CN115407777A - 分区优化方法及清洁机器人 - Google Patents
分区优化方法及清洁机器人 Download PDFInfo
- Publication number
- CN115407777A CN115407777A CN202211055159.4A CN202211055159A CN115407777A CN 115407777 A CN115407777 A CN 115407777A CN 202211055159 A CN202211055159 A CN 202211055159A CN 115407777 A CN115407777 A CN 115407777A
- Authority
- CN
- China
- Prior art keywords
- area
- partition
- door
- suspected
- 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
Links
- 238000005192 partition Methods 0.000 title claims abstract description 146
- 238000004140 cleaning Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 31
- 238000001914 filtration Methods 0.000 claims description 49
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000013316 zoning Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 17
- 230000003628 erosive effect Effects 0.000 description 9
- 238000000638 solvent extraction Methods 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 5
- 230000004888 barrier function Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 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
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
- A47L11/40—Parts or details of machines not provided for in groups A47L11/02 - A47L11/38, or not restricted to one of these groups, e.g. handles, arrangements of switches, skirts, buffers, levers
- A47L11/4011—Regulation of the cleaning machine by electric means; Control systems and remote control systems therefor
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L11/00—Machines for cleaning floors, carpets, furniture, walls, or wall coverings
- A47L11/40—Parts or details of machines not provided for in groups A47L11/02 - A47L11/38, or not restricted to one of these groups, e.g. handles, arrangements of switches, skirts, buffers, levers
- A47L11/4061—Steering means; Means for avoiding obstacles; Details related to the place where the driver is accommodated
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- A—HUMAN NECESSITIES
- A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
- A47L—DOMESTIC WASHING OR CLEANING; SUCTION CLEANERS IN GENERAL
- A47L2201/00—Robotic cleaning machines, i.e. with automatic control of the travelling movement or the cleaning operation
- A47L2201/04—Automatic control of the travelling movement; Automatic obstacle detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及机器人技术领域,公开了一种分区优化方法及清洁机器人。分区优化方法包括:获取清洁地图,并将清洁地图划分成至少一个初始分区,选择满足二次分区条件的初始分区作为目标分区,确定目标分区的门口区域,根据门口区域,对目标分区执行二次分区操作。本实施例在已有的初始分区的基础上,再次筛选出满足二次分区条件的初始分区作为目标分区,并结合门口区域进行二次分区操作,如此能够提高分区的可靠性。
Description
技术领域
本发明涉及机器人技术领域,具体涉及一种分区优化方法及清洁机器人。
背景技术
随着人们生活质量水平的提高,越来越多的清洁机器人走进千家万户。清洁机器人根据探索的环境数据构建清洁地图,并在清洁地图上进行划分区域以得到多个清洁分区,最后再规划每个分区清洁路径以便后续按照清洁路径执行清洁作业。
现有清洁机器人受限于环境复杂、传感数据漂移及偏差等因素,在分区时容易将原本属于两个不同清洁分区合并成一个较大的清洁分区,如此会导致后续规划出的清洁路径不够科学合理。
发明内容
本发明实施例的一个目的旨在提供一种分区优化方法及清洁机器人,旨在改善现有分区不可靠的问题。
在第一方面,本发明实施例提供一种分区优化方法,包括:
获取清洁地图,并将所述清洁地图划分成至少一个初始分区;
选择满足二次分区条件的初始分区作为目标分区;
确定所述目标分区的门口区域;
根据所述门口区域,对所述目标分区执行二次分区操作。
可选地,所述清洁地图包括可清洁区域,所述确定所述目标分区的门口区域包括:
