CN116051822A - 凹障碍的识别方法和装置、处理器及电子设备 - Google Patents

凹障碍的识别方法和装置、处理器及电子设备 Download PDF

Info

Publication number
CN116051822A
CN116051822A CN202211154314.8A CN202211154314A CN116051822A CN 116051822 A CN116051822 A CN 116051822A CN 202211154314 A CN202211154314 A CN 202211154314A CN 116051822 A CN116051822 A CN 116051822A
Authority
CN
China
Prior art keywords
image
gray
target
value
matching
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
CN202211154314.8A
Other languages
English (en)
Inventor
刘晓慧
李鑫
胡国林
韩绍金
刘世瑛
梁家林
吴宁伟
耿玉玲
邓德民
钱雪茹
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.)
Beijing Aerospace Control Center
Original Assignee
Beijing Aerospace Control Center
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 Beijing Aerospace Control Center filed Critical Beijing Aerospace Control Center
Priority to CN202211154314.8A priority Critical patent/CN116051822A/zh
Publication of CN116051822A publication Critical patent/CN116051822A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/759—Region-based matching
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

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

Abstract

本申请公开了一种凹障碍的识别方法和装置、处理器及电子设备，涉及目标识别检测技术领域，该方法包括：对原始灰度图像进行分割，得到阴影区域图像和高亮区域图像；对阴影区域图像和高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标；对每类阴影区域和每类高亮区域进行匹配；从原始灰度图像中确定包含单个凹障碍的目标子图像，并对目标子图像进行边缘提取，得到目标边缘信息，确定目标子图像中的凹障碍的信息。通过本申请，解决了相关技术中容易由于三维成像数据点稀疏导致对凹障碍识别准确率低的问题。

