CN118071832B - 一种基于激光识别的rgv小车视觉定位方法及系统 - Google Patents

Abstract

本发明涉及图像处理技术领域，提出了一种基于激光识别的RGV小车视觉定位方法及系统，包括：获取RGV小车轨道图像并进行预处理得到RGV小车轨道灰度图像；获取RGV小车直线像素点集合和轨道区分局部窗口区域，计算轨道灰度区分指数，获取局部颜色窗口区域，计算轨道像素点融合判别系数；获取轨道方向局部区域和轨道扩张变动主方向，获取轨道扩张向量，计算RGV小车轨道判别聚类函数；获取RGV小车轨道区域图像，计算RGV小车激光识别碰撞定位因子，根据RGV小车激光识别碰撞定位因子完成对RGV小车碰撞定位。本发明实现对RGV小车碰撞定位的准确检测。

Description

一种基于激光识别的RGV小车视觉定位方法及系统

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于激光识别的RGV小车视觉定位方法及系统。

背景技术

仓储系统是现代物流供应链的一个重要组成部分，随着互联网和可移动终端设备的广泛普及和应用，电子商务和线上购物系统高速发展，物流任务量和订单反馈信息量也随之不断增大。因此为了提高仓储系统整体现代智能化效果，提升仓储物流管理过程中物流信息反馈响应的速度，现代自动化仓储系统中通常使用有轨引导小车（Rail GuidedVehicle）作为货物运载工具。RGV小车具有自动化程度高、可靠性好和任务处理效率高的优点，被广泛应用于自动化仓储系统的货物运输管理相关领域中。

发明内容

本发明提供一种基于激光识别的RGV小车视觉定位方法及系统，以解决传统算法仅依靠灰度值对RGV小车轨道区域判别造成定位不准确发生碰撞的问题，所采用的技术方案具体如下：

第一方面，本发明一个实施例提供了一种基于激光识别的RGV小车视觉定位方法，该方法包括以下步骤：

获取RGV小车轨道图像并进行预处理得到RGV小车轨道灰度图像；

根据RGV小车轨道灰度图像获取RGV小车直线像素点集合，利用RGV小车直线像素点集合获取轨道区分局部窗口区域，根据轨道区分局部窗口区域计算不同像素点位置处的轨道灰度区分指数，获取局部颜色窗口区域，根据轨道灰度区分指数计算不同像素点位置处的轨道像素点融合判别系数；

获取轨道方向局部区域，根据轨道方向局部区域获取每个像素点位置处的轨道扩张变动主方向，根据轨道像素点融合判别系数和轨道扩张变动主方向获取每个像素点位置处的轨道扩张向量，根据轨道扩张向量计算RGV小车轨道判别聚类函数；

利用RGV小车轨道判别聚类函数获取RGV小车轨道区域图像，根据RGV小车轨道区域图像计算RGV小车激光识别碰撞定位因子，根据RGV小车激光识别碰撞定位因子完成对RGV小车碰撞定位。

优选地，所述根据RGV小车轨道灰度图像获取RGV小车直线像素点集合的具体方法为：

将RGV小车轨道灰度图像作为LSD直线检算法的输入，获取得到RGV小车轨道灰度图像中所有直线，并将所有直线上像素点记为RGV小车直线像素点集合。

优选地，所述根据轨道区分局部窗口区域计算不同像素点位置处的轨道灰度区分指数的数学公式为：

式中，表示了以自然常数为底的指数函数，表示了两个序列之间得DTW函数，，分分别表示了以像素点i为中心的轨道区分局部窗口区域中与中心像素点i相同列位置处上半区和下半区像素点灰度数值序列，，分别表示了以像素点i为中心的轨道区分局部窗口区域中与中心像素点i相同的水平方向和垂直方向下不同像素点灰度数值均值，表示了向下取整函数，，分别表示了以像素点i为中心的轨道区分局部窗口区域中上半区和下半区像素点灰度数值序列中第j个位置处像素灰度数值大小，表示了像素点i位置处的轨道灰度区分指数。

优选地，所述根据轨道灰度区分指数计算不同像素点位置处的轨道像素点融合判别系数的数学表达式为：

上式中，表示了RGV小车轨道灰度图像中像素点i位置处的轨道灰度区分指数，n表示了像素点i邻域像素点的总个数，，分别表示了以像素点i和像素点k为中心的局部颜色窗口区域中二阶颜色矩的数值大小，表示了像素点i位置处的轨道像素点融合判别系数。