提取所述可清洁区域的原有轮廓;
对所述原有轮廓进行腐蚀膨胀,得到膨胀轮廓;
根据所述膨胀轮廓及原有轮廓,确定所述目标分区的门口区域。
可选地,得到膨胀轮廓后,还包括:
根据预设遍历方向,遍历所述膨胀轮廓以确定满足散落点条件的异常点,所述预设遍历方向为行遍历方向或列遍历方向;
过滤所述膨胀轮廓上的异常点。
可选地,所述膨胀轮廓包括多个像素点,所述根据预设遍历方向,遍历所述膨胀轮廓以确定满足散落点条件的异常点包括:
根据预设遍历方向,遍历所述膨胀轮廓以获取每个目标像素点;
若所述目标像素点位于所述膨胀轮廓的最外侧,则获取在所述预设遍历方向上与所述目标像素点相邻的参考像素点;
根据所述目标像素点与所述参考像素点的距离,确定异常点。
可选地,所述根据所述膨胀轮廓及原有轮廓,确定所述目标分区的门口区域包括:
将所述膨胀轮廓减去所述原有轮廓,得到疑似门区域;
根据噪声过滤算法,过滤所述疑似门区域上的噪声区域;
根据过滤后的疑似门区域,确定所述目标分区的门口区域。
可选地,所述噪声区域包括长毛刺区域和/或三角毛刺区域,所述根据噪声过滤算法,过滤所述疑似门区域上的噪声区域包括:
根据第一噪声过滤算法,过滤所述疑似门区域的长毛刺区域;
和/或,
根据第二噪声过滤算法,过滤所述疑似门区域的三角毛刺区域。
可选地,所述长毛刺区域包括多个长毛刺像素点,所述根据第一噪声过滤算法,过滤所述疑似门区域的长毛刺区域包括:
根据指定遍历方向,确定所述疑似门区域上每条栅格线的第一像素数量,所述指定遍历方向为行遍历方向或列遍历方向,对应的,所述栅格线为行栅格线或列栅格线;
判断所述第一像素数量是否小于第一像素阈值;
若小于,则将所述栅格线的像素点作为长毛刺像素点进行过滤;
若大于,则保留所述栅格线的像素点。
可选地,所述三角毛刺区域包括多个三角毛刺像素点,所述根据第二噪声过滤算法,过滤所述疑似门区域的三角毛刺区域包括:
确定疑似门区域的第一最小外接矩形;
根据所述第一最小外接矩形的宽度及高度,确定疑似门向;
根据所述疑似门向,确定所述疑似门区域上每条栅格线的第二像素数量;
判断所述第二像素数量是否小于第二像素阈值;
若小于,则将所述栅格线的像素点作为三角毛刺像素点进行过滤;
若大于,则保留所述栅格线的像素点。
可选地,所述根据所述门口区域,对所述目标分区执行二次分区操作包括:
确定所述门口区域的门界线段;
根据所述目标分区的初始分区线及所述门界线段,对所述目标分区执行二次分区操作。
可选地,所述选择满足二次分区条件的初始分区作为目标分区包括:若所述初始分区的面积大于或等于预设面积阈值,则选择所述初始分区作为目标分区。
在第二方面,本发明实施例提供一种清洁机器人,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的分区优化方法。
在本发明实施例提供的分区优化方法中,获取清洁地图,并将清洁地图划分成至少一个初始分区,选择满足二次分区条件的初始分区作为目标分区,确定目标分区的门口区域,根据门口区域,对目标分区执行二次分区操作。本实施例在已有的初始分区的基础上,再次筛选出满足二次分区条件的初始分区作为目标分区,并结合门口区域进行二次分区操作,如此能够提高分区的可靠性。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1为本发明实施例提供的一种分区优化方法的流程示意图;
图2为现有技术对清洁地图进行分区后的示意图;
图3为本发明实施例在已有的初始分区的基础上再次进行二次分区操作后的示意图;
图4为现有技术先对清洁地图进行腐蚀膨胀的示意图;
图5为对图4所示的清洁地图提取可清洁区域的原有轮廓的示意图;
图6为本发明实施例提供的先对清洁地图进行提取可清洁区域的原有轮廓的示意图;
图7为对图6所示的原有轮廓进行腐蚀膨胀的示意图;
图8为本发明实施例提供的未过滤异常点的膨胀轮廓的示意图;
图9为本发明实施例提供的过滤异常点的膨胀轮廓的示意图;
图10为本发明实施例提供的将膨胀轮廓与原有轮廓作差运算后所得到多个疑似门区域的示意图;
图11为将图10所示的疑似门区域的噪声区域进行过滤后的示意图;
图12为现有技术在一种目标分区上识别门口区域的示意图;
图13为现有技术基于图12所示的目标分区进行分区的示意图;
图14为本发明实施例提供的在一种目标分区上识别门口区域的示意图;
图15为基于图14所示的目标分区进行分区的示意图;
图16为本发明实施例提供的一种清洁机器人的电路结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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。
需要说明的是,如果不冲突,本发明实施例中的各个特征可以相互结合,均在本发明的保护范围之内。另外,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。再者,本发明所采用的“第一”、“第二”、“第三”等字样并不对数据和执行次序进行限定,仅是对功能和作用基本相同的相同项或相似项进行区分。
本发明实施例提供一种分区优化方法。请参阅图1,分区优化方法包括:
S11:获取清洁地图,并将清洁地图划分成至少一个初始分区。
本步骤中,清洁机器人采集环境数据,根据环境数据生成清洁地图,其中,环境数据可由清洁机器人的传感组件采集得到,传感组件包括激光雷达和/或摄像头。在一些实施例中,清洁地图可为栅格地图或者其它图形化地图。
本步骤中,初始分区为清洁机器人根据预设分区算法划分清洁地图所得到的区域。
S12:选择满足二次分区条件的初始分区作为目标分区。
本步骤中,二次分区条件为用于指示清洁机器人执行二次分区操作的条件。在一些实施例中,清洁机器人判断初始分区的面积是否大于或等于预设面积阈值,若大于或等于,则清洁机器人选择初始分区作为目标分区。若小于,则清洁机器人不将所述初始分区作为目标分区,亦即后续不会对所述初始分区进行二次分区操作。其中,预设面积阈值可由设计者根据工程经验自定义,比如预设面积阈值为1000个像素组成的面积,其中,1000个像素面积=宽*高=20个栅格*50个栅格,每个栅格的边长为5cm,因此,1000个像素面积相当于2.5平方米。
由于初始分区已被划分过,因此,初始分区是具有初始分区线的,亦即目标分区也是具有初始分区线的,其中,初始分区线为首次将清洁地图划分成至少一个初始分区的分区线。
S13:确定目标分区的门口区域。
本步骤中,门口区域为门口所在的区域。
S14:根据门口区域,对目标分区执行二次分区操作。
本步骤中,二次分区操作为用于对目标分区再次分区的操作。通常,室内环境中的每个房间都安装有门,本实施例以门为分区线,可再次将目标分区划分成一个或两个以上的分区。
为了详细阐述本发明实施例提供的分区优化方法,本实施例结合图2和图3对此作出详细说明,具体如下:
请参阅图2,图2为现有技术对清洁地图进行分区后的示意图。如图2所示,清洁机器人将清洁地图划分出以下清洁分区:第一清洁分区21、第二清洁分区22、第三清洁分区23、第四清洁分区24、第五清洁分区25及第六清洁分区26。清洁机器人受限于环境复杂、传感数据漂移及偏差等因素,并未将第六清洁分区26划分成两个清洁分区,但是,实际上第六清洁分区26是可划分成两个清洁分区。若清洁机器人按照图2所示的第六清洁分区26进行规划清洁路径时,最终规划存储的清洁路径是不够合理和科学的。
请参阅图3,图3为本发明实施例在已有的初始分区的基础上再次进行二次分区操作后的示意图。如图3所示,清洁机器人可分别对第一清洁分区21、第二清洁分区22、第三清洁分区23、第四清洁分区24、第五清洁分区25及第六清洁分区26执行二次分区操作,其中,第一清洁分区21、第二清洁分区22、第三清洁分区23、第四清洁分区24及第五清洁分区25的二次分区结果不变,第六清洁分区26的二次分区结果为:将第六清洁分区26重新划分成第七清洁分区27及第八清洁分区28。
本实施例在已有的初始分区的基础上,再次筛选出满足二次分区条件的初始分区作为目标分区,并结合门口区域进行二次分区操作,如此能够提高分区的可靠性。
在一些实施例中,清洁地图包括可清洁区域,可清洁区域为需要清洁机器人进行清洁的区域。提取清洁地图的可清洁区域包括以下步骤:在清洁地图中选择扩展起始点,其中,扩展起始点为处于待清洁状态的点,根据路径搜索算法,以所述扩展起始点开始搜索可清洁连通域,将可清洁连通域作为待清洁区域。可清洁连通域为与扩展起始点连通的连通域,路径搜索算法包括BFS算法或迪杰斯特拉算法等。在一些实施例中,为了过滤可清洁区域的噪声像素点,可对可清洁区域进行腐蚀膨胀,得到膨胀后的可清洁区域。
在一些实施例中,本实施例确定目标分区的门口区域时,S13包括以下步骤:
S131:提取可清洁区域的原有轮廓。
S132:对原有轮廓进行腐蚀膨胀,得到膨胀轮廓。
S133:根据膨胀轮廓及原有轮廓,确定目标分区的门口区域。
在S131中,原有轮廓为可清洁区域的封闭边界所形成的轮廓。
在一些实施例中,本实施例搜索可清洁区域的边界点,将每个边界点依序放入边界列表,边界列表中的全部边界点可依序组成原有轮廓。
在S132中,膨胀轮廓为原有轮廓经过腐蚀膨胀后的轮廓,本实施例对原有轮廓进行开运算,亦即对原有轮廓进行腐蚀膨胀,可得到膨胀轮廓。
通常,在现实生活中,房间门口附近时常会存在一些游离障碍物,所述游离障碍物处于孤立状态,游离障碍物与墙体或门相间隔一定距离,比如游离障碍物为鞋子或雨伞等。当清洁地图为栅格地图时,在构建栅格地图时,栅格地图的每个栅格都被赋予相应栅格值以区分障碍物栅格、可通行栅格及未知栅格。由于墙体、门及游离障碍物都属于障碍物,因此,与此三者对应的栅格都被赋予相同栅格值。
当先对清洁地图进行腐蚀膨胀,再进行提取膨胀后的可清洁区域的轮廓,根据腐蚀膨胀的原理,请参阅图4,此种方式会促使游离障碍物41粘连上门42,如此会改变了门42的门廊43所在位置原为空白区域的特性,亦即:门42的门廊43所在位置原本是空白区域,但是按照上述作法,障碍物41粘连上门42,使得门廊43所在位置的空白区域出现了“障碍物”。
请参阅图5,后续提取腐蚀膨胀后的可清洁区域的轮廓时,如图5所示,门廊43所在位置的空白区域出现了“障碍物”。后续根据提取出的轮廓进行识别门口区域时,需要根据提取门廊43所在位置的空白区域进行判断,但是现在门廊43所在位置的空白区域出现了“障碍物”,如此会影响到识别门口区域的准确性和可靠性,容易出现门漏检的现象,使得不能对清洁地图进行最优化地分区。
在本实施例中,请参阅图6,本实施例先提取可清洁区域的原有轮廓44,如此能够剔除了游离障碍物在腐蚀膨胀阶段时对原有轮廓的影响。
接着,请参阅图7,本实施例再对原有轮廓进行腐蚀膨胀,此时的腐蚀膨胀并不对游离障碍物进行任何处理,如此就不会促使游离障碍物41粘连上门42,保留了门42的门廊43所在位置为空白区域的特性,以便后续能够可靠准确地识别出门口区域,从而能够提高门口检测率以及能够可靠地对清洁地图进行最优化地分区。
在S133中,本实施例可将膨胀轮廓减去原有轮廓,得到疑似门区域,根据疑似门区域,确定门口区域。
在一些实施例中,得到膨胀轮廓后,分区优化方法还包括以下步骤:
S15:根据预设遍历方向,遍历膨胀轮廓以确定满足散落点条件的异常点,预设遍历方向为行遍历方向或列遍历方向;
S16:过滤膨胀轮廓上的异常点。
在S15中,散落点条件为用于识别零散性地分布在膨胀轮廓上的像素点,异常点为满足散落点条件的像素点,亦即,若像素点满足散落点条件,则像素点为异常点。若像素点不满足散落点条件,则保留所述像素点。
当预设遍历方向为行遍历方向时,清洁机器人逐行遍历膨胀轮廓,以搜索出在行方向上满足散落点条件的异常点。当预设遍历方向为列遍历方向时,清洁机器人逐列遍历膨胀轮廓,以搜索出在列方向上满足散落点条件的异常点。
在一些实施例中,所述预设遍历方向包括第一遍历方向或第二遍历方向,根据预设遍历方向,遍历膨胀轮廓以确定满足散落点条件的异常点包括:根据第一遍历方向,遍历膨胀轮廓以确定在第一遍历方向上满足散落点条件的异常点,根据第二遍历方向,遍历膨胀轮廓以确定在第二遍历方向上满足散落点条件的异常点,其中,第一遍历方向与第二遍历方向垂直。当第一遍历方向为行遍历方向时,第二遍历方向为列遍历方向。当第一遍历方向为列遍历方向时,第二遍历方向为行遍历方向。
在S16中,得到异常点后,本实施例可将异常点从膨胀轮廓上进行过滤。通常,受限于激光雷达探测因素或环境因素,请参阅图8,在构建栅格地图时,墙体对应的可清洁区域的部分轮廓51的边缘容易零散地突出一个或两个以上的像素点52,此类像素点与部分轮廓51通常相距一个像素距离,如若不对此类像素点进行处理,会影响到后续识别门口区域的可靠性。
请参阅图9,本实施例能够将此类像素点52识别成异常点,并将此类像素点52进行过滤,有利于提高识别门口区域的鲁棒性。
在一些实施例中,膨胀轮廓包括多个像素点,步骤S15包括以下步骤:
S151:根据预设遍历方向,遍历膨胀轮廓以获取每个目标像素点。
S152:若目标像素点位于膨胀轮廓的最外侧,则获取在预设遍历方向上与目标像素点相邻的参考像素点。
S153:根据目标像素点与参考像素点的距离,确定异常点。
在S151中,当预设遍历方向为行遍历方向时,本实施例逐行地遍历膨胀轮廓,以获取每行的目标像素点。当预设遍历方向为列遍历方向时,本实施例逐列地遍历膨胀轮廓,以获取每列的目标像素点。
在S152中,举例而言,假设膨胀轮廓的边缘包括依序排列在同一行的像素点A1、像素点A2及像素点A3,当像素点A1作为目标像素点,清洁机器人获取与像素点A1相邻的像素点A2,亦即像素点A2作为参考像素点。当像素点A2作为目标像素点,清洁机器人获取与像素点A2相邻的像在像素点A3,亦即像素点A3作为参考像素点。
在S153中,本实施例判断目标像素点与参考像素点的距离是否小于预设距离阈值,若小于,则将所述目标像素点作为异常点,若大于,则保留所述目标像素点,继续获取下一个目标像素点。其中,预设距离阈值由设计者根据工程经验自定义,比如预设距离阈值为4个像素距离。
请结合图8和图9,本实施例可将图8所示的像素点52作为异常点,将其灰度值修改为255,从而得到图9所示的情形。
