CN115187744A - 一种基于激光点云的机柜识别方法 - Google Patents
一种基于激光点云的机柜识别方法 Download PDFInfo
- Publication number
- CN115187744A CN115187744A CN202210403924.0A CN202210403924A CN115187744A CN 115187744 A CN115187744 A CN 115187744A CN 202210403924 A CN202210403924 A CN 202210403924A CN 115187744 A CN115187744 A CN 115187744A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- image
- convex hull
- point
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
Abstract
本发明公开了一种基于激光点云的机柜识别方法,其特征在于,包括:S1、点云数据预处理,过滤去除点云信息中的干扰项;S2、点云转换生成图像,将点云信息转换成二值图像数据;S3、图像数据处理,对生成的图像进行滤波处理消除噪声;S4、机柜轮廓识别,提取处理后的图像中的轮廓点集集合,根据轮廓点集对应的凸包面积与最小外接矩形的面积比来识别机柜的轮廓。能够直接对输入的点云建图数据进行处理,通过凸包与最小外接矩形的面积比对方法来识别检测机柜的矩形形状,不需要计算复杂的描述子和模板匹配,检测时间快,在矩形或类矩形形状的检测中有更高的识别率。
Description
技术领域
本发明涉及安放巡检过程中的物体识别技术领域,尤其是涉及一种基于激光点云的机柜识别方法。
背景技术
物体识别是计算机视觉应用的一项基本任务。识别通常基于目标物体的形状、灰度、颜色等信息。物体识别的目的就是要找到一个包含可以区分不同目标物体的有效信息的描述。由于要识别的物体是事先知道的,所以目标物体的几何特征可以被直接应用到识别任务中。
对于具有一定形状规则的物体,一般利用其物体几何特征进行识别。传统方法分为基于区域的匹配方法和基于轮廓的匹配方法。例如,基于轮廓匹配的方法有直方图匹配法,它通过对形状进行特征编码,生成直方图特征,然后通过直方图模板匹配对应的形状,从而完成形状检测。而基于hausdorff距离的形状匹配则是计算模板与形状点集之间的hausdorff距离,从而完成匹配。基于区域的匹配方法,最著名的则是基于Hu不变矩的形状匹配,Hu矩通过对几何矩的非线性组合,导出了一组对于图像平移、尺度、旋转变化不变的矩,这种识别方式往往具有较高的鲁棒性,但Hu不变矩只能用于对区域的检测,不能用于边界的检测。
自主生成安防巡检路径是安防自动化重要一环。在机房场景中,机柜往往具有稳定的结构化特征,通过识别机柜的形状位置自主生成巡检路径,能够大大减少人力资源,降低人力成本,对安防自动化具有重要意义。在中国专利文献中公开的“一种模板匹配的机柜指示灯识别方法、装置及存储介质”,其公开号为CN112487917A,公开日期为2021-03-12,包括:获取模板图片,得出监测区域,确定形状模板匹配图;获取模板位置图,并对模板位置图按顺序进行排序,确定位置指示图;模板位置图由图片处理工具对形状模板匹配图处理后,确定的包含指示灯以及数码管的数码图;获取待测图片,确定待测区域图片;将待测区域图片与数码图进行比对,确定是否匹配;若匹配结果为是,则对待测图片的指示灯进行色彩处理,确定待测指示灯图片结果数组和置信度数组;根据结果数组,确定结果图。但是该技术需要计算复杂的描述子和模板匹配来进行识别,其匹配识别的计算量较大,在通过识别机柜形状形成巡检路径的过程中会因为大计算量造成路径生成的延迟。
发明内容
本发明是为了克服现有技术中基于轮廓匹配识别机柜形状计算量大时间较慢的问题,提供了一种基于激光点云的机柜识别方法,能够直接对输入的点云建图数据进行处理,通过凸包与最小外接矩形的面积比对方法来识别检测机柜的矩形形状,不需要计算复杂的描述子和模板匹配,检测时间快,在矩形或类矩形形状的检测中有更高的识别率。
