设备的结构示意图。
附图标记：
100：对象的定位装置；10：轮廓提取模块；20：初始识别模块；30：目标拟合模块；40：位置识别模块；1010：处理器；1020：通信接口；1030：存储器；1040：通信总线。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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作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。
下面结合图1-图7描述本发明的对象的定位方法。如图1所示，本发明提供一种对象的定位方法，包括。
步骤S1，获取待识别对象的原始采集图像，并从原始采集图像中提取出待识别对象对应的轮廓图像。
其中，原始采集图像表示在自然场景下由图像采集设备采集的待识别对象的图像。本发明中待识别对象的形状可以是圆形，也可以是与圆形比较相近的其他形状，也可以是能够被圆形包围的其他形状，本发明对待识别对象的形状不作具体限制。本发明中的待识别对象可以是果实，例如苹果、梨子和柑橘等水果的果实以及西红柿等蔬菜的果实；也可以是物品，例如灯笼等，本发明不作具体限制。
步骤S2，获取轮廓图像中待识别对象的初始识别半径以及轮廓图像的边缘点数据集，边缘点数据集包括多个轮廓边缘点。
其中，轮廓边缘点表示轮廓图像中对象轮廓的边缘点。
步骤S3，基于边缘点数据集和初始识别半径，生成待识别对象的目标拟合圆，目标拟合圆用于拟合待识别对象的形状。
其中，初始识别半径表示通过对轮廓图像中的对象轮廓进行识别，得到的待识别对象对应对象轮廓的初始识别半径。初始识别半径是图像识别算法运行得到的结果，其与待识别对象的实际半径之间存在一定的误差。而轮廓边缘点是待识别对象对应对象轮廓的实际轮廓边缘点。
需要说明的是，本发明提供的对象的定位方法并未直接使用初始对象识别结果进行对象定位，而是通过结合初始识别半径和真实对象轮廓的边缘点数据集进行目标对象识别，以消除或者减小初始对象识别过程中产生的误差，从而得到更加准确的目标对象识别结果。
步骤S4，基于目标拟合圆，确定轮廓图像中待识别对象所处的目标位置。
进一步地，可以基于目标拟合圆的圆心坐标和半径确定待识别对象所处的目标位置。
进一步地，在待识别对象的形状为与圆形比较相近的其他形状的情况下，可以将待识别对象的形状近似看作圆形进行处理。在待识别对象的形状为能够被圆形包围的其他形状的情况下，将对象轮廓的中心点到边缘点的最长距离作为对象轮廓的初始识别半径，将对象轮廓的外接圆作为待识别对象的目标拟合圆，并将目标拟合圆的圆心、半径以及目标拟合圆上与轮廓边缘点中重合的边缘点确定待识别对象所处的目标位置。
上述步骤S1至步骤S4，通过获取轮廓图像中待识别对象的初始识别半径，以实现对待识别对象的初始识别，并将初始识别半径与待识别对象对应对象轮廓的实际轮廓边缘点相结合实现对待识别对象的目标识别，以消除或者减小初始对象识别过程中产生的误差，得到比较准确的目标对象识别结果，保证了对象识别的准确性。另外，由于本发明中所采用的对象的定位方法在对象轮廓不完整或者部分对象轮廓缺失的情况下，仍然可以获取初始识别半径以及边缘点数据集的步骤，并基于初始识别半径以及边缘点数据集进行目标对象识别，因此识别过程不受对象轮廓不完整或者部分对象轮廓缺失的影响，并且本发明通过结合两次对象识别过程可以得到准确的目标位置，因此不会为了提高识别精度而增加运行时间，保证了对象识别的效率，实现了准确高效地对被遮挡的对象进行识别和定位。
此外，本发明通过获取目标拟合圆来拟合待识别对象的形状，通过可以基于目标拟合圆准确地获取到待识别对象所处的目标位置，进一步提高了对象识别的准确度。
在一个实施例中，如图2所示，上述步骤S2包括步骤S211至步骤S213，其中。
步骤S211，对轮廓图像进行扫描，并获取轮廓图像中同一扫描方向上的两个外部轮廓边缘点的坐标差值数据。
其中，坐标差值数据包括多组坐标差值。坐标差值表示轮廓图像中同一扫描方向上的两个外部轮廓边缘点坐标的差值，包括横坐标差值和纵坐标差值。坐标差值可以用于表示同一扫描方向上的两个外部轮廓边缘点在对象轮廓中对应的截距或者弦长。外部轮廓边缘点表示轮廓图像中对象轮廓外边缘的边缘点，与其相对的是内部轮廓边缘点，内部轮廓边缘点表示轮廓图像中对象轮廓内边缘的边缘点，由于待识别对象容易被其他物品遮挡，导致在对象轮廓中形成了内部边缘线，因此内部轮廓边缘点是其他物品遮挡待识别对象时在对象轮廓中形成的边缘点，而外部轮廓边缘点是待识别对象自身外部轮廓的边缘点。
另外，上述两个外部轮廓边缘点也可以称为同一扫描方向上的相距最远的两个轮廓边缘点，也可以称为同一扫描方向上的坐标值最大以及坐标值最小的两个轮廓边缘点。
步骤S212，基于坐标差值数据，生成待识别对象对应对象轮廓的坐标差值曲线。
其中，坐标差值曲线可以用于表示多组同一扫描方向上的两个外部轮廓边缘点在对象轮廓中对应截距或者弦长的变化曲线。
步骤S213，基于坐标差值曲线，确定待识别对象的初始识别半径。
进一步地，对坐标差值曲线进行平滑处理，以消除坐标差值曲线中的毛刺，提高坐标差值曲线的平滑性，以便于后续基于坐标差值曲线确定待识别对象的初始识别半径。
需要说明的是，通过直观地分析坐标差值曲线，可以从多组同一扫描方向上的两个外部轮廓边缘点在对象轮廓中对应截距或者弦长中确定出待识别对象的初始识别半径。