在一些实施例中,本实施例根据膨胀轮廓及原有轮廓确定目标分区的门口区域时,S133包括以下步骤:
S1331:将膨胀轮廓减去原有轮廓,得到疑似门区域。
S1332:根据噪声过滤算法,过滤疑似门区域上的噪声区域。
S1333:根据过滤后的疑似门区域,确定目标分区的门口区域。
在S1331中,疑似门区域为存在概率被识别为门口区域的区域。本实施例将膨胀轮廓减去原有轮廓,得到多个多边形区域,亦即可得到多个疑似门区域。请参阅图10,经过膨胀轮廓与原有轮廓作差运算后,得到了多个疑似门区域,分别包括第一疑似门区域61、第二疑似门区域62、第三疑似门区域63及第四疑似门区域64。
值得说明的是,图10所示的多边形区域是图形生成软件在预设间距下所呈现出的图,比如在预设间距为11个像素长度下呈现第一种示意图,在预设间距为12个像素长度下呈现第二种示意图,以此类推。
在S1332中,噪声区域为不符合门口区域的形态的区域,通常,门口区域的形态都是呈矩形的。请参阅图11,本实施例能够将各个疑似门区域上的噪声区域进行过滤,从而得到符合门口区域的形态的区域。
在S1333中,由于过滤后的疑似门区域在形态上会与门口区域的形态相同或接近,因此,本实施例根据过滤后的疑似门区域,更加准确可靠地确定目标分区的门口区域。
在一些实施例中,噪声区域包括长毛刺区域和/或三角毛刺区域,长毛刺区域为一个较大面积的像素区域拖带着细长的像素区域,由于长毛刺区域在毛刺方向上的边长是比较长的,若不滤除长毛刺区域,由于通常都是选择较长的边长所在的方向作为门口区域的门向,后续不仅对可靠准确地识别门口区域造成影响,而且还容易误判门口区域的门向。
三角毛刺区域为形状呈三角形的像素区域,虽然三角毛刺区域并没有细长的像素区域,但是,三角毛刺区域的形态是两端窄中间大,此种形态很不符合门口区域的矩形形态,并且后续是在疑似门区域上构建一个最小外接矩形,如果不对三角毛刺区域的较窄区域进行过滤,容易对可靠准确地识别门口区域造成影响。
在一些实施例中,根据噪声过滤算法过滤疑似门区域上的噪声区域包括:根据第一噪声过滤算法,过滤疑似门区域的长毛刺区域,如此,本实施例能够长毛刺区域进行过滤,避免后续影响到门口区域的识别。
在一些实施例中,根据噪声过滤算法过滤疑似门区域上的噪声区域包括:根据第二噪声过滤算法,过滤疑似门区域的三角毛刺区域,如此,本实施例能够长毛刺区域进行过滤,避免后续影响到门口区域的识别。
在一些实施例中,本实施例可结合第一噪声过滤算法和第二噪声过滤算法,不仅过滤疑似门区域的长毛刺区域,而且也过滤疑似门区域的三角毛刺区域,从而能够将疑似门区域的形态最大程度地修整为矩形,有利于后续能够更加准确可靠地识别门口区域。
在一些实施例中,长毛刺区域包括多个长毛刺像素点,根据第一噪声过滤算法过滤疑似门区域的长毛刺区域包括以下步骤:
S21:根据指定遍历方向,确定疑似门区域上每条栅格线的第一像素数量,指定遍历方向为行遍历方向或列遍历方向,对应的,栅格线为行栅格线或列栅格线。
S22:判断第一像素数量是否小于第一像素阈值。
S23:若小于,则将栅格线的像素点作为长毛刺像素点进行过滤。
S24:若大于,则保留栅格线的像素点。
在S21中,当指定遍历方向为行遍历方向时,栅格线为行栅格线。当指定遍历方向为列遍历方向时,栅格线为列栅格线。
举例而言,当指定遍历方向为行遍历方向,栅格线为行栅格线时,第0行栅格线存在2个像素,亦即,第0行栅格线的第一像素数量为2。第1行栅格线存在5个像素,亦即,第1行栅格线的第一像素数量为5。第2行栅格线存在5个像素,亦即,第2行栅格线的第一像素数量为5,以此类推。
在S22中,第一像素阈值由设计者根据工程经验自定义,比如第一像素阈值为4个。
在S23中,举例而言,请结合图11:
在指定遍历方向为行遍历方向的前提下:
对于第一疑似门区域61,由于第一疑似门区域61的上半尖部区域的每行像素数量都小于4,因此,本实施例过滤上半尖部区域的像素点,亦即将上半尖部区域的像素点的灰度值修改为0。可以理解的是,即使过滤掉上半尖部区域,第一疑似门区域61的上半部相对门口区域的正常宽度而言依然较窄。
对于第二疑似门区域62,由于第二疑似门区域62的部分区域的每行像素数量都小于4,因此,本实施例过滤此部分区域的像素点,亦即将此部分区域的像素点的灰度值修改为0。
对于第三疑似门区域63,由于第三疑似门区域63的部分区域的每行像素数量都大于4,因此,此次先保留第三疑似门区域63的像素点。
对于第四疑似门区域64,由于第四疑似门区域64的细长区域的每行像素数量都小于4,因此,本实施例过滤细长区域的像素点,亦即将细长区域的像素点的灰度值修改为0。
在指定遍历方向为列遍历方向的前提下:
对于第二疑似门区域62,由于第二疑似门区域62的部分区域的每列像素数量都小于4,因此,本实施例过滤此部分区域的像素点,亦即将此部分区域的像素点的灰度值修改为0。如图11所示,第二疑似门区域62经过两次过滤操作后,几乎被过滤掉了。
对于第三疑似门区域63,由于第三疑似门区域63的最右侧细长区域的每列像素数量都小于4,因此,本实施例过滤最右侧细长区域的像素点,亦即将最右侧细长区域的像素点的灰度值修改为0。
对于第四疑似门区域64,由于第四疑似门区域64的上半部分区域的每列像素数量都大于4,因此,保留上半部分区域的像素点。
在S24中,由于第一像素数量大于第一像素阈值,本实施例保留栅格线的像素点。
总体而言,本实施例采用上述作法,能够有效地过滤掉长毛刺区域。
在一些实施例中,三角毛刺区域包括多个三角毛刺像素点,根据第二噪声过滤算法过滤疑似门区域的三角毛刺区域包括以下步骤:
S31:确定疑似门区域的第一最小外接矩形。
S32:根据第一最小外接矩形的宽度及高度,确定疑似门向。
S33:根据疑似门向,确定疑似门区域上每条栅格线的第二像素数量。
S34:判断第二像素数量是否小于第二像素阈值。
S35:若小于,则将栅格线的像素点作为三角毛刺像素点进行过滤。
S36:若大于,则保留栅格线的像素点。
在S31中,第一最小外接矩形为用于框定疑似门区域的最小面积矩形。在一些实施例中,确定疑似门区域的第一最小外接矩形包括:确定疑似门区域的最大行、最小行、最大列及最小列,根据最大行及最小行确定宽度,根据最大列及最小列确定高度,根据宽度及高度,生成疑似门区域的第一最小外接矩形。
在一些实施例中,根据最大行及最小行确定宽度包括:将最大行减去最小行,得到行差值,将行差值作为宽度。
在一些实施例中,根据最大列及最小列确定高度包括:将最大列减去最小列,得到列差值,将列差值作为高度。
在S32中,根据第一最小外接矩形的宽度及高度,确定疑似门向包括:判断宽度是否大于高度,若宽度大于高度,则选择宽度所在的方向作为疑似门向,若宽度小于高度,则选择高度所在的方向作为疑似门向。
在S33中,若宽度所在的方向作为疑似门向,则本实施例逐行搜索疑似门区域,以得到每行上像素的像素数量,将所述像素数量作为第二像素数量。若高度所在的方向作为疑似门向,则本实施例逐列搜索疑似门区域,以得到每列上像素的像素数量,将所述像素数量作为第二像素数量。
