【技术实现步骤摘要】
基于RGB和D信息融合的RTG视觉障碍物检测的方法
本专利技术涉及基于RGB和D信息融合的RTG视觉障碍物检测的方法。
技术介绍
轮胎式集装箱龙门起重机(Rubber-TyredContainerGantryCrane,RTG)是集装箱港口码头的重要作业设备,其在现代化码头作业中起到了举足轻重的作用,如果能最大化利用RTG将极大地提高码头工作效率。但是RTG设备体积庞大,驾驶室距地面高度较高,对驾驶员提出很高的操作要求,因此如何能为RTG设备提高安全性是一个重要的研究课题。为满足上述安全需求,防撞检测系统作为一种辅助驾驶设备逐渐受到重视。目前,国内外RTG防撞系统障碍物检测方法主要包括:基于超声波传感器的障碍物检测方法,基于红外传感器的障碍物检测方法,基于激光传感器的障碍物检测方法和基于视觉的障碍物检测方法。前两种方法因为检测距离短,可感知信息少等缺点而无法作为主要检测依据,常常只作为辅助手段,主要采用的是基于激光和视觉两种检测方法。基于激光的障碍物检测方法是一项应用相对成熟的技术,但是激光传感器一般成本较高,检测粒度低,无法感知障碍物类别等更丰富的信息。张等人提出了基于激光扫描仪的集装箱防撞检测系统。参考文献:张志勇,应俊,刘影.基于激光的集装箱防撞系统[J].集装箱化,2015,26(11):18-21。相对于基于激光的障碍物检测方法,基于视觉的障碍物检测方法则具有信息丰富,检测距离远,成本较低等优点,尤其是随着近些年计算机视觉技术的突破性发展,此类方法将具有更深远的研究和实用价值。此类方法中曾有早期的基于简单视觉特征如颜色、色彩外观检测障碍物,如Sh ...
【技术保护点】
1.基于RGB和D信息融合的RTG视觉障碍物检测的方法,其特征在于,包括如下步骤:步骤1,获取双目摄像头中左摄像头的RGB图像,由双目计算得到Depth深度图像以及需要检测障碍物的ROI感兴趣区域;步骤2,基于Depth深度图像通过U/V视差法检测障碍物,得到候选障碍物物体框;步骤3,对RGB图做边缘轮廓检测,得到候选障碍物物体框;步骤4,标注训练数据,并利用标注训练数据训练用于目标检测的神经网络模型,使用神经网络模型做目标检测,检测训练过的物体类别,得到相应物体的位置坐标信息即物体框和类别信息;步骤5,判断步骤2和步骤3中的检测结果是否属于障碍物,如果是,则保留该障碍物物体框,否则删除;步骤6,对步骤4和步骤5中的物体框做合并过滤操作,得到进一步的候选障碍物物体框;步骤7,根据候选障碍物物体框与ROI感兴趣区域的位置关系判断其是否属于ROI检测区域,如果是,执行步骤8;步骤8,由Depth深度图像计算障碍物的距离。
【技术特征摘要】
1.基于RGB和D信息融合的RTG视觉障碍物检测的方法,其特征在于,包括如下步骤:步骤1,获取双目摄像头中左摄像头的RGB图像,由双目计算得到Depth深度图像以及需要检测障碍物的ROI感兴趣区域;步骤2,基于Depth深度图像通过U/V视差法检测障碍物,得到候选障碍物物体框;步骤3,对RGB图做边缘轮廓检测,得到候选障碍物物体框;步骤4,标注训练数据,并利用标注训练数据训练用于目标检测的神经网络模型,使用神经网络模型做目标检测,检测训练过的物体类别,得到相应物体的位置坐标信息即物体框和类别信息;步骤5,判断步骤2和步骤3中的检测结果是否属于障碍物,如果是,则保留该障碍物物体框,否则删除;步骤6,对步骤4和步骤5中的物体框做合并过滤操作,得到进一步的候选障碍物物体框;步骤7,根据候选障碍物物体框与ROI感兴趣区域的位置关系判断其是否属于ROI检测区域,如果是,执行步骤8;步骤8,由Depth深度图像计算障碍物的距离。2.根据权利要求1所述的方法,其特征在于,步骤1中,在RTG中使用视觉防撞方案,使用自主安装的双目摄像头获取RGB图像和Depth深度图像信息,用于障碍物检测。3.根据权利要求2所述的方法,其特征在于,步骤2包括如下步骤:步骤2-1,设置障碍物检测有效距离范围参数,取该范围内的Depth深度图像;步骤2-2,利用Depth深度图像计算U/V视差图,计算公式如下:其中vdj表示V视差图中第j行第d列的值,cols表示Depth深度图像的列数,Δij用于表示Depth深度图第j行第i列的深度值即dispij是否为d,如果为d,则该值为1;dispij表示Depth深度图第j行第i列的深度值,uid表示U视差图中第d行第i列的值,rows表示Depth深度图像的行数;步骤2-3,基于V视差图拟合直线,分割出路面区域,去除多余干扰信息;步骤2-4,基于U视差图拟合直线,检测出障碍物,得到候选障碍物物体框。4.根据权利要求3所述的方法,其特征在于,步骤3中,对RGB图做Canny边缘检测,对边缘检测的结果做轮廓检测,得到候选障碍物物体框。5.根据权利要求4所述的方法,其特征在于,步骤4包括如下步骤:步骤4-1,采集RTG使用场景中图像数据,标注检测目标的物体框及类别信息;步骤4-2,利用步骤4-1中标注好的数据对预训练好的检测模型做fine-tuning微调,调优;步...
【专利技术属性】
技术研发人员:申富饶,韩峰,黄羽佳,姜少魁,赵健,李俊,
申请(专利权)人:南京大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。