为了实现上述目的,本发明采用以下技术方案:
一种基于激光点云的机柜识别方法,包括:
S1、点云数据预处理,过滤去除点云信息中的干扰项;
S2、点云转换生成图像,将点云信息转换成二值图像数据;
S3、图像数据处理,对生成的图像进行滤波处理消除噪声;
S4、机柜轮廓识别,提取处理后的图像中的轮廓点集集合,根据轮廓点集对应的凸包面积与最小外接矩形的面积比来识别机柜的轮廓。
当一束激光照射到物体表面时,所反射的激光会携带方位、距离等信息。若将激光束按照某种轨迹进行扫描,便会边扫描边记录到反射的激光点信息,由于扫描极为精细,能够得到大量的激光点,因而就可形成激光点云。本发明中输入的是通过激光线束扫描得到的点云地图数据,输出的是检测得到的符合要求的矩形点集,在实际机房中机柜的占地形状通常都是矩形,因此本发明主要针对矩形形状进行识别,当检测识别得到障碍物的形状为矩形时则认为该障碍物就是机柜,在机房中检测出所有机柜的形状和位置后就可以依据检测结果自动生成机房巡检路径,对于机柜轮廓的识别采用面积比对法,比较提取出的轮廓的凸包面积和最小外接矩形面积,两者越接近则说明该轮廓越接近矩形。
作为优选,所述S1中包括以下步骤:
S11、通过半径滤波将点云数据中预设半径范围内数量达不到设定值的点云去除;
S12、去除点云数据中由动态物体产生的点云数据。
本发明中对于输入的点云地图数据首先需要干扰数据,其中半径滤波是为了去除数据中的杂点,例如孤立点或较少的无关点集;此外机柜是属于不动的障碍物,因此需要去除点云数据中属于动态物体的数据,只保留静态障碍物数据。
作为优选,所述S2中包括以下步骤:
S21、遍历点云的每个激光线束,生成点云场景的占用栅格地图,激光线束穿透的栅格记为空闲状态,线束末端点所在栅格记为占用状态,其余栅格记为未知状态;
S22、将占用栅格地图的每个栅格作为像素点转化为二值形式图像。
本发明中将点云数据转化为图像数据以便于后续从图像中提取出轮廓形状进行识别,激光点云数据是通过激光线束扫描得到的,以激光为原点,打到的障碍物为障碍点,两点连成的直线上的所有点对应的栅格就是穿透的栅格;障碍点就是线束末端点,不属于穿透和线束末端点所对应的栅格都是其余栅格。
作为优选,所述S4中包括以下步骤:
S41、将图像中的不同形状分割成由点集组成的轮廓集合,得到待检测的形状模块;
S42、遍历每个轮廓集合,对轮廓集合进行凸包运算得到凸包并计算凸包面积;
S43、计算凸包的最小外接矩形并计算最小外接矩形面积;
S44、计算凸包面积与最小外接矩形面积的比值,当比值超过设定阈值时判定轮廓为矩形形状。
本发明中通过图像对机柜形状的识别分为轮廓提取、凸包运算、最小外接矩形运算和面积比对四步,通过对这四步的循环操作将所有从图像中提取出来的轮廓集合进行面积比对后,面积的比值超过设定阈值的轮廓集合都能判断为矩形,可以认为是机柜;面积比对的方式是以凸包面积除以最小外接矩形面积,得到的是一个介于0到1之间的数值结果。
作为优选,所述凸包的顶点为轮廓集合上的若干点,使得凸包内包含了轮廓集合中的所有点集;利用凸包顶点间的连线将凸包分割成若干三角形的组合,所有三角形的面积之和即为凸包面积。本发明中凸包是一个计算几何或图形学中的概念,它的严格的数学定义为:在一个向量空间V中,对于给定集合X,所有包含X的凸集的交集S被称为X的凸包,凸包可表示为包着所有点的圈;凸包是一个多边形,任选凸包的一个顶点,将这个顶点与其他顶点连线后可以将凸包分割成若干个三角形。
作为优选,以凸包任意一条边作为外接矩形的边枚举凸包的所有外接矩形,所述外接矩形中面积最小的就是最小外接矩形。本发明中最小外接矩形是指以二维坐标表示的若干二维形状,例如点、直线、多边形的最大范围,即以给定的二维形状各顶点中的最大横坐标、最小横坐标、最大纵坐标、最小纵坐标定下边界的矩形;同时外接矩形的一条边必然与凸包的一条边共线。
作为优选,所述S3中首先对图像进行中值滤波处理,然后对中值滤波后的图像进行闭运算处理得到待识别的图像。本发明中中值滤波用于平滑图片中的噪声,对图像进行闭运算处理后可以填充图像内容的小孔但不改变图像的形状;经过处理后的图像能够有利于后续对轮廓集合的提取。
