CN115457484B - 一种用于半挂车自动卸货的控制方法及装置 - Google Patents

一种用于半挂车自动卸货的控制方法及装置 Download PDF

Info

Publication number
CN115457484B
CN115457484B CN202211401771.2A CN202211401771A CN115457484B CN 115457484 B CN115457484 B CN 115457484B CN 202211401771 A CN202211401771 A CN 202211401771A CN 115457484 B CN115457484 B CN 115457484B
Authority
CN
China
Prior art keywords
pixel point
target pixel
pixel points
category
points
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
CN202211401771.2A
Other languages
English (en)
Other versions
CN115457484A (zh
Inventor
马克涛
马心学
高昌亮
郭卫华
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.)
Liangshan Hua Lu Special Purpose Vehicle Manufacturing Co ltd
Original Assignee
Liangshan Hua Lu Special Purpose Vehicle Manufacturing Co ltd
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 Liangshan Hua Lu Special Purpose Vehicle Manufacturing Co ltd filed Critical Liangshan Hua Lu Special Purpose Vehicle Manufacturing Co ltd
Priority to CN202211401771.2A priority Critical patent/CN115457484B/zh
Publication of CN115457484A publication Critical patent/CN115457484A/zh
Application granted granted Critical
Publication of CN115457484B publication Critical patent/CN115457484B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60P—VEHICLES ADAPTED FOR LOAD TRANSPORTATION OR TO TRANSPORT, TO CARRY, OR TO COMPRISE SPECIAL LOADS OR OBJECTS
    • B60P1/00—Vehicles predominantly for transporting loads and modified to facilitate loading, consolidating the load, or unloading
    • B60P1/04—Vehicles predominantly for transporting loads and modified to facilitate loading, consolidating the load, or unloading with a tipping movement of load-transporting element
    • B60P1/16—Vehicles predominantly for transporting loads and modified to facilitate loading, consolidating the load, or unloading with a tipping movement of load-transporting element actuated by fluid-operated mechanisms
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D53/00—Tractor-trailer combinations; Road trains
    • B62D53/04—Tractor-trailer combinations; Road trains comprising a vehicle carrying an essential part of the other vehicle's load by having supporting means for the front or rear part of the other vehicle
    • B62D53/06—Semi-trailers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mechanical Engineering (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Transportation (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理领域，具体涉及一种用于半挂车自动卸货的控制方法及装置，包括：根据相似度将目标像素点的预设邻域划分为第一类别和候选类别，根据候选类别聚类获得的两个类簇计算候选类别的差异程度；重复多次对差异程度大于差异阈值的候选类别进行类别划分，直至目标像素点的候选类别的差异程度小于差异阈值；根据区域平整度获得待选卸货位置；根据待选卸货位置的区域平整度和干扰度计算待选卸货位置的优选值，将最大的优选值对应的待选卸货位置作为最优卸货位置。本发明通过对场地图像进行图像处理，获得最优卸货位置，保证路面平整且半挂车在最优卸货位置进行卸货时受到的干扰最小，提高了卸货效率的同时降低了事故发生的风险。

