基于视觉传感器的障碍物检测

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (4): 180-183.

基于视觉传感器的障碍物检测

王天涛1，赵永国2，常发亮1

1.山东大学山东省机器人与制造自动化技术重点实验室，济南 250061
2.山东省科学院自动化研究所，山东省机器人与制造自动化技术重点实验室，济南 250061

出版日期:2015-02-15 发布日期:2015-02-04

Obstacle detection based on vision sensor

WANG Tiantao1, ZHAO Yongguo2, CHANG Faliang1

1.Shandong Provincial Key Laboratory of Robot and Manufacturing Automation Technology, Shandong University, Jinan 250061, China
2.Shandong Provincial Key Laboratory of Robot and Manufacturing Automation Technology, Institute of Automation, Shandong Academy of Sciences, Jinan 250061, China

Online:2015-02-15 Published:2015-02-04

摘要/Abstract

摘要： 针对移动机器人双目视觉障碍物检测的实时性和准确性两大难题，提出了一种适用于室内复杂背景的障碍物检测方法。通过Retinex图像增强操作消除环境光照不均匀的影响；运用扫描线种子填充算法分割图像中的路面、背景和障碍物；通过二值化处理、边缘检测提取障碍物的轮廓信息和位置信息。在AS-RE轮式机器人平台上进行实验，实验结果表明，机器人能够在室内环境中稳定地实现自主避障功能，验证了提出的双目视觉障碍物检测算法的可行性。

关键词: 双目视觉, 自主避障, 图像处理, 阴影消除, 障碍物提取

Abstract: To solve real-time and accuracy problems of mobile robot obstacle detection based on binocular vision, a new obstacle detection method for complicated indoor background is proposed. The influence of non-homogeneous illumination is removed via Retinex image enhancement operation; The seed filling is used to implement segmentation of road face, background and obstacle; The contour and position information of obstacle is obtained after binaryzation, and edge detection. The test result on AS-RE robot shows that the new obstacle detection method is viable, and the automatic obstacle avoiding function is well realized stably.

Key words: binocular vision, automatic obstacle avoiding, image processing, shadow elimination, obstacle extraction

王天涛1，赵永国2，常发亮1. 基于视觉传感器的障碍物检测[J]. 计算机工程与应用, 2015, 51(4): 180-183.

WANG Tiantao1, ZHAO Yongguo2, CHANG Faliang1. Obstacle detection based on vision sensor[J]. Computer Engineering and Applications, 2015, 51(4): 180-183.

[1]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[2]	张波，徐黎明，黄志伟，要小鹏. 梯度策略的多目标GANs帕累托最优解算法[J]. 计算机工程与应用, 2021, 57(9): 89-95.
[3]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[4]	杨培伟，周余红，邢岗，田智强，许夏瑜. 卷积神经网络在生物医学图像上的应用进展[J]. 计算机工程与应用, 2021, 57(7): 44-58.
[5]	云旭，宋焕生，梁浩翔，侯景严，戴喆. 基于深度学习的关键岗位人员行为分析系统[J]. 计算机工程与应用, 2021, 57(6): 225-231.
[6]	卢苇，刘丹，邵敏，吴扬东. 改进Mask R-CNN网络在医学图像识别与分割中的应用[J]. 计算机工程与应用, 2021, 57(24): 234-241.
[7]	张德，林青宇，郭茂祖. 单幅图像超分辨重建的深度学习方法综述[J]. 计算机工程与应用, 2021, 57(22): 28-41.
[8]	李祥霞，谢娴，李彬，尹华，许波，郑心炜. 生成对抗网络在医学图像处理中的应用[J]. 计算机工程与应用, 2021, 57(18): 24-37.
[9]	林本丰，王呈，孙悦程. 融合LSD算法与深度学习的开关状态检测方法[J]. 计算机工程与应用, 2021, 57(17): 181-189.
[10]	许洋洋，李伟，王杰. 利用事件和期限驱动对机器人延时的优化[J]. 计算机工程与应用, 2021, 57(17): 260-268.
[11]	王滢暄，宋焕生，梁浩翔，余宵雨，云旭. 基于改进的YOLOv4高速公路车辆目标检测研究[J]. 计算机工程与应用, 2021, 57(13): 218-226.
[12]	陈少洁，赵淦森，林成创，彭璟，黄凯信，李壮伟，黄润桦，杜嘉华，樊小毛. 深度学习在染色体分割中的应用综述[J]. 计算机工程与应用, 2021, 57(11): 46-56.
[13]	胡文涛，陈秀宏. 基于局部保持投影的鲁棒稀疏子空间学习[J]. 计算机工程与应用, 2021, 57(10): 194-199.
[14]	王凡，周国清，张荣庭，刘德全. 面向FPGA的连通域快速标记方法[J]. 计算机工程与应用, 2020, 56(22): 230-235.
[15]	潘卫华，杜旭. 基于改进自适应权重的三边滤波立体匹配算法[J]. 计算机工程与应用, 2020, 56(18): 186-192.