作为优选,去除动态物体点云数据的过程中,首先建立临时占用栅格命中表,统计每帧点云数据的每个点在栅格中的命中数并设定命中阈值,当栅格的命中数小于命中阈值时说明该栅格对应的点为动态物体,需要去除。本发明中对于不动的障碍物,每帧点云数据的点都会打到此障碍物上,随着扫描次数的增加会使得栅格占用的命中数一直提高;对于动态物体,因为物体处于运动状态,所以随着扫描次数的增加会存在部分点云数据的点无法命中,从而使得栅格占用的命中数远低于静态障碍物,从而可以设定命中阈值来区分动态物体和静态障碍物。
作为优选,所述S22中二值形式图像为黑白色,空闲状态栅格转成黑色,占用状态栅格和未知状态栅格转成白色。本发明中以每一个栅格作为一个像素点转化为黑色或白色,其中空闲状态栅格选择黑色或白色的其中一种,占用状态栅格和未知状态栅格选择与空闲状态栅格相反的颜色。
作为优选,所述S41中将二值图像转化为边界的表现形式,并提取各个边界之间的拓扑结构得到不同形状的轮廓点集集合。本发明中采用轮廓边界跟踪算法来提取二值图像中的轮廓集合,将图片中疑似障碍物的形状都提取出来,便于后续通过面积比对检测识别矩形机柜。
本发明具有如下有益效果:能够直接对输入的点云建图数据进行处理,通过凸包与最小外接矩形的面积比对方法来识别检测机柜的矩形形状,不需要计算复杂的描述子和模板匹配,检测时间快,在矩形或类矩形形状的检测中有更高的识别率;本发明的检测方法具有对被检形状平移、旋转、尺度不变性,同时无需大量的标注数据集支持;本发明通过面积比对阈值来判断机柜形状,因此对于数据具有一定的鲁棒性,在较差环境中也可准确识别机柜。
附图说明
图1是本发明机柜识别方法的流程图;
图2是本发明实施例中点云数据处理前后的对比示意图;
图3是本发明实施例中临时占用栅格命中表原理图;
图4是本发明实施例中生成的占用栅格地图;
图5是本发明实施例中经过转化后的二值图像;
图6是本发明实施例中经过图像数据处理后待识别的图像;
图7是本发明实施例中图像内的凸包示意图;
图8是本发明实施例中凸包运算过程的示意图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
如图1所示,一种基于激光点云的机柜识别方法,包括:
S1、点云数据预处理,过滤去除点云信息中的干扰项;
S11、通过半径滤波去除点云数据中预设半径范围内数量达不到设定值的点云;
S12、去除点云数据中由动态物体产生的点云数据;去除动态物体点云数据的过程中,首先建立临时占用栅格命中表,统计每帧点云数据的每个点在栅格中的命中数并设定命中阈值,当栅格的命中数小于命中阈值时说明该栅格对应的点为动态物体。
S2、点云转换生成图像,将点云信息转换成二值图像数据;
S21、遍历点云的每个激光线束,生成点云场景的占用栅格地图,激光线束穿透的栅格记为空闲状态,线束末端点所在栅格记为占用状态,其余栅格记为未知状态;
S22、将占用栅格地图的每个栅格作为像素点转化为二值形式图像;二值形式图像为黑白色,空闲状态栅格转成黑色,占用状态栅格和未知状态栅格转成白色。
S3、图像数据处理,对生成的图像进行滤波处理消除噪声;首先对图像进行中值滤波处理,然后对中值滤波后的图像进行闭运算处理得到待识别的图像。
S4、机柜轮廓识别,提取处理后的图像中的轮廓点集集合,根据轮廓点集对应的凸包面积与最小外接矩形的面积比来识别机柜的轮廓;
S41、将图像中的不同形状分割成由点集组成的轮廓集合,得到待检测的形状模块;将二值图像转化为边界的表现形式,并提取各个边界之间的拓扑结构得到不同形状的轮廓点集集合;
S42、遍历每个轮廓集合,对轮廓集合进行凸包运算得到凸包并计算凸包面积;凸包的顶点为轮廓集合上的若干点,使得凸包内包含了轮廓集合中的所有点集;利用凸包顶点间的连线将凸包分割成若干三角形的组合,所有三角形的面积之和即为凸包面积;
S43、计算凸包的最小外接矩形并计算最小外接矩形面积;以凸包任意一条边作为外接矩形的边枚举凸包的所有外接矩形,所述外接矩形中面积最小的就是最小外接矩形;
S44、计算凸包面积与最小外接矩形面积的比值,当比值超过设定阈值时判定轮廓为矩形形状。
