一种障碍物识别方法、装置、设备、介质及除草机器人与流程

1.本发明实施例涉及图像处理技术，尤其涉及一种障碍物识别方法、装置、设备、介质及除草机器人。


背景技术：

2.随着生活水平的提高，人们日益关注环境建设，因此城市绿化园林的建设愈发受到重视。与此同时，高效的绿化养护，如日常除草等，逐渐成为了一种需求。但由于传统除草机需要人工操控，因此具有自主工作功能的除草机器人逐渐兴起。
3.现有技术中，通常采用埋设边界线的方式对除草机器人的除草区域的边界进行标定，耗费大量的人力和物力，增加了成本。并且由于对边界线的埋设存在限制，例如拐角的角度不能小于90度，因此一定程度上限制了除草区域的形状。


技术实现要素：

4.本发明实施例提供一种障碍物识别方法、装置、设备、介质及除草机器人，以实现提高除草机器人的候选除草区域中障碍物的识别效率和准确率的效果。
5.第一方面，本发明实施例提供了一种障碍物识别方法，该方法包括：
6.根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域；
7.获取所述候选障碍物区域的轮廓信息；其中，所述轮廓信息包括色度信息、范围信息和粗糙度信息；
8.根据预设轮廓信息判断条件和所述轮廓信息确定所述候选除草区域图像中是否存在障碍物。
9.第二方面，本发明实施例还提供了一种障碍物识别装置，该装置包括：
10.候选障碍物区域确定模块，用于根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域；
11.轮廓信息获取模块，用于获取所述候选障碍物区域的轮廓信息；其中，所述轮廓信息包括色度信息、范围信息和粗糙度信息；
12.障碍物确定模块，用于根据预设轮廓信息判断条件和所述轮廓信息确定所述候选除草区域图像中是否存在障碍物。
13.第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
14.一个或多个处理器；
15.存储装置，用于存储一个或多个程序，
16.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的障碍物识别方法。
17.第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的障碍物识别方法。
18.第五方面，本发明实施例还提供了一种除草机器人，包括机器人本体，还包括上述的电子设备。
19.本发明实施例通过根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域；获取所述候选障碍物区域的轮廓信息；其中，所述轮廓信息包括色度信息、范围信息和粗糙度信息；根据预设轮廓信息判断条件和所述轮廓信息确定所述候选除草区域图像中是否存在障碍物。解决现有技术中通常采用埋设边界线的方式对除草机器人的除草区域的边界进行标定，耗费大量的人力和物力，增加了成本。并且由于对边界线的埋设存在限制一定程度上限制了除草区域的形状的问题，实现提高除草机器人的候选除草区域中障碍物的识别效率和准确率的效果。
附图说明
20.图1为本发明实施例一提供的一种障碍物识别方法的流程图；
21.图2为本发明实施例二提供的一种障碍物识别方法的流程图；
22.图3为本发明实施例三提供的一种障碍物识别装置的结构示意图；
23.图4为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
24.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
25.实施例一
26.图1为本发明实施例一提供的一种障碍物识别方法的流程图，本实施例可适用于除草机器人识别候选除草区域中障碍物的情况，该方法可以由本发明实施例所提供的障碍物识别装置来执行，该装置可以由软件和/或硬件的方式实现。参见图1，本实施例提供的障碍物识别方法，包括：
27.步骤110、根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域。
28.其中，候选除草区域为除草机器人可能的工作区域，可能全为待除的杂草，即为除草区域；候选除草区域也可能为存在人为搭建的边界，或者为原本为白色或水泥地等特殊颜色的区域，但由于被长草遮住易被误识别成除草区域，即为障碍物或边界区域。
29.候选除草区域图像可以由安装在除草机器人上的摄像机进行拍摄，本实施例对此不作限制。候选除草区域图像的颜色信息可以为图像的色调hue、饱和度saturation、明度value等信息，本实施例对此不作限制。通过颜色信息从候选除草区域图像中确定可能为障碍物的区域，示例性的，根据颜色信息确定图像中与周围颜色相差较大的区域作为候选障碍物区域。