在S34中,第二像素阈值由设计者根据工程经验自定义,比如第二像素阈值为6或8等。
在S35中,由于第二像素数量小于第二像素阈值,本实施例将栅格线的像素点作为三角毛刺像素点进行过滤。请结合图11,对于第一疑似门区域61,本实施例可将第一疑似门区域61的三角毛刺像素点进行过滤,从而能够将第一疑似门区域61修整成符合门口区域的形态。
在S36中,由于第二像素数量大于第二像素阈值,本实施例保留栅格线的像素点。总体而言,本实施例采用上述作法,能够有效地过滤掉三角毛刺区域。
在一些实施例中,本实施例根据过滤后的疑似门区域确定目标分区的门口区域时,S1333包括以下步骤:
S1334:判断过滤后的疑似门区域是否满足门口候选条件。
S1335:若满足,则将所述过滤后的疑似门区域作为候选门区域,根据候选门区域,确定门口区域。
S1336:若不满足,则继续确定下一个过滤后的疑似门区域是否满足门口候选条件。
在S1334中,判断过滤后的疑似门区域是否满足门口候选条件包括:当过滤后的疑似门区域的宽度大于高度时,判断过滤后的疑似门区域的宽度与预设门距的差值是否小于或等于第一阈值范围,且高度与预设门宽的差值是否小于或等于第二阈值范围,若都是,则确定所述过滤后的疑似门区域作为参考门区域,根据参考门区域,确定候选门区域。若不都是,则判断预设门距是否小于最大门距,若小于最大门距,按照预设梯度增加预设门距,得到新的预设门距,判断过滤后的疑似门区域的宽度与新的预设门距的差值是否小于或等于第一阈值范围,且高度与新的预设门宽的差值是否小于或等于第二阈值范围,若大于或等于最大门距,则剔除所述过滤后的疑似门区域。
举例而言,预设门距的范围为10个像素长度至28个像素长度,首先,本实施例按照10个像素长度作为预设门距,搜索每个过滤后的疑似门区域是否满足门口候选条件。若不满足,则本实施例将10+1=11个像素长度作为新的预设门距,再搜索每个过滤后的疑似门区域是否满足门口候选条件,以此类推。
在一些实施例中,根据参考门区域确定候选门区域包括:将参考门区域直接作为候选门区域。
在一些实施例中,根据参考门区域确定候选门区域包括:计算参考门区域的面积,判断参考门区域的面积是否大于或等于预设门面积,若是,则选择所述参考门区域作为候选门区域,若否,则剔除所述参考门区域。
在一些实施例中,根据候选门区域确定门口区域包括:根据第一预设门向,在候选门区域上设置第一门界线段,确定目标分区加入第一门界线段后形成封闭轮廓的第一轮廓数量,根据第一轮廓数量,确定候选门区域是否为门口区域。
第一预设门向被假定等效为:现实生活中的门处于关闭状态下的方向。其中,第一预设门向可由设计者根据工程经验进行设定,比如第一预设门向为横向或纵向。
第一门界线段为按照第一预设门向在候选门区域上设定的线段,其中,第一门界线段也被假定等效为:现实生活中的门处于关闭状态下的门板。
在一些实施例中,根据第一预设门向,在候选门区域上设置第一门界线段包括:按照第一预设门向,在候选门区域上设置长度等于预设门距的第一门界线段。预设门距可由设计者根据工程经验进行设定,比如预设门距为6个像素长度或8个像素长度或10个像素长度等。
在一些实施例中,按照第一预设门向,在候选门区域上设置长度等于预设门距的第一门界线段包括:确定候选门区域的最小外接矩形,当第一预设门向为横向时,在最小外接矩形的高度方向上设置长度等于预设门距的第一门界线段,当第一预设门向为纵向时,在最小外接矩形的宽度方向上设置长度等于预设门距的第一门界线段。
在一些实施例中,在最小外接矩形的高度方向上设置第一门界线段包括:确定所述最小外接矩形在高度方向上,相对设置的第一边长与第二边长,选择第一边长的第一中点及第二边长的第二中点分别作为第一门界线段与第一边长的第一交点及第一门界线段与第二边长的第二交点,设置长度等于预设门距的第一门界线段以使第一门界线段分别过第一交点及第二交点。
在一些实施例中,在最小外接矩形的宽度方向上设置第一门界线段包括:确定所述最小外接矩形在高度方向上,相对设置的第三边长与第四边长,选择第三边长的第三中点及第四边长的第四中点分别作为第一门界线段与第三边长的第三交点及第一门界线段与第四边长的第四交点,设置长度等于预设门距的第一门界线段以使第一门界线段分别过第三交点及第四交点。
由于本实施例选择相对两条边长的中点作为第一门界线段的定位点,如此能够保证第一门界线段以最大概率地与可清洁区域的分区线进行相接,以便后续能够准确地得到第一轮廓数量,进而能够可靠地确定候选门区域是否为门口区域,避免出现候选门区域原本为门口区域但由于第一门界线段过短,或者第一门界线段较长但偏离可清洁区域的分区线的情形出现。
封闭轮廓为可清洁区域的分区线与第一门界线首尾相接所形成的轮廓,第一轮廓数量为可清洁区域包含封闭轮廓的数量。
在一些实施例中,当第一轮廓数量大于1时,本实施例确定候选门区域为门口区域。当第一轮廓数量等于1时,本实施例确定候选门区域不为门口区域。
本发明实施例结合图12、图13、图14及图15对此作出详细说明,具体如下:
请参阅图12,由于墙体过厚,候选门区域121的宽度与门距的差值和高度与门距的差值都小于3个像素长度,导致不容易准确地确定门向。发明人发现现有技术是按照横向作为门向在候选门区域121设置门界线段122的,但是由于门界线段122足以使得清洁机器人判断出两个清洁分区,因此,清洁机器人得到第一清洁分区123及第二清洁分区124。
虽然候选门区域125的宽度与门距的差值和高度与门距的差值都小于3个像素长度。但是由于门界线段126并不足以使得清洁机器人判断出两个清洁分区,清洁机器人只能依旧得到第二清洁分区124,最后的分区效果图请见图13。
请参阅图14,虽然候选门区域125的宽度与门距的差值和高度与门距的差值都小于3个像素长度,但是经过采用本实施例提供的方法,本实施例能够准确地将候选门区域125识别为门口区域,并根据候选门区域125,绘画出纵向的门界线段126,因此,清洁机器人可得到第三清洁分区127及第四清洁分区128,最后的分区效果图请见图15。
总体而言,即使墙体过厚或者传感数据出现偏差,本实施例通过第一轮廓数量也能够准确可靠地确定候选门区域是否为门口区域,有利于后续能够准确可靠地进行分区。
在一些实施例中,在门口区域上设置第一门界线段前,方法还包括:根据可清洁区域包含封闭轮廓的数量,确定初始数量。则:根据第一轮廓数量,确定候选门区域是否为门口区域包括:根据第一轮廓数量及初始数量,确定候选门区域是否为门口区域。
在一些实施例中,根据第一轮廓数量及初始数量确定候选门区域是否为门口区域包括:判断第一轮廓数量与初始数量的差值是否等于预设阈值,若等于,则确定候选门区域为门口区域,若不等于,则按照第二预设门向,在疑似区域上设置第二门界线段,确定可清洁区域加入第二门界线段后形成封闭轮廓的第二轮廓数量,根据第二轮廓数量,确定候选门区域是否为门口区域。其中,预设阈值由设计者根据工程经验自定义,比如预设阈值为自然数1。
在一些实施例中,当第一预设门向为横向时,第二预设门向为纵向。当第一预设门向为纵向时,第二预设门向为横向。