当一束激光照射到物体表面时,所反射的激光会携带方位、距离等信息。若将激光束按照某种轨迹进行扫描,便会边扫描边记录到反射的激光点信息,由于扫描极为精细,能够得到大量的激光点,因而就可形成激光点云。本发明中输入的是通过激光线束扫描得到的点云地图数据,输出的是检测得到的符合要求的矩形点集,在实际机房中机柜的占地形状通常都是矩形,因此本发明主要针对矩形形状进行识别,当检测识别得到障碍物的形状为矩形时则认为该障碍物就是机柜,在机房中检测出所有机柜的形状和位置后就可以依据检测结果自动生成机房巡检路径,对于机柜轮廓的识别采用面积比对法,比较提取出的轮廓的凸包面积和最小外接矩形面积,两者越接近则说明该轮廓越接近矩形。
本发明中对于输入的点云地图数据首先需要干扰数据,其中半径滤波是为了去除数据中的杂点,例如孤立点或较少的无关点集;此外机柜是属于不动的障碍物,因此需要去除点云数据中属于动态物体的数据,只保留静态障碍物数据。
本发明中将点云数据转化为图像数据以便于后续从图像中提取出轮廓形状进行识别,激光点云数据是通过激光线束扫描得到的,以激光为原点,打到的障碍物为障碍点,两点连成的直线上的所有点对应的栅格就是穿透的栅格;障碍点就是线束末端点,不属于穿透和线束末端点所对应的栅格都是其余栅格。
本发明中通过图像对机柜形状的识别分为轮廓提取、凸包运算、最小外接矩形运算和面积比对四步,通过对这四步的循环操作将所有从图像中提取出来的轮廓集合进行面积比对后,面积的比值超过设定阈值的轮廓集合都能判断为矩形,可以认为是机柜;面积比对的方式是以凸包面积除以最小外接矩形面积,得到的是一个介于0到1之间的数值结果。
本发明中凸包是一个计算几何或图形学中的概念,它的严格的数学定义为:在一个向量空间V中,对于给定集合X,所有包含X的凸集的交集S被称为X的凸包,凸包可表示为包着所有点的圈;凸包是一个多边形,任选凸包的一个顶点,将这个顶点与其他顶点连线后可以将凸包分割成若干个三角形。
本发明中最小外接矩形是指以二维坐标表示的若干二维形状,例如点、直线、多边形的最大范围,即以给定的二维形状各顶点中的最大横坐标、最小横坐标、最大纵坐标、最小纵坐标定下边界的矩形;同时外接矩形的一条边必然与凸包的一条边共线。
本发明中中值滤波用于平滑图片中的噪声,对图像进行闭运算处理后可以填充图像内容的小孔但不改变图像的形状;经过处理后的图像能够有利于后续对轮廓集合的提取。
本发明中对于不动的障碍物,每帧点云数据的点都会打到此障碍物上,随着扫描次数的增加会使得栅格占用的命中数一直提高;对于动态物体,因为物体处于运动状态,所以随着扫描次数的增加会存在部分点云数据的点无法命中,从而使得栅格占用的命中数远低于静态障碍物,从而可以设定命中阈值来区分动态物体和静态障碍物。
本发明中以每一个栅格作为一个像素点转化为黑色或白色,其中空闲状态栅格选择黑色或白色的其中一种,占用状态栅格和未知状态栅格选择与空闲状态栅格相反的颜色。
本发明中采用轮廓边界跟踪算法来提取二值图像中的轮廓集合,将图片中疑似障碍物的形状都提取出来,便于后续通过面积比对检测识别矩形机柜。
在本发明实施例中首先输入通过激光线束扫描得到的点云地图数据,对点云数据进行半径滤波去除杂点,在本实施例中点云地图数据中的预设半径为10cm,设定点的数量为10个,在进行半径滤波的过程中点云地图遍历每个点,查询每个点在半径10cm的范围内的点数,若在半径范围内的点数量大于或等于10个则保存该点,若小于10个则删除该点。杂点去处可以使用Point Cloud Library库中Radius Outlier Removal滤波器实现。
在完成杂点去处后则进行动态点去除,构建一个临时占用栅格命中表,如图3所示,激光线束在机房内进行扫描时会打到障碍物上,随着扫描次数的增加,障碍物被激光线束命中的次数也会根据实际情况增加或不变。若为静止的障碍物时,每一次扫描时,每帧点云数据的每个点都会命中障碍物,因此对于静止的障碍物来说栅格占用的命中数是不断累加的,静态障碍物对应栅格的总命中数等于被扫描的次数。若为动态物体,则在扫描时存在点云数据的点无法命中动态物体的情况,因此动态物体对应栅格的命中数是小于扫描次数的。因此只需要设定命中阈值为扫描次数的值后,对于栅格占用的命中数小于命中阈值的栅格,其对应的点云数据删除后就可以达到删除点云数据中动态物体数据点的目的。进行点云数据预处理前后的对比图如图2所示,左侧为预处理前的点云地图数据,右侧为预处理后的点云地图数据,图中灰色点状连线为使用激光线束扫描采集数据时机器人的运行路径。