30.本实施例中，可选的，根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域，包括：
31.根据所述候选除草区域图像的颜色信息获取所述候选除草区域图像的颜色分割图像；
32.对所述颜色分割图像进行形态学处理，并从形态学处理后的颜色分割图像中确定预设颜色的区域为候选障碍物区域。
33.其中，根据候选除草区域图像的颜色信息获取候选除草区域图像的颜色分割图像，可以根据颜色动态分割、边缘纹理方法分割、固定阈值分割、大津阈值分割等方式进行颜色分割，以获得候选除草区域图像的颜色分割图像。其中，颜色分割图像可以为二值图像。再对颜色分割图像进行形态学处理，其中，形态学处理可以为取反操作、开操作、闭操作等，本实施例对此不作限制。
34.从形态学处理后的颜色分割图像中确定预设颜色的区域为候选障碍物区域。例如将黑色区域作为除草区域，白色区域作为候选障碍物区域，以便进一步对候选障碍物区域进行识别。通过获取颜色分割图像对候选除草区域进行初步分类，并对颜色分割图像进行形态学处理以提高候选障碍物区域确定的准确性。
35.步骤120、获取所述候选障碍物区域的轮廓信息；其中，所述轮廓信息包括色度信息、范围信息和粗糙度信息。
36.其中，轮廓信息为单个候选障碍物区域的轮廓信息，获取方式可以为对候选障碍物区域进行轮廓检测。轮廓信息包括色度信息、范围信息和粗糙度信息，其中，色度信息用于表示候选障碍物区域在颜色方面的特征，可以为候选障碍物区域轮廓的平均色度，平均色度的计算方式可以为将单个候选障碍物区域轮廓中障碍物区域所有像素的色度值之和除以轮廓中障碍物区域像素总个数。
37.范围信息用于表示候选障碍物区域的大小，可以为面积、对角线长度，宽度、高度、包含像素个数等，本实施例对此不作限制。
38.粗糙度信息用于显示候选障碍物区域边缘的粗糙程度，可以为平均粗糙度，平均粗糙度的计算方式可以为将轮廓中障碍物区域所有像素的粗糙度之和除以轮廓中障碍物区域像素总个数，本实施例对此不作限制。
39.步骤130、根据预设轮廓信息判断条件和所述轮廓信息确定所述候选除草区域图像中是否存在障碍物。
40.将候选障碍物区域的轮廓信息与预设轮廓信息判断条件进行对比，其中，预设轮廓信息判断条件与色度信息、范围信息和粗糙度信息相关。若满足预设轮廓信息条件，则确定候选障碍物区域为障碍物区域，即确定障碍物区域所在的候选除草区域图像中存在障碍物，以便除草机器人进行后续障碍物处理。
41.示例性的，识别出的障碍物为人为搭建的边界，或者为原本为白色或水泥地等特殊颜色的区域，但由于被长草遮住易被误识别成除草区域。
42.本实施例所提供的技术方案，通过根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域；获取所述候选障碍物区域的轮廓信息；其中，所述轮廓信息包括色度信息、范围信息和粗糙度信息；根据预设轮廓信息判断条件和所述轮廓信息确定所述候选除草区域图像中是否存在障碍物。解决现有技术中通常采用埋设边界线的方式对除草机器人的除草区域的边界进行标定，耗费大量的人力和物力，增加了成本。并且由于对边界线的埋设存在限制一定程度上限制了除草区域的形状的问题，实现提高除草机器人的候选除草区域中障碍物的识别效率和准确率的效果。
43.实施例二
44.图2为本发明实施例二提供的一种障碍物识别方法的流程图，本技术方案是针对根据预设轮廓信息判断条件和所述轮廓信息确定所述候选除草区域图像中是否存在障碍物的过程进行补充说明的。与上述方案相比，本方案具体优化为，根据预设轮廓信息判断条件和所述轮廓信息确定所述候选除草区域图像中是否存在障碍物，包括：
45.若所述色度信息大于等于预设色度阈值，判断所述范围信息是否大于预设第一范围阈值，且所述粗糙度信息是否小于预设第一粗糙度阈值；
46.若是，则确定所述候选除草区域图像中存在障碍物；
47.若所述色度信息小于预设色度阈值，判断所述范围信息是否大于预设第二范围阈值，且所述粗糙度信息是否小于预设第二粗糙度阈值；
48.若是，则确定所述候选除草区域图像中存在障碍物；其中，所述预设第一范围阈值小于所述预设第二范围阈值。具体的，障碍物识别的流程图如图2所示：
49.步骤210、根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域。
50.步骤220、获取所述候选障碍物区域的轮廓信息；其中，所述轮廓信息包括色度信息、范围信息和粗糙度信息。
51.步骤230、若所述色度信息大于等于预设色度阈值，判断所述范围信息是否大于预设第一范围阈值，且所述粗糙度信息是否小于预设第一粗糙度阈值；若是，则确定所述候选除草区域图像中存在障碍物。