Description

一种用于半挂车自动卸货的控制方法及装置
技术领域
本发明涉及图像处理领域，具体涉及一种用于半挂车自动卸货的控制方法及装置。
背景技术
半挂车是一种工程车辆，其原理是通过发动机带动液压机构，驱使举升机构完成倾斜达到卸货目的，卸货后完成后复位，大大节省卸料时间和劳动力，缩短运输周期，提高生产效率，在矿山开采、水利建造、筑路等领域的应用较为广泛。
半挂车运输货物到目的地，需要进行自动卸货，现有半挂车在进行卸货时，对卸货场地的要求很高，不仅要求卸货场地平整，还要求卸货场地中干扰因素较少，而实际的目的地的卸货场地的路况和场景较为复杂，存在着一定的干扰物，会对卸货造成影响，如果卸货场地选择不够平整或受到的干扰较大，则半挂车在进行卸货时很容易因货箱升起后出现重心偏移，导致翻车现象，且容易出现卸货时埋轮胎、货物卸不干净等现象。因此，卸货场地的选择极大了影响了卸货效率与卸货安全程度。
发明内容
为了解决上述问题，本发明提供一种用于半挂车自动卸货的控制方法及装置，所述方法包括：
采集场地图像，获得半挂车的参数信息；
将场地图像中的任意一个像素点作为目标像素点，获得目标像素点的第一类别和候选类别，包括：计算目标像素点的预设邻域内的所有像素点与目标像素点的相似度，将相似度大于相似度阈值的所有像素点组成的类别记为目标像素点的第一类别，将相似度不大于相似度阈值的所有像素点组成的类别记为目标像素点的候选类别；
根据目标像素点的候选类别的差异程度获得目标像素点的第二类别，包括：对目标像素点的候选类别进行聚类获得两个类簇，根据两个类簇计算目标像素点的候选类别的差异程度；如果差异程度大于差异阈值，将候选类别中频率最大的灰度值对应所有像素点中的任意一个像素点作为新的目标像素点，计算候选类别中所有像素点与新的目标像素点的相似度，将与新的目标像素点的相似度大于相似度阈值的所有像素点组成的类别记为目标像素点的第二类别，将剩余的所有像素点记为目标像素点的新的候选类别；
重复根据目标像素点的候选类别的差异程度获得目标像素点的所有类别，直至目标像素点的候选类别的差异程度小于差异阈值；
分别计算目标像素点对应的左区域和右区域的区域平整度，根据区域平整度获得待选卸货位置；
计算待选卸货位置的干扰度，根据待选卸货位置的区域平整度和干扰度计算待选卸货位置的优选值，将最大的优选值对应的待选卸货位置作为最优卸货位置。
进一步地，所述计算目标像素点的预设邻域内的所有像素点与目标像素点的相似度的步骤包括：
将场地图像中的任意一个像素点作为目标像素点
Figure 889072DEST_PATH_IMAGE001
，将以目标像素点
Figure 453783DEST_PATH_IMAGE001
为中心像素点的大小为
Figure 474829DEST_PATH_IMAGE002
邻域记为目标像素点
Figure 474009DEST_PATH_IMAGE001
的预设邻域，其中，
Figure 801435DEST_PATH_IMAGE003
表示半挂车的长度，
Figure 10700DEST_PATH_IMAGE004
表示半挂车的宽度，将预设邻域内第
Figure 179644DEST_PATH_IMAGE005
个像素点记为像素点
Figure 407232DEST_PATH_IMAGE005
；
获取目标像素点
Figure 659222DEST_PATH_IMAGE001
的邻域内灰度差异最大的像素点与目标像素点
Figure 106515DEST_PATH_IMAGE001
组成的直线的角度，获取像素点
Figure 580615DEST_PATH_IMAGE005
的邻域内灰度差异最大的像素点与像素点
Figure 147862DEST_PATH_IMAGE006
组成的直线的角度
Figure 180540DEST_PATH_IMAGE007
，获取目标像素点
Figure 348085DEST_PATH_IMAGE001
的邻域内灰度差异最小的像素点与目标像素点
Figure 858832DEST_PATH_IMAGE001
组成的直线的角度
Figure 811745DEST_PATH_IMAGE008
，获取像素点
Figure 675312DEST_PATH_IMAGE005
的邻域内灰度差异最小的像素点与像素点
Figure 425094DEST_PATH_IMAGE006
组成的直线的角度
Figure 660903DEST_PATH_IMAGE009
，根据
Figure 576644DEST_PATH_IMAGE010
与
Figure 92070DEST_PATH_IMAGE007
的差异以及
Figure 984940DEST_PATH_IMAGE008
与
Figure 479900DEST_PATH_IMAGE009
的差异获得第一特征；
获取目标像素点
Figure 282771DEST_PATH_IMAGE001
的邻域内所有像素点的灰度值的方差
Figure 218366DEST_PATH_IMAGE011
，获取像素点
Figure 582220DEST_PATH_IMAGE006
的邻域内所有像素点的灰度值的方差
Figure 504039DEST_PATH_IMAGE012
，根据
Figure 286050DEST_PATH_IMAGE011
与
Figure 638885DEST_PATH_IMAGE012
的差异以及
Figure 506347DEST_PATH_IMAGE011
与
Figure 231857DEST_PATH_IMAGE012
的最大值获得第二特征；
获取像素点
Figure 117642DEST_PATH_IMAGE005
与目标像素点
Figure 395040DEST_PATH_IMAGE001
的欧式距离
Figure 234951DEST_PATH_IMAGE013
，目标像素点
Figure 38DEST_PATH_IMAGE001
的预设邻域内的所有像素点与目标像素点
Figure 491062DEST_PATH_IMAGE001
的欧式距离的最大值
Figure 690094DEST_PATH_IMAGE014
，根据
Figure 640470DEST_PATH_IMAGE013
与
Figure 832417DEST_PATH_IMAGE014
的比值以及目标像素点
Figure 928680DEST_PATH_IMAGE001
和像素点
Figure 918852DEST_PATH_IMAGE005
的灰度值的差异获得第三特征；
根据第一特征、第二特征以及第三特征计算像素点
Figure 248202DEST_PATH_IMAGE005
与目标像素点
Figure 728993DEST_PATH_IMAGE001
的相似度。
进一步地，所述根据两个类簇计算目标像素点的候选类别的差异程度的步骤包括：
对目标像素点
Figure 302931DEST_PATH_IMAGE001
的候选类别中的所有像素点使用K-means聚类算法进行聚类，类簇数量为2，将获得的两个类簇分别记为目标像素点
Figure 93033DEST_PATH_IMAGE001
的类簇
Figure 129253DEST_PATH_IMAGE015
和类簇
Figure 39834DEST_PATH_IMAGE016
；
获取目标像素点
Figure 94377DEST_PATH_IMAGE001
的类簇
Figure 930746DEST_PATH_IMAGE015
中所有像素点的灰度值的均值
Figure 218377DEST_PATH_IMAGE017
，获取目标像素点
Figure 555818DEST_PATH_IMAGE001
的类簇
Figure 481179DEST_PATH_IMAGE016
中所有像素点的灰度值的均值
Figure 249634DEST_PATH_IMAGE018
，获取目标像素点
Figure 244135DEST_PATH_IMAGE001
的第一类别中所有像素点的灰度值的均值
Figure 135999DEST_PATH_IMAGE019
，根据
Figure 804615DEST_PATH_IMAGE017
、
Figure 373000DEST_PATH_IMAGE018
以及
Figure 136688DEST_PATH_IMAGE019
获得第四特征；
获取目标像素点
Figure 815931DEST_PATH_IMAGE001
的类簇
Figure 217350DEST_PATH_IMAGE015
中所有像素点的灰度值的熵值
Figure 566423DEST_PATH_IMAGE020
，获取目标像素点
Figure 535516DEST_PATH_IMAGE001
的类簇
Figure 267717DEST_PATH_IMAGE016
中所有像素点的灰度值的熵值
Figure 537024DEST_PATH_IMAGE021
，根据
Figure 56999DEST_PATH_IMAGE020
与
Figure 48742DEST_PATH_IMAGE021
的差异以及第四特征计算目标像素点
Figure 69788DEST_PATH_IMAGE001
的类簇
Figure 209913DEST_PATH_IMAGE015
和类簇
Figure 664903DEST_PATH_IMAGE016
的差异程度。
进一步地，所述分别计算目标像素点对应的左区域和右区域的区域平整度的步骤包括：
将目标像素点
Figure 343009DEST_PATH_IMAGE022
所在行上位于目标像素点
Figure 918478DEST_PATH_IMAGE022
左侧且与目标像素点
Figure 273630DEST_PATH_IMAGE022
的距离等于间距L的像素点记为像素点
Figure 260040DEST_PATH_IMAGE023
，将目标像素点
Figure 707333DEST_PATH_IMAGE022
所在行上位于目标像素点
Figure 178504DEST_PATH_IMAGE022
右侧且与目标像素点
Figure 11330DEST_PATH_IMAGE022
的距离等于间距L的像素点记为像素点
Figure 184954DEST_PATH_IMAGE024
，根据平整度计算公式获得目标像素点
Figure 474203DEST_PATH_IMAGE022
、像素点
Figure 640742DEST_PATH_IMAGE023
和像素点
Figure 344387DEST_PATH_IMAGE024
的平整度，将目标像素点
Figure 938179DEST_PATH_IMAGE022
与像素点
Figure 717654DEST_PATH_IMAGE023
组成的区域记为目标像素点的左区域，将像素点
Figure 173038DEST_PATH_IMAGE022
与像素点
Figure 980457DEST_PATH_IMAGE023
的平整度的均值记为目标像素点的左区域的区域平整度，将目标像素点
Figure 262927DEST_PATH_IMAGE022
与像素点
Figure 765583DEST_PATH_IMAGE024
组成的区域记为目标像素点的右区域，将像素点
Figure 273925DEST_PATH_IMAGE022
与像素点
Figure 185118DEST_PATH_IMAGE024
的平整度的均值记为目标像素点的右区域的区域平整度。