Description

凹障碍的识别方法和装置、处理器及电子设备
技术领域
本申请涉及目标识别检测技术领域，具体而言，涉及一种凹障碍的识别方法和装置、处理器及电子设备。
背景技术
月球表面地貌环境复杂，其中广泛分布的大小不一的撞击坑等凹障碍是直接威胁月面巡视探测器安全移动的关键因素之一，一旦陷入将给巡视探测器带来倾斜、滑坡甚至翻车等严重危险后果。因此有效的识别检测月面凹障碍，有利于障碍规避，为月面巡视探测器的安全移动提供必要信息。
目标识别检测，特别是对障碍物的快速准确识别检测，作为智能移动机器人发展的关键点，得到国内外的高度关注与深入研究，并涌现了众多检测方法。常用的检测方法主要有基于立体视觉的方法和基于三维激光雷达技术的方法。其中，基于双目相机立体视觉的方法能够对月面地形进行三维重建，进而可以很好地识别检测出各类型的障碍，但三维构建的计算量比较大，人工耗时长，实时性差；基于三维激光雷达技术可以通过发射激光束对月面环境进行高精度三维测绘，检测各类障碍，且不受光照条件影响，但对设备有要求且成本昂贵。并且基于三维成像数据点识别凹障碍时，容易由于三维成像数据点稀疏导致对凹障碍识别准确率比较低的问题。
针对相关技术中基于三维成像数据点识别凹障碍时，容易由于三维成像数据点稀疏导致对凹障碍识别准确率低的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种凹障碍的识别方法和装置、处理器及电子设备，以解决相关技术中基于三维成像数据点识别凹障碍时，容易由于三维成像数据点稀疏导致对凹障碍识别准确率低的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种凹障碍的识别方法。该方法包括：通过最大类间方差法对待识别的原始灰度图像进行计算，得到第一目标灰度阈值和第二目标灰度阈值，并通过所述第一目标灰度阈值和所述第二目标灰度阈值对所述原始灰度图像进行分割，得到阴影区域图像和高亮区域图像，其中，所述原始灰度图像中包括多个凹障碍；基于K均值聚类算法分别对所述阴影区域图像和所述高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标；依据星历预报计算太阳方位角和太阳高度角，以得到所述原始灰度图像中光照方向矢量，并基于所述光照方向矢量、所述第一中心点坐标和所述第二中心点坐标，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形，其中，匹配组与所述凹障碍是一一对应的；依据所述每个匹配组对应的图像区域的外接矩形，从所述原始灰度图像中确定包含单个凹障碍的目标子图像，并对所述目标子图像进行边缘提取，得到目标边缘信息，并依据所述目标边缘信息进行椭圆拟合，以确定所述目标子图像中的凹障碍的信息。
进一步地，通过最大类间方差法计算得到第一目标灰度阈值和第二目标灰度阈值包括：计算所述原始灰度图像中包含像素点的总数量和每个灰度值包含的像素点的数量，并依据所述总数量和每个灰度值所包含的像素点数量计算得到所述原始灰度图像每个灰度值出现的概率值；设置第一初始灰度阈值和第二初始灰度阈值，并依据所述第一初始灰度阈值和所述第二初始灰度阈值将所述原始灰度图像中的像素点划分为第一类别像素点、第二类别像素点和第三类别像素点；依据所述每个灰度值出现的概率值，对每个类别像素点分别计算灰度值概率和、平均灰度值和灰度方差值；对所述原始灰度图像中的灰度值进行计算，得到全局平均灰度值，并依据所述全局平均灰度值计算得到全局灰度方差值，并依据所述灰度值概率和、所述灰度方差值和所述全局灰度方差值，构建类间方差方程；通过对所述类间方差方程进行求解，得到所述类间方差方程在最大值时对应的灰度阈值，并将所述灰度阈值作为所述第一目标灰度阈值和所述第二目标灰度阈值。
进一步地，依据所述第一初始灰度阈值和所述第二初始灰度阈值将所述原始灰度图像中的像素点划分为第一类别像素点、第二类别像素点和第三类别像素点包括：若所述原始灰度图像中的像素点对应的灰度值小于等于所述第一初始灰度阈值，则确定所述像素点为所述第一类别像素点；若所述原始灰度图像中的像素点对应的灰度值大于所述第一初始灰度阈值，且小于等于所述第二初始灰度阈值，则确定所述像素点为所述第二类别像素点；若所述原始灰度图像中的像素点对应的灰度值大于所述第二初始灰度阈值，则确定所述像素点为所述第三类别像素点。
进一步地，通过所述第一目标灰度阈值和所述第二目标灰度阈值对待识别的原始灰度图像进行分割，得到阴影区域图像和高亮区域图像包括：依据所述第一目标灰度阈值和所述第二目标灰度阈值对所述原始灰度图像的像素点进行划分，得到第四类别像素点、第五类别像素点和第六类别像素点，其中，所述第四类别像素点对应的区域为所述阴影区域，所述第五类别像素点对应的区域为背景区域，所述第六类别像素点对应的区域为所述高亮区域；基于所述第四类别像素点、所述第五类别像素点和所述第六类别像素点，对所述原始灰度图像进行分割，得到所述阴影区域图像和所述高亮区域图像。
进一步地，在基于K均值聚类算法分别对所述阴影区域图像和所述高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标之前，所述方法还包括：通过图像腐蚀方法对所述阴影区域图像和所述高亮区域图像进行杂点去除，并通过图像膨胀方法对所述阴影区域图像和所述高亮区域图像进行空隙填补。
进一步地，依据星历预报计算太阳方位角和太阳高度角，以得到所述原始灰度图像中光照方向矢量，并基于所述光照方向矢量、所述第一中心点坐标和所述第二中心点坐标，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形包括：计算所述第一中心点坐标和所述第二中心点坐标之间连线的位置方向矢量；基于所述光照方向矢量和位置方向矢量，构建角度因子；计算每类阴影区域和每类高亮区域在光照方向上的长度值，并依据所述长度值构建距离因子；依据所述角度因子和所述距离因子，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形。
进一步地，依据所述角度因子和所述距离因子，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形包括：依据所述角度因子和所述距离因子，计算待匹配的阴影区域与每类高亮区域的匹配分数，得到多个第一匹配分数值；依据所述角度因子和所述距离因子，计算待匹配的高亮区域与每类阴影区域的匹配分数，得到多个第二匹配分数值；依据所述第一匹配分数值和所述第二匹配分数值，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组；计算每个匹配组的目标方向的顶点坐标，并依据所述顶点坐标确定每个匹配组对应的图像区域的外接矩形。
进一步地，对所述目标子图像进行边缘提取，得到目标边缘信息包括：通过边缘检测算法对所述目标子图像进行边缘提取，得到初始边缘信息；将所述初始边缘信息中的边缘长度小于第一预设阈值的进行剔除，得到处理后的初始边缘信息；对所述处理后的初始边缘信息中的伪边缘和非弧形边缘进行剔除，得到所述目标边缘信息。
进一步地，在对所述处理后的初始边缘信息中的伪边缘和非弧形边缘进行剔除，得到所述目标边缘信息之前，所述方法还包括：计算所述处理后的初始边缘信息中边缘点的梯度矢量，并获取所述原始灰度图像中光照方向矢量；计算所述梯度矢量与所述光照方向矢量的目标夹角值；若所述目标夹角值大于第二预设阈值，则确定所述目标夹角值对应的边缘信息为所述伪边缘。
进一步地，在对所述处理后的初始边缘信息中的伪边缘和非弧形边缘进行剔除，得到所述目标边缘信息之前，所述方法还包括：依据所述处理后的初始边缘信息中目标边缘的端点的坐标和所述目标边缘的几何中心坐标进行计算，得到目标数值；若所述目标数值小于第三预设阈值，则确定所述目标边缘为所述非弧形边缘。
进一步地，依据所述目标边缘信息进行椭圆拟合，以确定所述目标子图像中的凹障碍的信息包括：将所述目标边缘信息中的坐标信息映射至椭圆参数空间中，得到多个五维空间下的点；对所述多个五维空间下的点进行统计投票，得到每个五维空间下的点的投票峰值，其中，所述多个五维空间下的点对应不同的椭圆参数；并将超过第四预设阈值的投票峰值对应的五维空间下的点作为目标椭圆参数；基于所述目标椭圆参数确定所述目标子图像中的凹障碍的信息。
为了实现上述目的，根据本申请的另一方面，提供了一种凹障碍的识别装置。该装置包括：第一计算单元，用于通过最大类间方差法对待识别的原始灰度图像进行计算，得到第一目标灰度阈值和第二目标灰度阈值，并通过所述第一目标灰度阈值和所述第二目标灰度阈值对所述原始灰度图像进行分割，得到阴影区域图像和高亮区域图像，其中，所述原始灰度图像中包括多个凹障碍；聚类单元，用于基于K均值聚类算法分别对所述阴影区域图像和所述高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标；匹配单元，用于依据星历预报计算太阳方位角和太阳高度角，以得到所述原始灰度图像中光照方向矢量，并基于所述光照方向矢量、所述第一中心点坐标和所述第二中心点坐标，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形，其中，匹配组与所述凹障碍是一一对应的；第一确定单元，用于依据所述每个匹配组对应的图像区域的外接矩形，从所述原始灰度图像中确定包含单个凹障碍的目标子图像，并对所述目标子图像进行边缘提取，得到目标边缘信息，并依据所述目标边缘信息进行椭圆拟合，以确定所述目标子图像中的凹障碍的信息。
进一步地，所述第一计算单元包括：第一计算模块，用于计算所述原始灰度图像中包含像素点的总数量和每个灰度值所包含的像素点数量，并依据所述总数量和每个灰度值所包含的像素点数量计算得到所述原始灰度图像每个灰度值出现的概率值；设置模块，用于设置第一初始灰度阈值和第二初始灰度阈值，并依据所述第一初始灰度阈值和所述第二初始灰度阈值将所述原始灰度图像中的像素点划分为第一类别像素点、第二类别像素点和第三类别像素点；第二计算模块，用于依据所述每个灰度值出现的概率值，对每个类别像素点分别计算灰度值概率和、平均灰度值和灰度方差值；第三计算模块，用于对所述原始灰度图像中的灰度值进行计算，得到全局平均灰度值，并依据所述全局平均灰度值计算得到全局灰度方差值，并依据所述灰度值概率和、所述灰度方差值和所述全局灰度方差值，构建类间方差方程；求解模块，用于通过对所述类间方差方程进行求解，得到所述类间方差方程在最大值时对应的灰度阈值，并将所述灰度阈值作为所述第一目标灰度阈值和所述第二目标灰度阈值。
进一步地，所述设置模块包括：第一确定子模块，用于若所述原始灰度图像中的像素点对应的灰度值小于等于所述第一初始灰度阈值，则确定所述像素点为所述第一类别像素点；第二确定子模块，用于若所述原始灰度图像中的像素点对应的灰度值大于所述第一初始灰度阈值，且小于等于所述第二初始灰度阈值，则确定所述像素点为所述第二类别像素点；第三确定子模块，用于若所述原始灰度图像中的像素点对应的灰度值大于所述第二初始灰度阈值，则确定所述像素点为所述第三类别像素点。
进一步地，所述第一计算单元包括：划分模块，用于依据所述第一目标灰度阈值和所述第二目标灰度阈值对所述原始灰度图像的像素点进行划分，得到第四类别像素点、第五类别像素点和第六类别像素点，其中，所述第四类别像素点对应的区域为所述阴影区域，所述第五类别像素点对应的区域为背景区域，所述第六类别像素点对应的区域为所述高亮区域；分割模块，用于基于所述第四类别像素点、所述第五类别像素点和所述第六类别像素点，对所述原始灰度图像进行分割，得到所述阴影区域图像和所述高亮区域图像。
进一步地，所述装置还包括：处理单元，用于在基于K均值聚类算法分别对所述阴影区域图像和所述高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标之前，通过图像腐蚀装置对所述阴影区域图像和所述高亮区域图像进行杂点去除，并通过图像膨胀装置对所述阴影区域图像和所述高亮区域图像进行空隙填补。
进一步地，所述匹配单元包括：获取模块，用于计算所述第一中心点坐标和所述第二中心点坐标之间连线的位置方向矢量；构建模块，用于基于所述光照方向矢量和位置方向矢量，构建角度因子；第四计算模块，用于计算每类阴影区域和每类高亮区域在光照方向上的长度值，并依据所述长度值构建距离因子；匹配模块，用于依据所述角度因子和所述距离因子，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形。
