一种简单有效的地标定位方法与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及地标定位技术领域，尤其涉及一种简单有效的地标定位方法。背景技术：2.随着集装箱轮船的智能化和大型化，集装箱码头面临吞吐量急剧增加的巨大压力。由于劳动力成本增加和劳动力资源匮乏，传统港口集装箱生产线的改造和升级成为智能工厂转型的关键任务，堆高机的自动化和智能化是集装箱码头未来发展的重要方向。随着机器视觉技术越来越成熟，如何实现视觉系统的智能识别与精确定位是关键。3.堆高机视觉系统在实际工作情况下，地标存在阴影遮挡、地标残缺、强光反射等复杂且难以处理的工况。此外，二维图像信息的目标识别算法易受到遮挡、噪声等环境因素的影响。由于堆高机自身机械结构和工作要求的限制，其运行过程中存在无法避免的晃动问题，该问题会导致视觉系统向控制系统反馈的调整信号与实际存在较大误差，极大降低工作效率，上述问题均给地标的稳定识别带来了巨大挑战。4.目标识别定位系统在机器人领域上有着不可估量的作用，对目标进行动态识别和定位是智能机器人的关键技术。田宇沃等人通过运动驱动模块的移动openmv对目标进行寻找，在图像预处理后采用ncc算法定位目标特征点，但此方法只能匹配与模板图片大小和角度基本一致的图案，目标图像与模板图像尺寸稍有不同就会导致匹配失败。许文彬等人设计了一种基于opencv和tensorflow的视觉定位引导系统，实现了集装箱堆高机车体在港口恶劣环境下的自动引导和定位功能，但未能实现操作运行过程的完全自动化。谢丁龙等人设计了一种通过识别集装箱箱体轮廓实现完全自动化集装箱定位装卸的视觉系统，但该系统运行的前提是摄像头必须拍摄到完整集装箱轮廓，因此在港口恶劣的环境条件下目标对象识别成功率较低。5.因此有必要提供一种简单有效的地标定位方法，可以实现对目标集装箱进行简单、快速的精准定位。技术实现要素：6.本发明的目的是为了解决现有技术中存在的缺点，而提出的一种简单有效的地标定位方法。7.为了实现上述目的，本发明采用了如下技术方案：8.一种简单有效的地标定位方法，包括以下步骤：9.s1、使用单目相机获取地标实时图像；10.s2、基于高斯滤波与自适应对比度提升的方法，对图像进行预处理；11.s3、使用canny边缘检测法获取地标边缘点集，通过图像检测技术的轮廓检测函数将边缘点拟合成粗略轮廓，再使用基于hu矩的轮廓匹配算法提取精确轮廓；12.s4、使用edlines直线检测法检测并筛选出拟合轮廓的特征直线，并利用特征直线计算出中心特征点坐标；13.s5、通过比较实时地标与模板地标的特征点位置和特征直线斜率，计算出当前吊具偏移量和偏移角，实现集装箱地标的快速精准定位。14.与现有技术相比，为解决堆高机在港口复杂工况下的对目标集装箱地标进行快速精准定位的任务，本发明为由图像采集装置和图像处理算法组成的堆高机视觉系统，利用视觉系统捕获的地标实时位置信息与模板信息进行比较，反馈堆高机吊具所需的调整信息，最终实现对堆高机吊具位姿的精确控制，这种方法可以稳定、高效地实现港口集装箱堆高机的自动化识别与快速精准的进行定位，满足港口堆高机自动化运行需求，符合实际生产需要。15.优选地，所述s2中的高斯滤波方法是指在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中必不可少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性，对堆高机获取到的地标图像采用高斯滤波去噪，使输入的地标图像平滑，二维图像高斯滤波表达如下：[0016][0017]其中，x和y是二维图像像素点坐标，σ表示高斯核方差也称为尺度，影响高斯滤波器平滑度。