在完成点云数据预处理后,将其生成占用栅格图像,如图4所示,在本实施例中的栅格存在三种情况,第一种为穿透的栅格:以激光线束发出点为原点,线束打到的障碍物为障碍点,在原点和障碍点连线上的所有栅格都是穿透的栅格,这种栅格被标记为空闲状态,在图中以白色部分表示;第二种为线束末端点对应的栅格:激光线束打到障碍物上的点为障碍点,即为线束末端点,其对应的栅格标记为占用状态,在图中以灰色部分表示;第三种栅格为除了第一种和第二种的所有栅格,这些栅格标记为未知状态,在图中同样以灰色部分表示。
占用栅格图像生成后将其转成图片格式,如图5所示,将占用栅格图像中的每个栅格作为一个像素点进行转化,将空闲状态的栅格转化成黑色,将未知状态和占用状态的栅格转化成白色,从而转化成二值图像便于之后的形状提取。
对于生成的二值图像进行中值滤波和闭运算处理,遍历图像中的每个像素点,排序周围八个像素点和当前像素点的像素值,取中值作为当前像素点的像素值,可以使用opencv库中的medianBlur函数实现。然后将图像进行一遍膨胀,把内部的黑洞区填充,再进行一遍腐蚀,整体平滑且面积几乎不受影响,其中膨胀指对于一个像素点,统计该像素点和周围像素点的像素值,选择最大的像素值代替当前像素点的像素值;腐蚀指对于一个像素点,统计该像素点和周围像素点的像素值,选择最小的像素值代替当前像素点的像素值,可以由opencv库中的morphologyEx函数实现。
对于经过中值滤波和闭运算处理后的图像,采用轮廓边界跟踪算法提取图像中的轮廓集合,如图6所示,图中白色部分的边界就是提取出来的轮廓集合,也就是待检测识别的部分,该步骤可以通过opencv库中indContours函数实现。
遍历每个提取出来的轮廓点集,使用Graham扫描法对每个轮廓点集进行凸包运算,获得计算出的凸包点集,通过海伦公式计算出不规则凸包的面积。如图7所示是从图像中提取出来的所有凸包示意图,图中的灰色框即为计算出来的凸包。
凸包运算过程如图8所示,对于一个点集:
找到纵坐标最小的点,该点一定是凸包上的点,如果存在多个点的纵坐标相同,取最左面的点,以这个点作为原点p0。
把p0同点集中其他各点用线段连接,并计算这些线段与水平线的夹角,然后按夹角从小到大进行排序,将各点标记为p1、p2、…、pn,夹角范围为大于等于0度且小于180度,如果存在多个夹角相同的点,只选取最远的点进行标记。
创建一个栈,将p0,p1,p2三点放入栈中,之后依次遍历p3到pn各点,若栈顶的两个点和当前的点pi这三点连线的方向向顺时针方向偏转,表明栈顶的点是一个凹陷处,应删除,使栈顶的点出栈,并将点pi压入栈中。如果栈顶的两个点和当前的点pi这三点连线的方向向逆时针方向偏转,则直接将点pi压入栈中。
重复上述过程,直到完成对点pn的操作,此时在栈中的点就是凸包上的顶点,按顶点的标记依次连接各点形成满足条件的凸包。
对于该凸包的面积计算,选择p0点,对其向其他凸包顶点做线段分割出若干个的三角形,利用海伦公式求出每个三角形面积最后将其相加可以得到凸包面积S1。
对每个凸包都计算其最小外接矩形,并对最小外接矩形通过长乘宽计算得到最小外接矩形面积S2,该步骤可以通过使用opencv库中minAreaRect函数实现。在计算最小外接矩形时可以基于几何定理:多边形的最小外接矩形的一条边必然与多边形的其中一条边共线,只需要枚举多边形的边,做外接矩形,比较所有外接矩形的面积,选面积最小的外接矩形就是最小外接矩形。因为是矩形,所以枚举旋转超过90度结束,之后的枚举都是重复的外接矩形。