进一步地，所述匹配模块包括：第一计算子模块，用于依据所述角度因子和所述距离因子，计算待匹配的阴影区域与每类高亮区域的匹配分数，得到多个第一匹配分数值；第二计算子模块，用于依据所述角度因子和所述距离因子，计算待匹配的高亮区域与每类阴影区域的匹配分数，得到多个第二匹配分数值；匹配子模块，用于依据所述第一匹配分数值和所述第二匹配分数值，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组；第三计算子模块，用于计算每个匹配组的目标方向的顶点坐标，并依据所述顶点坐标确定每个匹配组对应的图像区域的外接矩形。
进一步地，所述第一确定单元包括：提取模块，用于通过边缘检测算法对所述目标子图像进行边缘提取，得到初始边缘信息；第一剔除模块，用于将所述初始边缘信息中的边缘长度小于第一预设阈值的进行剔除，得到处理后的初始边缘信息；第二本剔除模块，用于对所述处理后的初始边缘信息中的伪边缘和非弧形边缘进行剔除，得到所述目标边缘信息。
进一步地，所述装置还包括：第二计算单元，用于在对所述处理后的初始边缘信息中的伪边缘和非弧形边缘进行剔除，得到所述目标边缘信息之前，计算所述处理后的初始边缘信息中边缘点的梯度矢量，并获取所述原始灰度图像中光照方向矢量；第三计算单元，用于计算所述梯度矢量与所述光照方向矢量的目标夹角值；第二确定单元，用于若所述目标夹角值大于第二预设阈值，则确定所述目标夹角值对应的边缘信息为所述伪边缘。
进一步地，所述装置还包括：第四计算单元，用于在对所述处理后的初始边缘信息中的伪边缘和非弧形边缘进行剔除，得到所述目标边缘信息之前，依据所述处理后的初始边缘信息中目标边缘的端点的坐标和所述目标边缘的几何中心坐标进行计算，得到目标数值；第三确定单元，用于若所述目标数值小于第三预设阈值，则确定所述目标边缘为所述非弧形边缘。
进一步地，所述第一确定单元包括：求解模块，用于将所述目标边缘信息中的坐标信息映射至椭圆参数空间中，得到多个五维空间下的点；统计模块，用于对所述多个五维空间下的点进行统计投票，得到每个五维空间下的点的投票峰值，其中，所述多个五维空间下的点对应不同的椭圆参数；并将超过第四预设阈值的投票峰值对应的五维空间下的点作为目标椭圆参数；确定模块，用于基于所述目标椭圆参数确定所述目标子图像中的凹障碍的信息。
为了实现上述目的，根据本申请的一个方面，提供了一种处理器，处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的凹障碍的识别方法。
为了实现上述目的，根据本申请的一个方面，提供了一种电子设备，电子设备包括一个或多个处理器和存储器，存储器用于存储一个或多个处理器实现上述任意一项所述的凹障碍的识别方法。
通过本申请，采用以下步骤：通过最大类间方差法对待识别的原始灰度图像进行计算，得到第一目标灰度阈值和第二目标灰度阈值，并通过第一目标灰度阈值和第二目标灰度阈值对原始灰度图像进行分割，得到阴影区域图像和高亮区域图像，其中，原始灰度图像中包括多个凹障碍；基于K均值聚类算法分别对阴影区域图像和高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标；依据星历预报计算太阳方位角和太阳高度角，以得到原始灰度图像中光照方向矢量，并基于光照方向矢量、第一中心点坐标和第二中心点坐标，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形，其中，匹配组与凹障碍是一一对应的；依据每个匹配组对应的图像区域的外接矩形，从原始灰度图像中确定包含单个凹障碍的目标子图像，并对目标子图像进行边缘提取，得到目标边缘信息，并依据目标边缘信息进行椭圆拟合，以确定目标子图像中的凹障碍的信息，解决了相关技术中基于三维成像数据点识别凹障碍时，容易由于三维成像数据点稀疏导致对凹障碍识别准确率低的问题。通过第一目标灰度阈值和第二目标灰度阈值对原始灰度图像进行分割，得到阴影区域图像和高亮区域图像，通过K均值聚类算法分别对阴影区域图像和高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标，然后通过阴影和高亮区域匹配识别出单个凹障碍，再分别对包含单个凹障碍的原始灰度图像的子图像进行边缘检测，解决多个障碍同时检测互相干扰、影响检测效果的缺陷，最终实现对凹障碍区域位置范围的精确检测，进而达到了提高对凹障碍识别准确率的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的凹障碍的识别方法的流程图；
图2是根据本申请实施例提供的凹障碍的特征示意图；
图3是根据本申请实施例提供的凹障碍边缘灰度变化示意图；
图4是根据本申请实施例提供的椭圆示意图；
图5是根据本申请实施例提供的可选的凹障碍的识别方法的流程图；
图6是根据本申请实施例提供的凹障碍的识别装置的示意图；
图7是根据本申请实施例提供的电子设备的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合优选的实施步骤对本发明进行说明，图1是根据本申请实施例提供的凹障碍的识别方法的流程图，如图1所示，该方法包括如下步骤：
步骤S101，通过最大类间方差法对待识别的原始灰度图像进行计算，得到第一目标灰度阈值和第二目标灰度阈值，并通过第一目标灰度阈值和第二目标灰度阈值对原始灰度图像进行分割，得到阴影区域图像和高亮区域图像，其中，原始灰度图像中包括多个凹障碍。
具体地，月球表面地貌环境复杂，其中广泛分布的大小不一的撞击坑等凹障是直接威胁月面巡视探测器安全移动的关键因素之一，一旦陷入将给巡视探测器带来倾斜、滑坡甚至翻车等严重危险后果。因此有效的识别检测月面凹障碍，有利于障碍规避，为月面巡视探测器的安全移动提供必要信息。
因此，基于上述技术背景提出了一种凹障碍的识别方法。获取月球表面的凹障碍的原始灰度图像。根据月面凹障碍的图像特征，如图2所示，月面凹障碍的边缘基本呈椭圆形，中间凹陷跟边缘形成高度差，对于月球的真空环境，在光照下边缘和内部背光一侧形成明显的阴影区，边缘和内部向光一侧形成明显的高亮区，且阴影区和高亮区存在一一对应关系。
根据上述的月面凹障碍的图像特征，可以运用基于最大类间方差法对待识别的原始灰度图像的灰度值进行计算，得到第一目标灰度阈值和第二目标灰度阈值，利用第一目标灰度阈值和第二目标灰度阈值将凹障碍的阴影区域和高亮区域从背景区域中提取出来。
步骤S102，基于K均值聚类算法分别对阴影区域图像和高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标。
具体地，在将凹障碍的阴影区域和高亮区域从背景区域中提取出来之后，对阴影区域和高亮区域按像素分布距离使用K均值聚类算法，聚合出单个阴影区和高亮区，即得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标。需要说明的是，这里的类对应不同的凹障碍，原始灰度图像中包括多个凹障碍，需要识别原始灰度图像中的每个像素点是属于哪一个凹障碍的。
步骤S103，依据星历预报计算太阳方位角和太阳高度角，以得到原始灰度图像中光照方向矢量，并基于光照方向矢量、第一中心点坐标和第二中心点坐标，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形，其中，匹配组与凹障碍是一一对应的；
具体地，通过阈值分割和K均值聚类已将原始灰度图像的每个高亮区域和阴影区域从图形背景中分割出来，然后就需要对两类区域进行粗匹配，使阴影区域与高亮区域一一对应。通过阴影区域的第一中心点坐标和高亮区域的第二中心点坐标，将阴影区域与高亮区域进行一一匹配，得到多个匹配组，确定每对匹配组的明暗区域的上、下、左、右四个方向的顶点坐标，以上、下两点的纵坐标和左、右两点的横坐标确定每对匹配的明暗区域的外接矩形，即得到每个匹配组(单个凹障碍)的外接矩形。
步骤S104，依据每个匹配组对应的图像区域的外接矩形，从原始灰度图像中确定包含单个凹障碍的目标子图像，并对目标子图像进行边缘提取，得到目标边缘信息，并依据目标边缘信息进行椭圆拟合，以确定目标子图像中的凹障碍的信息。
具体地，根据得到的每个匹配组对应的图像区域的外接矩形，从原始灰度图像中确定包含单个凹障碍的目标子图像，并通过边缘检测算法目标子图像进行边缘提取，得到目标边缘信息，最后根据目标边缘信息拟合目标子图像中的凹障碍的精确轮廓信息。
综上所述，基于最大类间方差法的自适应双阈值能够自动分割出凹障碍的阴影区域与高亮区域，对阴影区域与高亮区域聚类分析后对阴影区域与高亮区域一一匹配，识别出单个凹障碍，再对包含单个凹障碍的原始灰度图像的子图像，进行边缘提取和拟合，减少同时处理多个凹障碍的干扰影响，遍历所有子图像，最终完成所有凹障碍的识别检测。上述方法简单直观、实时性高、易实现，能够弥补三维检测方法中由于数据点稀疏带来的误差问题，对提高月面凹障碍检测的高效可靠性、为月面巡视探测器提供有效的障碍信息具有十分重要的意义。
如何通过最大类间方差法计算得到第一目标灰度阈值和第二目标灰度阈值是至关重要的，在本申请实施例提供的凹障碍的识别方法中，采用以下步骤进处理：计算原始灰度图像中包含像素点的总数量和每个灰度值所包含的像素点数量，并依据总数量和每个灰度值所包含的像素点数量计算得到原始灰度图像每个灰度值出现的概率值；设置第一初始灰度阈值和第二初始灰度阈值，并依据第一初始灰度阈值和第二初始灰度阈值将原始灰度图像中的像素点划分为第一类别像素点、第二类别像素点和第三类别像素点；依据每个灰度值出现的概率值，对每个类别像素点分别计算灰度值概率和、平均灰度值和灰度方差值；对原始灰度图像中的灰度值进行计算，得到全局平均灰度值，并依据全局平均灰度值计算得到全局灰度方差值，并依据灰度值概率和、灰度方差值和全局灰度方差值，构建类间方差方程；通过对类间方差方程进行求解，得到类间方差方程在最大值时对应的灰度阈值，并将灰度阈值作为第一目标灰度阈值和第二目标灰度阈值。
若原始灰度图像中的像素点对应的灰度值小于等于第一初始灰度阈值，则确定像素点为第一类别像素点；若原始灰度图像中的像素点对应的灰度值大于第一初始灰度阈值，且小于等于第二初始灰度阈值，则确定像素点为第二类别像素点；若原始灰度图像中的像素点对应的灰度值大于第二初始灰度阈值，则确定像素点为第三类别像素点。
具体地，基于最大类间方差法的自适应双阈值分割将凹障碍的阴影和高亮区域从背景中提取出来包括：
计算原始灰度图像中灰度值为i的像素点出现的概率为pi(即上述的计算得到原始灰度图像每个灰度值出现的概率值)：
Figure BSA0000284862340000101
其中，灰度取值范围为[0，1，...，k-1]，灰度值为i的像素点个数ni，像素点总数为
Figure BSA0000284862340000102
设置两个初始灰度阈值T1、T2(0＜T1＜T2＜k-1)(对应上述的第一初始灰度阈值和第二初始灰度阈值)，根据把原始灰度图像的像素点划分成三类：
灰度值为[0，1，...，T1]的像素范围归为一类，记为D0(即上述的第一类别像素点)：灰度值为[T1+1，...，T2]的像素归为一类，记为D1(即上述的第二类别像素点)；灰度为[T2+1，...，k-1]的像素归为一类，记为D2(即上述的第三类别像素点)。
D0、D1和D2三类的灰度值概率和分别为：
Figure BSA0000284862340000111
Figure BSA0000284862340000112
Figure BSA0000284862340000113
D0、D1和D2三类的平均灰度值分别为：
Figure BSA0000284862340000114
Figure BSA0000284862340000115
Figure BSA0000284862340000116
D0、D1和D2三类的灰度方差值分别为：
Figure BSA0000284862340000117
Figure BSA0000284862340000118
Figure BSA0000284862340000119