进一步地，所述平整度计算公式为：
目标像素点
Figure 996079DEST_PATH_IMAGE022
的平整度的计算方法为：对于组成目标像素点
Figure 110666DEST_PATH_IMAGE022
的预设邻域的任意一条线段，对于线段中的第
Figure 669036DEST_PATH_IMAGE025
个像素点，判断第
Figure 451048DEST_PATH_IMAGE025
个像素点与第
Figure 432910DEST_PATH_IMAGE026
个像素点是否属于同一个类别，如果不属于同一个类别，则将第
Figure 284060DEST_PATH_IMAGE025
个像素点记为变化像素点，将线段中所有变化像素点的数量记为线段的类别变化值；根据目标像素点
Figure 134205DEST_PATH_IMAGE022
的预设邻域内的线段的类别变化值获得目标像素点
Figure 521455DEST_PATH_IMAGE022
的平整度，具体计算公式为：
Figure 175683DEST_PATH_IMAGE027
式中，
Figure 530441DEST_PATH_IMAGE028
表示目标像素点
Figure 669430DEST_PATH_IMAGE022
的平整度，
Figure 426033DEST_PATH_IMAGE029
表示目标像素点
Figure 248233DEST_PATH_IMAGE022
的预设邻域内线段的数量，
Figure 309861DEST_PATH_IMAGE030
表示目标像素点
Figure 501808DEST_PATH_IMAGE022
的预设邻域内第
Figure 624835DEST_PATH_IMAGE031
条线段的类别变化值。
进一步地，所述计算待选卸货位置的干扰度的步骤包括：
对于任意一个待选卸货位置，获取该待选卸货位置在所有帧的场地图像中对应的所有区域，分别记为第1区域到第
Figure 119402DEST_PATH_IMAGE032
区域；对于第
Figure 183173DEST_PATH_IMAGE033
区域中的任意一个像素点，如果该像素点的所属类别与该像素点在第
Figure 428078DEST_PATH_IMAGE034
区域中对应像素点的所属类别不同，则该像素点为运动像素点；对第
Figure 893695DEST_PATH_IMAGE033
区域中的所有运动像素点进行连通域分析，将一个连通域记为一个运动物体，获得第
Figure 700108DEST_PATH_IMAGE033
区域中运动物体的数量；将待选卸货位置对应的所有区域的运动物体的数量的平均值作为待选卸货位置的干扰度。
进一步地，所述第一特征、第二特征以及第三特征的计算方法如下：
第一特征的计算公式为：
Figure 628006DEST_PATH_IMAGE035
式中，
Figure 427335DEST_PATH_IMAGE036
表示第一特征，
Figure 498190DEST_PATH_IMAGE010
表示目标像素点
Figure 459193DEST_PATH_IMAGE001
的
Figure 12403DEST_PATH_IMAGE037
邻域内灰度差异最大的像素点与目标像素点
Figure 225209DEST_PATH_IMAGE001
组成的直线的角度，
Figure 665418DEST_PATH_IMAGE007
表示像素点
Figure 879597DEST_PATH_IMAGE005
的
Figure 139677DEST_PATH_IMAGE037
邻域内灰度差异最大的像素点与像素点
Figure 156175DEST_PATH_IMAGE006
组成的直线的角度，
Figure 168999DEST_PATH_IMAGE008
表示目标像素点
Figure 737384DEST_PATH_IMAGE001
的
Figure 501072DEST_PATH_IMAGE037
邻域内灰度差异最小的像素点与目标像素点
Figure 291566DEST_PATH_IMAGE001
组成的直线的角度，
Figure 440788DEST_PATH_IMAGE009
表示像素点
Figure 789861DEST_PATH_IMAGE005
的
Figure 273801DEST_PATH_IMAGE037
邻域内灰度差异最小的像素点与像素点
Figure 756735DEST_PATH_IMAGE006
组成的直线的角度，灰度差异是指两个像素点的灰度值的差值的绝对值；
第二特征的计算公式为：
Figure 511195DEST_PATH_IMAGE038
式中，
Figure 261196DEST_PATH_IMAGE039
表示第二特征，
Figure 592951DEST_PATH_IMAGE011
表示目标像素点
Figure 348417DEST_PATH_IMAGE001
的
Figure 987078DEST_PATH_IMAGE037
邻域内所有像素点的灰度值的方差，
Figure 412374DEST_PATH_IMAGE012
表示像素点
Figure 621639DEST_PATH_IMAGE006
的
Figure 432993DEST_PATH_IMAGE037
邻域内所有像素点的灰度值的方差，
Figure 286680DEST_PATH_IMAGE040
表示取最大值；
第三特征的计算公式为：
Figure 538669DEST_PATH_IMAGE041
式中，
Figure 953339DEST_PATH_IMAGE042
表示第三特征，
Figure 660395DEST_PATH_IMAGE043
表示以自然常数为底的指数函数，
Figure 864194DEST_PATH_IMAGE044
表示像素点
Figure 21505DEST_PATH_IMAGE045
与目标像素点
Figure 690515DEST_PATH_IMAGE022
的欧式距离，
Figure 230956DEST_PATH_IMAGE046
表示目标像素点
Figure 918289DEST_PATH_IMAGE022
的预设邻域内的所有像素点与目标像素点
Figure 262814DEST_PATH_IMAGE022
的欧式距离的最大值，
Figure 45219DEST_PATH_IMAGE047
表示目标像素点
Figure 15449DEST_PATH_IMAGE022
的灰度
进一步地，所述第四特征的计算方法如下：
第四特征的计算公式为：
Figure 573600DEST_PATH_IMAGE048
式中，
Figure 338294DEST_PATH_IMAGE049
表示第四特征，
Figure 480431DEST_PATH_IMAGE050
表示以自然常数为底的指数函数，
Figure 864139DEST_PATH_IMAGE017
表示目标像素点
Figure 526064DEST_PATH_IMAGE001
的类簇
Figure 707997DEST_PATH_IMAGE015
中所有像素点的灰度值的均值，
Figure 88163DEST_PATH_IMAGE018
表示目标像素点
Figure 416507DEST_PATH_IMAGE001
的类簇
Figure 306841DEST_PATH_IMAGE016
中所有像素点的灰度值的均值，
Figure 413337DEST_PATH_IMAGE051
表示目标像素点
Figure 31531DEST_PATH_IMAGE001
的第一类别中所有像素点的灰度值的均值。
本发明实施例提出一种用于半挂车自动卸货的控制装置，包括：图像采集装置、图像处理装置和驱动装置；图像采集装置用于采集卸货场地的场地图像；图像处理装置中的处理程序实现本发明实施例中方法的步骤，获得最优卸货位置；驱动装置根据最优卸货位置驱动半挂车到指定位置。
本发明上述方法至少具有如下有益效果：
本发明根据目标像素点的预设邻域内的所有像素点与目标像素点的相似度和目标像素点的候选类别的差异程度，对目标像素点的预设邻域进行多次类别划分，根据类别划分结果获取待选卸货位置的平整度，再进一步分析连续多帧场地图像获取场地中动态物体对各待选位置的干扰度，进而根据平整度与干扰度获取最优卸货位置，最优卸货位置保证了卸货位置的路面平整，同时使卸货过程中受到的外界干扰可能性最小，提高了卸货效率的同时降低了事故发生的风险。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅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它附图。
图1为本发明一个实施例提供的一种用于半挂车自动卸货的控制方法及装置的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于半挂车自动卸货的控制方法及装置，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于半挂车自动卸货的控制方法及装置的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于半挂车自动卸货的控制方法及装置的步骤流程图，该方法包括以下步骤：
S001，采集场地图像，获得半挂车的参数信息。
本发明通过相机拍摄卸货场地图像，获得预设时间内连续多帧的卸货场地图像，通过加权灰度化的方法对采集的所有卸货场地图像灰度化处理，将处理后的图像记为场地图像。
结合参数信息表根据半挂车的型号，获取半挂车的轮胎宽度、车辆两侧轮胎间距和车辆长度，并获得场地图像的大小与半挂车的实际大小的比值
Figure 881675DEST_PATH_IMAGE052
，将半挂车的轮胎宽度、车辆两侧轮胎间距和车辆长度与比值
Figure 895024DEST_PATH_IMAGE052
的乘积分别记为半挂车的宽度
Figure 923154DEST_PATH_IMAGE004
、间距
Figure 12333DEST_PATH_IMAGE053
和长度
Figure 774490DEST_PATH_IMAGE054
，且半挂车的宽度
Figure 16247DEST_PATH_IMAGE004
、间距
Figure 730125DEST_PATH_IMAGE053
和长度
Figure 576375DEST_PATH_IMAGE054
表示半挂车的轮胎宽度、车辆两侧轮胎间距和车辆长度在场地图像中对应的像素点的数量。
S002，计算目标像素点的预设邻域内的所有像素点与目标像素点的相似度，根据相似度获得目标像素点的第一类别和候选类别；计算目标像素点的候选类别的差异程度，重复多次，获得目标像素点的所有类别。
需要说明的是，在半挂车进行卸货时，卸货场地要平整。如果卸货场地选择不够优秀，则半挂车在进行卸货时很容易因货箱升起后出现重心偏移，导致翻车现象。因此，本发明首先对场地图像进行分析，获取路面平整度，并根据路面平整度，获取半挂车的初始卸货位置；而由于卸货过程中往往存在着一定干扰物，比如运动的行人，因此，需要对初始卸货位置进行进一步分析，根据初始卸货位置的干扰度，获取最优卸货位置，并在最优卸货位置卸货时，对半挂车的倾斜角度进行控制。
1、计算目标像素点的预设邻域内的所有像素点与目标像素点的相似度，根据相似度获得目标像素点的第一类别和候选类别。