举例而言,初始数量为1,第一预设门向为横向。假设可清洁区域加入第一门界线段后形成封闭轮廓的第一轮廓数量为1,说明第一门界线段并不能与可清洁区域的分区线相接,亦即第一门界线并不能将可清洁分区划分出多一块清洁分区,因此,本实施例将纵向作为第二预设门向,按照第二预设门向在疑似区域上设置第二门界线段,以便继续确定候选门区域是否为门口区域。
再举例而言,初始数量为1,第一预设门向为横向。假设可清洁区域加入第一门界线段后形成封闭轮廓的第一轮廓数量为2,说明第一门界线段是能够与可清洁区域的分区线相接,亦即第一门界线能够将可清洁分区划分出多一块清洁分区,因此,本实施例确定候选门区域为门口区域。
在一些实施例中,根据第二轮廓数量确定候选门区域是否为门口区域包括:根据第二轮廓数量及初始数量,确定候选门区域是否为门口区域。判断第二轮廓数量与初始数量的差值是否等于预设阈值,若第二轮廓数量与初始数量的差值等于预设阈值,则确定候选门区域为门口区域。若第二轮廓数量与初始数量的差值不等于预设阈值,则确定候选门区域不为门口区域。
在一些实施例中,在门口区域上设置第一门界线段前,方法还包括:确定门口区域的最小外接矩形,最小外接矩形的第一目标边长大于或等于第二目标边长,判断第一目标边长与预设门距的差值是否小于第一预设阈值,且第二目标边长与预设门距的差值是否小于第二预设阈值,若都小于,则进入在门口区域上设置第一门界线段的步骤,若不都小于,则选择第一目标边长所在的方向作为第一预设门向。
在一些实施例中,第一目标边长可为宽度,第二目标边长可为高度,或者,第一目标边长可为高度,第二目标边长可为宽度。
如前所述,当墙体较厚时,假设宽度比高度长,候选门区域的宽度为11个像素长度,高度为9个像素长度,宽度与预设间距的差值小于第一预设阈值,高度与预设间距的差值小于第二预设阈值,如此导致清洁机器人不容易判断候选门区域的门向是横向还是纵向,也就不容易准确地识别候选门区域是否为门口区域。本实施例通过采用上述作法,能够在此种情形下,也能够可靠准确地识别出门向,并准确可靠地判断候选门区域是否为门口区域,从而有利于后续能够科学可靠地进行分区。
在S1335中,由于过滤后的疑似门区域满足门口候选条件,本实施例将过滤后的疑似门区域作为候选门区域,根据候选门区域,确定门口区域。
在S1336中,由于过滤后的疑似门区域不满足门口候选条件,本实施例继续确定下一个过滤后的疑似门区域是否满足门口候选条件。
在一些实施例中,本实施例根据门口区域,对目标分区执行二次分区操作时,S14包括以下步骤:
S141:确定门口区域的门界线段。
S142:根据目标分区的初始分区线及门界线段,对目标分区执行二次分区操作。
在S141中,确定门口区域的门界线段包括:确定门口区域的第二最小外接矩形,根据第二最小外接矩形的宽度及高度,确定门界线段。
第二最小外接矩形为用于框定门口区域的最小面积矩形。在一些实施例中,确定门口区域的第二最小外接矩形包括:确定门口区域的最大行、最小行、最大列及最小列,根据门口区域的最大行及最小行确定宽度,根据门口区域的最大列及最小列确定高度,根据宽度及高度,生成门口区域的第二最小外接矩形。
根据第二最小外接矩形的宽度及高度确定门界线段包括:判断第二最小外接矩形的宽度是否大于第二最小外接矩形的高度,若宽度大于高度,则选择宽度所在的方向作为门口区域的门向,并按照宽度所在的方向,在门口区域上设置门界线段,若宽度小于高度,则选择高度所在的方向作为门口区域的门向,并按照高度所在的方向,在门口区域上设置门界线段。
在S142中,本实施例通过opencv中的drawContours()函数,根据目标分区的初始分区线及门界线段,对目标分区执行二次分区操作。
需要说明的是,在上述各个实施方式中,上述各步骤之间并不必然存在一定的先后顺序,本领域普通技术人员,根据本发明实施方式的描述可以理解,不同实施方式中,上述各步骤可以有不同的执行顺序,亦即,可以并行执行,亦可以交换执行等等。
请参阅图16,图16为本发明实施例提供的一种清洁机器人的电路结构示意图。如图16所示,清洁机器人160包括一个或多个处理器161以及存储器162。其中,图16中以一个处理器161为例。
处理器161和存储器162可以通过总线或者其他方式连接,图16中以通过总线连接为例。
存储器162作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中的分区优化方法对应的程序指令/模块。处理器161通过运行存储在存储器162中的非易失性软件程序、指令以及模块,从而实现上述方法实施例提供的分区优化方法的功能。
存储器162可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器162可选包括相对于处理器161远程设置的存储器,这些远程存储器可以通过网络连接至处理器161。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述程序指令/模块存储在所述存储器162中,当被所述一个或者多个处理器161执行时,执行上述任意方法实施例中的分区优化方法。
本发明实施例还提供了一种存储介质,所述存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,例如图16中的一个处理器161,可使得上述一个或多个处理器可执行上述任意方法实施例中的分区优化方法。
本发明实施例还提供了一种计算机程序产品,所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被清洁机器人执行时,使所述清洁机器人执行任一项所述的分区优化方法。
以上所描述的装置或设备实施例仅仅是示意性的,其中所述作为分离部件说明的单元模块可以是或者也可以不是物理上分开的,作为模块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模块单元上。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。
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相关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所述的方法。
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;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明,它们没有在细节中提供;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范围。
Claims (11)
1.一种分区优化方法,其特征在于,包括:
获取清洁地图,并将所述清洁地图划分成至少一个初始分区;
选择满足二次分区条件的初始分区作为目标分区;
确定所述目标分区的门口区域;
根据所述门口区域,对所述目标分区执行二次分区操作。
