标识物检测方法及设备与流程
本申请涉及数据处理,尤其涉及一种标识物检测方法及设备。
背景技术:
1、对于一些标识物的检测,一般都是直接根据颜色进行筛选,这种方式容易产生大量的误检,误差较大。
2、公开号为cn118644708a的中国专利,公开了一种用于钢铁行业的特征标识物检测方法及装置,获取预设场景下的特征标识物图像数据,并对所述特征标识物图像数据进行预处理操作,构建钢铁行业的特征标识物数据集;构建改进yolov5神经网络模型,并基于所述特征标识物数据集和k-means++聚类算法对所述改进yolov5神经网络模型进行训练,直至所述改进yolov5神经网络模型满足预设模型评估指标,得到训练好的特征标识物检测模型;在所述预设场景部署所述特征标识物检测模型,并基于所述特征标识物检测模型,对所述预设场景下的待检测特征标识物图像进行检测,确定所述待检测特征标识物图像对应的特征标识物类型。
3、上述专利,只能使用神经网络模型对标识物进行识别,这种方式神经网络模型需要经过大量的训练才能够得到,计算量较大,并且训练后的神经网络模型容易受到其他背景噪声的影响,准确度不够。
技术实现思路
1、有鉴于此,本申请的目的在于提出一种标识物检测方法及设备,用以解决或部分解决上述技术问题。
2、基于上述目的,本申请提供了一种标识物检测方法,包括:
3、确定标识物对应的原始三维点云,将所述原始三维点云从rgb色彩信息转换成hsv色彩信息;
4、根据所述hsv色彩信息进行空间点提取,得到候选区域点云;
5、对所述候选区域点云进行过滤处理,得到过滤后的点云区域;
6、确定标识物对应的几何结构描述子,对所述过滤后的点云区域进行验证,得到验证结果,其中,所述几何结构描述子为与所述标识物的几何特征匹配的特征信息;
7、响应于所述验证结果为验证通过,将所述过滤后的点云区域作为目标点云区域;或者,响应于所述验证结果为验证失败,将所述过滤后的点云区域进行空间密度聚类,得到至少一个候选子集,对每个候选子集分别利用所述几何结构描述子进行匹配筛选,确定与所述几何结构描述子最匹配的候选子集作为目标点云区域;
8、根据所述目标点云区域确定空间掩码,从所述原始三维点云中确定与所述空间掩码匹配的标识物点云。
9、基于同一发明构思,本公开还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如上所述的方法。
10、从上面所述可以看出,本申请提供的标识物检测方法及设备,能够先将拍摄的标识物的原始三维点云从rgb色彩信息转换至hsv色彩信息上,这样能够基于hsv色彩信息进行准确的颜色筛选,保证筛选得到的候选区域点云更加符合标识物对应的颜色需求;然后再对该候选区域点云进行过滤,去除噪声干扰,保证过滤后的点云区域更加准确;但是该过滤后的点云区域还会存在较多的误测部分,为了进一步提高检测的准确性,会利用与该标识物的几何特征匹配的几何结构描述子来对过滤后的点云区域进行验证,如果验证通过,证明该过滤后的点云区域符合几何结构描述子的几何特点,可以直接将该过滤后的点云区域作为目标点云区域;如果验证不通过,就需要对该过滤后的点云区域进行空间密度聚类,这样将一些离散点去除,进而通过聚类得到至少一个候选子集,对于每个候选子集再利用几何结构描述子进行筛选,筛选出最匹配的目标点云区域;最后,在得到目标点云区域后,根据该目标点云区域对应的空间掩码从原始三维点云中按照空间掩码进行匹配,保证检测得到的标识物点云更加准确,同时还能够符合原始三维点云的特点。通过将颜色提取和几何结构匹配相结合,使得确定的标识物点云的准确度得到有效提高。
1.一种标识物检测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述对每个候选子集分别利用所述几何结构描述子进行匹配筛选,确定与所述几何结构描述子最匹配的候选子集作为目标点云区域,包括:
3.根据权利要求2所述的方法,其特征在于,所述标识物为圆环标识物;
4.根据权利要求2所述的方法,其特征在于,所述标识物为正方形标识物;
5.根据权利要求2所述的方法,其特征在于,所述标识物为等边三角形标识物;
6.根据权利要求2所述的方法,其特征在于,所述根据所述平面性指数、所述形状指数和所述轮廓指数,从至少一个候选子集中筛选出目标点云区域,包括:
7.根据权利要求1所述的方法,其特征在于,所述根据所述hsv色彩信息进行空间点提取,得到候选区域点云,包括:
8.根据权利要求1所述的方法,其特征在于,所述对所述候选区域点云进行过滤处理,得到过滤后的点云区域,包括:
9.根据权利要求1所述的方法,其特征在于,所述从所述原始三维点云中确定与所述空间掩码匹配的标识物点云,包括:
10.一种电子设备,包括存储器、处理器及存储在存储器上并在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程序时实现如权利要求1至9任意一项所述的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com