52.其中，预设色度阈值用于判断候选障碍物区域是否接近草的颜色，可以根据经验确定，若色度信息大于等于预设色度阈值，则表明候选障碍物区域超过草的颜色认定范围，进一步用范围信息和粗糙度信息判断候选障碍物区域的大小。若色度信息大于等于预设色度阈值且范围信息超过预设第一范围阈值且粗糙度信息小于预设第一粗糙度阈值，则表明候选障碍物区域为障碍物区域，即候选除草区域图像中存在障碍物。例如人为在除草区域中搭建的颜色较深的边界或者被草部分掩盖的铁栏等。
53.示例性的，色度信息为候选障碍物区域轮廓的平均色度scontoursi，其中i为候选障碍物区域的编号，范围信息为候选障碍物区域的对角线长度acontoursi.diagonal或者候选障碍物区域的高度acontoursi.height，粗糙度信息为候选障碍物区域轮廓的平均粗糙度hcontoursi，平均粗糙度越小，表明候选障碍物区域为障碍物的可能性越大。若预设色度阈值为85，预设第一范围阈值的对角线阈值为65，高度阈值为40，预设第一粗糙度阈值为0.25，则预设轮廓信息判断条件为scontoursi≥85且acontoursi.diagonal》65且hcontoursi《0.25，或scontoursi≥85，且acontoursi.height》40且hcontoursi《0.25。
54.步骤240、若所述色度信息小于预设色度阈值，判断所述范围信息是否大于预设第二范围阈值，且所述粗糙度信息是否小于预设第二粗糙度阈值；若是，则确定所述候选除草区域图像中存在障碍物；其中，所述预设第一范围阈值小于所述预设第二范围阈值。
55.若色度信息小于预设色度阈值，则表明候选障碍物区域不是障碍物的可能性增大，进一步用范围信息判断候选障碍物区域的大小。若色度信息小于预设色度阈值且范围信息超过预设第二范围阈值且粗糙度信息小于预设第二粗糙度阈值，则表明候选障碍物区域为障碍物区域，即候选除草区域图像中存在障碍物。
56.示例性的，若预设色度阈值为85，预设第二范围阈值的对角线阈值为105，高度阈
值为70，预设第二粗糙度阈值为0.24，则预设轮廓信息判断条件为scontoursi《85且acontoursi.diagonal》105且hcontoursi《0.24，或scontoursi《85且acontoursi.height》70且hcontoursi《0.24。
57.预设第一范围阈值小于预设第二范围阈值，即当候选障碍物区域的色度信息大于等于预设色度阈值时，为障碍物的可能性增加，则降低候选障碍物区域的范围判断条件，使判断条件大于一个更小的值以扩大范围来确定障碍物，从而提高障碍物识别的准确性。
58.本实施例中，可选的，所述轮廓信息还包括：位置信息；
59.相应的，根据预设轮廓信息判断条件和所述轮廓信息确定所述候选除草区域图像中是否存在障碍物，包括：
60.若所述色度信息大于等于预设色度阈值，且所述范围信息大于预设第一范围阈值，且所述粗糙度信息小于预设第一粗糙度阈值；或
61.所述色度信息小于预设色度阈值，且所述范围信息大于预设第二范围阈值，且所述粗糙度信息小于预设第二粗糙度阈值；
62.判断所述位置信息是否大于预设位置阈值；
63.若是，则确定所述候选除草区域图像中存在障碍物。
64.其中，位置信息用于显示候选障碍物区域与除草机器人之间的距离，例如为单个候选障碍物区域最小外接矩形右下角的y轴坐标值，本实施例对此不作限制。
65.在前述判断的基础上进一步判断位置信息是否大于预设位置阈值。
66.示例性的，位置信息为单个候选障碍物区域最小外接矩形右下角的y轴坐标值ycontoursi，坐标值越大表明候选障碍物区域离机器人越近。示例性的，若预设位置阈值为75则预设轮廓信息判断条件可以为scontoursi≥85且acontoursi.diagonal》65且hcontoursi《0.25且ycontoursi》75，或scontoursi《85且acontoursi.diagonal》105且hcontoursi《0.24且ycontoursi》75。
67.通过位置信息进一步判断候选障碍物区域为障碍物区域，处理距离较近的候选障碍物区域，减少了处理的数据，提高了障碍物识别的效率。
68.本实施例中，可选的，确定所述粗糙度信息，包括：
69.获取所述候选除草区域图像的明度通道图像；
70.通过对所述明度通道图像进行边缘提取，获得边缘图像；
71.根据所述边缘图像的边缘信息中像素的灰度值确定所述粗糙度信息。
72.通过对候选除草区域图像进行通道分离，获取候选除草区域图像的明度通道图像，可选的，对明度通道图像进行预处理，预处理可以包括滤波处理、归一化处理等，本实施例对此不作限制。对预处理后的明度通道图像进行边缘提取，获得边缘图像，可以采用canny算子进行边缘提取，以提高边缘图像中边缘信息获取的准确率。