原始灰度图像中的全局平均灰度值为：
Figure BSA0000284862340000121
通过上述的计算过程得到初始类间方差的方程为：
Figure BSA0000284862340000122
为了提高计算灰度阈值的准确性，使用全局灰度方差值替代上述的全局平均灰度值，全局灰度方差值计算公式如下所示：
Figure BSA0000284862340000123
基于上述的全局灰度方差值构建类间方差方程：
Figure BSA0000284862340000124
最大类间方差法即为上式取得极大值时，得到最佳双阈值：
Figure BSA0000284862340000125
综上所述，通过最大类间方差法能够准确计算得到目标灰度阈值，实现对原始灰度图像的准确分割，即将阴影区域和高亮区域从背景灰度中准确分割出来。
在本申请实施例提供的凹障碍的识别方法中，通过第一目标灰度阈值和第二目标灰度阈值对待识别的原始灰度图像进行分割，得到阴影区域图像和高亮区域图像包括：依据第一目标灰度阈值和第二目标灰度阈值对原始灰度图像的像素点进行划分，得到第四类别像素点、第五类别像素点和第六类别像素点，其中，第四类别像素点对应的区域为阴影区域，第五类别像素点对应的区域为背景区域，第六类别像素点对应的区域为高亮区域；基于第四类别像素点、第五类别像素点和第六类别像素点，对原始灰度图像进行分割，得到阴影区域图像和高亮区域图像。
具体地，通过第一目标灰度阈值和第二目标灰度阈值对原始灰度图像的像素点进行划分，得到第四类别像素点、第五类别像素点和第六类别像素点，第四类别像素点、第五类别像素点和第六类别像素点分别对应于阴影区域、背景区域和高亮区域，将阴影区域和高亮区域从背景区域中分割出来。在一可选的实施例中，将第四类别像素点、第五类别像素点和第六类别像素点中的像素点的灰度值进行灰度三值化，三类像素点的灰度值分别设为0、127和255，分别对应上述的阴影区域、背景区域和高亮区域。
将阴影区域和高亮区域从背景区域中分割出来之后，在基于K均值聚类算法分别对阴影区域图像和高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标之前，还需要对阴影区域图像和高亮区域图像进行处理，主要包括通过图像腐蚀方法对阴影区域图像和高亮区域图像进行杂点去除，并通过图像膨胀方法对阴影区域图像和高亮区域图像进行空隙填补。
对于通过目标灰度阈值分割后的阴影区域图像和高亮区域图像，还包含一些杂点和极小的阴影区和高亮区，通过形态学的图像腐蚀方法可以去除；同时在阴影和高亮区域内部会存在一定的空隙，通过图像膨胀方法可以进行填补。
对阴影区域图像和高亮区域图像进行处理之后，再分别对阴影区域和高亮区域按像素分布距离使用K均值聚类算法，聚合出单个阴影区和高亮区。该算法基本思想是以阴影区或高亮区的像素坐标作为相似性度量进行聚类分析，聚类准则为像素点之间的欧氏距离，通过寻找欧式距离最小值，进而聚合同属一类的像素点。
设I(x)为阴影或高亮区域的像素坐标，则聚类的目标函数为：
Figure BSA0000284862340000131
将聚类过程中使用迭代算法，使目标函数取得极小值，将目标区域的像素坐标集合分成K个类，即含有K个阴影区域或高亮区区域，其中，c(j)为第j个类中像素坐标灰度的均值。最终得到多个不同类阴影区域、多个不同类高亮区域，以及每类阴影区域的中心点以及每个不同类高亮区域的中心点。
为了更好地匹配每类阴影区域和每类高亮区域，在本申请实施例提供的凹障碍的识别方法中，依据星历预报计算太阳方位角和太阳高度角，以得到原始灰度图像中光照方向矢量，并基于光照方向矢量、第一中心点坐标和第二中心点坐标，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形包括：计算第一中心点坐标和第二中心点坐标之间连线的位置方向矢量；基于光照方向矢量和位置方向矢量，构建角度因子；计算每类阴影区域和每类高亮区域在光照方向上的长度值，并依据长度值构建距离因子；依据角度因子和距离因子，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形。
具体地，通过阈值分割和聚类已将原始灰度图像的每个高亮区域和每个阴影区域从图形背景中分割出来，然后就需要对两类区域进行粗匹配，使阴影区域与高亮区域一一对应。
根据星历预报计算太阳方位角和高度角预报，得到月面数字正射影像成像时的太阳方位角，即得原始灰度图像中光照方向矢量为：
S＝(Sx，Sy)
其中，Sx、Sy为S在原始灰度图像的坐标系中的分量，|S|＝1。
如图2所示，记上一步聚类得到的阴影区域中心点坐标、高亮区域中心点坐标二者连线的位置方向矢量(对应上述的计算第一中心点坐标和第二中心点坐标之间连线的位置方向矢量)为：
C＝(xl-xd，yl-yd)
其中，Cd(xd，yd)、Cl(xl，yl)分别为阴影区域、高亮区域的中心点坐标。
计算待匹配阴影、高亮区域中心坐标二者连线的方向矢量与光照方向矢量的夹角：
Figure BSA0000284862340000141
其中，θs角度值范围[0，180]，匹配正确的阴影-高亮区中心连线方向应与光照方向相对一致，即θs应接近0，因此，构建角度因子α：
Figure BSA0000284862340000142
即，角度因子α越大越接近1，与光照方向的匹配程度越高。
为了约束参加匹配的阴影-高亮区之间距离不会过远，且二者尺寸差异不会过大，计算每类阴影区域和每类高亮区域在光照方向上的长度值，并依据长度值构建距离因子δ：
Figure BSA0000284862340000143
其中，Ll、Ld分别为高亮区域、阴影区域在光照方向上的长度值，Lmax为二者中较长的长度，Lmin则为较短的长度，d＝|C|为二者中心距，如图2所示。即距离因子δ越大越接近1，匹配区域的距离和尺寸越接近。
最后，根据上述的角度因子和距离因子，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形。
在本申请实施例提供的凹障碍的识别方法中，依据角度因子和距离因子，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形包括：依据角度因子和距离因子，计算待匹配的阴影区域与每类高亮区域的匹配分数，得到多个第一匹配分数值；依据角度因子和距离因子，计算待匹配的高亮区域与每类阴影区域的匹配分数，得到多个第二匹配分数值；依据第一匹配分数值和第二匹配分数值，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组；计算每个匹配组的目标方向的顶点坐标，并依据顶点坐标确定每个匹配组对应的图像区域的外接矩形。
具体配对过程，设上一步聚类得到n个阴影区域D1、D2...Dn，m个高亮区域L1、L2...Lm，m、n为自然数。n个阴影区域中第k个阴影区域的聚类中心
Figure BSA0000284862340000151
和光照方向上的长度
Figure BSA0000284862340000152
以及m个高亮区域中第j个高亮区的聚类中心
Figure BSA0000284862340000153
和长度
Figure BSA0000284862340000154
以
Figure BSA0000284862340000155
为中心，同每个高亮区的中心
Figure BSA0000284862340000156
进行连线，得到m个中心距dj，k，按照下式计算m个匹配的分数：SC＝α·δ，选择SC值最大的一对匹配作为阴影区Dk的最终匹配，直到匹配完所有的阴影区域为止。这样可能造成一些高亮区域没有与合适的阴影区域配对。再以高亮区域为参考区域反向与每个阴影区域进行互配得到一组匹配结果。为了确保较高的匹配的正确率，则可以在反向匹配之后取两组匹配的交集为最终匹配结果。需要说明的是，也可以根据实际需求选择两组匹配的并集为最终匹配结果。
对于每对匹配组，合并高亮区域以及阴影区域。确定每对匹配的明暗区域的上、下、左、右四个方向的顶点坐标，以上、下两点的纵坐标和左、右两点的横坐标确定每对匹配组的明暗区域的外接矩形，即得到单个凹障碍的外接矩形。至此，图像中的凹障碍已得到初步识别检测，但对于实际应用还缺少更为精确的轮廓信息和位置信息，需要作进一步的边缘检测。
在本申请实施例提供的凹障碍的识别方法中，对目标子图像进行边缘提取，得到目标边缘信息包括：通过边缘检测算法对目标子图像进行边缘提取，得到初始边缘信息；将初始边缘信息中的边缘长度小于第一预设阈值的进行剔除，得到处理后的初始边缘信息；对处理后的初始边缘信息中的伪边缘和非弧形边缘进行剔除，得到目标边缘信息。
计算处理后的初始边缘信息中边缘点的梯度矢量，并获取原始灰度图像中光照方向矢量；计算梯度矢量与光照方向矢量的目标夹角值；若目标夹角值大于第二预设阈值，则确定目标夹角值对应的边缘信息为伪边缘。
依据处理后的初始边缘信息中目标边缘的端点的坐标和目标边缘的几何中心坐标进行计算，得到目标数值；若目标数值小于第三预设阈值，则确定目标边缘为非弧形边缘。
具体地，获取原始灰度图像在上一步得到的外接矩形范围内的目标子图像，从而减少了多个撞击坑存在的干扰，使用边缘检测算法(Canny算子)进行边缘信息提取，得到初始边缘信息。
对于得到的初始边缘信息，包含大量非真实障碍边缘，不能直接用于轮廓拟合，需要进行筛选剔除。
首先，剔除极短边缘，将边缘长度小于第一预设阈值λ的边缘进行剔除。λ一般设置在5像素左右。
然后，剔除伪边缘，对于其中包含由阴影区和高亮区分界线引起的伪边缘，其灰度减小方向与光照方向相反，而真实边缘灰度减小方向与光照方向相同，如图3所示。
根据光照方向，进而得到真实边缘的梯度约束，即真实边缘处梯度方向与光照方向夹角为锐角，伪边缘处梯度方向与光照方向夹角为钝角，因此可以按照下式将边缘中灰度梯度方向矢量与光照方向矢量的夹角小于第一预设阈值θb的像素点进行保留，剔除不满足的伪边缘，一般来说θb可以设置在40度：
Figure BSA0000284862340000161
其中，Gx，Gy为边缘点(x，y)的灰度g(x，y)在x，y方向的梯度值：
Figure BSA0000284862340000162
最后，剔除非弧形边缘，由于陨石坑的边缘都呈现的是弧形，根据这一特征，可以按照下式将满足条件的弧形边缘进行保留，剔除不满足的非弧形边缘：
Figure BSA0000284862340000163
其中，P1、P2分别为边缘两端像素点的坐标，Pc为边缘几何中心的坐标，εp为坐标偏差门限(即上述的第三预设阈值)，第三预设阈值可以设置在3像素左右。
对初始边缘信息进行筛选剔除后，得到上述的目标边缘信息。
对于上述步骤提取的目标边缘信息，为二值化的离散数据点，无法达到对凹障碍轮廓的完整提取，也无法精确定位凹障碍的位置范围，因此需要对其进行拟合。考虑到月面撞击坑的实际外观形状，将障碍轮廓看作椭圆曲线进行拟合，使用基于霍夫变换的椭圆拟合算法进行边缘信息的拟合。其中心思想是将图像空间变换到参数空间，采用统计投票机制，通过寻找峰值确定椭圆参数，其优点是对特征边缘信息存在间断缺损的情况包容性好，受图像噪声的影响较小。
因此，依据目标边缘信息进行椭圆拟合，以确定目标子图像中的凹障碍的信息包括：将目标边缘信息中的坐标信息映射至椭圆参数空间中，得到多个五维空间下的点；对多个五维空间下的点进行统计投票，得到每个五维空间下的点的投票峰值，其中，所述多个五维空间下的点对应不同的椭圆参数；并将超过第四预设阈值的投票峰值对应的五维空间下的点作为目标椭圆参数；基于目标椭圆参数确定目标子图像中的凹障碍的信息。
具体地，对于任意椭圆，设椭圆圆心坐标为(Ox，Oy)，其半长、短轴长分别为a，b，长轴与x轴的夹角为椭圆旋转角θe，平面上标准椭圆方程表示为：
Figure BSA0000284862340000171
因此，确定一个椭圆的标准方程需要确定5个参数{Ox，Oy，a，b，θe}，如图4所示。
基于霍夫变换的椭圆拟合首先是对于提取的边缘信息，将边缘像素点坐标作为特征点坐标保存到数组H中。