2.根据权利要求1所述的优化方法,其特征在于,所述清洁地图包括可清洁区域,所述确定所述目标分区的门口区域包括:
提取所述可清洁区域的原有轮廓;
对所述原有轮廓进行腐蚀膨胀,得到膨胀轮廓;
根据所述膨胀轮廓及原有轮廓,确定所述目标分区的门口区域。
3.根据权利要求2所述的优化方法,其特征在于,得到膨胀轮廓后,还包括:
根据预设遍历方向,遍历所述膨胀轮廓以确定满足散落点条件的异常点,所述预设遍历方向为行遍历方向或列遍历方向;
过滤所述膨胀轮廓上的异常点。
4.根据权利要求3所述的优化方法,其特征在于,所述膨胀轮廓包括多个像素点,所述根据预设遍历方向,遍历所述膨胀轮廓以确定满足散落点条件的异常点包括:
根据预设遍历方向,遍历所述膨胀轮廓以获取每个目标像素点;
若所述目标像素点位于所述膨胀轮廓的最外侧,则获取在所述预设遍历方向上与所述目标像素点相邻的参考像素点;
根据所述目标像素点与所述参考像素点的距离,确定异常点。
5.根据权利要求2所述的优化方法,其特征在于,所述根据所述膨胀轮廓及原有轮廓,确定所述目标分区的门口区域包括:
将所述膨胀轮廓减去所述原有轮廓,得到疑似门区域;
根据噪声过滤算法,过滤所述疑似门区域上的噪声区域;
根据过滤后的疑似门区域,确定所述目标分区的门口区域。
6.根据权利要求5所述的优化方法,其特征在于,所述噪声区域包括长毛刺区域和/或三角毛刺区域,所述根据噪声过滤算法,过滤所述疑似门区域上的噪声区域包括:
根据第一噪声过滤算法,过滤所述疑似门区域的长毛刺区域;
和/或,
根据第二噪声过滤算法,过滤所述疑似门区域的三角毛刺区域。
7.根据权利要求6所述的优化方法,其特征在于,所述长毛刺区域包括多个长毛刺像素点,所述根据第一噪声过滤算法,过滤所述疑似门区域的长毛刺区域包括:
根据指定遍历方向,确定所述疑似门区域上每条栅格线的第一像素数量,所述指定遍历方向为行遍历方向或列遍历方向,对应的,所述栅格线为行栅格线或列栅格线;
判断所述第一像素数量是否小于第一像素阈值;
若小于,则将所述栅格线的像素点作为长毛刺像素点进行过滤;
若大于,则保留所述栅格线的像素点。
8.根据权利要求6所述的优化方法,其特征在于,所述三角毛刺区域包括多个三角毛刺像素点,所述根据第二噪声过滤算法,过滤所述疑似门区域的三角毛刺区域包括:
确定疑似门区域的第一最小外接矩形;
根据所述第一最小外接矩形的宽度及高度,确定疑似门向;
根据所述疑似门向,确定所述疑似门区域上每条栅格线的第二像素数量;
判断所述第二像素数量是否小于第二像素阈值;
若小于,则将所述栅格线的像素点作为三角毛刺像素点进行过滤;
若大于,则保留所述栅格线的像素点。
9.根据权利要求1至8任一项所述的优化方法,其特征在于,所述根据所述门口区域,对所述目标分区执行二次分区操作包括:
确定所述门口区域的门界线段;
根据所述目标分区的初始分区线及所述门界线段,对所述目标分区执行二次分区操作。
10.根据权利要求1至8任一项所述的优化方法,其特征在于,所述选择满足二次分区条件的初始分区作为目标分区包括:
若所述初始分区的面积大于或等于预设面积阈值,则选择所述初始分区作为目标分区。
11.一种清洁机器人,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至10任一项所述的分区优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211055159.4A CN115407777A (zh) | 2022-08-31 | 2022-08-31 | 分区优化方法及清洁机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211055159.4A CN115407777A (zh) | 2022-08-31 | 2022-08-31 | 分区优化方法及清洁机器人 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115407777A true CN115407777A (zh) | 2022-11-29 |
Family
ID=84164487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211055159.4A Pending CN115407777A (zh) | 2022-08-31 | 2022-08-31 | 分区优化方法及清洁机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115407777A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005216219A (ja) * | 2004-02-02 | 2005-08-11 | Mori Net Kk | アダプティブ・スムージング・フィルタリング装置及びフィルタリング方法 |
CN101576958A (zh) * | 2009-06-15 | 2009-11-11 | 西安交通大学 | 一种基于形状特征的带边框矩形印章图形提取方法 |
JP2011180660A (ja) * | 2010-02-26 | 2011-09-15 | Advanced Telecommunication Research Institute International | 領域分割装置、領域分割プログラムおよび領域分割方法ならびにコミュニケーションロボット |
WO2016034104A1 (zh) * | 2014-09-05 | 2016-03-10 | 科沃斯机器人有限公司 | 自移动表面行走机器人及其图像处理方法 |
CN107633253A (zh) * | 2017-10-23 | 2018-01-26 | 江苏鸿信系统集成有限公司 | 基于含噪图像中矩形包围框的精确提取和定位方法 |
CN107816951A (zh) * | 2017-10-24 | 2018-03-20 | 大连理工大学 | 蜂窝芯面形测量数据毛刺去除方法 |
CN111127500A (zh) * | 2019-12-20 | 2020-05-08 | 深圳市银星智能科技股份有限公司 | 一种空间分区方法、装置及移动机器人 |
CN113160220A (zh) * | 2021-05-13 | 2021-07-23 | 聚时科技(上海)有限公司 | 一种基于深度学习的检测门把手归位和弯曲的方法 |
CN114066917A (zh) * | 2021-11-11 | 2022-02-18 | 深圳市云鼠科技开发有限公司 | 一种清扫方法、装置、电子设备和存储介质 |
CN114549525A (zh) * | 2022-04-25 | 2022-05-27 | 海门裕隆光电科技有限公司 | 一种基于改进canny算法的工业图像检测方法 |
CN114565823A (zh) * | 2022-02-28 | 2022-05-31 | 珠海格力电器股份有限公司 | 室内功能区域划分图的构建方法 |