[0018]进一步的，能充分对图线记性预处理，有助于提升后续操作中图像处理和分析的有效性和可靠性。[0019]优选地，所述s2中的自适应对比度提升方法与图像本身信息相关，采用自适应对比度增强法来增强输入地标图像的对比度，根据图像特征对图像进行处理，具有更好的鲁棒性和泛用性，自适应对比度增强法具体步骤如下：[0020]先计算图像中每个点的局部均值：[0021][0022]再计算其标准差：[0023][0024]式中f(s,k)代表(s,k)点的像素值，其中s和k为二维图像当前像素点坐标，m(i,j)代表以点(i,j)为中心，其中i和j为中心像素点坐标，窗口大小为[(2n+1),(2m+1)]这个区域的局部图像均值，σ2(i,j)为局部图像的方差，σ(i,j)为局部图像标准差；[0025]在求出局部均值与标准差后，对图像进行增强，具体的公式如下：[0026]i(i,j)＝m(i,j)+g(f(i,j)-m(i,j))[0027][0028]其中i(i,j)代表增强后的像素值，m为全局均值，α是一般取值为大于0小于1的小数的系数参数；[0029]用图像每个点的局部均值m(i,j)构成一张新的图像，f(i,j)-m(i,j)g量化图像中的一个点是高频还是低频，一般情况下g大于1，所以通过g(f(i,j)-m(i,j))可以实现对图像的高频部分放大，进而对图像进行增强。[0030]进一步的，通过与高斯滤波技术配合，能进一步的图像预处理的效果，更进一步的保证后续图像处理和分析的有效性和可靠性。[0031]优选地，所述s3中使用canny边缘检测提取图像轮廓点集边缘信息，通过轮廓检索和矩形近似的方法，寻找到轮廓终点坐标后存储所有的轮廓点，相邻的两个点的像素位置差不超过1，以此方法来将获取到的边缘点整合成轮廓，得到地标轮廓粗提取结果，此时无论使用任何直线检测技术均无法稳定提取出期望的特征直线，所以需要对轮廓进行精确拟合；[0032]为了稳定、精确地获取l型轮廓，采用基于hu矩的轮廓匹配算法，hu矩是一组归一化中心距的线性组合，是由二阶和三阶中心矩计算得到的一组构成特征量的归一化中心矩，hu矩特征从模板轮廓中提取轮廓矩特征，hu矩作特征具有缩放、旋转和镜像映射的不变性，普通矩是对模板轮廓上的所有轮廓点进行积分运算而得到的特征，但是其过于简单，且不具备平移不变性，归一化中心矩具有平移不变性和尺度缩放不变性，归一化中心矩用零阶中心矩对非零阶中心矩进行归一化计算，从而得到归一化中心矩。对轮廓模板图片提取hu矩作为特征可以具有平移不变性、旋转不变性和缩放不变性对于轮廓形状单一、纹理特征简单的l形地标，无需对图像进行精细描述，以hu矩作为模板特征的轮廓匹配方法匹配速度快，匹配准确率高，最终处理得到的只有轮廓点集的图像。[0033]进一步的，通过相应技术手段能充分获取地标精准的轮廓，为后续操作提供精准的数据支撑。[0034]优选地，所述s4中的edlines算法只需要一组默认参数就可以处理几乎所有不同类型和不同条件下的图像，无需调整任何参数，这极大提高了直线检测算法在工业视觉系统中的运行效率，使直线检测技术具有更强的泛用性，edlines算法相比于传统直线检测技术在保证实时性的同时抑制了直线误检量，并对比了直线特征在提取质量和速度上的差异，在保证较高直线检测准确性的同时，提高了检测运行速率，edlines算法基本检测步骤如下：[0035]输入经过图像预处理的待检灰度图，使用edgedrawing边缘提取算法提取一系列连续的像素点，利用prewitt，sobel等算子计算像素梯度、梯度筛选、连接锚点生成初始线段，传统边缘检测算法的输出一般是一个二值边缘图像，其检测到的边缘像素通常是独立的、不相交的、不连续的实体；edgedrawing则产生一组边缘