对最后一帧场地图像进行分析，获得所有待选卸货位置，在进行分析时，需要设定半挂车停放在场地中时，是沿着场地的竖直方向上进行停放，且车身整体不出现偏移，即车身呈竖直直线状。
将场地图像中的任意一个像素点作为目标像素点
Figure 643688DEST_PATH_IMAGE001
，将以目标像素点
Figure 520378DEST_PATH_IMAGE001
为中心像素点的大小为
Figure 388845DEST_PATH_IMAGE002
邻域记为目标像素点
Figure 452616DEST_PATH_IMAGE001
的预设邻域，将预设邻域内第
Figure 198987DEST_PATH_IMAGE005
个像素点记为像素点
Figure 41434DEST_PATH_IMAGE005
，计算像素点
Figure 831535DEST_PATH_IMAGE005
与目标像素点
Figure 398914DEST_PATH_IMAGE001
的相似度，具体计算公式为：
Figure 932664DEST_PATH_IMAGE055
式中，
Figure 361109DEST_PATH_IMAGE056
表示目标像素点
Figure 338423DEST_PATH_IMAGE001
与其预设邻域内第
Figure 376786DEST_PATH_IMAGE005
个像素点的相似度，
Figure 694985DEST_PATH_IMAGE036
表示第一特征，
Figure 10560DEST_PATH_IMAGE039
表示第二特征，
Figure 876885DEST_PATH_IMAGE057
表示第三特征。
其中，第一特征的计算公式为：
Figure 651812DEST_PATH_IMAGE058
式中，
Figure 137151DEST_PATH_IMAGE036
表示第一特征，
Figure 166287DEST_PATH_IMAGE010
表示目标像素点
Figure 111503DEST_PATH_IMAGE001
的
Figure 609611DEST_PATH_IMAGE037
邻域内灰度差异最大的像素点与目标像素点
Figure 23275DEST_PATH_IMAGE001
组成的直线的角度，
Figure 687343DEST_PATH_IMAGE007
表示像素点
Figure 301995DEST_PATH_IMAGE005
的
Figure 536668DEST_PATH_IMAGE037
邻域内灰度差异最大的像素点与像素点
Figure 734781DEST_PATH_IMAGE006
组成的直线的角度，
Figure 879455DEST_PATH_IMAGE008
表示目标像素点
Figure 55221DEST_PATH_IMAGE001
的
Figure 26457DEST_PATH_IMAGE037
邻域内灰度差异最小的像素点与目标像素点
Figure 47503DEST_PATH_IMAGE001
组成的直线的角度，
Figure 656470DEST_PATH_IMAGE009
表示像素点
Figure 848810DEST_PATH_IMAGE005
的
Figure 58074DEST_PATH_IMAGE037
邻域内灰度差异最小的像素点与像素点
Figure 633543DEST_PATH_IMAGE006
组成的直线的角度，灰度差异是指两个像素点的灰度值的差值的绝对值；
第二特征的计算公式为：
Figure 877443DEST_PATH_IMAGE059
式中，
Figure 237755DEST_PATH_IMAGE039
表示第二特征，
Figure 419468DEST_PATH_IMAGE011
表示目标像素点
Figure 47896DEST_PATH_IMAGE001
的
Figure 392640DEST_PATH_IMAGE037
邻域内所有像素点的灰度值的方差，
Figure 815531DEST_PATH_IMAGE012
表示像素点
Figure 874754DEST_PATH_IMAGE006
的
Figure 290560DEST_PATH_IMAGE037
邻域内所有像素点的灰度值的方差，
Figure 712315DEST_PATH_IMAGE040
表示取最大值；
第三特征的计算公式为：
Figure 322419DEST_PATH_IMAGE060
式中，
Figure 839244DEST_PATH_IMAGE042
表示第三特征，
Figure 809474DEST_PATH_IMAGE043
表示以自然常数为底的指数函数，
Figure 367625DEST_PATH_IMAGE044
表示像素点
Figure 506220DEST_PATH_IMAGE045
与目标像素点
Figure 133511DEST_PATH_IMAGE022
的欧式距离，
Figure 392585DEST_PATH_IMAGE046
表示目标像素点
Figure 448920DEST_PATH_IMAGE022
的预设邻域内的所有像素点与目标像素点
Figure 384515DEST_PATH_IMAGE022
的欧式距离的最大值，
Figure 780992DEST_PATH_IMAGE047
表示目标像素点
Figure 561866DEST_PATH_IMAGE022
的灰度值，
Figure 717779DEST_PATH_IMAGE061
表示像素点
Figure 575008DEST_PATH_IMAGE045
的灰度值，
Figure 442469DEST_PATH_IMAGE062
表示取绝对值。
相似度
Figure 403866DEST_PATH_IMAGE056
不仅表征了目标像素点
Figure 791116DEST_PATH_IMAGE063
与像素点
Figure 68513DEST_PATH_IMAGE005
的灰度信息相似度，同时也反映出了目标像素点
Figure 406960DEST_PATH_IMAGE063
与像素点
Figure 670582DEST_PATH_IMAGE005
的邻域信息及特征信息的相似度，因此，相似度
Figure 161606DEST_PATH_IMAGE056
越大，则说明目标像素点
Figure 856243DEST_PATH_IMAGE063
与像素点
Figure 308084DEST_PATH_IMAGE005
越属于同一类像素点，在场地图像中的同一类像素点表征平整路面，平整度，同类则说明越平整。
将目标像素点
Figure 500031DEST_PATH_IMAGE063
的预设邻域内，与目标像素点
Figure 94829DEST_PATH_IMAGE001
的相似度大于相似度阈值的所有像素点组成的类别记为目标像素点
Figure 854975DEST_PATH_IMAGE001
的第一类别，且第一类别中像素点的数量为
Figure 653166DEST_PATH_IMAGE064
；将目标像素点
Figure 760056DEST_PATH_IMAGE063
的预设邻域内，与目标像素点
Figure 710826DEST_PATH_IMAGE001
的相似度不大于相似度阈值的所有像素点组成的类别记为目标像素点
Figure 766506DEST_PATH_IMAGE001
的候选类别，且候选类别中像素点的数量为
Figure 566841DEST_PATH_IMAGE065
。
在本实施例中，相似度阈值为0.9，在其他实施例中，实施人员可根据需要设置相似度阈值。
2、计算目标像素点的候选类别的差异程度。
根据上述步骤，对目标像素点
Figure 710377DEST_PATH_IMAGE001
的候选类别中的所有像素点进行进一步分析，判断是否需要进行进一步分类，具体过程如下：对目标像素点
Figure 30500DEST_PATH_IMAGE001
的候选类别中的所有像素点使用K-means聚类算法进行聚类，类簇数量为2，将获得的两个类簇分别记为目标像素点
Figure 503420DEST_PATH_IMAGE001
的类簇
Figure 151570DEST_PATH_IMAGE015
和类簇
Figure 489011DEST_PATH_IMAGE016
，计算目标像素点
Figure 178487DEST_PATH_IMAGE001
的类簇
Figure 575970DEST_PATH_IMAGE015
和类簇
Figure 852362DEST_PATH_IMAGE016
的差异程度，具体计算公式为：
Figure 839166DEST_PATH_IMAGE066
式中，
Figure 133881DEST_PATH_IMAGE067
表示目标像素点
Figure 46473DEST_PATH_IMAGE001
的类簇
Figure 308696DEST_PATH_IMAGE015
和类簇
Figure 987939DEST_PATH_IMAGE016
的差异程度，
Figure 887893DEST_PATH_IMAGE049
表示第四特征，
Figure 998151DEST_PATH_IMAGE020
表示目标像素点
Figure 967244DEST_PATH_IMAGE001
的类簇
Figure 200910DEST_PATH_IMAGE015
中所有像素点的灰度值的熵值，
Figure 470218DEST_PATH_IMAGE021
表示目标像素点
Figure 629672DEST_PATH_IMAGE001
的类簇
Figure 617220DEST_PATH_IMAGE016
中所有像素点的灰度值的熵值，
Figure 513632DEST_PATH_IMAGE062
表示取绝对值。
其中，第四特征的计算公式为：
Figure 624064DEST_PATH_IMAGE068
式中，
Figure 705152DEST_PATH_IMAGE049
表示第四特征，
Figure 930728DEST_PATH_IMAGE050
表示以自然常数为底的指数函数，
Figure 863787DEST_PATH_IMAGE017
表示目标像素点
Figure 107686DEST_PATH_IMAGE001
的类簇
Figure 844829DEST_PATH_IMAGE015
中所有像素点的灰度值的均值，
Figure 806969DEST_PATH_IMAGE018
表示目标像素点
Figure 439593DEST_PATH_IMAGE001
的类簇
Figure 537999DEST_PATH_IMAGE016
中所有像素点的灰度值的均值，
Figure 836256DEST_PATH_IMAGE051
表示目标像素点
Figure 269380DEST_PATH_IMAGE001
的第一类别中所有像素点的灰度值的均值。
目标像素点
Figure 170340DEST_PATH_IMAGE001
的差异程度
Figure 139564DEST_PATH_IMAGE067
越大，说明目标像素点
Figure 733357DEST_PATH_IMAGE001
对应的区域中越可能存在属于别的类别像素点，则该区域越可能不平整，越需要进行进一步分类，以此获取像素点所属的准确类别；目标像素点
Figure 515761DEST_PATH_IMAGE001