然后将数组H中的特征点基于霍夫变换映射到椭圆的五维参数空间中，得到多个五维空间下的点。最后在五维参数空间对多个五维空间下的点{Ox，Oy，a，b，θe}进行统计投票，将峰值超过第四预设阈值(一般来说第四预设阈值可以设置在0.8左右)的五维空间下的点对应的参数作为目标椭圆参数。基于目标椭圆参数确定单个凹障碍的边缘检测结果，使用椭圆拟合提取单个凹障碍的完整轮廓之后，遍历所有包含单个凹障碍的目标子图像，最终完成所有凹障碍的识别检测。
在一可选的实施例中，可以采用如图5所示的流程图实现对凹障碍的识别，首先，基于最大类间方差法的自适应双阈值能够自动分割出凹障碍的阴影与高亮区域，然后对阴影与高亮区域进行聚类分析，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标；根据第一中心点坐标和第二中心点坐标对阴影区域与高亮区域一一匹配，识别出单个凹障碍，再对包含单个凹障碍的目标子图像，进行边缘提取和拟合，减少同时处理多个障碍的干扰影响，遍历所有目标子图像，最终完成所有凹障碍的识别检测。
综上所述，通过本申请提出的凹障碍的识别方法可用于提高月面凹障碍识别检测的正确率，特别适用于具有明显光照特性的凹障碍区域。本申请提出的凹障碍的识别方法简单直观、实时性高、易实现，能够弥补三维检测方法中由于数据点稀疏带来的误差问题，对提高月面凹障碍检测的高效可靠性、为月面巡视探测器提供有效的障碍信息具有十分重要的意义。
本申请实施例提供的凹障碍的识别方法，通过最大类间方差法对待识别的原始灰度图像进行计算，得到第一目标灰度阈值和第二目标灰度阈值，并通过第一目标灰度阈值和第二目标灰度阈值对原始灰度图像进行分割，得到阴影区域图像和高亮区域图像，其中，原始灰度图像中包括多个凹障碍；基于K均值聚类算法分别对阴影区域图像和高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标；依据星历预报计算太阳方位角和太阳高度角，以得到原始灰度图像中光照方向矢量，并基于光照方向矢量、第一中心点坐标和第二中心点坐标，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形，其中，匹配组与凹障碍是一一对应的；依据每个匹配组对应的图像区域的外接矩形，从原始灰度图像中确定包含单个凹障碍的目标子图像，并对目标子图像进行边缘提取，得到目标边缘信息，并依据目标边缘信息进行椭圆拟合，以确定目标子图像中的凹障碍的信息，解决了相关技术中基于三维成像数据点识别凹障碍时，容易由于三维成像数据点稀疏导致对凹障碍识别准确率低的问题。通过第一目标灰度阈值和第二目标灰度阈值对原始灰度图像进行分割，得到阴影区域图像和高亮区域图像，通过K均值聚类算法分别对阴影区域图像和高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标，然后通过阴影和高亮区域匹配识别出单个凹障碍，再分别对包含单个凹障碍的原始灰度图像的子图像进行边缘检测，解决多个障碍同时检测互相干扰、影响检测效果的缺陷，最终实现对凹障碍区域位置范围的精确检测，进而达到了提高对凹障碍识别准确率的效果。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种凹障碍的识别装置，需要说明的是，本申请实施例的凹障碍的识别装置可以用于执行本申请实施例所提供的用于凹障碍的识别方法。以下对本申请实施例提供的凹障碍的识别装置进行介绍。
图6是根据本申请实施例的凹障碍的识别装置的示意图。如图6所示，该装置包括：第一计算单元601，聚类单元602，匹配单元603和第一确定单元604。
第一计算单元601，用于通过最大类间方差法对待识别的原始灰度图像进行计算，得到第一目标灰度阈值和第二目标灰度阈值，并通过第一目标灰度阈值和第二目标灰度阈值对原始灰度图像进行分割，得到阴影区域图像和高亮区域图像，其中，原始灰度图像中包括多个凹障碍；
聚类单元602，用于基于K均值聚类算法分别对阴影区域图像和高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标；
匹配单元603，用于依据星历预报计算太阳方位角和太阳高度角，以得到原始灰度图像中光照方向矢量，并基于光照方向矢量、第一中心点坐标和第二中心点坐标，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形，其中，匹配组与凹障碍是一一对应的；
第一确定单元604，用于依据每个匹配组对应的图像区域的外接矩形，从原始灰度图像中确定包含单个凹障碍的目标子图像，并对目标子图像进行边缘提取，得到目标边缘信息，并依据目标边缘信息进行椭圆拟合，以确定目标子图像中的凹障碍的信息。
本申请实施例提供的凹障碍的识别装置，通过第一计算单元601通过最大类间方差法对待识别的原始灰度图像进行计算，得到第一目标灰度阈值和第二目标灰度阈值，并通过第一目标灰度阈值和第二目标灰度阈值对原始灰度图像进行分割，得到阴影区域图像和高亮区域图像，其中，原始灰度图像中包括多个凹障碍；聚类单元602基于K均值聚类算法分别对阴影区域图像和高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标；匹配单元603依据星历预报计算太阳方位角和太阳高度角，以得到原始灰度图像中光照方向矢量，并基于光照方向矢量、第一中心点坐标和第二中心点坐标，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形，其中，匹配组与凹障碍是一一对应的；第一确定单元604依据每个匹配组对应的图像区域的外接矩形，从原始灰度图像中确定包含单个凹障碍的目标子图像，并对目标子图像进行边缘提取，得到目标边缘信息，并依据目标边缘信息进行椭圆拟合，以确定目标子图像中的凹障碍的信息，解决了相关技术中基于三维成像数据点识别凹障碍时，容易由于三维成像数据点稀疏导致对凹障碍识别准确率低的问题。通过第一目标灰度阈值和第二目标灰度阈值对原始灰度图像进行分割，得到阴影区域图像和高亮区域图像，通过K均值聚类算法分别对阴影区域图像和高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标，然后通过阴影和高亮区域匹配识别出单个凹障碍，再分别对包含单个凹障碍的原始灰度图像的子图像进行边缘检测，解决多个障碍同时检测互相干扰、影响检测效果的缺陷，最终实现对凹障碍区域位置范围的精确检测，进而达到了提高对凹障碍识别准确率的效果。
可选地，在本申请实施例提供的凹障碍的识别装置中，第一计算单元601包括：第一计算模块，用于计算原始灰度图像中包含像素点的总数量和每个灰度值所包含的像素点数量，并依据总数量和每个灰度值所包含的像素点数量计算得到原始灰度图像每个灰度值出现的概率值；设置模块，用于设置第一初始灰度阈值和第二初始灰度阈值，并依据第一初始灰度阈值和第二初始灰度阈值将原始灰度图像中的像素点划分为第一类别像素点、第二类别像素点和第三类别像素点；第二计算模块，用于依据每个灰度值出现的概率值，对每个类别像素点分别计算灰度值概率和、平均灰度值和灰度方差值；第三计算模块，用于对原始灰度图像中的灰度值进行计算，得到全局平均灰度值，并依据全局平均灰度值计算得到全局灰度方差值，并依据灰度值概率和、灰度方差值和全局灰度方差值，构建类间方差方程；求解模块，用于通过对类间方差方程进行求解，得到类间方差方程在最大值时对应的灰度阈值，并将灰度阈值作为第一目标灰度阈值和第二目标灰度阈值。
可选地，在本申请实施例提供的凹障碍的识别装置中，设置模块包括：第一确定子模块，用于若原始灰度图像中的像素点对应的灰度值小于等于第一初始灰度阈值，则确定像素点为第一类别像素点；第二确定子模块，用于若原始灰度图像中的像素点对应的灰度值大于第一初始灰度阈值，且小于等于第二初始灰度阈值，则确定像素点为第二类别像素点；第三确定子模块，用于若原始灰度图像中的像素点对应的灰度值大于第二初始灰度阈值，则确定像素点为第三类别像素点。
可选地，在本申请实施例提供的凹障碍的识别装置中，第一计算单元601包括：划分模块，用于依据第一目标灰度阈值和第二目标灰度阈值对原始灰度图像的像素点进行划分，得到第四类别像素点、第五类别像素点和第六类别像素点，其中，第四类别像素点对应的区域为阴影区域，第五类别像素点对应的区域为背景区域，第六类别像素点对应的区域为高亮区域；分割模块，用于基于第四类别像素点、第五类别像素点和第六类别像素点，对原始灰度图像进行分割，得到阴影区域图像和高亮区域图像。
可选地，在本申请实施例提供的凹障碍的识别装置中，该装置还包括：处理单元，用于在基于K均值聚类算法分别对阴影区域图像和高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标之前，通过图像腐蚀装置对阴影区域图像和高亮区域图像进行杂点去除，并通过图像膨胀装置对阴影区域图像和高亮区域图像进行空隙填补。
可选地，在本申请实施例提供的凹障碍的识别装置中，匹配单元603包括：获取模块，用于计算第一中心点坐标和第二中心点坐标之间连线的位置方向矢量；构建模块，用于基于光照方向矢量和位置方向矢量，构建角度因子；第四计算模块，用于计算每类阴影区域和每类高亮区域在光照方向上的长度值，并依据长度值构建距离因子；匹配模块，用于依据角度因子和距离因子，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形。
可选地，在本申请实施例提供的凹障碍的识别装置中，匹配模块包括：第一计算子模块，用于依据角度因子和距离因子，计算待匹配的阴影区域与每类高亮区域的匹配分数，得到多个第一匹配分数值；第二计算子模块，用于依据角度因子和距离因子，计算待匹配的高亮区域与每类阴影区域的匹配分数，得到多个第二匹配分数值；匹配子模块，用于依据第一匹配分数值和第二匹配分数值，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组；第三计算子模块，用于计算每个匹配组的目标方向的顶点坐标，并依据顶点坐标确定每个匹配组对应的图像区域的外接矩形。
可选地，在本申请实施例提供的凹障碍的识别装置中，第一确定单元604包括：提取模块，用于通过边缘检测算法对目标子图像进行边缘提取，得到初始边缘信息；第一剔除模块，用于将初始边缘信息中的边缘长度小于第一预设阈值的进行剔除，得到处理后的初始边缘信息；第二本剔除模块，用于对处理后的初始边缘信息中的伪边缘和非弧形边缘进行剔除，得到目标边缘信息。
可选地，在本申请实施例提供的凹障碍的识别装置中，该装置还包括：第二计算单元，用于在对处理后的初始边缘信息中的伪边缘和非弧形边缘进行剔除，得到目标边缘信息之前，计算处理后的初始边缘信息中边缘点的梯度矢量，并获取原始灰度图像中光照方向矢量；第三计算单元，用于计算梯度矢量与光照方向矢量的目标夹角值；第二确定单元，用于若目标夹角值大于第二预设阈值，则确定目标夹角值对应的边缘信息为伪边缘。
可选地，在本申请实施例提供的凹障碍的识别装置中，该装置还包括：第四计算单元，用于在对处理后的初始边缘信息中的伪边缘和非弧形边缘进行剔除，得到目标边缘信息之前，依据处理后的初始边缘信息中目标边缘的端点的坐标和目标边缘的几何中心坐标进行计算，得到目标数值；第三确定单元，用于若目标数值小于第三预设阈值，则确定目标边缘为非弧形边缘。
可选地，在本申请实施例提供的凹障碍的识别装置中，第一确定单元604包括：求解模块，用于将所述目标边缘信息中的坐标信息映射至椭圆参数空间中，得到多个五维空间下的点；统计模块，用于对所述多个五维空间下的点进行统计投票，得到每个五维空间下的点的投票峰值，其中，所述多个五维空间下的点对应不同的椭圆参数；并将超过第四预设阈值的投票峰值对应的五维空间下的点作为目标椭圆参数；确定模块，用于基于所述目标椭圆参数确定所述目标子图像中的凹障碍的信息。
凹障碍的识别装置包括处理器和存储器，上述的第一计算单元601，聚类单元602，匹配单元603和第一确定单元604等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现对凹障碍的识别检测。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种处理器，处理器用于运行程序，其中，程序运行时执行凹障碍的识别方法。