优选地，所述根据轨道方向局部区域获取每个像素点位置处的轨道扩张变动主方向方法为：

获取以所有不同位置处像素点为中心的轨道方向局部区域图像海森矩阵，计算所有不同位置处海森矩阵的特征值，并将最小特征值对应的方向记为对应像素点位置处的轨道扩张变动主方向。

优选地，所述根据轨道像素点融合判别系数和轨道扩张变动主方向获取每个像素点位置处的轨道扩张向量的方法为：

将每个像素点位置处计算得到的轨道像素点融合判别系数和轨道扩张变动主方向分别作为不同像素点位置处轨道扩张向量的第一维度和第二维度。

优选地，所述根据轨道扩张向量计算RGV小车轨道判别聚类函数的数学表达式为：

上式中，K表示了RGV小车轨道灰度图像中所有像素点类别总数，N表示了在RGV小车轨道灰度图像中类别为c的像素点总个数，表示了两个不同向量之间的余弦相似性，，分别表示了第c个类别中心像素点位置处和第j个像素点位置处的轨道扩张向量，Ls表示了RGV小车轨道判别聚类函数。

优选地，所述根据RGV小车轨道区域图像计算RGV小车激光识别碰撞定位因子的数学表达式为：

上式中，Rv表示了RGV小车轨道区域图像中RGV小车识别概率数值，exp()表示了以自然常数为底的指数函数，dis表示了当前小车与前方小车之间激光发生器的探测距离，Len表示了RGV小车长度，P表示了RGV小车激光识别碰撞定位因子。

优选地，所述根据RGV小车激光识别碰撞定位因子完成对RGV小车碰撞定位的方法为：

令碰撞定位阈值为第一预设值，当RGV小车激光识别碰撞定位因子大于碰撞定位阈值时，认为当前RGV小车在轨道运行过程中容易发生碰撞。

第二方面，本发明实施例还提供了一种基于激光识别的RGV小车视觉定位系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。

本发明的有益效果是：本发明根据RGV小车轨道灰度图像中轨道像素点特征构建RGV小车直线像素点集合，并计算得到不同像素点位置处轨道灰度区分度的数值大小，通过轨道灰度区分度对RGV小车轨道灰度图像中轨道像素点进行初步区分计算。同时，结合轨道像素点在HSV颜色空间下H通道数值的差异构建得到轨道像素点融合判别系数，通过轨道像素点与其他像素点颜色差异对图像中RGV小车轨道像素点进一步区分。进一步地，本发明结构轨道变化方向构建得到不同像素点位置处的轨道扩张向量，并优化计算RGV小车轨道判别聚类函数，从而准确地定位获取RGV小车行驶轨道图像区域，最后结合激光发生器完成对RGV小车的碰撞定位。

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，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的一种基于激光识别的RGV小车视觉定位方法的流程示意图；

图2为轨道区分局部窗口区域示意图。

具体实施方式

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。基于本发明中的实施例，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，都属于本发明保护的范围。

请参阅图1，其示出了本发明一个实施例提供的一种基于激光识别的RGV小车视觉定位方法流程图，该方法包括以下步骤：

步骤S001，获取RGV小车轨道图像并进行预处理得到RGV小车轨道灰度图像。

需要说明的是，RGV小车是一种在智能自动化仓库中沿着轨道运输物料的传输工具的车，轨道上的每一个的RGV小车均有相应较为固定的物料传输运送路线。为了实时准取定位获取地每个不同RGV小车在轨道上的位置变化的状态，在每个RGV小车上设置双目相机并获取不同时刻处RGV小车轨道图像。

通常情况下，通过双目相机获取得到的RGV小车轨道图像具有RGB三个不同的颜色通道，因此为了避免后续在对RGV小车轨道图像进一步计算过程中出现的三个不同颜色通道下重复计算的缺陷，使用加权平均法灰度化算法将RGB颜色空间下的RGV小车轨道图像进行处理，得到RGV小车轨道灰度图像。同时，为了尽可能减弱甚至消除由于拍摄工作环境出现的异常噪声点对后续计算过程中产生的误差影响，将RGV小车轨道灰度图像作为高斯滤波算法的输入，并将处理后的图像重新记为RGV小车轨道灰度图像。

至此，获取得到RGV小车轨道灰度图像。

步骤S002，根据RGV小车轨道灰度图像获取RGV小车直线像素点集合，利用RGV小车直线像素点集合获取轨道区分局部窗口区域，根据轨道区分局部窗口区域计算不同像素点位置处的轨道灰度区分指数，获取局部颜色窗口区域，根据轨道灰度区分指数计算不同像素点位置处的轨道像素点融合判别系数。