的差异程度
Figure 236724DEST_PATH_IMAGE067
越小，则说明目标像素点
Figure 44143DEST_PATH_IMAGE001
对应的区域均为同类像素点，则该区域越平整。
3、根据目标像素点的候选类别的差异程度获得目标像素点的第二类别。
对目标像素点
Figure 58104DEST_PATH_IMAGE001
的类簇
Figure 560761DEST_PATH_IMAGE015
和类簇
Figure 112178DEST_PATH_IMAGE016
的差异程度
Figure 39683DEST_PATH_IMAGE067
进行归一化处理，如果差异程度
Figure 585065DEST_PATH_IMAGE067
大于差异阈值，则说明需要对目标像素点
Figure 214498DEST_PATH_IMAGE001
的候选类别中的所有像素点进行进一步分类，具体步骤为：对目标像素点
Figure 260952DEST_PATH_IMAGE001
的候选类别中的所有像素点进行统计，获得所有灰度值的频率，将频率最大的灰度值对应所有像素点这个的任意一个像素点作为新的目标像素点
Figure 918329DEST_PATH_IMAGE069
，计算所有像素点与新的目标像素点
Figure 277022DEST_PATH_IMAGE069
的相似度，将所有大于相似度阈值的像素点组成的类别记为目标像素点
Figure 144484DEST_PATH_IMAGE001
的第二类别，并将目标像素点
Figure 745361DEST_PATH_IMAGE001
的预设邻域内不属于第一类别和第二类别的所有像素点记为目标像素点的新的候选类别。
在本实施例中，差异阈值为0.85，在其他实施例中，实施人员可根据需要设置差异阈值。
4、重复上述步骤2和步骤3，根据目标像素点的候选类别的差异程度获得目标像素点的所有类别，直至目标像素点的候选类别的差异程度小于差异阈值；将目标像素点
Figure 755780DEST_PATH_IMAGE001
的候选类别记为目标像素点
Figure 298757DEST_PATH_IMAGE001
的第
Figure 138668DEST_PATH_IMAGE070
类别，其中，
Figure 792503DEST_PATH_IMAGE071
表示目标像素点的所有类别数量。
S003，分别计算目标像素点对应的左区域和右区域的区域平整度，根据区域平整度获得待选卸货位置。
1、计算目标像素点的平整度。
目标像素点
Figure 529865DEST_PATH_IMAGE022
的预设邻域是由
Figure 243744DEST_PATH_IMAGE072
条水平线段和
Figure 961164DEST_PATH_IMAGE073
条竖直线段组成，对任意一条线段进行分析，对于线段中的第
Figure 402378DEST_PATH_IMAGE025
个像素点，判断第
Figure 482330DEST_PATH_IMAGE025
个像素点与第
Figure 383421DEST_PATH_IMAGE026
个像素点是否属于同一个类别，如果不属于同一个类别，则将第
Figure 712771DEST_PATH_IMAGE025
个像素点记为变化像素点，将线段中所有变化像素点的数量记为线段的类别变化值。
根据目标像素点
Figure 819661DEST_PATH_IMAGE022
的预设邻域内的线段的类别变化值获得目标像素点
Figure 36009DEST_PATH_IMAGE022
的平整度，具体计算公式为：
Figure 91690DEST_PATH_IMAGE074
式中，
Figure 626446DEST_PATH_IMAGE028
表示目标像素点
Figure 301141DEST_PATH_IMAGE022
的平整度，
Figure 621263DEST_PATH_IMAGE030
表示目标像素点
Figure 828604DEST_PATH_IMAGE022
的预设邻域内第
Figure 866967DEST_PATH_IMAGE031
条线段的类别变化值。
线段的类别变化值
Figure 79774DEST_PATH_IMAGE030
越大，说明线段对应的位置越可能是凹凸不平的，即越不平整，则目标像素点
Figure 503671DEST_PATH_IMAGE022
的平整度越小，目标像素点
Figure 635575DEST_PATH_IMAGE022
的平整度
Figure 911967DEST_PATH_IMAGE028
越小，则说明目标像素点
Figure 164350DEST_PATH_IMAGE022
对应的位置越不适合停车，将该位置作为一侧轮胎的停止区域进行卸货发生危险的可能性越大。
2、根据目标像素点的平整度计算目标像素点对应的左区域和右区域的区域平整度，根据区域平整度获得待选卸货位置。
目标像素点
Figure 459065DEST_PATH_IMAGE022
对应的区域表征的是半挂车的一侧轮胎的停止区域，而半挂车的两侧均具有轮胎，只有两侧的轮胎的停止区域都合适时，半挂车才能保持平稳，因此，半挂车两侧的轮胎均需要确定停止区域；将目标像素点
Figure 512603DEST_PATH_IMAGE022
所在行上位于目标像素点
Figure 633880DEST_PATH_IMAGE022
左侧且与目标像素点
Figure 313123DEST_PATH_IMAGE022
的距离等于间距L的像素点记为像素点
Figure 72132DEST_PATH_IMAGE023
，将目标像素点
Figure 550035DEST_PATH_IMAGE022
所在行上位于目标像素点
Figure 50286DEST_PATH_IMAGE022
右侧且与目标像素点
Figure 283952DEST_PATH_IMAGE022
的距离等于间距L的像素点记为像素点
Figure 661582DEST_PATH_IMAGE024
，根据上述步骤计算像素点
Figure 837348DEST_PATH_IMAGE023
和像素点
Figure 310049DEST_PATH_IMAGE024
的平整度
Figure 331095DEST_PATH_IMAGE075
和
Figure 707106DEST_PATH_IMAGE076
，将目标像素点
Figure 397981DEST_PATH_IMAGE022
与像素点
Figure 341667DEST_PATH_IMAGE023
组成的区域记为目标像素点的左区域
Figure 681250DEST_PATH_IMAGE077
，将像素点
Figure 659570DEST_PATH_IMAGE022
与像素点
Figure 927872DEST_PATH_IMAGE023
的平整度的均值记为目标像素点的左区域
Figure 995404DEST_PATH_IMAGE077
的区域平整度
Figure 623831DEST_PATH_IMAGE078
，将目标像素点
Figure 207390DEST_PATH_IMAGE022
与像素点
Figure 630282DEST_PATH_IMAGE024
组成的区域记为目标像素点的右区域
Figure 63406DEST_PATH_IMAGE079
，将像素点
Figure 229945DEST_PATH_IMAGE022
与像素点
Figure 199169DEST_PATH_IMAGE024
的平整度的均值记为目标像素点的右区域
Figure 58541DEST_PATH_IMAGE079
的区域平整度
Figure 840945DEST_PATH_IMAGE080
。
区域平整度越大，则说明半挂车停放在该区域时越平稳，则将半挂车停放在该区域时的卸货效果越好。获取目标像素点
Figure 296329DEST_PATH_IMAGE022
对应的两个区域中区域平整度较大的区域，如果该区域的区域平整度大于平整阈值，则该区域作为待选卸货位置。
在本实施例中，平整阈值为0.8，在其他实施例中，实施人员可根据需要设置平整阈值。
S004，计算待选卸货位置的干扰度，根据待选卸货位置的区域平整度和干扰度计算待选卸货位置的优选值，将最大的优选值对应的待选卸货位置作为最优卸货位置。
需要说明的是，对于半挂车的多个待选卸货位置，对预设时间内采集的多帧场地图像进行分析，对待选卸货位置对应的区域中的动态干扰物进行识别判断，并根据动态干扰物信息计算待选卸货位置的干扰度，并根据干扰度与平整度计算出待选卸货位置的优选度，从而获取最优半挂车卸货位置。
1、计算待选卸货位置的干扰度。
对于任意一个待选卸货位置，获取该待选卸货位置在所有帧的场地图像中对应的所有区域，分别记为第1区域到第
Figure 103748DEST_PATH_IMAGE032
区域；对于第
Figure 117709DEST_PATH_IMAGE033
区域中的任意一个像素点，如果该像素点的所属类别与该像素点在第
Figure 620365DEST_PATH_IMAGE034
区域中对应像素点的所属类别不同，则该像素点为运动像素点；对第
Figure 128707DEST_PATH_IMAGE033
区域中的所有运动像素点进行连通域分析，将一个连通域记为一个运动物体，获得第
Figure 161604DEST_PATH_IMAGE033
区域中运动物体的数量。
待选卸货位置的干扰度的计算公式为：
Figure 847932DEST_PATH_IMAGE081
式中，
Figure 962518DEST_PATH_IMAGE082
表示待选卸货位置的干扰度，
Figure 523818DEST_PATH_IMAGE083
表示待选卸货位置对应的区域的数量，
Figure 915617DEST_PATH_IMAGE084
表示待选卸货位置对应的第
Figure 756534DEST_PATH_IMAGE085
区域的运动物体的数量。
待选卸货位置的干扰度越大，则说明该待选卸货位置在卸货时受到的干扰越大，半挂车在待选卸货位置进行卸货的效果越差。
2、根据待选卸货位置的区域平整度和干扰度计算待选卸货位置的优选值，将最大的优选值对应的待选卸货位置作为最优卸货位置。
将待选卸货位置的区域平整度和干扰度的比值，记为待选卸货位置的优选值，且待选卸货位置的优选值越大，说明该待选卸货位置处的路面平整度越大且受到的干扰越小，因此，半挂车停在待选卸货位置处进行卸货时，卸货效率越高，安全性越好。
将最大的优选值对应的待选卸货位置作为最优卸货位置。
需要说明的是，由于最优卸货位置是根据平整度与干扰度获取的，因此，最优卸货位置保证了卸货位置的路面平整，同时使卸货过程中受到的外界干扰可能性最小，提高了卸货效率的同时降低了事故发生的风险。
综上所述，本发明根据目标像素点的预设邻域内的所有像素点与目标像素点的相似度和目标像素点的候选类别的差异程度，对目标像素点的预设邻域进行多次类别划分，根据类别划分结果获取待选卸货位置的平整度，再进一步分析连续多帧场地图像获取场地中动态物体对各待选位置的干扰度，进而根据平整度与干扰度获取最优卸货位置，最优卸货位置保证了卸货位置的路面平整，同时使卸货过程中受到的外界干扰可能性最小，提高了卸货效率的同时降低了事故发生的风险。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (2)

