[发明专利]一种基于图像几何特征的周转箱自动定位方法

说明书

本发明提供一种基于图像几何特征的周转箱自动定位方法，包括S1：根据原始图像得到垂直边缘和水平边缘，获得感兴趣区域（Roi图像）；S2：进行二值化处理；S3：噪声点去除；S4：对所述二值图采用Hough变换策略进行直线检测得到若干条近似直线，然后采用直线融合方法将若干条近似直线融合为一条融合直线；S5：获取待选边缘，若待选边缘的数量为零，则返回步骤S2，减小偏移量C，继续迭代直到获得至少一条待选边缘；S6：确定局部图像的颜色滤除假边缘；S7：整合边缘，计算中心点及旋转角用以实现定位。本发明能够在可见光图像中对周转箱进行定位，耗时短，无需人工参与。

技术领域

本发明涉及图像分析技术领域，具体涉及一种基于图像几何特征的周转箱自动定位方法。

背景技术

对图像中感兴趣的目标进行定位是图像处理、机器视觉等领域的关键技术，其目的是找到图像中感兴趣的目标，并将其在图像中的位置信息提取出来，再通过相机外参标定将其位置转换至世界坐标系，为机器人抓取等后续操作奠定基础。物料的短距离运输是仓库、流水线等场景必不可少的环节。周转箱是经过标准化设计的物料容器，广泛应用于物料的流转及仓储。目前其搬运任务主要是由人工完成，存在的问题有：(1) 人力成本高；(2)效率低下；(3) 错误率不可控，错误源不可追溯。为解决传统搬运方式的弊端，由机器视觉引导机械臂抓取，配合AGV小车运输是一种可行的解决方案。近年来新兴的智慧工厂、智能仓库等场景更是限制人员参与生产过程。而对周转箱的自动定位技术是这些方案顺利实施的重要前提。

现有的图像定位方法大体上分为4类：(1) 基于分割的方法，将原始图像分为多个区域，并标记感兴趣的区域；(2) 基于边缘检测的方法，找到感兴趣目标的轮廓，实现定位；(3) 基于特征的方法，分析感兴趣目标的纹理、颜色等特征，并以此为判据将目标位置提取出来；(4) 基于深度学习的方法，通过神经网络模型代替人工完成特征提取，实现定位。

基于分割的方法对于目标与背景灰度差异较小的图像定位效果较差，且难以做到将目标与背景完全分离，因而定位精度较低，难以引导机械臂抓取。基于边缘的方法对噪声敏感，对于某些灰度与背景差异不明显的周转箱图像准确性较低，识别率难以达到工业级要求。基于特征的方法最大的问题是提取、分析特征的过程耗时较长，且对于某些与目标特征相近的伪目标难以区分。基于深度学习的方法需要大量的标注样本用于训练模型，并且最终定位精度受标注精度的影响，可能出现定位结果不稳定，不适合精确抓取。

周转箱定位问题存在以下难点：(1) 周转箱图像背景复杂，内部物料种类繁多,可能对目标识别造成干扰；(2)周转箱间距较小，邻箱之间可能互相干扰。(3) 对于灰色周转箱，依据颜色特征定位会导致误差较大。(4) 周转箱使用过程中可能发生形变，每个周转箱的形状都不会完全一样。

现有方法难以实现周转箱的精确定位。周转箱的一般形状为规则的矩形，箱体上沿为光滑平面。在俯视图中，会形成较明显的几何特征。如果能对其加以利用，可以提高定位精度，减少耗时，提高自动化性能。

发明内容

有鉴于此，本发明要解决的问题是提供一种基于图像几何特征的周转箱自动定位方法。

为解决上述技术问题，本发明采用的技术方案是：一种基于图像几何特征的周转箱自动定位方法，包括如下步骤：

S1：根据从相机获取的原始图像得到垂直边缘和水平边缘，截取垂直边缘和水平边缘所在区域作为感兴趣区域（Roi图像）；

S2：将每张Roi图像依次提取RGB通道分量，再对Roi图像进行灰度化处理得到灰度图像，共得到4张单通道图像，对每张单通道图像求取梯度图像，然后采用局部阈值法将每张梯度图像进行二值化处理，局部阈值为邻域高斯均值，偏移量为C，通过位或运算，每一Roi图像最终得到一张二值图；