需要说明的是，由于不同RGV小车是一种沿固定轨道方向下行驶的物流运输车辆，若轨道附近出现异常障碍物时会影响轨道的正常运行，因此需要首先获取RGV小车轨道灰度图像中轨道像素点区域。

具体地，由于RGV小车在运行过程中小车轨道为近似直线形状，在对应时刻处获取得到的RGV小车轨道灰度图像中轨道像素点也会表现出相应的直线形状。因此，首先将获取得到的RGV小车轨道灰度图像作为LSD直线检测算法的输入，获取RGV小车轨道灰度图像中所有直线，并记为RGV小车直线像素点集合。

可以理解的是，由于RGV小车轨道灰度图像中不仅包括轨道像素点还可能包括RGV小车表面等非轨道干扰像素点，因此RGV小车直线像素点集合中不仅包括了轨道相关直线像素点还包括了其他非轨道直线的干扰像素点。因此首先需要对RGV小车直线像素点集合进行筛选获取得到轨道直线像素点。如图2所示，以RGV小车直线像素点集合中所有不同像素点为中心构建得到大小为的轨道区分局部窗口区域，其中W取经验值15，在具体应用中，实施者可根据具体情况进行设置。

式中，表示了以自然常数为底的指数函数，表示了两个序列之间得DTW函数，，分分别表示了以像素点i为中心的轨道区分局部窗口区域中与中心像素点i相同列位置处上半区和下半区像素点灰度数值序列，，分别表示了以像素点i为中心的轨道区分局部窗口区域中与中心像素点i相同的水平方向和垂直方向下不同像素点灰度数值均值，表示了向下取整函数，，分别表示了以像素点i为中心的轨道区分局部窗口区域中上半区和下半区像素点灰度数值序列中第j个位置处像素灰度数值大小，表示了像素点i位置处的轨道灰度区分指数。

通过上式可以计算得到RGV小车轨道灰度图像中不同轨道区分局部窗口区域处的轨道灰度区分度的数值大小，由于轨道相关像素点应表现为垂直直线形状，因此在较小的轨道区分局部窗口区域中，若存在轨道相关像素点，此时与中心像素点i相同列位置处上半区和下半区像素点灰度数值序列的DTW距离应相对的较小，且水平方向和垂直方向下不同像素点灰度数值均值之间的数值差距会相对较大，同时若局部窗口区域的中心像素点i处于轨道区域中，此时与中心像素点i在相同垂直方向下构成的上半区和下半区像素点灰度数值序列不同位置处像素点灰度数值的差异也应该相对较小，此时像素点i位置处计算得到的轨道灰度区分指数的数值会相对较大，说明像素点i位置处为轨道像素点的可能性越高。

可以理解的是，RGV小车行驶过程中轨道位置处的像素点数值与其他位置处像素点数值会存在较大颜色差异，因此需要结合不同位置处像素点颜色数值对图像中不同位置处像素点类别状态进行区分计算表征。

首先，将RGB颜色空间下的RGV小车轨道图像转换为HSV颜色空间下的RGV小车轨道图像，并获取HSV颜色空间下不同像素点位置处H颜色通道的数值大小，其中RGB颜色空间与HSV颜色空间的具体转换过程为公知技术，在此不再赘述。同时，以不同像素点为中心可以构建得到大小为的局部颜色窗口区域，其中S取经验值为5，在具体应用中，实施者可根据具体情况进行设置。

上式中，表示了RGV小车轨道灰度图像中像素点i位置处的轨道灰度区分指数，n表示了像素点i邻域像素点的总个数，，分别表示了以像素点i和像素点k为中心的局部颜色窗口区域中二阶颜色矩的数值大小，表示了像素点i位置处的轨道像素点融合判别系数。

其中n取经验值为8，表示了与像素点i相邻的八个邻域像素点，通过上述公式可以计算得到不同像素点位置处的轨道像素点融合判别系数的数值大小，假设在第i个像素点位置处计算得到的轨道灰度区分指数较大，同时对应以像素点i与其周围邻域像素点局部颜色窗口区域中二阶颜色矩差值越小，说明在对应像素点位置处计算得到的像素点颜色差距较为相近。此时，计算得到轨道像素点融合判别系数的数值也会相对较大，像素点i为小车轨道像素点的可能性也相对较大。

至此，获取得到不同像素点位置处的轨道像素点融合判别系数。

步骤S003，获取轨道方向局部区域，根据轨道方向局部区域获取每个像素点位置处的轨道扩张变动主方向，根据轨道像素点融合判别系数和轨道扩张变动主方向获取每个像素点位置处的轨道扩张向量，根据轨道扩张向量计算RGV小车轨道判别聚类函数。