1.一种用于半挂车自动卸货的控制方法，其特征在于，所述方法包括：
采集场地图像，获得半挂车的参数信息；
将场地图像中的任意一个像素点作为目标像素点，获得目标像素点的第一类别和候选类别，包括：计算目标像素点的预设邻域内的所有像素点与目标像素点的相似度，将相似度大于相似度阈值的所有像素点组成的类别记为目标像素点的第一类别，将相似度不大于相似度阈值的所有像素点组成的类别记为目标像素点的候选类别；
根据目标像素点的候选类别的差异程度获得目标像素点的第二类别，包括：对目标像素点的候选类别进行聚类获得两个类簇，根据两个类簇计算目标像素点的候选类别的差异程度；如果差异程度大于差异阈值，将候选类别中频率最大的灰度值对应所有像素点中的任意一个像素点作为新的目标像素点，计算候选类别中所有像素点与新的目标像素点的相似度，将与新的目标像素点的相似度大于相似度阈值的所有像素点组成的类别记为目标像素点的第二类别，将剩余的所有像素点记为目标像素点的新的候选类别；
重复根据目标像素点的候选类别的差异程度获得目标像素点的所有类别，直至目标像素点的候选类别的差异程度小于差异阈值；
分别计算目标像素点对应的左区域和右区域的区域平整度，根据区域平整度获得待选卸货位置；
计算待选卸货位置的干扰度，根据待选卸货位置的区域平整度和干扰度计算待选卸货位置的优选值，将最大的优选值对应的待选卸货位置作为最优卸货位置；
所述计算目标像素点的预设邻域内的所有像素点与目标像素点的相似度的步骤包括：
将场地图像中的任意一个像素点作为目标像素点
Figure 78411DEST_PATH_IMAGE001
，将以目标像素点
Figure 589027DEST_PATH_IMAGE001
为中心像素点的大小为
Figure 837606DEST_PATH_IMAGE002
邻域记为目标像素点
Figure 826290DEST_PATH_IMAGE001
的预设邻域，其中，
Figure 109504DEST_PATH_IMAGE003
表示半挂车的长度，
Figure 791021DEST_PATH_IMAGE004
表示半挂车的宽度，将预设邻域内第
Figure 261317DEST_PATH_IMAGE005
个像素点记为像素点
Figure 319272DEST_PATH_IMAGE005
；
获取目标像素点
Figure 456992DEST_PATH_IMAGE001
的邻域内灰度差异最大的像素点与目标像素点
Figure 43831DEST_PATH_IMAGE001
组成的直线的角度
Figure 594898DEST_PATH_IMAGE006
，获取像素点
Figure 66331DEST_PATH_IMAGE005
的邻域内灰度差异最大的像素点与像素点
Figure 197840DEST_PATH_IMAGE007
组成的直线的角度
Figure 96526DEST_PATH_IMAGE008
，获取目标像素点
Figure 134889DEST_PATH_IMAGE001
的邻域内灰度差异最小的像素点与目标像素点
Figure 3488DEST_PATH_IMAGE001
组成的直线的角度
Figure 115800DEST_PATH_IMAGE009
，获取像素点
Figure 310021DEST_PATH_IMAGE005
的邻域内灰度差异最小的像素点与像素点
Figure 507784DEST_PATH_IMAGE007
组成的直线的角度
Figure 383336DEST_PATH_IMAGE010
，根据
Figure 474789DEST_PATH_IMAGE006
与
Figure 715278DEST_PATH_IMAGE008
的差异以及
Figure 524971DEST_PATH_IMAGE009
与
Figure 876318DEST_PATH_IMAGE010
的差异获得第一特征；
获取目标像素点
Figure 822277DEST_PATH_IMAGE001
的邻域内所有像素点的灰度值的方差
Figure 233667DEST_PATH_IMAGE011
，获取像素点
Figure 471268DEST_PATH_IMAGE007
的邻域内所有像素点的灰度值的方差
Figure 485361DEST_PATH_IMAGE012
，根据
Figure 692351DEST_PATH_IMAGE011
与
Figure 399276DEST_PATH_IMAGE012
的差异以及
Figure 793348DEST_PATH_IMAGE011
与
Figure 611132DEST_PATH_IMAGE012
的最大值获得第二特征；
获取像素点
Figure 141470DEST_PATH_IMAGE005
与目标像素点
Figure 816034DEST_PATH_IMAGE001
的欧式距离
Figure 962982DEST_PATH_IMAGE013
，目标像素点
Figure 584456DEST_PATH_IMAGE001
的预设邻域内的所有像素点与目标像素点
Figure 562776DEST_PATH_IMAGE001
的欧式距离的最大值
Figure 221290DEST_PATH_IMAGE014
，根据
Figure 717518DEST_PATH_IMAGE013
与
Figure 611525DEST_PATH_IMAGE014
的比值以及目标像素点
Figure 709931DEST_PATH_IMAGE001
和像素点
Figure 539347DEST_PATH_IMAGE005
的灰度值的差异获得第三特征；
根据第一特征、第二特征以及第三特征计算像素点
Figure 785520DEST_PATH_IMAGE005
与目标像素点
Figure 624163DEST_PATH_IMAGE001
的相似度；
所述根据两个类簇计算目标像素点的候选类别的差异程度的步骤包括：
对目标像素点
Figure 108234DEST_PATH_IMAGE001
的候选类别中的所有像素点使用K-means聚类算法进行聚类，类簇数量为2，将获得的两个类簇分别记为目标像素点
Figure 702027DEST_PATH_IMAGE001
的类簇
Figure 779704DEST_PATH_IMAGE015
和类簇
Figure 812251DEST_PATH_IMAGE016
；
获取目标像素点
Figure 291774DEST_PATH_IMAGE001
的类簇
Figure 56468DEST_PATH_IMAGE015
中所有像素点的灰度值的均值
Figure 749005DEST_PATH_IMAGE017
，获取目标像素点
Figure 195029DEST_PATH_IMAGE001
的类簇
Figure 653693DEST_PATH_IMAGE016
中所有像素点的灰度值的均值
Figure 261392DEST_PATH_IMAGE018
，获取目标像素点
Figure 438295DEST_PATH_IMAGE001
的第一类别中所有像素点的灰度值的均值
Figure 156852DEST_PATH_IMAGE019
，根据
Figure 735601DEST_PATH_IMAGE017
、
Figure 842097DEST_PATH_IMAGE018
以及
Figure 381663DEST_PATH_IMAGE019
获得第四特征；
获取目标像素点
Figure 28545DEST_PATH_IMAGE001
的类簇
Figure 602746DEST_PATH_IMAGE015
中所有像素点的灰度值的熵值
Figure 676881DEST_PATH_IMAGE020
，获取目标像素点
Figure 766060DEST_PATH_IMAGE001
的类簇
Figure 91999DEST_PATH_IMAGE016
中所有像素点的灰度值的熵值
Figure 636551DEST_PATH_IMAGE021
，根据
Figure 756954DEST_PATH_IMAGE020
与
Figure 395746DEST_PATH_IMAGE021
的差异以及第四特征计算目标像素点
Figure 259796DEST_PATH_IMAGE001
的类簇
Figure 605327DEST_PATH_IMAGE015
和类簇
Figure 286844DEST_PATH_IMAGE016
的差异程度，具体计算公式为：
Figure 22719DEST_PATH_IMAGE022
式中，
Figure 80674DEST_PATH_IMAGE023
表示目标像素点
Figure 952815DEST_PATH_IMAGE001
的类簇
Figure 8495DEST_PATH_IMAGE015
和类簇
Figure 356300DEST_PATH_IMAGE016
的差异程度，
Figure 827733DEST_PATH_IMAGE024
表示第四特征，
Figure 944593DEST_PATH_IMAGE020
表示目标像素点
Figure 843279DEST_PATH_IMAGE001
的类簇
Figure 415731DEST_PATH_IMAGE015
中所有像素点的灰度值的熵值，
Figure 425275DEST_PATH_IMAGE021
表示目标像素点
Figure 662221DEST_PATH_IMAGE001
的类簇
Figure 466229DEST_PATH_IMAGE016
中所有像素点的灰度值的熵值，
Figure 991888DEST_PATH_IMAGE025
表示取绝对值；
所述分别计算目标像素点对应的左区域和右区域的区域平整度的步骤包括：
将目标像素点
Figure 664178DEST_PATH_IMAGE026
所在行上位于目标像素点
Figure 630997DEST_PATH_IMAGE026
左侧且与目标像素点
Figure 996119DEST_PATH_IMAGE026
的距离等于间距L的像素点记为像素点
Figure 681179DEST_PATH_IMAGE027
，将目标像素点
Figure 360422DEST_PATH_IMAGE026
所在行上位于目标像素点
Figure 306381DEST_PATH_IMAGE026
右侧且与目标像素点
Figure 983350DEST_PATH_IMAGE026