完成对轮廓点集的凸包计算和最小外接矩形计算后得到凸包面积S1和最小外接矩形面积S2,比较每个轮廓点集的凸包面积和最小外接矩形面积得到β=S1/S2,在本实施例中面积比的设定阈值为0.75,即当面积比β大于或等于0.75时可以认为对应的轮廓属于矩形,当面积比β小于0.75时说明识别的轮廓不为矩形;对所有的轮廓点集都进行面积比对后可以检测得到识别为矩形形状的轮廓。因为在机房当中的机柜具有稳定的结构化特征,占地面的以矩形的形式存在,所以这些被识别为矩形形状的轮廓可以对应地认为是机柜,从而完成对机柜的识别。
上述实施例是对本发明的进一步阐述和说明,以便于理解,并不是对本发明的任何限制,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于激光点云的机柜识别方法,其特征在于,包括:
S1、点云数据预处理,过滤去除点云信息中的干扰项;
S2、点云转换生成图像,将点云信息转换成二值图像数据;
S3、图像数据处理,对生成的图像进行滤波处理消除噪声;
S4、机柜轮廓识别,提取处理后的图像中的轮廓点集集合,根据轮廓点集对应的凸包面积与最小外接矩形的面积比来识别机柜的轮廓。
2.根据权利要求1所述的一种基于激光点云的机柜识别方法,其特征在于,所述S1中包括以下步骤:
S11、通过半径滤波将点云数据中预设半径范围内数量达不到设定值的点云去除;
S12、去除点云数据中由动态物体产生的点云数据。
3.根据权利要求1所述的一种基于激光点云的机柜识别方法,其特征在于,所述S2中包括以下步骤:
S21、遍历点云的每个激光线束,生成点云场景的占用栅格地图,激光线束穿透的栅格记为空闲状态,线束末端点记为占用状态,其余栅格记为未知状态;
S22、将占用栅格地图的每个栅格作为像素点转化为二值形式图像。
4.根据权利要求1或2或3所述的一种基于激光点云的机柜识别方法,其特征在于,所述S4中包括以下步骤:
S41、将图像中的不同形状分割成由点集组成的轮廓集合,得到待检测的形状模块;
S42、遍历每个轮廓集合,对轮廓集合进行凸包运算得到凸包并计算凸包面积;
S43、计算凸包的最小外接矩形并计算最小外接矩形面积;
S44、计算凸包面积与最小外接矩形面积的比值,当比值超过设定阈值时判定轮廓为矩形形状。
5.根据权利要求4所述的一种基于激光点云的机柜识别方法,其特征在于,所述凸包的顶点为轮廓集合上的若干点,使得凸包内包含了轮廓集合中的所有点集;利用凸包顶点间的连线将凸包分割成若干三角形的组合,所有三角形的面积之和即为凸包面积。
6.根据权利要求4所述的一种基于激光点云的机柜识别方法,其特征在于,以凸包任意一条边作为外接矩形的边枚举凸包的所有外接矩形,所述外接矩形中面积最小的就是最小外接矩形。
7.根据权利要求1或2或3所述的一种基于激光点云的机柜识别方法,其特征在于,所述S3中首先对图像进行中值滤波处理,然后对中值滤波后的图像进行闭运算处理得到待识别的图像。
8.根据权利要求2所述的一种基于激光点云的机柜识别方法,其特征在于,去除动态物体点云数据的过程中,首先建立临时占用栅格命中表,统计每帧点云数据的每个点在栅格中的命中数并设定命中阈值,当栅格的命中数小于命中阈值时说明该栅格对应的点为动态物体,需要去除。
9.根据权利要求3所述的一种基于激光点云的机柜识别方法,其特征在于,所述S22中二值形式图像为黑白色,空闲状态栅格转成黑色,占用状态栅格和未知状态栅格转成白色。
10.根据权利要求4所述的一种基于激光点云的机柜识别方法,其特征在于,所述S41中将二值图像转化为边界的表现形式,并提取各个边界之间的拓扑结构得到不同形状的轮廓点集集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210403924.0A CN115187744A (zh) | 2022-04-18 | 2022-04-18 | 一种基于激光点云的机柜识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210403924.0A CN115187744A (zh) | 2022-04-18 | 2022-04-18 | 一种基于激光点云的机柜识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115187744A true CN115187744A (zh) | 2022-10-14 |