上述步骤S211至步骤S213，通过基于坐标差值数据生成待识别对象对应对象轮廓的坐标差值曲线，从而可以基于坐标差值曲线分析多组外部轮廓边缘点在对象轮廓中对应截距或者弦长的变化曲线，从而可以非常方便以及直观地从多组外部轮廓边缘点在对象轮廓中对应截距或者弦长中确定出待识别对象的初始识别半径，整个初始识别过程操作简便，易于实现，且初始识别结果依赖于基于扫描轮廓图像得到的实际的坐标差值数据以及对象轮廓中对应截距或者弦长的变化曲线，可以保证初始识别半径的可靠性。另外，本发明通过选取外部轮廓边缘点以生成坐标差值曲线，可以避免由于待识别对象被遮挡而形成的内部轮廓边缘点对识别过程的干扰，从而得到更加准确的对象识别结果，进一步提高了对象识别的准确度。
在一个实施例中，如图3a所示，上述步骤S2包括步骤S221至步骤S224，其中。
步骤S221，获取轮廓图像中待识别对象的对象数量。
步骤S222，在对象数量为一个的情况下，以横向扫描方向以及纵向扫描方向对轮廓图像进行扫描，并获取轮廓图像中同一扫描方向上的两个外部轮廓边缘点的坐标差值数据。
进一步地，以对苹果的识别为例以步骤S222进行说明，如图3b所示，以横向扫描方向对轮廓图像进行扫描，以获取轮廓图像中同一扫描方向上的两个外部轮廓边缘点的横向坐标差值数据。如图3c所示，以纵向扫描方向对轮廓图像进行扫描，以获取轮廓图像中同一扫描方向上的两个外部轮廓边缘点的纵向坐标差值数据。
步骤S223，基于坐标差值数据，生成待识别对象对应对象轮廓的坐标差值曲线。
进一步地，以对苹果的识别为例以步骤S223进行说明，如图3d所示，基于横向坐标差值数据，生成待识别对象对应对象轮廓的横向坐标差值曲线。如图3e所示，基于纵向坐标差值数据，生成待识别对象对应对象轮廓的纵向坐标差值曲线。
步骤S224，获取坐标差值曲线的峰值，并基于预设第一比例和峰值确定待识别对象的初始识别半径。
进一步地，将预设第一比例与坐标差值曲线的峰值相乘，得到待识别对象的初始识别半径。坐标差值曲线的峰值表示多组同一扫描方向上的两个外部轮廓边缘点在对象轮廓中对应的截距或者弦长中的最长截距或者弦长，因此将最长截距或者弦长作为待识别对象的初始识别直径，并将预设第一比例与坐标差值曲线的峰值相乘，可以得到待识别对象的初始识别半径。
上述步骤S221至步骤S224，通过获取轮廓图像中待识别对象的对象数量，并在待识别对象的对象数量为一个的情况下，适应性地确定目标扫描方向为横向扫描方向以及纵向扫描方向，以对轮廓图像进行扫描，从而可以准确地获取轮廓图像中同一扫描方向上的两个外部轮廓边缘点的坐标差值数据，进而提高初始识别结果的准确性。
在一个实施例中，由于坐标差值曲线的峰值是待识别对象的初始识别直径，而非待识别对象的实际直径，因此初始识别直径相比于实际直径具有一定的误差。因此，可以基于识别经验数据设置合适的预设第一比例，以将初始识别直径与实际直径之间的误差降到最低，从而提高初始识别半径的相对准确性。识别经验数据包括初始识别直径、实际直径、预设第一比例、初始识别半径以及实际半径。
在一个实施例中，如图4a所示，上述步骤S2包括步骤S231至步骤S236，其中。
步骤S231，获取轮廓图像中待识别对象的对象数量。
步骤S232，在对象数量为至少两个的情况下，获取轮廓图像中对象轮廓的最大坐标差值。
进一步地，最大坐标差值包括最大横坐标差值和最大纵坐标差值。最大横坐标差值表示轮廓图像中对象轮廓的最大横坐标与最小横坐标之间的坐标差值。最大纵坐标差值表示轮廓图像中对象轮廓的最大纵坐标与最小纵坐标之间的坐标差值。
步骤S233，基于最大坐标差值和预设坐标差值阈值确定至少两个待识别对象的对象分布姿态，并基于对象分布姿态确定目标扫描方向。具体地，在对象数量为至少两个的情况下，以两个待识别对象为一组，获取两个待识别对象对应的对象轮廓的最大坐标差值，基于最大坐标差值和预设坐标差值阈值确定两个待识别对象的对象分布姿态，并基于对象分布姿态确定目标扫描方向，以基于目标扫描方向对两个待识别对象对应的对象轮廓进行扫描。
进一步地，预设坐标差值阈值包括上限坐标差值阈值和下限坐标差值阈值。对象分布姿态包括横向分布姿态、纵向分布姿态以及斜向分布姿态。
步骤S234，以目标扫描方向对轮廓图像进行扫描，并获取轮廓图像中同一扫描方向上的两个外部轮廓边缘点的坐标差值数据。
步骤S235，基于坐标差值数据，生成待识别对象对应对象轮廓的坐标差值曲线。
步骤S236，基于坐标差值曲线和对象分布姿态，确定第一个待识别对象的初始识别半径。
在一个实施例中，在对象数量为至少三个的情况下，以前面两个待识别对象为一组，获取前面两个待识别对象对应的对象轮廓的最大坐标差值，以确定前面两个待识别对象的对象分布姿态，以对前面两个待识别对象对应的对象轮廓进行扫描，得到坐标差值数据，并基于坐标差值数据和对象分布姿态，确定第一个待识别对象的初始识别半径。获取当前剩余边缘点数据集，以后面两个待识别对象为一组，基于当前剩余边缘点数据集确定后面两个待识别对象的对象分布姿态，以对后面两个待识别对象对应的对象轮廓进行扫描，并基于获取的坐标差值数据和对象分布姿态，确定第二个待识别对象的初始识别半径。更新当前剩余边缘点数据集，并对更新后的当前剩余边缘点数据集进行扫描，以获取第三个待识别对象的初始识别半径。此外，在对象数量大于三个的情况下，可以参照上述实施例中三个待识别对象的识别定位方式，本发明不再赘述。
上述步骤S231至步骤S236，通过获取轮廓图像中待识别对象的对象数量，并在对象数量为至少两个的情况下，获取多个待识别对象的对象分布姿态，并基于对象分布姿态适应性地确定目标扫描方向以对轮廓图像进行扫描，从而可以准确地获取轮廓图像中同一扫描方向上的两个外部轮廓边缘点的坐标差值数据，进而提高初始识别结果的准确性。