的距离等于间距L的像素点记为像素点
Figure 14760DEST_PATH_IMAGE028
，根据平整度计算公式获得目标像素点
Figure 904218DEST_PATH_IMAGE026
、像素点
Figure 176455DEST_PATH_IMAGE027
和像素点
Figure 617801DEST_PATH_IMAGE028
的平整度，将目标像素点
Figure 11873DEST_PATH_IMAGE026
与像素点
Figure 829657DEST_PATH_IMAGE027
组成的区域记为目标像素点的左区域，将像素点
Figure 891154DEST_PATH_IMAGE026
与像素点
Figure 972242DEST_PATH_IMAGE027
的平整度的均值记为目标像素点的左区域的区域平整度，将目标像素点
Figure 978244DEST_PATH_IMAGE026
与像素点
Figure 209505DEST_PATH_IMAGE028
组成的区域记为目标像素点的右区域，将像素点
Figure 250143DEST_PATH_IMAGE026
与像素点
Figure 174236DEST_PATH_IMAGE028
的平整度的均值记为目标像素点的右区域的区域平整度；
根据区域平整度获得待选卸货位置包括：若某区域的区域平整度大于预设平整阈值，则该区域作为待选卸货位置；
所述平整度计算公式为：
目标像素点
Figure 667534DEST_PATH_IMAGE026
的平整度的计算方法为：对于组成目标像素点
Figure 702487DEST_PATH_IMAGE026
的预设邻域的任意一条线段，对于线段中的第
Figure 332051DEST_PATH_IMAGE029
个像素点，判断第
Figure 427046DEST_PATH_IMAGE029
个像素点与第
Figure 613832DEST_PATH_IMAGE030
个像素点是否属于同一个类别，如果不属于同一个类别，则将第
Figure 311530DEST_PATH_IMAGE029
个像素点记为变化像素点，将线段中所有变化像素点的数量记为线段的类别变化值；根据目标像素点
Figure 202125DEST_PATH_IMAGE026
的预设邻域内的线段的类别变化值获得目标像素点
Figure 592656DEST_PATH_IMAGE026
的平整度，具体计算公式为：
Figure 670333DEST_PATH_IMAGE031
式中，
Figure 640563DEST_PATH_IMAGE032
表示目标像素点
Figure 244720DEST_PATH_IMAGE026
的平整度，
Figure 681517DEST_PATH_IMAGE033
表示目标像素点
Figure 636704DEST_PATH_IMAGE026
的预设邻域内线段的数量，
Figure 879466DEST_PATH_IMAGE034
表示目标像素点
Figure 479075DEST_PATH_IMAGE026
的预设邻域内第
Figure 211408DEST_PATH_IMAGE035
条线段的类别变化值；
所述计算待选卸货位置的干扰度的步骤包括：
对于任意一个待选卸货位置，获取该待选卸货位置在所有帧的场地图像中对应的所有区域，分别记为第1区域到第
Figure 263677DEST_PATH_IMAGE036
区域；对于第
Figure 387096DEST_PATH_IMAGE037
区域中的任意一个像素点，如果该像素点的所属类别与该像素点在第
Figure 841211DEST_PATH_IMAGE038
区域中对应像素点的所属类别不同，则该像素点为运动像素点；对第
Figure 744445DEST_PATH_IMAGE037
区域中的所有运动像素点进行连通域分析，将一个连通域记为一个运动物体，获得第
Figure 877486DEST_PATH_IMAGE037
区域中运动物体的数量；将待选卸货位置对应的所有区域的运动物体的数量的平均值作为待选卸货位置的干扰度；
所述第一特征、第二特征以及第三特征的计算方法如下：
第一特征的计算公式为：
Figure 727630DEST_PATH_IMAGE039
式中，
Figure 36252DEST_PATH_IMAGE040
表示第一特征，
Figure 375966DEST_PATH_IMAGE041
表示目标像素点
Figure 137249DEST_PATH_IMAGE001
的
Figure 791084DEST_PATH_IMAGE042
邻域内灰度差异最大的像素点与目标像素点
Figure 78846DEST_PATH_IMAGE001
组成的直线的角度，
Figure 199249DEST_PATH_IMAGE043
表示像素点
Figure 838041DEST_PATH_IMAGE005
的
Figure 702091DEST_PATH_IMAGE042
邻域内灰度差异最大的像素点与像素点
Figure 847290DEST_PATH_IMAGE007
组成的直线的角度，
Figure 669752DEST_PATH_IMAGE044
表示目标像素点
Figure 530261DEST_PATH_IMAGE001
的
Figure 260319DEST_PATH_IMAGE042
邻域内灰度差异最小的像素点与目标像素点
Figure 398040DEST_PATH_IMAGE001
组成的直线的角度，
Figure 516037DEST_PATH_IMAGE045
表示像素点
Figure 801525DEST_PATH_IMAGE005
的
Figure 272958DEST_PATH_IMAGE042
邻域内灰度差异最小的像素点与像素点
Figure 389818DEST_PATH_IMAGE007
组成的直线的角度，灰度差异是指两个像素点的灰度值的差值的绝对值；
第二特征的计算公式为：
Figure 288504DEST_PATH_IMAGE046
式中，
Figure 326867DEST_PATH_IMAGE047
表示第二特征，
Figure 461045DEST_PATH_IMAGE011
表示目标像素点
Figure 573358DEST_PATH_IMAGE001
的
Figure 770508DEST_PATH_IMAGE042
邻域内所有像素点的灰度值的方差，
Figure 702692DEST_PATH_IMAGE012
表示像素点
Figure 843824DEST_PATH_IMAGE007
的
Figure 935276DEST_PATH_IMAGE042
邻域内所有像素点的灰度值的方差，
Figure 910186DEST_PATH_IMAGE048
表示取最大值；
第三特征的计算公式为：
Figure 719879DEST_PATH_IMAGE049
式中，
Figure 336805DEST_PATH_IMAGE050
表示第三特征，
Figure 548343DEST_PATH_IMAGE051
表示以自然常数为底的指数函数，
Figure 84367DEST_PATH_IMAGE052
表示像素点
Figure 446603DEST_PATH_IMAGE053
与目标像素点
Figure 460695DEST_PATH_IMAGE026
的欧式距离，
Figure 198844DEST_PATH_IMAGE054
表示目标像素点
Figure 109031DEST_PATH_IMAGE026
的预设邻域内的所有像素点与目标像素点
Figure 96579DEST_PATH_IMAGE026
的欧式距离的最大值，
Figure 914362DEST_PATH_IMAGE055
表示目标像素点
Figure 710280DEST_PATH_IMAGE026
的灰度值，
Figure 588106DEST_PATH_IMAGE056
表示像素点
Figure 203895DEST_PATH_IMAGE053
的灰度值，
Figure 816580DEST_PATH_IMAGE025
表示取绝对值；
所述第四特征的计算方法如下：
第四特征的计算公式为：
Figure 467004DEST_PATH_IMAGE057
式中，
Figure 515732DEST_PATH_IMAGE058
表示第四特征，
Figure 149975DEST_PATH_IMAGE059
表示以自然常数为底的指数函数，
Figure 309561DEST_PATH_IMAGE017
表示目标像素点
Figure 814492DEST_PATH_IMAGE001
的类簇
Figure 34121DEST_PATH_IMAGE015
中所有像素点的灰度值的均值，
Figure 624502DEST_PATH_IMAGE018
表示目标像素点
Figure 791041DEST_PATH_IMAGE001
的类簇
Figure 212795DEST_PATH_IMAGE016
中所有像素点的灰度值的均值，
Figure 806588DEST_PATH_IMAGE019
表示目标像素点
Figure 8899DEST_PATH_IMAGE001
的第一类别中所有像素点的灰度值的均值。
2.一种用于半挂车自动卸货的控制装置，包括：图像采集装置、图像处理装置和驱动装置，其特征在于，所述图像采集装置用于采集卸货场地的场地图像；所述图像处理装置中的处理程序实现如权利要求1所述方法的步骤，获得最优卸货位置；所述驱动装置根据最优卸货位置驱动半挂车到指定位置。
CN202211401771.2A 2022-11-10 2022-11-10 一种用于半挂车自动卸货的控制方法及装置 Active CN115457484B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211401771.2A CN115457484B (zh) 2022-11-10 2022-11-10 一种用于半挂车自动卸货的控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211401771.2A CN115457484B (zh) 2022-11-10 2022-11-10 一种用于半挂车自动卸货的控制方法及装置