段，这些段是平滑的、连续的，即连接的边缘像素链，因此，传统边缘检测算法的输出即使进一步处理，也会产生无法过滤的的对象边界，导致直线检测结果误差较大；使用最小二乘法将连续像素点拟合，使直线更为平滑，最后利用helmholtzprinciple进行直线筛选，抑制误检直线；[0036]最后通过比较实时地标与模板地标的特征点位置和特征直线斜率，计算出当前吊具偏移量和偏移角，实现集装箱地标的快速精准定位，结果表明edlines直线检测的稳定性和实时性均可以满足实际需求，在程序运行速率上，edlines直线检测每帧图像处理时间约为70ms，在保证较高直线检测准确性的同时，拥有较快的运行速率。[0037]进一步的，提升计算的精准度。[0038]本发明的有益效果是：[0039]1、为了实现在港口恶劣环境下的集装箱堆高机的自动装配过程，需要通过对存在着阴影遮挡、地标残缺、强光反射等复杂问题的地面标志物进行实时的特征检测，来实现堆高机运行过程中的的自动识别与定位：[0040]2、对标定好的工业相机拍摄到的实时图像进行滤波处理，提高图像对比度后对提取地标轮廓；[0041]3、然后使用两种不同的直线检测技术提取轮廓特征，计算出吊具实时偏移角和偏移量并反馈给控制系统，以实现集装箱定位。附图说明[0042]图1为本发明的堆高机结构与工作示意图；[0043]图2为本发明的工作流程图；[0044]图3为本发明的轮廓粗提取结果图；[0045]图4为本发明的轮廓精提取结果图；[0046]图5为本发明的edlines直线检测输入图；[0047]图6为本发明的edlines直线检测最终结果图；[0048]图7为本发明的edlines直线检测流程图。具体实施方式[0049]下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。[0050]参照图1-6，一种简单有效的地标定位方法，包括以下步骤：[0051]s1、使用单目相机获取地标实时图像；[0052]s2、基于高斯滤波与自适应对比度提升的方法，对图像进行预处理；[0053]s3、使用canny边缘检测法获取地标边缘点集，通过图像检测技术的轮廓检测函数将边缘点拟合成粗略轮廓，再使用基于hu矩的轮廓匹配算法提取精确轮廓；[0054]s4、使用edlines直线检测法检测并筛选出拟合轮廓的特征直线，并利用特征直线计算出中心特征点坐标；[0055]s5、通过比较实时地标与模板地标的特征点位置和特征直线斜率，计算出当前吊具偏移量和偏移角，实现集装箱地标的快速精准定位。[0056]在本发明中，s2中的高斯滤波方法是指在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中必不可少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性；对堆高机获取到的地标图像采用高斯滤波去噪，使输入的地标图像平滑；二维图像高斯滤波表达如下：[0057][0058]其中，x和y是二维图像像素点坐标，σ表示高斯核方差也称为尺度，影响高斯滤波器平滑度。[0059]在本发明中，s2中的自适应对比度提升方法与图像本身信息相关，采用自适应对比度增强法来增强输入地标图像的对比度，根据图像特征对图像进行处理，具有更好的鲁棒性和泛用性；自适应对比度增强法具体步骤如下：[0060]先计算图像中每个点的局部均值：[0061][0062]再计算其标准差：[0063][0064]式中f(s,k)代表(s,k)点的像素值，其中s和k为二维图像当前像素点坐标；m(i,j)代表以点(i,j)为中心，其中i和j为中心像素点坐标；窗口大小为[(2n+1),(2m+1)]这个区域的局部图像均值，σ2(i,j)为