在一个实施例中，步骤S233包括：获取最大横坐标差值与最大纵坐标差值的差值；在该差值大于上限坐标差值阈值的情况下，确定两个待识别对象的对象分布姿态为横向分布姿态；在该差值小于下限坐标差值阈值的情况下，确定两个待识别对象的对象分布姿态为纵向分布姿态；在该差值大于下限坐标差值阈值且小于上限坐标差值阈值的情况下，确定两个待识别对象的对象分布姿态为斜向分布姿态。在对象分布姿态为横向分布姿态或者斜向分布姿态的情况下，确定目标扫描方向为横向扫描方向；在对象分布姿态为纵向分布姿态的情况下，确定目标扫描方向为纵向扫描方向。
在一个实施例中，步骤S236包括：在对象分布姿态为横向分布姿态或者纵向分布姿态的情况下，获取坐标差值曲线中的一个峰值，并基于预设第二比例和峰值确定第一个待识别对象的初始识别半径。在对象分布姿态为斜向分布姿态的情况下，获取坐标差值曲线中的最大峰值，获取最大峰值与预设固定像素阈值的差值，并基于预设第三比例和差值确定第一个待识别对象的初始识别半径。
进一步地，以对苹果的识别为例以步骤S236进行说明，在对象分布姿态为横向分布姿态或者纵向分布姿态的情况下，坐标差值曲线中有两个峰值，其中，横向分布姿态对应的坐标差值曲线(如图4b所示)，纵向分布姿态对应的坐标差值曲线如图4c所示，可以任意选取一个峰值并结合预设第二比例获取第一个待识别对象的初始识别半径。在对象分布姿态为斜向分布姿态的情况下，坐标差值曲线中可能存在三个峰值(如图4d所示)，通过对坐标差值曲线的峰值进行分析，并根据实验确定出合适的预设固定像素阈值，从而可以根据最大峰值与预设固定像素阈值的差值得到待识别对象的初始识别直径，并将预设第三比例与差值相乘，得到第一个待识别对象的初始识别半径。
可选地，设置预设第一比例、预设第二比例以及预设第三比例为0.5。
在一个实施例中，如图5所示，上述步骤S3包括步骤S311至步骤S314，其中。
步骤S311，从边缘点数据集中选取多个轮廓边缘点作为初始拟合边缘点，初始拟合边缘点的数量大于或者等于三个。
步骤S312，基于初始拟合边缘点生成待识别对象的初始拟合圆，并判断初始拟合圆的半径是否在初始识别半径的第一容差范围内。
第一容差范围表示初始识别半径所允许的最大误差范围。通过将初始拟合圆的半径控制在初始识别半径的第一容差范围内，以使得初始拟合圆的半径与初始识别半径尽量相吻合，降低初始拟合圆的误差。
需要说明的是，由三点定圆原理可知，三个不共线的初始拟合边缘点可以确定一个初始拟合圆，因此初始拟合边缘点的数量至少为三个。当然可以选取初始拟合边缘点的数量大于三个，只要能根据选取的初始拟合边缘点生成待识别对象的初始拟合圆即可。
步骤S313，在初始拟合圆的半径在初始识别半径的第一容差范围内的情况下，从边缘点数据集中获取在初始拟合圆的第二容差范围内的所有轮廓边缘点作为初始拟合圆的内点，并将初始拟合圆的内点作为目标拟合边缘点。
进一步地，在初始拟合圆的半径在初始识别半径的第一容差范围内的情况下，从边缘点数据集中重新选取多个轮廓边缘点作为初始拟合边缘点，直至由初始拟合边缘点生成的初始拟合圆的半径在初始识别半径的第一容差范围。
第二容差范围表示初始拟合圆所能允许的最大误差范围。通过获取在初始拟合圆的第二容差范围内的所有轮廓边缘点作为初始拟合圆的内点，可以保证选取的目标拟合边缘点尽量落在初始拟合圆的内部，以提高目标拟合边缘点的可靠性，进而提高目标拟合圆的准确度。
步骤S314，基于目标拟合边缘点，生成待识别对象的目标拟合圆。
上述步骤S311至步骤S314，通过将初始拟合圆的半径控制在初始识别半径的第一容差范围内，以使得初始拟合圆的半径与初始识别半径尽量相吻合，降低了初始拟合圆的误差，提高了初始拟合圆的准确度。通过获取在初始拟合圆的第二容差范围内的所有轮廓边缘点作为初始拟合圆的内点，可以保证选取的目标拟合边缘点尽量落在初始拟合圆的内部，以提高目标拟合边缘点的可靠性，进而提高目标拟合圆的准确度。
在一个实施例中，上述步骤S3包括：在一次迭代中，遍历边缘点数据集中的所有轮廓边缘点，以获取初始拟合圆的第二容差范围内的每一轮廓边缘点作为初始拟合圆的内点，并将初始拟合圆的内点作为本次迭代的迭代结果；重复上述迭代过程，直至达到预设迭代次数，停止迭代，并基于多次迭代的迭代结果确定初始拟合圆的内点数量最大的一次迭代；将初始拟合圆的内点数量最大的一次迭代的迭代结果，作为目标拟合边缘点。
上述实施例，通过多次迭代选取初始拟合圆的内点数量最大的一次迭代的迭代结果作为目标拟合边缘点，可以进一步提高目标拟合边缘点的可靠性，进而进一步提高目标拟合圆的准确度。
在一个实施例中，如图6所示，上述步骤S3包括步骤S321至步骤S325，其中。
步骤S321，在对象数量为至少两个的情况下，基于第一个待识别对象的初始识别半径和边缘点数据集，生成第一个待识别对象的初始拟合圆。
步骤S322，从边缘点数据集中获取在初始拟合圆的第二容差范围内的所有轮廓边缘点作为初始拟合圆的内点，并获取当前剩余边缘点数据集。
步骤S323，将初始拟合圆的内点作为第一个待识别对象的目标拟合边缘点，并基于目标拟合边缘点生成第一个待识别对象的目标拟合圆。
步骤S324，对当前剩余边缘点数据集进行扫描，以获取第二个待识别对象的初始识别半径，基于初始识别半径和当前剩余边缘点数据集生成第二个待识别对象的目标拟合圆。
具体地，基于当前剩余边缘点数据集获取第二个待识别对象的初始识别半径。从当前剩余边缘点数据集中选取多个轮廓边缘点作为初始拟合边缘点，基于初始拟合边缘点生成第二个待识别对象的初始拟合圆，并判断初始拟合圆的半径是否在初始识别半径的第一容差范围内。在初始拟合圆的半径在初始识别半径的第一容差范围内的情况下，从当前剩余边缘点数据集中获取在初始拟合圆的第二容差范围内的所有轮廓边缘点作为初始拟合圆的内点，并将初始拟合圆的内点作为目标拟合边缘点；基于目标拟合边缘点，生成第二个待识别对象的目标拟合圆。
步骤S325，更新当前剩余边缘点数据集，并基于更新后的当前剩余边缘点数据集，重复执行上述获取初始识别半径以及生成目标拟合圆的步骤，直至生成每一待识别对象的目标拟合圆。