Family
ID=83511301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210403924.0A Pending CN115187744A (zh) | 2022-04-18 | 2022-04-18 | 一种基于激光点云的机柜识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115187744A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115793652A (zh) * | 2022-11-30 | 2023-03-14 | 上海木蚁机器人科技有限公司 | 行驶控制方法、装置及电子设备 |
-
2022
- 2022-04-18 CN CN202210403924.0A patent/CN115187744A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115793652A (zh) * | 2022-11-30 | 2023-03-14 | 上海木蚁机器人科技有限公司 | 行驶控制方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898610B (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
CN110717489B (zh) | Osd的文字区域的识别方法、装置及存储介质 | |
CN113658132B (zh) | 基于计算机视觉的结构件焊缝检测方法 | |
CN111507390A (zh) | 一种基于轮廓特征的仓储箱体识别与定位方法 | |
CN110197153B (zh) | 一种户型图中墙体自动识别方法 | |
EP1091320A2 (en) | Processing multiple digital images | |
CN107784669A (zh) | 一种光斑提取及其质心确定的方法 | |
CN115294099B (zh) | 一种钢板轧制过程发纹缺陷的检测方法及系统 | |
CN110390681B (zh) | 一种基于深度相机的深度图物体轮廓快速提取方法及装置 | |
CN108399644A (zh) | 一种墙体图像识别方法及其装置 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
Yogeswaran et al. | 3d surface analysis for automated detection of deformations on automotive body panels | |
CN113034399A (zh) | 基于双目视觉自主式水下机器人回收导引伪光源去除方法 | |
CN112184804B (zh) | 大体积工件高密度焊点定位方法、装置、存储介质及终端 | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN115760820A (zh) | 一种塑料件缺陷图像识别方法及应用 | |
CN115187744A (zh) | 一种基于激光点云的机柜识别方法 | |
CN111611783B (zh) | 一种图形表格的定位分割方法及装置 | |
CN113989604A (zh) | 基于端到端深度学习的轮胎dot信息识别方法 | |
CN113657264A (zh) | 基于暗通道和knn算法融合的森林火灾烟雾根节点检测方法 | |
CN108205678A (zh) | 一种含有亮斑干扰的铭牌文字识别处理方法 | |
CN116452826A (zh) | 基于机器视觉的遮挡情况下煤矸石轮廓估计方法 | |
CN113361547A (zh) | 一种签章识别方法、装置、设备及可读存储介质 |
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 |