Publications (2)

Publication Number Publication Date
CN115457484A CN115457484A (zh) 2022-12-09
CN115457484B true CN115457484B (zh) 2023-02-07

Family

ID=84295810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211401771.2A Active CN115457484B (zh) 2022-11-10 2022-11-10 一种用于半挂车自动卸货的控制方法及装置

Country Status (1)

Country Link
CN (1) CN115457484B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115953472B (zh) * 2023-03-13 2023-05-23 鱼台顺驰工贸有限公司 一种低平板半挂车的载货区智能定位方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578131A (zh) * 2017-09-11 2018-01-12 成都华药共享网络科技有限公司 大规模的物流路径规划系统
CN107578119A (zh) * 2017-08-09 2018-01-12 泉州装备制造研究所 一种智能调度系统的资源分配全局优化方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009102011A1 (ja) * 2008-02-14 2009-08-20 Nec Corporation 更新領域検出装置
CN110378911B (zh) * 2019-07-11 2022-06-21 太原科技大学 基于候选区域和邻域分类器的弱监督图像语义分割方法
CN110569793B (zh) * 2019-09-09 2022-06-07 西南交通大学 一种无监督相似性判别学习的目标跟踪方法
CN112258038A (zh) * 2020-10-23 2021-01-22 上海中通吉网络技术有限公司 站台使用状态及车辆装卸货状态的识别方法、装置和设备
CN114529843A (zh) * 2020-10-30 2022-05-24 顺丰科技有限公司 货物拥堵识别方法、装置、电子设备和存储介质
CN113012200B (zh) * 2021-03-23 2023-01-13 北京灵汐科技有限公司 一种运动物体的定位方法、装置、电子设备及存储介质
CN113095447B (zh) * 2021-06-10 2021-09-07 深圳联合安防科技有限公司 一种基于图像识别的检测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578119A (zh) * 2017-08-09 2018-01-12 泉州装备制造研究所 一种智能调度系统的资源分配全局优化方法
CN107578131A (zh) * 2017-09-11 2018-01-12 成都华药共享网络科技有限公司 大规模的物流路径规划系统

Also Published As

Publication number Publication date
CN115457484A (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
CN116385448B (zh) 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法
CN115457484B (zh) 一种用于半挂车自动卸货的控制方法及装置
CN107679520B (zh) 一种适用于复杂条件下的车道线视觉检测方法
CN115311277B (zh) 一种不锈钢制品的凹坑缺陷识别方法
CN108256521B (zh) 用于车身颜色识别的有效区域定位方法
CN110287884B (zh) 一种辅助驾驶中压线检测方法
CN107832674B (zh) 一种车道线检测方法
CN114820773B (zh) 基于计算机视觉的筒仓运输车辆车厢位置检测方法
CN113554629A (zh) 基于人工智能的带钢红锈缺陷检测方法
CN114758185B (zh) 一种基于灰度色差的注塑参数控制方法与系统
CN115937216A (zh) 一种新能源汽车用磁转子外观质量检测方法
CN101464998B (zh) 面向纺织行业的非高斯纹理噪声平滑滤波方法
CN114842430B (zh) 一种用于道路监测的车辆信息识别方法及系统
CN116229423A (zh) 基于改进的Canny边缘检测算法和SVM的无人驾驶中的小目标检测方法
CN114881965A (zh) 一种基于人工智能和图像处理的木板节子检测方法
CN116779465A (zh) 一种纳米压印晶圆缺陷检测方法
CN116486091A (zh) 基于人工智能的风机叶片缺陷区域快速分割方法及系统
CN117853484A (zh) 一种基于视觉的桥梁损伤智能监测方法及系统
CN115953472A (zh) 一种低平板半挂车的载货区智能定位方法
JP4994955B2 (ja) 移動体識別装置、移動体識別プログラム
CN115100510B (zh) 一种轮胎磨损度识别方法
CN110619654B (zh) 一种运动目标检测与跟踪方法
CN105740796B (zh) 一种基于灰度直方图的透视变换后车道线图像二值化方法
CN114882387B (zh) 一种磨削工艺中轴承滚道撞伤识别及自动抛光定位方法
CN108229244A (zh) 一种智能车前方运动车辆的检测方法

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
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A control method and device for automatic unloading of semi-trailers

Effective date of registration: 20231208

Granted publication date: 20230207

Pledgee: Industrial and Commercial Bank of China Limited Liangshan sub branch

Pledgor: LIANGSHAN HUA LU SPECIAL PURPOSE VEHICLE MANUFACTURING Co.,Ltd.

Registration number: Y2023980070214

PE01 Entry into force of the registration of the contract for pledge of patent right