需要说明的是，通常情况下，RGV小车轨道类型可以划分为直线往复式RGV、环形轨道RGV，为了提升货物物流自动化运输效率，在同一RGV小车轨道下会同时运行多个不同的RGV小车，此时为了避免同一轨道下RGV小车发生碰撞，需要结合同一轨道下RGV小车行驶前方轨道灰度图像进一步计算分析。

具体地，首先在RGV小车轨道灰度图像中，以每个像素点为中心均可以构建得到大小为轨道方向局部区域，并令R取经验并进一步求解海森矩阵特征值，将最小特征值对应特征向量的方向记为轨道变化主值为9，在具体应用中，实施者可根据具体情况进行设置。获取以所有不同位置处像素点为中心的轨道方向局部区域图像海森矩阵，计算所有不同位置处海森矩阵的特征值，并将最小特征值对应的方向记为对应像素点位置处的轨道扩张变动主方向。将每个像素点位置处计算得到的轨道像素点融合判别系数和轨道扩张变动主方向分别作为不同像素点位置处轨道扩张向量的第一维度和第二维度。

上式中，K表示了RGV小车轨道灰度图像中所有像素点类别总数，N表示了在RGV小车轨道灰度图像中类别为c的像素点总个数，表示了两个不同向量之间的余弦相似性，，分别表示了第c个类别中心像素点位置处和第j个像素点位置处的轨道扩张向量，Ls表示了RGV小车轨道判别聚类函数。

通常情况下，在RGV小车轨道灰度图像中，可以将图像中不同像素点划分为轨道像素点和其他背景像素点共两类，因此，令RGV小车轨道灰度图像判别聚类函数中类别K的数值为2，使用高斯分布分别选择两个不同像素点作为K-Means算法的初始聚类中心，对RGV小车轨道灰度图像进行聚类，当RGV小车轨道判别聚类函数取值最小时，认为聚类函数收敛。将聚类完成后获取得到的两个不同类别的轨道像素点融合判别系数均值最大的一类记为RGV小车轨道像素点，并将所有RGV小车轨道像素点记为RGV小车轨道区域图像。

至此，获取RGV小车轨道区域图像。

步骤S004，利用RGV小车轨道判别聚类函数获取RGV小车轨道区域图像，根据RGV小车轨道区域图像计算RGV小车激光识别碰撞定位因子，根据RGV小车激光识别碰撞定位因子完成对RGV小车碰撞定位。

需要说明的是，在RGV小车沿轨道行驶过程中，在小车轨道区域中出现其他RGV小车，则此时当前RGV小车发生碰撞的可能性会相对越高，因此需要结合激光发生器与视觉识别结果对的当前RGV轨道状态进一步计算分析。

上式中，Rv表示了RGV小车轨道区域图像中RGV小车识别概率数值，exp()表示了以自然常数为底的指数函数，dis表示了当前小车与前方小车之间激光发生器的探测距离，Len表示了RGV小车长度，P表示了RGV小车激光识别碰撞定位因子。

其中，将不同像素点位置处RGV小车轨道区域图像作为VGGNet的输入，对RGV小车轨道区域图像中RGV小车进行识别，获取RGV小车轨道区域图像中RGV小车识别概率Rv的数值大小。其中将RGV小车图像作为VGGNet训练集，使用Adam优化器，通过交叉熵损失对VGGNet进行训练，VGGNet具体训练过程为公知技术，在此不再赘述。

若RGV小车轨道区域图中出现RGV小车，VGGNet的输出结果越接近数值1，同时当前RGV小车与前方小车激光发生器的探测距离越近说明发生碰撞的可能性越高，此时计算得到的RGV小车激光识别碰撞定位因子也相对较大。因此，令碰撞定位阈值T取经验值为1，当RGV小车激光识别碰撞定位因子大于碰撞定位阈值时，认为当前RGV小车在轨道运行过程中容易发生碰撞。

至此，完成对RGV小车碰撞定位检测。

基于与上述方法相同的发明构思，本发明实施例还提供了一种基于激光识别的RGV小车视觉定位系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于激光识别的RGV小车视觉定位方法中任意一项所述方法的步骤。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于激光识别的RGV小车视觉定位方法，其特征在于，该方法包括以下步骤：

获取RGV小车轨道图像并进行预处理得到RGV小车轨道灰度图像；

根据RGV小车轨道灰度图像获取RGV小车直线像素点集合，利用RGV小车直线像素点集合获取轨道区分局部窗口区域，根据轨道区分局部窗口区域计算不同像素点位置处的轨道灰度区分指数，获取局部颜色窗口区域，根据局部颜色窗口区域和轨道灰度区分指数计算不同像素点位置处的轨道像素点融合判别系数；