如图7所示，本发明实施例提供了一种电子设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：通过最大类间方差法对待识别的原始灰度图像进行计算，得到第一目标灰度阈值和第二目标灰度阈值，并通过第一目标灰度阈值和第二目标灰度阈值对原始灰度图像进行分割，得到阴影区域图像和高亮区域图像，其中，原始灰度图像中包括多个凹障碍；基于K均值聚类算法分别对阴影区域图像和高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标；依据星历预报计算太阳方位角和太阳高度角，以得到原始灰度图像中光照方向矢量，并基于光照方向矢量、第一中心点坐标和第二中心点坐标，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形，其中，匹配组与凹障碍是一一对应的；依据每个匹配组对应的图像区域的外接矩形，从原始灰度图像中确定包含单个凹障碍的目标子图像，并对目标子图像进行边缘提取，得到目标边缘信息，并依据目标边缘信息进行椭圆拟合，以确定目标子图像中的凹障碍的信息。
可选地，通过最大类间方差法计算得到第一目标灰度阈值和第二目标灰度阈值包括：计算原始灰度图像中包含像素点的总数量和每个灰度值所包含的像素点数量，并依据总数量和每个灰度值所包含的像素点数量计算得到原始灰度图像每个灰度值出现的概率值；设置第一初始灰度阈值和第二初始灰度阈值，并依据第一初始灰度阈值和第二初始灰度阈值将原始灰度图像中的像素点划分为第一类别像素点、第二类别像素点和第三类别像素点；依据每个灰度值出现的概率值，对每个类别像素点分别计算灰度值概率和、平均灰度值和灰度方差值；对原始灰度图像中的灰度值进行计算，得到全局平均灰度值，并依据全局平均灰度值计算得到全局灰度方差值，并依据灰度值概率和、灰度方差值和全局灰度方差值，构建类间方差方程；通过对类间方差方程进行求解，得到类间方差方程在最大值时对应的灰度阈值，并将灰度阈值作为第一目标灰度阈值和第二目标灰度阈值。
可选地，依据第一初始灰度阈值和第二初始灰度阈值将原始灰度图像中的像素点划分为第一类别像素点、第二类别像素点和第三类别像素点包括：若原始灰度图像中的像素点对应的灰度值小于等于第一初始灰度阈值，则确定像素点为第一类别像素点；若原始灰度图像中的像素点对应的灰度值大于第一初始灰度阈值，且小于等于第二初始灰度阈值，则确定像素点为第二类别像素点；若原始灰度图像中的像素点对应的灰度值大于第二初始灰度阈值，则确定像素点为第三类别像素点。
可选地，通过第一目标灰度阈值和第二目标灰度阈值对待识别的原始灰度图像进行分割，得到阴影区域图像和高亮区域图像包括：依据第一目标灰度阈值和第二目标灰度阈值对原始灰度图像的像素点进行划分，得到第四类别像素点、第五类别像素点和第六类别像素点，其中，第四类别像素点对应的区域为阴影区域，第五类别像素点对应的区域为背景区域，第六类别像素点对应的区域为高亮区域；基于第四类别像素点、第五类别像素点和第六类别像素点，对原始灰度图像进行分割，得到阴影区域图像和高亮区域图像。
可选地，在基于K均值聚类算法分别对阴影区域图像和高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标之前，方法还包括：通过图像腐蚀方法对阴影区域图像和高亮区域图像进行杂点去除，并通过图像膨胀方法对阴影区域图像和高亮区域图像进行空隙填补。
可选地，依据星历预报计算太阳方位角和太阳高度角，以得到原始灰度图像中光照方向矢量，并基于光照方向矢量、第一中心点坐标和第二中心点坐标，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形包括：计算第一中心点坐标和第二中心点坐标之间连线的位置方向矢量；基于光照方向矢量和位置方向矢量，构建角度因子；计算每类阴影区域和每类高亮区域在光照方向上的长度值，并依据长度值构建距离因子；依据角度因子和距离因子，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形。
可选地，依据角度因子和距离因子，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形包括：依据角度因子和距离因子，计算待匹配的阴影区域与每类高亮区域的匹配分数，得到多个第一匹配分数值；依据角度因子和距离因子，计算待匹配的高亮区域与每类阴影区域的匹配分数，得到多个第二匹配分数值；依据第一匹配分数值和第二匹配分数值，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组；计算每个匹配组的目标方向的顶点坐标，并依据顶点坐标确定每个匹配组对应的图像区域的外接矩形。
可选地，对目标子图像进行边缘提取，得到目标边缘信息包括：通过边缘检测算法对目标子图像进行边缘提取，得到初始边缘信息；将初始边缘信息中的边缘长度小于第一预设阈值的进行剔除，得到处理后的初始边缘信息；对处理后的初始边缘信息中的伪边缘和非弧形边缘进行剔除，得到目标边缘信息。
可选地，在对处理后的初始边缘信息中的伪边缘和非弧形边缘进行剔除，得到目标边缘信息之前，方法还包括：计算处理后的初始边缘信息中边缘点的梯度矢量，并获取原始灰度图像中光照方向矢量；计算梯度矢量与光照方向矢量的目标夹角值；若目标夹角值大于第二预设阈值，则确定目标夹角值对应的边缘信息为伪边缘。
可选地，在对处理后的初始边缘信息中的伪边缘和非弧形边缘进行剔除，得到目标边缘信息之前，该方法还包括：依据处理后的初始边缘信息中目标边缘的端点的坐标和目标边缘的几何中心坐标进行计算，得到目标数值；若目标数值小于第三预设阈值，则确定目标边缘为非弧形边缘。
可选地，依据目标边缘信息进行椭圆拟合，以确定目标子图像中的凹障碍的信息包括：将目标边缘信息中的坐标信息映射至椭圆参数空间中，得到多个五维空间下的点；对多个五维空间下的点进行统计投票，得到每个五维空间下的点的投票峰值，其中，所述多个五维空间下的点对应不同的椭圆参数；并将超过第四预设阈值的投票峰值对应的五维空间下的点作为目标椭圆参数；基于目标椭圆参数确定目标子图像中的凹障碍的信息。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：通过最大类间方差法对待识别的原始灰度图像进行计算，得到第一目标灰度阈值和第二目标灰度阈值，并通过第一目标灰度阈值和第二目标灰度阈值对原始灰度图像进行分割，得到阴影区域图像和高亮区域图像，其中，原始灰度图像中包括多个凹障碍；基于K均值聚类算法分别对阴影区域图像和高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标；依据星历预报计算太阳方位角和太阳高度角，以得到原始灰度图像中光照方向矢量，并基于光照方向矢量、第一中心点坐标和第二中心点坐标，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形，其中，匹配组与凹障碍是一一对应的；依据每个匹配组对应的图像区域的外接矩形，从原始灰度图像中确定包含单个凹障碍的目标子图像，并对目标子图像进行边缘提取，得到目标边缘信息，并依据目标边缘信息进行椭圆拟合，以确定目标子图像中的凹障碍的信息。
可选地，通过最大类间方差法计算得到第一目标灰度阈值和第二目标灰度阈值包括：计算原始灰度图像中包含像素点的总数量和每个灰度值所包含的像素点数量，并依据总数量和每个灰度值所包含的像素点数量计算得到原始灰度图像每个灰度值出现的概率值；设置第一初始灰度阈值和第二初始灰度阈值，并依据第一初始灰度阈值和第二初始灰度阈值将原始灰度图像中的像素点划分为第一类别像素点、第二类别像素点和第三类别像素点；依据每个灰度值出现的概率值，对每个类别像素点分别计算灰度值概率和、平均灰度值和灰度方差值；对原始灰度图像中的灰度值进行计算，得到全局平均灰度值，并依据全局平均灰度值计算得到全局灰度方差值，并依据灰度值概率和、灰度方差值和全局灰度方差值，构建类间方差方程；通过对类间方差方程进行求解，得到类间方差方程在最大值时对应的灰度阈值，并将灰度阈值作为第一目标灰度阈值和第二目标灰度阈值。
可选地，依据第一初始灰度阈值和第二初始灰度阈值将原始灰度图像中的像素点划分为第一类别像素点、第二类别像素点和第三类别像素点包括：若原始灰度图像中的像素点对应的灰度值小于等于第一初始灰度阈值，则确定像素点为第一类别像素点；若原始灰度图像中的像素点对应的灰度值大于第一初始灰度阈值，且小于等于第二初始灰度阈值，则确定像素点为第二类别像素点；若原始灰度图像中的像素点对应的灰度值大于第二初始灰度阈值，则确定像素点为第三类别像素点。
可选地，通过第一目标灰度阈值和第二目标灰度阈值对待识别的原始灰度图像进行分割，得到阴影区域图像和高亮区域图像包括：依据第一目标灰度阈值和第二目标灰度阈值对原始灰度图像的像素点进行划分，得到第四类别像素点、第五类别像素点和第六类别像素点，其中，第四类别像素点对应的区域为阴影区域，第五类别像素点对应的区域为背景区域，第六类别像素点对应的区域为高亮区域；基于第四类别像素点、第五类别像素点和第六类别像素点，对原始灰度图像进行分割，得到阴影区域图像和高亮区域图像。
可选地，在基于K均值聚类算法分别对阴影区域图像和高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标之前，方法还包括：通过图像腐蚀方法对阴影区域图像和高亮区域图像进行杂点去除，并通过图像膨胀方法对阴影区域图像和高亮区域图像进行空隙填补。
可选地，依据星历预报计算太阳方位角和太阳高度角，以得到原始灰度图像中光照方向矢量，并基于光照方向矢量、第一中心点坐标和第二中心点坐标，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形包括：计算第一中心点坐标和第二中心点坐标之间连线的位置方向矢量；基于光照方向矢量和位置方向矢量，构建角度因子；计算每类阴影区域和每类高亮区域在光照方向上的长度值，并依据长度值构建距离因子；依据角度因子和距离因子，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形。
可选地，依据角度因子和距离因子，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形包括：依据角度因子和距离因子，计算待匹配的阴影区域与每类高亮区域的匹配分数，得到多个第一匹配分数值；依据角度因子和距离因子，计算待匹配的高亮区域与每类阴影区域的匹配分数，得到多个第二匹配分数值；依据第一匹配分数值和第二匹配分数值，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组；计算每个匹配组的目标方向的顶点坐标，并依据顶点坐标确定每个匹配组对应的图像区域的外接矩形。
可选地，对目标子图像进行边缘提取，得到目标边缘信息包括：通过边缘检测算法对目标子图像进行边缘提取，得到初始边缘信息；将初始边缘信息中的边缘长度小于第一预设阈值的进行剔除，得到处理后的初始边缘信息；对处理后的初始边缘信息中的伪边缘和非弧形边缘进行剔除，得到目标边缘信息。
可选地，在对处理后的初始边缘信息中的伪边缘和非弧形边缘进行剔除，得到目标边缘信息之前，方法还包括：计算处理后的初始边缘信息中边缘点的梯度矢量，并获取原始灰度图像中光照方向矢量；计算梯度矢量与光照方向矢量的目标夹角值；若目标夹角值大于第二预设阈值，则确定目标夹角值对应的边缘信息为伪边缘。
可选地，在对处理后的初始边缘信息中的伪边缘和非弧形边缘进行剔除，得到目标边缘信息之前，该方法还包括：依据处理后的初始边缘信息中目标边缘的端点的坐标和目标边缘的几何中心坐标进行计算，得到目标数值；若目标数值小于第三预设阈值，则确定目标边缘为非弧形边缘。
可选地，依据目标边缘信息进行椭圆拟合，以确定目标子图像中的凹障碍的信息包括：将目标边缘信息中的坐标信息映射至椭圆参数空间中，得到多个五维空间下的点；对多个五维空间下的点进行统计投票，得到每个五维空间下的点的投票峰值，其中，所述多个五维空间下的点对应不同的椭圆参数；并将超过第四预设阈值的投票峰值对应的五维空间下的点作为目标椭圆参数；基于目标椭圆参数确定目标子图像中的凹障碍的信息。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (14)