上述步骤S321至步骤S325，通过获取第一个待识别对象的初始拟合圆，并从边缘点数据集中获取在初始拟合圆的第二容差范围内的所有轮廓边缘点生成第一个待识别对象的目标拟合圆，进而基于当前剩余边缘点数据集，执行类似的初始识别步骤以及目标识别步骤，以生成后面每一个待识别对象的目标拟合圆，实现了高效准确地对重叠对象的识别和定位。
在一个实施例中，如图7所示，上述步骤S1包括步骤S11至步骤S14，其中。
步骤S11，对原始采集图像进行形态学开运算处理以及滤波处理，得到预处理图像。
通过对原始采集图像进行形态学开运算处理，以降低原始采集图像的亮度以及消除对象表面纹理信息。通过对原始采集图像进行滤波处理，以消除原始采集图像的系统噪声。
优选地，对原始采集图像进行中值滤波处理，以消除原始采集图像的系统噪声。
步骤S12，基于预设色差分析法对预处理图像中的对象图像区域与背景图像区域进行分割处理，以从预处理图像中提取出对象区域图像。
步骤S13，对对象区域图像进行形态学闭运算处理以及阈值面积区域消除处理，得到目标二值图像。
通过对对象区域图像进行形态学闭运算处理，以消除对象区域图像中的孔洞和斑点。通过对对象区域图像进行阈值面积区域消除处理，以消除对象区域图像中的远处区域和小区域的目标，避免这些目标干扰后续的识别过程。
进一步地，形态学开运算和形态学闭运算的运算公式如下所示，其中，公式(1)为形态学开运算公式，公式(2)为形态学闭运算公式。
Figure BDA0003689297050000111
Figure BDA0003689297050000112
其中，f(x，y)表示输入图像，b(x，y)表示结构元素。
优选地，基于预设第一半径的圆盘结构元素对原始采集图像进行形态学开运算处理，并基于预设第二半径的圆盘结构元素对对象区域图像进行形态学闭运算处理。由于形态学开运算的目的是为了降低原始采集图像的亮度以及消除对象表面纹理信息，而形态学闭运算的目的是为了消除对象区域图像中的孔洞和斑点，因此设置不同半径的圆盘结构元素，以实现不同的功能。
步骤S14，从目标二值图像中提取出原始采集图像对应的轮廓图像。
上述步骤S11至步骤S14，通过对原始采集图像进行形态学开运算处理，以降低原始采集图像的亮度以及消除对象表面纹理信息，以及通过对原始采集图像进行滤波处理，以消除原始采集图像的系统噪声，以便于对预处理图像进行分割处理，得到高质量的对象区域图像。通过对对象区域图像进行形态学闭运算处理，以消除对象区域图像中的孔洞和斑点，以及通过对对象区域图像进行阈值面积区域消除处理，以消除对象区域图像中的远处区域和小区域的目标，以避免这些目标以及孔洞和斑点干扰后续的识别过程，从而可以获得高质量的轮廓图像，便于后续进行对象识别。
在一个实施例中，步骤S12包括步骤121至步骤125，其中。
步骤121，基于预处理图像获取图像灰度特征数据，图像灰度特征数据包括每一个图像像素点的灰度值；基于图像灰度特征数据，获取图像总像素点数目以及图像整体平均灰度值。
步骤122，基于预设色差分析法从灰度特征数据中提取出对象图像区域对应的对象灰度特征数据以及背景图像区域对应的背景灰度特征数据，对象灰度特征数据包括对象像素点数目和对象图像平均灰度值，背景灰度特征数据包括背景像素点数目和背景图像平均灰度值。
步骤123，基于对象像素点数目和图像总像素点数目，获取对象图像区域对应的第一比例；以及基于背景像素点数目和图像总像素点数目获取背景图像区域对应的第二比例。
优选地，预设色差分析法为R-G色差分析法。在一个实施例中，从预处理图像中提取出R-G分量图像，并获取R-G分量图像的图像灰度特征数据，图像灰度特征数据包括R-G分量图像中每一个图像像素点的灰度值。基于图像灰度特征数据，获取图像总像素点数目以及图像整体平均灰度值。基于R-G色差分析法从灰度特征数据中提取出对象图像区域对应的对象灰度特征数据以及背景图像区域对应的背景灰度特征数据。基于对象像素点数目和图像总像素点数目，获取对象图像区域对应的对象像素点在R-G分量图像中所占的第一比例；以及基于背景像素点数目和图像总像素点数目，获取背景图像区域对应的背景像素点在R-G分量图像中所占的第二比例。
步骤124，基于图像整体平均灰度值、对象图像平均灰度值、背景图像平均灰度值、第一比例以及第二比例获取目标分割阈值。
优选地，选取Otsu算法(即大津算法)计算目标分割阈值。Otsu算法是图像分割中阈值选择的最佳算法，其原理是根据图像的灰色特征将其分为前景和背景，并通过计算最大类间差异来确定目标分割阈值。Otsu算法中计算目标分割阈值的公式如下所示。
T＝max{W0(t)*(u0(t)-u)2+W1(t)*(u1(t)-u)2}
其中，T表示目标分割阈值，W0(t)表示对象像素点在R-G分量图像中所占的第一比例，u0(t)表示对象图像平均灰度值，W1(t)表示背景像素点在R-G分量图像中所占的第二比例，u1(t)表示背景图像平均灰度值，u表示R-G分量图像的图像整体平均灰度值。
步骤125，基于目标分割阈值对预处理图像中的对象图像区域与背景图像区域进行分割处理，并获取分割处理后的对象区域图像。
下面提供两个具体实施例，以对本发明提供的对象的定位方法作进一步说明。
在具体实施例一中，本发明提供的对象的定位方法包括以下步骤。
步骤1：获取待识别对象的原始采集图像，并从原始采集图像中提取出待识别对象对应的轮廓图像。获取轮廓图像的边缘点数据集，并对轮廓图像进行扫描，并获取轮廓图像中同一扫描方向上的两个外部轮廓边缘点的坐标差值数据；基于坐标差值数据，生成待识别对象对应对象轮廓的坐标差值曲线；基于坐标差值曲线，确定待识别对象的初始识别半径。