局部图像的方差，σ(i,j)为局部图像标准差；[0065]在求出局部均值与标准差后，对图像进行增强，具体的公式如下：[0066]i(i,j)＝m(i,j)+g(f(i,j)-m(i,j))[0067][0068]其中i(i,j)代表增强后的像素值，m为全局均值，α是一般取值为大于0小于1的小数的系数参数；[0069]用图像每个点的局部均值m(i,j)构成一张新的图像，f(i,j)-m(i,j)g量化图像中的一个点是高频还是低频，一般情况下g大于1，所以通过g(f(i,j)-m(i,j))可以实现对图像的高频部分放大，进而对图像进行增强。[0070]在本发明中，s3中使用canny边缘检测提取图像轮廓点集边缘信息，通过轮廓检索和矩形近似的方法，寻找到轮廓终点坐标后存储所有的轮廓点，相邻的两个点的像素位置差不超过1，以此方法来将获取到的边缘点整合成轮廓，得到地标轮廓粗提取结果如图3所示；此时无论使用任何直线检测技术均无法稳定提取出期望的特征直线，所以需要对轮廓进行精确拟合；[0071]为了稳定、精确地获取l型轮廓，采用基于hu矩的轮廓匹配算法，hu矩是一组归一化中心距的线性组合，是由二阶和三阶中心矩计算得到的一组构成特征量的归一化中心矩；hu矩特征从模板轮廓中提取轮廓矩特征，hu矩作特征具有缩放、旋转和镜像映射的不变性，普通矩是对模板轮廓上的所有轮廓点进行积分运算而得到的特征，但是其过于简单，且不具备平移不变性；归一化中心矩具有平移不变性和尺度缩放不变性，归一化中心矩用零阶中心矩对非零阶中心矩进行归一化计算，从而得到归一化中心矩；对轮廓模板图片提取hu矩作为特征可以具有平移不变性、旋转不变性和缩放不变性对于轮廓形状单一、纹理特征简单的l形地标，无需对图像进行精细描述，以hu矩作为模板特征的轮廓匹配方法匹配速度快，匹配准确率高，最终处理得到的只有轮廓点集的图像；最终处理得到的只有轮廓点集的图像如图4所示。[0072]在本发明中，s4中的edlines算法只需要一组默认参数就可以处理几乎所有不同类型和不同条件下的图像，无需调整任何参数，这极大提高了直线检测算法在工业视觉系统中的运行效率，使直线检测技术具有更强的泛用性，edlines算法相比于传统直线检测技术在保证实时性的同时抑制了直线误检量，并对比了直线特征在提取质量和速度上的差异，在保证较高直线检测准确性的同时，提高了检测运行速率，edlines算法基本检测步骤如下：[0073]输入经过图像预处理的待检灰度图，使用edgedrawing边缘提取算法提取一系列连续的像素点，利用prewitt，sobel等算子计算像素梯度、梯度筛选、连接锚点生成初始线段，传统边缘检测算法的输出一般是一个二值边缘图像，其检测到的边缘像素通常是独立的、不相交的、不连续的实体；edgedrawing则产生一组边缘段，这些段是平滑的、连续的，即连接的边缘像素链，因此，传统边缘检测算法的输出即使进一步处理，也会产生无法过滤的的对象边界，导致直线检测结果误差较大；使用最小二乘法将连续像素点拟合，使直线更为平滑，最后利用helmholtzprinciple进行直线筛选，抑制误检直线，对图5进行edlines直线检测，结果如图6所示；[0074]最后通过比较实时地标与模板地标的特征点位置和特征直线斜率，计算出当前吊具偏移量和偏移角，实现集装箱地标的快速精准定位；结果表明edlines直线检测的稳定性和实时性均可以满足实际需求，在程序运行速率上，edlines直线检测每帧图像处理时间约为70ms，在保证较高直线检测准确性的同时，拥有较快的运行速率，edlines直线检测流程如图7所示。[0075]以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!