[发明专利]一种检测障碍物的方法、装置、存储介质和移动机器人

说明书

本申请公开了一种检测障碍物的方法、装置、存储介质和移动机器人，具体包括：获取装设于AGV的下倾摄像装置拍摄到的行进区域图像；将行进区域图像中的下部确定为参考区域；将行进区域图像中位于参考区域的上方的其余部分确定为检测区域；在检测区域中检测物体区域和阴影区域；当检测到检测区域中同时存在物体区域和阴影区域时，检测物体区域和阴影区域之间的位置关系是否匹配光投影方向；当物体区域和阴影区域之间的位置关系匹配光投影方向时，将物体区域标记为疑似障碍物。本申请实施例通过对采集的行进区域图像进行分析，高效判断三维障碍物的位置信息，避免使用大量数据进行计算或训练，实现较高的计算效率。

技术领域

本申请涉及机器人技术领域，尤其涉及一种检测障碍物的方法、装置、存储介质和移动机器人。

背景技术

移动机器人(Automated Guided Vehicle，AGV)实现智能化的一个重要标志就是自主导航，而避障是自主导航中的主要研究课题。避障一般是指移动机器人根据采集的障碍物的状态信息，在行走过程中通过传感器感知到妨碍其通行的静态和动态物体时，按照一定的方法进行有效地避障，最后到达目标点。移动机器人通常使用传感器来获取周围的环境信息，包括障碍物的尺寸、形状以及位置等环境信息。目前，移动机器人的主流感知避障技术方案按照使用的传感器主要分为三类。其中，第一类是使用主动式传感器，如激光、雷达或超声波等；第二类是使用被动式传感器，如双目相机或深度相机；第三类是将主动式传感器和被动式传感器结合，如使用相机和雷达相结合的避障方案。另外，移动机器人也可以通过遗传算法、神经网络算法和模糊算法等人工智能领域的方法来实现避障。在技术上的分类主要分为：使用立体视觉的方案和使用深度学习的方案。

但上述方案存在各种缺点。首先，成本较高。其中，激光传感器价格昂贵，双目相机为满足实时处理的要求一般需要配置价格高昂的图形处理器(Graphics ProcessingUnit，GPU)。其次，计算量大，通过图像或点云计算获取现实世界的三维信息，并对这些信息进行处理会产生巨大的计算量。最后，所需数据量庞大，比如，使用深度学习方法需要大量人工标记好的训练数据来训练神经网络，使得人工工作量大。

发明内容

本申请实施例提供了一种检测障碍物的方法，该方法通过采集在行进区域内拍摄的行进区域图像，并通过分析行进区域图像中阴影区域和物体区域的关系，实现对障碍物的检测，计算方式简单，并且计算量较小。

该方法包括：

获取装设于AGV的下倾摄像装置拍摄到的行进区域图像；

将所述行进区域图像中地面区域的下部确定为参考区域；

将所述行进区域图像中位于所述参考区域的上方的其余部分确定为检测区域；

在所述检测区域中检测物体区域和阴影区域，其中，所述物体区域为与所述参考区域的色度差超过第一阈值的区域，并且，所述阴影区域为与所述参考区域的色度差小于所述第一阈值、且亮度低于所述参考区域的区域；

当检测到所述检测区域中同时存在所述物体区域和所述阴影区域时，检测所述物体区域和所述阴影区域之间的位置关系是否匹配光投影方向；

当所述物体区域和所述阴影区域之间的位置关系匹配光投影方向时，将所述物体区域标记为疑似障碍物。

可选地，对标记为所述疑似障碍物的所述物体区域进行尺寸条件过滤，并将经过滤后保留的所述物体区域标记为障碍物。

可选地，将所述检测区域按列划分为若干子检测区域，其中，相邻的所述子检测区域的部分像素重合；

将所述参考区域按列划分为若干子参考区域，其中，相邻的所述子参考区域的部分像素重合；

比较每个所述子检测区域与同一列的对应的所述子参考区域的色度差，筛选出子检测区域中的色度差大于所述第一阈值的第一部分区域；