步骤2：从边缘点数据集中选取多个轮廓边缘点作为初始拟合边缘点，初始拟合边缘点的数量大于或者等于三个；基于初始拟合边缘点生成待识别对象的初始拟合圆，并判断初始拟合圆的半径是否在初始识别半径的第一容差范围内；在初始拟合圆的半径在初始识别半径的第一容差范围内的情况下，从边缘点数据集中获取在初始拟合圆的第二容差范围内的所有轮廓边缘点作为初始拟合圆的内点，并将初始拟合圆的内点作为目标拟合边缘点；基于目标拟合边缘点，生成待识别对象的目标拟合圆。基于目标拟合圆，确定轮廓图像中待识别对象所处的目标位置。
在具体实施例二中，以近景目标识别场景下对苹果的识别为例，以对本发明提供的对象的定位方法作进一步说明，本实施例中，以苹果的果实为待识别对象，即待识别对象为待识别果实，采用摄像机采集待识别果实的原始采集图像，摄像头安装在机械爪的中心，机械爪集成在可移动伸缩杆上，果实识别开始前调整机械爪的位置，以使摄像头距离待识别果实在50cm以内，具体包括以下步骤。
(1)获取待识别果实的原始采集图像，对原始采集图像进行半径为2的圆盘结构元素形态学开运算处理以及3*3的中值滤波处理，得到预处理图像。基于R-G色差分析法和Otsu算法对预处理图像中的果实图像区域与背景图像区域进行分割处理，以从预处理图像中提取出果实区域图像。对果实区域图像进行半径为5的圆盘结构元素形态学闭运算处理，并删除果实区域图像中像素面积小于5％的总像素面积的面积区域，得到目标二值图像，并基于Canny算子从目标二值图像中提取出原始采集图像中果实轮廓对应的轮廓图像，例如，图8a表示原始采集图像中存在单个待识别果实时，单个待识别果实对应果实轮廓的轮廓图像。
(2)获取轮廓图像的边缘点数据集，边缘点数据集由多个轮廓边缘点构成；获取轮廓图像中待识别果实的果实数量；在果实数量为一个的情况下，以横向扫描方向以及纵向扫描方向对轮廓图像进行扫描，并获取轮廓图像中同一扫描方向上的两个外部轮廓边缘点的坐标差值数据；基于坐标差值数据，生成待识别果实对应果实轮廓的坐标差值曲线；获取坐标差值曲线的峰值，并获取二分之一的峰值作为待识别果实的初始识别半径。
(3)在果实数量为两个的情况下，获取轮廓图像中果实轮廓的最大横坐标差值与最大纵坐标差值的差值，并设置上限坐标差值阈值为40，下限坐标差值阈值为0。在该差值大于40的情况下，确定两个待识别果实的果实分布姿态为横向分布姿态；在该差值小于0的情况下，确定两个待识别果实的果实分布姿态为纵向分布姿态；在该差值大于0且小于40的情况下，确定两个待识别果实的果实分布姿态为斜向分布姿态。
(4)在果实分布姿态为横向分布姿态或者斜向分布姿态的情况下，确定目标扫描方向为横向扫描方向；在果实分布姿态为纵向分布姿态的情况下，确定目标扫描方向为纵向扫描方向。以目标扫描方向对轮廓图像进行扫描，并获取轮廓图像中同一扫描方向上的两个外部轮廓边缘点的坐标差值数据；基于坐标差值数据，生成待识别果实对应果实轮廓的坐标差值曲线；基于坐标差值曲线和果实分布姿态，确定第一个待识别果实的初始识别半径。
(5)在果实数量为一个的情况下，从边缘点数据集中选取多个轮廓边缘点作为初始拟合边缘点，初始拟合边缘点的数量大于或者等于三个；基于初始拟合边缘点生成待识别果实的初始拟合圆，并判断初始拟合圆的半径是否在初始识别半径的第一容差范围内；在初始拟合圆的半径在初始识别半径的第一容差范围内的情况下，从边缘点数据集中获取在初始拟合圆的第二容差范围内的所有轮廓边缘点作为初始拟合圆的内点，并将初始拟合圆的内点作为目标拟合边缘点；基于目标拟合边缘点，生成单个待识别果实对应的目标拟合圆(如图8b所示的拟合圆)。
(6)在果实数量为两个的情况下，基于第一个待识别果实的初始识别半径和边缘点数据集，生成第一个待识别果实的初始拟合圆；从边缘点数据集中获取在初始拟合圆的第二容差范围内的所有轮廓边缘点作为初始拟合圆的内点，并获取当前剩余边缘点数据集；将初始拟合圆的内点作为第一个待识别果实的目标拟合边缘点，并基于目标拟合边缘点生成第一个待识别果实的目标拟合圆(如图8c中左侧的圆所示的拟合圆1)，并基于该目标拟合圆，确定第一个待识别果实所处的目标位置。对当前剩余边缘点数据集进行扫描，以获取第二个待识别果实的初始识别半径，并基于初始识别半径和当前剩余边缘点数据集生成第二个待识别果实的目标拟合圆(如图8d中右侧的圆所示的拟合圆2)，并基于该目标拟合圆，确定其中第二个待识别果实所处的目标位置。
本发明提供的对象的定位方法可以应用于果实的自动化采摘作业，不需要复杂的建模过程，实验设备相对简单，成本低廉，考虑到实际果实采摘的应用需要，本发明针对近景目标应用场景提出了一种基于自适应半径选取策略的随机抽样一致算法来拟合果实形状，以实现对被枝叶遮挡以及相互重叠的果实进行识别和定位的方法，与现有技术相比较，本发明提供的对象的定位方法的识别效果更好，识别速度更快，不受果实轮廓缺失以及果实轮廓不完整的影响，也不受复杂环境干扰点的干扰，能够稳定识别与定位不同条件下被枝叶遮挡的果实以及相互重叠的果实。本发明所采用的实验设备相对简单便宜，且能够直接定位到果实的二维坐标，得到运行时间、果实圆心坐标以及半径等参数。
下面对本发明提供的对象的定位装置进行描述，下文描述的对象的定位装置与上文描述的对象的定位方法可相互对应参照。
如图9所示，本发明提供一种对象的定位装置，该对象的定位装置100包括轮廓提取模块10、初始识别模块20、目标拟合模块30和位置识别模块40，其中。
轮廓提取模块10，用于获取待识别对象的原始采集图像，并从原始采集图像中提取出待识别对象对应的轮廓图像。
初始识别模块20，用于获取轮廓图像中待识别对象的初始识别半径以及轮廓图像的边缘点数据集，边缘点数据集包括多个轮廓边缘点。