获取轨道方向局部区域，根据轨道方向局部区域获取每个像素点位置处的轨道扩张变动主方向，根据轨道像素点融合判别系数和轨道扩张变动主方向获取每个像素点位置处的轨道扩张向量，根据轨道扩张向量，计算RGV小车轨道判别聚类函数；

利用RGV小车轨道判别聚类函数获取RGV小车轨道区域图像，根据RGV小车轨道区域图像计算RGV小车激光识别碰撞定位因子，根据RGV小车激光识别碰撞定位因子完成对RGV小车碰撞定位；

所述根据轨道区分局部窗口区域计算不同像素点位置处的轨道灰度区分指数的数学公式为：

式中，表示了以自然常数为底的指数函数，表示了两个序列之间得DTW函数，，分别表示了以像素点i为中心的轨道区分局部窗口区域中与中心像素点i相同列位置处上半区和下半区像素点灰度数值序列，，分别表示了以像素点i为中心的轨道区分局部窗口区域中与中心像素点i相同的水平方向和垂直方向下不同像素点灰度数值均值，表示了向下取整函数，，分别表示了以像素点i为中心的轨道区分局部窗口区域中上半区和下半区像素点灰度数值序列中第j个位置处像素灰度数值大小，表示了像素点i位置处的轨道灰度区分指数；

以不同像素点为中心构建大小为的局部颜色窗口区域；

所述根据局部颜色窗口区域和轨道灰度区分指数计算不同像素点位置处的轨道像素点融合判别系数的数学表达式为：

上式中，表示了RGV小车轨道灰度图像中像素点i位置处的轨道灰度区分指数，n表示了像素点i邻域像素点的总个数，，分别表示了以像素点i和像素点k为中心的局部颜色窗口区域中二阶颜色矩的数值大小，表示了像素点i位置处的轨道像素点融合判别系数；

在RGV小车轨道灰度图像中，以每个像素点为中心均可以构建得到大小为轨道方向局部区域；

所述根据轨道方向局部区域获取每个像素点位置处的轨道扩张变动主方向方法为：

获取以所有不同位置处像素点为中心的轨道方向局部区域图像海森矩阵，计算所有不同位置处海森矩阵的特征值，并将最小特征值对应的方向记为对应像素点位置处的轨道扩张变动主方向；

所述根据RGV小车轨道区域图像计算RGV小车激光识别碰撞定位因子的数学表达式为：

上式中，Rv表示了RGV小车轨道区域图像中RGV小车识别概率数值，exp()表示了以自然常数为底的指数函数，dis表示了当前小车与前方小车之间激光发生器的探测距离，Len表示了RGV小车长度，P表示了RGV小车激光识别碰撞定位因子。

2.根据权利要求1所述的一种基于激光识别的RGV小车视觉定位方法，其特征在于，所述根据RGV小车轨道灰度图像获取RGV小车直线像素点集合的具体方法为：

将RGV小车轨道灰度图像作为LSD直线检算法的输入，获取得到RGV小车轨道灰度图像中所有直线，并将所有直线上像素点记为RGV小车直线像素点集合。

3.根据权利要求1所述的一种基于激光识别的RGV小车视觉定位方法，其特征在于，所述根据轨道像素点融合判别系数和轨道扩张变动主方向获取每个像素点位置处的轨道扩张向量的方法为：

将每个像素点位置处计算得到的轨道像素点融合判别系数和轨道扩张变动主方向分别作为不同像素点位置处轨道扩张向量的第一维度和第二维度。

4.根据权利要求3所述的一种基于激光识别的RGV小车视觉定位方法，其特征在于，所述根据轨道扩张向量，计算RGV小车轨道判别聚类函数的具体方法为：

上式中，K表示了RGV小车轨道灰度图像中所有像素点类别总数，表示了两个不同向量之间的余弦相似性，，分别表示了第c个类别中心像素点位置处和第j个像素点位置处的轨道扩张向量，Ls表示了RGV小车轨道判别聚类函数，Nc表示了在RGV小车轨道灰度图像中类别为c的像素点总个数。

5.根据权利要求1所述的一种基于激光识别的RGV小车视觉定位方法，其特征在于，所述根据RGV小车激光识别碰撞定位因子完成对RGV小车碰撞定位的方法为：

令碰撞定位阈值为第一预设值，当RGV小车激光识别碰撞定位因子大于碰撞定位阈值时，认为当前RGV小车在轨道运行过程中容易发生碰撞。

6.一种基于激光识别的RGV小车视觉定位系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5任意一项所述方法的步骤。