1.一种凹障碍的识别方法，其特征在于，包括：
通过最大类间方差法对待识别的原始灰度图像进行计算，得到第一目标灰度阈值和第二目标灰度阈值，并通过所述第一目标灰度阈值和所述第二目标灰度阈值对所述原始灰度图像进行分割，得到阴影区域图像和高亮区域图像，其中，所述原始灰度图像中包括多个凹障碍；
基于K均值聚类算法分别对所述阴影区域图像和所述高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标；
依据星历预报计算太阳方位角和太阳高度角，以得到所述原始灰度图像中光照方向矢量，并基于所述光照方向矢量、所述第一中心点坐标和所述第二中心点坐标，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形，其中，匹配组与所述凹障碍是一一对应的；
依据所述每个匹配组对应的图像区域的外接矩形，从所述原始灰度图像中确定包含单个凹障碍的目标子图像，并对所述目标子图像进行边缘提取，得到目标边缘信息，并依据所述目标边缘信息进行椭圆拟合，以确定所述目标子图像中的凹障碍的信息。
2.根据权利要求1所述的方法，其特征在于，通过最大类间方差法计算得到第一目标灰度阈值和第二目标灰度阈值包括：
计算所述原始灰度图像中包含像素点的总数量和每个灰度值所包含的像素点数量，并依据所述总数量和每个灰度值所包含的像素点数量计算得到所述原始灰度图像每个灰度值出现的概率值；
设置第一初始灰度阈值和第二初始灰度阈值，并依据所述第一初始灰度阈值和所述第二初始灰度阈值将所述原始灰度图像中的像素点划分为第一类别像素点、第二类别像素点和第三类别像素点；
依据所述每个灰度值出现的概率值，对每个类别像素点分别计算灰度值概率和、平均灰度值和灰度方差值；
对所述原始灰度图像中的灰度值进行计算，得到全局平均灰度值，并依据所述全局平均灰度值计算得到全局灰度方差值，并依据所述灰度值概率和、所述灰度方差值和所述全局灰度方差值，构建类间方差方程；
通过对所述类间方差方程进行求解，得到所述类间方差方程在最大值时对应的灰度阈值，并将所述灰度阈值作为所述第一目标灰度阈值和所述第二目标灰度阈值。
3.根据权利要求2所述的方法，其特征在于，依据所述第一初始灰度阈值和所述第二初始灰度阈值将所述原始灰度图像中的像素点划分为第一类别像素点、第二类别像素点和第三类别像素点包括：
若所述原始灰度图像中的像素点对应的灰度值小于等于所述第一初始灰度阈值，则确定所述像素点为所述第一类别像素点；
若所述原始灰度图像中的像素点对应的灰度值大于所述第一初始灰度阈值，且小于等于所述第二初始灰度阈值，则确定所述像素点为所述第二类别像素点；
若所述原始灰度图像中的像素点对应的灰度值大于所述第二初始灰度阈值，则确定所述像素点为所述第三类别像素点。
4.根据权利要求1所述的方法，其特征在于，通过所述第一目标灰度阈值和所述第二目标灰度阈值对待识别的原始灰度图像进行分割，得到阴影区域图像和高亮区域图像包括：
依据所述第一目标灰度阈值和所述第二目标灰度阈值对所述原始灰度图像的像素点进行划分，得到第四类别像素点、第五类别像素点和第六类别像素点，其中，所述第四类别像素点对应的区域为所述阴影区域，所述第五类别像素点对应的区域为背景区域，所述第六类别像素点对应的区域为所述高亮区域；
基于所述第四类别像素点、所述第五类别像素点和所述第六类别像素点，对所述原始灰度图像进行分割，得到所述阴影区域图像和所述高亮区域图像。
5.根据权利要求1所述的方法，其特征在于，在基于K均值聚类算法分别对所述阴影区域图像和所述高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标之前，所述方法还包括：
通过图像腐蚀方法对所述阴影区域图像和所述高亮区域图像进行杂点去除，并通过图像膨胀方法对所述阴影区域图像和所述高亮区域图像进行空隙填补。
6.根据权利要求1所述的方法，其特征在于，依据星历预报计算太阳方位角和太阳高度角，以得到所述原始灰度图像中光照方向矢量，并基于所述光照方向矢量、所述第一中心点坐标和所述第二中心点坐标，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形包括：
计算所述第一中心点坐标和所述第二中心点坐标之间连线的位置方向矢量；
基于所述光照方向矢量和位置方向矢量，构建角度因子；
计算每类阴影区域和每类高亮区域在光照方向上的长度值，并依据所述长度值构建距离因子；
依据所述角度因子和所述距离因子，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形。
7.根据权利要求6所述的方法，其特征在于，依据所述角度因子和所述距离因子，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形包括：
依据所述角度因子和所述距离因子，计算待匹配的阴影区域与每类高亮区域的匹配分数，得到多个第一匹配分数值；
依据所述角度因子和所述距离因子，计算待匹配的高亮区域与每类阴影区域的匹配分数，得到多个第二匹配分数值；
依据所述第一匹配分数值和所述第二匹配分数值，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组；
计算每个匹配组的目标方向的顶点坐标，并依据所述顶点坐标确定每个匹配组对应的图像区域的外接矩形。
8.根据权利要求1所述的方法，其特征在于，对所述目标子图像进行边缘提取，得到目标边缘信息包括：
通过边缘检测算法对所述目标子图像进行边缘提取，得到初始边缘信息；
将所述初始边缘信息中的边缘长度小于第一预设阈值的进行剔除，得到处理后的初始边缘信息；
对所述处理后的初始边缘信息中的伪边缘和非弧形边缘进行剔除，得到所述目标边缘信息。
9.根据权利要求8所述的方法，其特征在于，在对所述处理后的初始边缘信息中的伪边缘和非弧形边缘进行剔除，得到所述目标边缘信息之前，所述方法还包括：
计算所述处理后的初始边缘信息中边缘点的梯度矢量，并获取所述原始灰度图像中光照方向矢量；
计算所述梯度矢量与所述光照方向矢量的目标夹角值；
若所述目标夹角值大于第二预设阈值，则确定所述目标夹角值对应的边缘信息为所述伪边缘。
10.根据权利要求8所述的方法，其特征在于，在对所述处理后的初始边缘信息中的伪边缘和非弧形边缘进行剔除，得到所述目标边缘信息之前，所述方法还包括：
依据所述处理后的初始边缘信息中目标边缘的端点的坐标和所述目标边缘的几何中心坐标进行计算，得到目标数值；
若所述目标数值小于第三预设阈值，则确定所述目标边缘为所述非弧形边缘。
11.根据权利要求1所述的方法，其特征在于，依据所述目标边缘信息进行椭圆拟合，以确定所述目标子图像中的凹障碍的信息包括：
将所述目标边缘信息中的坐标信息映射至椭圆参数空间中，得到多个五维空间下的点，其中，所述多个五维空间下的点对应不同的椭圆参数；
对所述多个五维空间下的点进行统计投票，得到每个五维空间下的点的投票峰值，并将超过第四预设阈值的投票峰值对应的五维空间下的点作为目标椭圆参数；
基于所述目标椭圆参数确定所述目标子图像中的凹障碍的信息。
12.一种凹障碍的识别装置，其特征在于，包括：
第一计算单元，用于通过最大类间方差法对待识别的原始灰度图像进行计算，得到第一目标灰度阈值和第二目标灰度阈值，并通过所述第一目标灰度阈值和所述第二目标灰度阈值对所述原始灰度图像进行分割，得到阴影区域图像和高亮区域图像，其中，所述原始灰度图像中包括多个凹障碍；
聚类单元，用于基于K均值聚类算法分别对所述阴影区域图像和所述高亮区域图像中的像素点按照像素点之间的距离进行聚类，得到多个不同类的阴影区域、每类阴影区域的第一中心点坐标、多个不同类的高亮区域和每类高亮区域的第二中心点坐标；
匹配单元，用于依据星历预报计算太阳方位角和太阳高度角，以得到所述原始灰度图像中光照方向矢量，并基于所述光照方向矢量、所述第一中心点坐标和所述第二中心点坐标，对每类阴影区域和每类高亮区域进行匹配，得到多个匹配组和每个匹配组对应的图像区域的外接矩形，其中，匹配组与所述凹障碍是一一对应的；
第一确定单元，用于依据所述每个匹配组对应的图像区域的外接矩形，从所述原始灰度图像中确定包含单个凹障碍的目标子图像，并对所述目标子图像进行边缘提取，得到目标边缘信息，并依据所述目标边缘信息进行椭圆拟合，以确定所述目标子图像中的凹障碍的信息。
13.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至11中任意一项所述的凹障碍的识别方法。
14.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至11中任意一项所述的凹障碍的识别方法。
CN202211154314.8A 2022-09-22 2022-09-22 凹障碍的识别方法和装置、处理器及电子设备 Pending CN116051822A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211154314.8A CN116051822A (zh) 2022-09-22 2022-09-22 凹障碍的识别方法和装置、处理器及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211154314.8A CN116051822A (zh) 2022-09-22 2022-09-22 凹障碍的识别方法和装置、处理器及电子设备