目标拟合模块30，用于基于边缘点数据集和初始识别半径，生成待识别对象的目标拟合圆，目标拟合圆用于拟合待识别对象的形状。
位置识别模块40，用于基于目标拟合圆，确定轮廓图像中待识别对象所处的目标位置。
在一个实施例中，初始识别模块20包括第一图像扫描单元、第一曲线生成单元和第一半径确定单元，其中。
第一图像扫描单元，用于对轮廓图像进行扫描，并获取轮廓图像中同一扫描方向上的两个外部轮廓边缘点的坐标差值数据。
第一曲线生成单元，用于基于坐标差值数据，生成待识别对象对应对象轮廓的坐标差值曲线。
第一半径确定单元，用于基于坐标差值曲线，确定待识别对象的初始识别半径。
在一个实施例中，初始识别模块20包括第一数量确定单元、第二图像扫描单元、第二曲线生成单元和第二半径确定单元，其中。
第一数量确定单元，用于获取轮廓图像中待识别对象的对象数量。
第二图像扫描单元，用于在对象数量为一个的情况下，以横向扫描方向以及纵向扫描方向对轮廓图像进行扫描，并获取轮廓图像中同一扫描方向上的两个外部轮廓边缘点的坐标差值数据。
第二曲线生成单元，用于基于坐标差值数据，生成待识别对象对应对象轮廓的坐标差值曲线。
第二半径确定单元，用于获取坐标差值曲线的峰值，并基于预设第一比例和峰值确定待识别对象的初始识别半径。
在一个实施例中，初始识别模块20包括第二数量确定单元、坐标差值获取单元、扫描方向确定单元、第三图像扫描单元、第三曲线生成单元和第三半径确定单元，其中。
第二数量确定单元，用于获取轮廓图像中待识别对象的对象数量。
坐标差值获取单元，用于在对象数量为至少两个的情况下，获取轮廓图像中对象轮廓的最大坐标差值。
扫描方向确定单元，用于基于最大坐标差值和预设坐标差值阈值确定至少两个待识别对象的对象分布姿态，并基于对象分布姿态确定目标扫描方向。
第三图像扫描单元，用于以目标扫描方向对轮廓图像进行扫描，并获取轮廓图像中同一扫描方向上的两个外部轮廓边缘点的坐标差值数据。
第三曲线生成单元，用于基于坐标差值数据，生成待识别对象对应对象轮廓的坐标差值曲线。
第三半径确定单元，用于基于坐标差值曲线和对象分布姿态，确定第一个待识别对象的初始识别半径。
在一个实施例中，目标拟合模块30包括第一选取单元、初始拟合单元、第二选取单元和目标拟合单元，其中。
第一选取单元，用于从边缘点数据集中选取多个轮廓边缘点作为初始拟合边缘点，初始拟合边缘点的数量大于或者等于三个。
初始拟合单元，用于基于初始拟合边缘点生成待识别对象的初始拟合圆，并判断初始拟合圆的半径是否在初始识别半径的第一容差范围内。
第二选取单元，用于在初始拟合圆的半径在初始识别半径的第一容差范围内的情况下，从边缘点数据集中获取在初始拟合圆的第二容差范围内的所有轮廓边缘点作为初始拟合圆的内点，并将初始拟合圆的内点作为目标拟合边缘点。
目标拟合单元，用于基于目标拟合边缘点，生成待识别对象的目标拟合圆。
在一个实施例中，初始拟合单元，还用于在对象数量为至少两个的情况下，基于第一个待识别对象的初始识别半径和边缘点数据集，生成第一个待识别对象的初始拟合圆。
第二选取单元，还用于从边缘点数据集中获取在初始拟合圆的第二容差范围内的所有轮廓边缘点作为初始拟合圆的内点，并获取当前剩余边缘点数据集。
目标拟合单元，还用于将初始拟合圆的内点作为第一个待识别对象的目标拟合边缘点，并基于目标拟合边缘点生成第一个待识别对象的目标拟合圆。
目标拟合模块30还用于对当前剩余边缘点数据集进行扫描，以获取第二个待识别对象的初始识别半径，基于初始识别半径和当前剩余边缘点数据集生成第二个待识别对象的目标拟合圆；更新当前剩余边缘点数据集，并基于更新后的当前剩余边缘点数据集，重复执行上述获取初始识别半径以及生成目标拟合圆的步骤，直至生成每一待识别对象的目标拟合圆。
在一个实施例中，轮廓提取模块10包括第一处理单元、图像分割单元、第二处理单元和轮廓提取单元，其中。
第一处理单元，用于对原始采集图像进行形态学开运算处理以及滤波处理，得到预处理图像。
图像分割单元，用于基于预设色差分析法对预处理图像中的对象图像区域与背景图像区域进行分割处理，以从预处理图像中提取出对象区域图像。
第二处理单元，用于对对象区域图像进行形态学闭运算处理以及阈值面积区域消除处理，得到目标二值图像。
轮廓提取单元，用于从目标二值图像中提取出原始采集图像对应的轮廓图像。
图10示例了一种电子设备的实体结构示意图，如图10所示，该电子设备可以包括：处理器(processor)1010、通信接口(Communications Interface)1020、存储器(memory)1030和通信总线1040，其中，处理器1010，通信接口1020，存储器1030通过通信总线1040完成相互间的通信。处理器1010可以调用存储器1030中的逻辑指令，以执行对象的定位方法，该方法包括：获取待识别对象的原始采集图像，并从原始采集图像中提取出待识别对象对应的轮廓图像；获取轮廓图像中待识别对象的初始识别半径以及轮廓图像的边缘点数据集，边缘点数据集包括多个轮廓边缘点；基于边缘点数据集和初始识别半径，生成待识别对象的目标拟合圆，目标拟合圆用于拟合待识别对象的形状；基于目标拟合圆，确定轮廓图像中待识别对象所处的目标位置。