73.通过候选障碍物区域相应位置的边缘图像中的边缘信息确定候选障碍物区域的粗糙度信息，边缘信息包括候选障碍物区域轮廓中像素的灰度值。当粗糙度信息为平均粗糙度时，可以通过将轮廓中灰度值等于255的像素个数除以轮廓像素的总个数，得到候选障碍物区域边缘的平均粗糙度。
74.通过边缘图像的边缘信息中像素的灰度值确定粗糙度信息，提高粗糙度信息获取的准确率，从而提高障碍物识别的准确率。
75.本发明实施例通过根据候选障碍物区域的色度信息、范围信息和粗糙度信息判断候选除草区域图像中是否存在障碍物，提高对于由于颜色特殊且面积小导致易被忽略的障碍物区域识别的准确率。
76.实施例三
77.图3为本发明实施例三提供的一种障碍物识别装置的结构示意图。该装置可以由硬件和/或软件的方式来实现，可执行本发明任意实施例所提供的一种障碍物识别方法，具备执行方法相应的功能模块和有益效果。如图3所示，该装置包括：
78.候选障碍物区域确定模块310，用于根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域；
79.轮廓信息获取模块320，用于获取所述候选障碍物区域的轮廓信息；其中，所述轮廓信息包括色度信息、范围信息和粗糙度信息；
80.障碍物确定模块330，用于根据预设轮廓信息判断条件和所述轮廓信息确定所述候选除草区域图像中是否存在障碍物。
81.本实施例所提供的技术方案，通过根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域；获取所述候选障碍物区域的轮廓信息；其中，所述轮廓信息包括色度信息、范围信息和粗糙度信息；根据预设轮廓信息判断条件和所述轮廓信息确定所述候选除草区域图像中是否存在障碍物。解决现有技术中通常采用埋设边界线的方式对除草机器人的除草区域的边界进行标定，耗费大量的人力和物力，增加了成本。并且由于对边界线的埋设存在限制一定程度上限制了除草区域的形状的问题，实现提高除草机器人的候选除草区域中障碍物的识别效率和准确率的效果。
82.在上述各技术方案的基础上，可选的，所述候选障碍物区域确定模块，包括：
83.颜色分割图像获取单元，用于根据所述候选除草区域图像的颜色信息获取所述候选除草区域图像的颜色分割图像；
84.候选障碍物区域确定单元，用于对所述颜色分割图像进行形态学处理，并从形态学处理后的颜色分割图像中确定预设颜色的区域为候选障碍物区域。
85.在上述各技术方案的基础上，可选的，所述障碍物确定模块，包括：
86.第一障碍物确定单元，用于若所述色度信息大于等于预设色度阈值，判断所述范围信息是否大于预设第一范围阈值，且所述粗糙度信息是否小于预设第一粗糙度阈值；若是，则确定所述候选除草区域图像中存在障碍物；
87.第二障碍物确定单元，用于若所述色度信息小于预设色度阈值，判断所述范围信息是否大于预设第二范围阈值，且所述粗糙度信息是否小于预设第二粗糙度阈值；若是，则确定所述候选除草区域图像中存在障碍物；其中，所述预设第一范围阈值小于所述预设第二范围阈值。
88.在上述各技术方案的基础上，可选的，所述轮廓信息还包括：位置信息；
89.相应的，所述障碍物确定模块，包括：
90.第三障碍物确定单元，用于若所述色度信息大于等于预设色度阈值，且所述范围信息大于预设第一范围阈值，且所述粗糙度信息小于预设第一粗糙度阈值；或
91.所述色度信息小于预设色度阈值，且所述范围信息大于预设第二范围阈值，且所述粗糙度信息小于预设第二粗糙度阈值；判断所述位置信息是否大于预设位置阈值，且所
access memory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
107.值得注意的是，上述障碍物识别装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
108.实施例六
109.本发明实施例六提供一种除草机器人，包括机器人本体，还包括本发明实任意实施例所述的电子设备。
110.具体的，安装在除草机器人上的电子设备可以执行本发明任意实施例所述的一种障碍物识别方法的相关操作。
111.其中，机器人本体可以包括左右两个主动动轮，可分别由电机驱动，电机可以为带减速箱和带霍尔传感器的无刷电机。机器人本体通过控制两个主动动轮的速度、方向实现向前、后退、转弯及圆弧等行驶操作。机器人本体还包括万向轮、摄像机和可充放电池，其中，万向轮起支撑平衡作用。摄像机安装于机器人的指定位置，与水平方向成预设夹角，以拍摄候选除草区域图像。可充放电池用于提供电源，供机器人工作。
112.注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。