CN114693946A (zh) * | 2020-12-29 | 2022-07-01 | 顺丰科技有限公司 | 图像异常检测方法、装置、计算机设备及存储介质 |
-
2022
- 2022-08-31 CN CN202211055159.4A patent/CN115407777A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005216219A (ja) * | 2004-02-02 | 2005-08-11 | Mori Net Kk | アダプティブ・スムージング・フィルタリング装置及びフィルタリング方法 |
CN101576958A (zh) * | 2009-06-15 | 2009-11-11 | 西安交通大学 | 一种基于形状特征的带边框矩形印章图形提取方法 |
JP2011180660A (ja) * | 2010-02-26 | 2011-09-15 | Advanced Telecommunication Research Institute International | 領域分割装置、領域分割プログラムおよび領域分割方法ならびにコミュニケーションロボット |
WO2016034104A1 (zh) * | 2014-09-05 | 2016-03-10 | 科沃斯机器人有限公司 | 自移动表面行走机器人及其图像处理方法 |
CN107633253A (zh) * | 2017-10-23 | 2018-01-26 | 江苏鸿信系统集成有限公司 | 基于含噪图像中矩形包围框的精确提取和定位方法 |
CN107816951A (zh) * | 2017-10-24 | 2018-03-20 | 大连理工大学 | 蜂窝芯面形测量数据毛刺去除方法 |
CN111127500A (zh) * | 2019-12-20 | 2020-05-08 | 深圳市银星智能科技股份有限公司 | 一种空间分区方法、装置及移动机器人 |
CN114693946A (zh) * | 2020-12-29 | 2022-07-01 | 顺丰科技有限公司 | 图像异常检测方法、装置、计算机设备及存储介质 |
CN113160220A (zh) * | 2021-05-13 | 2021-07-23 | 聚时科技(上海)有限公司 | 一种基于深度学习的检测门把手归位和弯曲的方法 |
CN114066917A (zh) * | 2021-11-11 | 2022-02-18 | 深圳市云鼠科技开发有限公司 | 一种清扫方法、装置、电子设备和存储介质 |
CN114565823A (zh) * | 2022-02-28 | 2022-05-31 | 珠海格力电器股份有限公司 | 室内功能区域划分图的构建方法 |
CN114549525A (zh) * | 2022-04-25 | 2022-05-27 | 海门裕隆光电科技有限公司 | 一种基于改进canny算法的工业图像检测方法 |
Non-Patent Citations (1)
Title |
---|
刘文栖: "室内扫地机器人控制管理系统设计与实现", 中国优秀硕士学位论文全文数据库信息科技辑, no. 2022, 15 January 2022 (2022-01-15), pages 140 - 1103 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11709058B2 (en) | Path planning method and device and mobile device | |
CN105260713B (zh) | 一种车道线检测方法和装置 | |
Riveiro et al. | Automatic detection of zebra crossings from mobile LiDAR data | |
KR101638368B1 (ko) | 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법 | |
US20180292328A1 (en) | Information processing device and information processing method | |
Hinz et al. | Automatic extraction of urban road networks from multi-view aerial imagery | |
Boyko et al. | Extracting roads from dense point clouds in large scale urban environment | |
Hermosilla et al. | Assessing contextual descriptive features for plot-based classification of urban areas | |
CN107169464A (zh) | 一种基于激光点云的道路边界检测方法 | |
CN110362557B (zh) | 一种基于机器学习和车牌识别数据的缺失路径修复方法 | |
CN112180931A (zh) | 扫地机的清扫路径规划方法、装置及可读存储介质 | |
CN113807301B (zh) | 一种新增建设用地自动提取方法及自动提取系统 | |
CN114842450A (zh) | 一种可行驶区域检测方法、装置及设备 | |
CN115439750A (zh) | 道路病害检测方法、装置、电子设备及存储介质 | |
CN114547866A (zh) | 基于bim-无人机-机械狗的预制构件智能检测方法 | |
CN115308770A (zh) | 一种基于拟合图形的动态障碍物检测方法 | |
CN115063525A (zh) | 一种城市道路路基及管道的三维成图方法及装置 | |
CN113255580A (zh) | 抛洒物识别、车辆抛洒滴漏识别方法和装置 | |
CN110672632A (zh) | 一种隧道病害识别方法 | |
JP2018097424A (ja) | クラスタリング装置、人工物識別装置、幹検出装置、方法、及びプログラム | |
Lee et al. | Extraction of weather information on road using CCTV video | |
CN115407777A (zh) | 分区优化方法及清洁机器人 | |
CN114022760A (zh) | 铁路隧道障碍物监测预警方法、系统、设备及存储介质 | |
CN105911553A (zh) | 一种道路可行域确定方法及系统 | |
CN112329768A (zh) | 一种基于改进的yolo的加油站卸油停车牌标志的识别方法 |
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 |