此外，上述的存储器1030中的逻辑指令可以通过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，可以存储在一个计算机可读取存储介质中。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，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，计算机程序被处理器执行时，计算机能够执行上述各方法所提供的对象的定位方法，该方法包括：获取待识别对象的原始采集图像，并从原始采集图像中提取出待识别对象对应的轮廓图像；获取轮廓图像中待识别对象的初始识别半径以及轮廓图像的边缘点数据集，边缘点数据集包括多个轮廓边缘点；基于边缘点数据集和初始识别半径，生成待识别对象的目标拟合圆，目标拟合圆用于拟合待识别对象的形状；基于目标拟合圆，确定轮廓图像中待识别对象所处的目标位置。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的对象的定位方法，该方法包括：获取待识别对象的原始采集图像，并从原始采集图像中提取出待识别对象对应的轮廓图像；获取轮廓图像中待识别对象的初始识别半径以及轮廓图像的边缘点数据集，边缘点数据集包括多个轮廓边缘点；基于边缘点数据集和初始识别半径，生成待识别对象的目标拟合圆，目标拟合圆用于拟合待识别对象的形状；基于目标拟合圆，确定轮廓图像中待识别对象所处的目标位置。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种对象的定位方法，其特征在于，包括：
获取待识别对象的原始采集图像，并从所述原始采集图像中提取出所述待识别对象对应的轮廓图像；
获取所述轮廓图像中所述待识别对象的初始识别半径以及所述轮廓图像的边缘点数据集，所述边缘点数据集包括多个轮廓边缘点；
基于所述边缘点数据集和所述初始识别半径，生成所述待识别对象的目标拟合圆，所述目标拟合圆用于拟合所述待识别对象的形状；
基于所述目标拟合圆，确定所述轮廓图像中所述待识别对象所处的目标位置。
2.根据权利要求1所述的对象的定位方法，其特征在于，所述获取所述轮廓图像中所述待识别对象的初始识别半径，包括：
对所述轮廓图像进行扫描，并获取所述轮廓图像中同一扫描方向上的两个外部轮廓边缘点的坐标差值数据；
基于所述坐标差值数据，生成所述待识别对象对应对象轮廓的坐标差值曲线；
基于所述坐标差值曲线，确定所述待识别对象的初始识别半径。
3.根据权利要求1或2所述的对象的定位方法，其特征在于，所述获取所述轮廓图像中所述待识别对象的初始识别半径，包括：
获取所述轮廓图像中所述待识别对象的对象数量；
在所述对象数量为一个的情况下，以横向扫描方向以及纵向扫描方向对所述轮廓图像进行扫描，并获取所述轮廓图像中同一扫描方向上的两个外部轮廓边缘点的坐标差值数据；
基于所述坐标差值数据，生成所述待识别对象对应对象轮廓的坐标差值曲线；
获取所述坐标差值曲线的峰值，并基于预设第一比例和所述峰值确定所述待识别对象的初始识别半径。
4.根据权利要求1或2所述的对象的定位方法，其特征在于，所述获取所述轮廓图像中所述待识别对象的初始识别半径，包括：
获取所述轮廓图像中所述待识别对象的对象数量；
在所述对象数量为至少两个的情况下，获取所述轮廓图像中对象轮廓的最大坐标差值；
基于所述最大坐标差值和预设坐标差值阈值确定至少两个所述待识别对象的对象分布姿态，并基于所述对象分布姿态确定目标扫描方向；
以所述目标扫描方向对所述轮廓图像进行扫描，并获取所述轮廓图像中同一扫描方向上的两个外部轮廓边缘点的坐标差值数据；
基于所述坐标差值数据，生成所述待识别对象对应对象轮廓的坐标差值曲线；
基于所述坐标差值曲线和所述对象分布姿态，确定第一个所述待识别对象的初始识别半径。
5.根据权利要求1或2所述的对象的定位方法，其特征在于，所述基于所述边缘点数据集和所述初始识别半径，生成所述待识别对象的目标拟合圆，包括：
从所述边缘点数据集中选取多个轮廓边缘点作为初始拟合边缘点，所述初始拟合边缘点的数量大于或者等于三个；
基于所述初始拟合边缘点生成所述待识别对象的初始拟合圆，并判断所述初始拟合圆的半径是否在所述初始识别半径的第一容差范围内；
在所述初始拟合圆的半径在所述初始识别半径的第一容差范围内的情况下，从所述边缘点数据集中获取在所述初始拟合圆的第二容差范围内的所有轮廓边缘点作为所述初始拟合圆的内点，并将所述初始拟合圆的内点作为目标拟合边缘点；
基于所述目标拟合边缘点，生成所述待识别对象的目标拟合圆。
6.根据权利要求4所述的对象的定位方法，其特征在于，所述基于所述边缘点数据集和所述初始识别半径，生成所述待识别对象的目标拟合圆，包括：
在所述对象数量为至少两个的情况下，基于第一个所述待识别对象的初始识别半径和所述边缘点数据集，生成第一个所述待识别对象的初始拟合圆；
从所述边缘点数据集中获取在所述初始拟合圆的第二容差范围内的所有轮廓边缘点作为所述初始拟合圆的内点，并获取当前剩余边缘点数据集；
将所述初始拟合圆的内点作为第一个所述待识别对象的目标拟合边缘点，并基于所述目标拟合边缘点生成第一个所述待识别对象的目标拟合圆；
对所述当前剩余边缘点数据集进行扫描，以获取第二个所述待识别对象的初始识别半径，基于所述初始识别半径和所述当前剩余边缘点数据集生成第二个所述待识别对象的目标拟合圆；
更新所述当前剩余边缘点数据集，并基于更新后的当前剩余边缘点数据集，重复执行上述获取初始识别半径以及生成目标拟合圆的步骤，直至生成每一所述待识别对象的目标拟合圆。
7.根据权利要求1所述的对象的定位方法，其特征在于，所述从所述原始采集图像中提取出所述待识别对象对应的轮廓图像，包括：
对所述原始采集图像进行形态学开运算处理以及滤波处理，得到预处理图像；
基于预设色差分析法对所述预处理图像中的对象图像区域与背景图像区域进行分割处理，以从所述预处理图像中提取出对象区域图像；
对所述对象区域图像进行形态学闭运算处理以及阈值面积区域消除处理，得到目标二值图像；
从所述目标二值图像中提取出所述原始采集图像对应的轮廓图像。
8.一种对象的定位装置，其特征在于，包括：
轮廓提取模块，用于获取待识别对象的原始采集图像，并从所述原始采集图像中提取出所述待识别对象对应的轮廓图像；