Publications (1)

Publication Number Publication Date
CN116051822A true CN116051822A (zh) 2023-05-02

Family

ID=86114203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211154314.8A Pending CN116051822A (zh) 2022-09-22 2022-09-22 凹障碍的识别方法和装置、处理器及电子设备

Country Status (1)

Country Link
CN (1) CN116051822A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503633A (zh) * 2023-07-03 2023-07-28 山东艾迈科思电气有限公司 基于图像识别的开关柜状态智能检测控制方法
CN116665062A (zh) * 2023-07-25 2023-08-29 山东中科冶金矿山机械有限公司 基于遥感影像的矿产资源监测方法
CN117309637A (zh) * 2023-11-29 2023-12-29 深圳市雄毅华绝缘材料有限公司 一种高分子复合材料强度检测装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503633A (zh) * 2023-07-03 2023-07-28 山东艾迈科思电气有限公司 基于图像识别的开关柜状态智能检测控制方法
CN116503633B (zh) * 2023-07-03 2023-09-05 山东艾迈科思电气有限公司 基于图像识别的开关柜状态智能检测控制方法
CN116665062A (zh) * 2023-07-25 2023-08-29 山东中科冶金矿山机械有限公司 基于遥感影像的矿产资源监测方法
CN117309637A (zh) * 2023-11-29 2023-12-29 深圳市雄毅华绝缘材料有限公司 一种高分子复合材料强度检测装置
CN117309637B (zh) * 2023-11-29 2024-01-26 深圳市雄毅华绝缘材料有限公司 一种高分子复合材料强度检测装置

Similar Documents

Publication Publication Date Title
US9619691B2 (en) Multi-view 3D object recognition from a point cloud and change detection
Lari et al. An adaptive approach for the segmentation and extraction of planar and linear/cylindrical features from laser scanning data
CN107341488B (zh) 一种sar图像目标检测识别一体化方法
Zhang et al. Change detection between multimodal remote sensing data using Siamese CNN
CN116051822A (zh) 凹障碍的识别方法和装置、处理器及电子设备
CN111145228B (zh) 基于局部轮廓点与形状特征融合的异源图像配准方法
CN111091095B (zh) 一种遥感图像中船只目标的检测方法
US20180075319A1 (en) 3d building extraction apparatus, method and system
CN108305260B (zh) 一种图像中角点的检测方法、装置及设备
Cheng et al. Building boundary extraction from high resolution imagery and lidar data
CN104200495A (zh) 一种视频监控中的多目标跟踪方法
CN114782499A (zh) 一种基于光流和视图几何约束的图像静态区域提取方法及装置
EP2054835B1 (en) Target orientation
CN116148808A (zh) 一种基于点云描述符的自动驾驶激光重定位方法和系统
CN113920420A (zh) 一种建筑物提取方法、装置、终端设备及可读存储介质
Zheng et al. Building recognition of UAV remote sensing images by deep learning
Wang Automatic extraction of building outline from high resolution aerial imagery
Chen et al. Shape similarity intersection-over-union loss hybrid model for detection of synthetic aperture radar small ship objects in complex scenes
CN104881670B (zh) 一种用于sar方位角估计的快速目标提取方法
CN112734816B (zh) 基于CSS-Delaunay的异源图像配准方法
Farella et al. Sparse point cloud filtering based on covariance features
Wang et al. Mapping road based on multiple features and B-GVF snake
CN113822361B (zh) 一种基于汉明距离的sar图像相似程度度量方法和系统
CN112686222B (zh) 星载可见光探测器对船舶目标检测的方法和系统
Ruichek et al. Maximal similarity based region classification method through local image region descriptors and Bhattacharyya coefficient-based distance: application to horizon line detection using wide-angle camera

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