初始识别模块，用于获取所述轮廓图像中所述待识别对象的初始识别半径以及所述轮廓图像的边缘点数据集，所述边缘点数据集包括多个轮廓边缘点；
目标拟合模块，用于基于所述边缘点数据集和所述初始识别半径，生成所述待识别对象的目标拟合圆，所述目标拟合圆用于拟合所述待识别对象的形状；
位置识别模块，用于基于所述目标拟合圆，确定所述轮廓图像中所述待识别对象所处的目标位置。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述对象的定位方法。
10.一种非暂态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至7任一项所述对象的定位方法。
CN202210658238.8A 2022-06-10 2022-06-10 对象的定位方法、装置、电子设备和可读存储介质 Pending CN114998274A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210658238.8A CN114998274A (zh) 2022-06-10 2022-06-10 对象的定位方法、装置、电子设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210658238.8A CN114998274A (zh) 2022-06-10 2022-06-10 对象的定位方法、装置、电子设备和可读存储介质

Publications (1)

Publication Number Publication Date
CN114998274A true CN114998274A (zh) 2022-09-02

Family

ID=83033779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210658238.8A Pending CN114998274A (zh) 2022-06-10 2022-06-10 对象的定位方法、装置、电子设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN114998274A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564772A (zh) * 2022-11-18 2023-01-03 深圳市大族封测科技股份有限公司 焊球识别方法、焊接设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564772A (zh) * 2022-11-18 2023-01-03 深圳市大族封测科技股份有限公司 焊球识别方法、焊接设备及存储介质
CN115564772B (zh) * 2022-11-18 2023-03-07 深圳市大族封测科技股份有限公司 焊球识别方法、焊接设备及存储介质

Similar Documents

Publication Publication Date Title
CN109596634B (zh) 电缆缺陷的检测方法及装置、存储介质、处理器
CN103870808B (zh) 一种手指静脉识别方法
CN110120042B (zh) 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法
CN109165538B (zh) 基于深度神经网络的条形码检测方法及装置
CN108154519A (zh) 眼底图像中血管的分割方法、装置及存储介质
JP2017531883A (ja) 画像の主要被写体を抽出する方法とシステム
CN112132153B (zh) 基于聚类和形态学处理的番茄果实识别方法及系统
CN111105427B (zh) 一种基于连通区域分析的肺部图像分割方法及系统
CN114092450A (zh) 一种基于胃镜检查视频的实时图像分割方法、系统、装置
CN114240978A (zh) 基于自适应形态学的细胞边缘分割方法和装置
CN114998274A (zh) 对象的定位方法、装置、电子设备和可读存储介质
CN113793385A (zh) 鱼头鱼尾定位方法及装置
CN112381084B (zh) 断层图像的轮廓自动识别方法
CN111369497B (zh) 一种行走式树上果实连续计数方法及装置
CN113780421B (zh) 基于人工智能的脑部pet影像识别方法
CN115661187A (zh) 用于中药制剂分析的图像增强方法
Khan et al. Segmentation of single and overlapping leaves by extracting appropriate contours
CN110276260B (zh) 一种基于深度摄像头的商品检测方法
CN114445691A (zh) 模型训练方法、装置、电子设备及存储介质
CN112749713A (zh) 一种基于人工智能的大数据图像识别系统及方法
CN112085683A (zh) 一种显著性检测中的深度图可信度检测方法
CN112070689A (zh) 一种基于深度图像的数据增强方法
CN116977615B (zh) 荔枝果梗识别定位方法及装置
CN112613421B (zh) 人脸图片降维特征分析比对方法
CN117635606B (zh) 激光切管机卡盘缺陷检测方法、装置、设备及存储介质

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