[发明专利]一种基于深度图的运动障碍物检测及定位方法

说明书

一种基于深度图的运动障碍物检测及定位方法，涉及一种基于双目视觉深度图像的运动障碍物检测与定位方法。本发明为了解决现有基于视觉的障碍物检测与定位方法存在的计算量大、实时性较差、难以区分图像特征较为相似的障碍物与周围环境的问题。本发明通过平行配置的双目摄像机采集深度图，并对深度图像进行去噪、二值化等处理获得候选障碍物在图像中的轮廓，然后将候选障碍物所在位置转换到局部地理坐标系中，结合空间位置关系去除特定位置干扰，并使用卡尔曼滤波的方式对障碍物的运动状态进行估计，提到对于障碍物的定位准确度。本发明适用于基于双目视觉深度图像的运动障碍物检测与定位。

技术领域

本发明涉及数字图像处理与信息融合领域，具体涉及双目视觉中的深度图处理方法。

背景技术

无人机是一种无人驾驶的，通过遥控或者机载控制设备进行飞行的飞机。无人机由于不受载人因素制约，通常体积较小、机动性较强、造价也更为低廉，因此近年来逐渐成为了研究的热点。根据机身结构的不同，无人机可以分为旋翼式无人机与固定翼式无人机。V.Kumar等人曾论证在小负载的情况下，正交多旋翼飞行器的机动性要好于其他类型的飞行器。

四旋翼飞行器作为多旋翼飞行器的代表，受到了越来越多的关注。同时传感器技术、计算机技术以及数据处理技术的快速发展，使得各类传感器与处理器呈现出低功耗、小型化的趋势，这为无人机自主飞行并执行特定任务提供了可能。现阶段，无人机已经在搜索救援、农业植保以及自动放牧等领域表现出很大的发展潜力。然而，由于无人机感知外界环境的相关技术仍然不成熟，这极大地限制了无人机在这些领域的进一步发展。

运动物体检测技术是实现无人机与目标机器人交互同时自动避障的关键技术与前提条件。目前，无人机感知运动物体主要是通过雷达和计算机视觉进行。现有的小型雷达已经可以在小型无人机上使用。但是由于需要满足线检测的条件，所以传感器覆盖的视野十分受限。同时由于无人机的体积与负载的限制，很难设置增大其视野范围的机械结构。而随着图像技术的不断方法，基于视觉的障碍物信息检测也不断成熟和丰富，因此采用视觉传感器的方法感知周边环境，检测运动物体已经成为一种趋势。视觉传感器避障的配置方案可以分为单目相机目和多目相机。单目相机目和多目相机各有优劣，单目相机硬件配置简单，计算量较小，但是由于获取的信息相对较少，尤其是难以获得图像深度信息，因此难以对运动的物体进行准确定位；多目相机硬件配置较为复杂，计算量也较大，但是与单目相机相比能够较好地解决图像深度的获取问题，较为适合对运动物体的检测，但是对于图像信息的处理也相对复杂。

障碍物的检测方法关键在于如何更好地描述障碍物特征。针对这个问题，研究者们做了大量的研究，也提出了众多人工设计的特征描述方法。此类特征主要是基于设计者本身对于障碍物特征的理解，往往具有易于理解、便于调整改进的优点，因此也被广泛应用于各类障碍物检测算法中。早在1998年，C.P.Papageorgiou就提出了Haar特征，之后的2002年，R.Lienhart与J.Maydt对Haar特征库进行扩展，加入了对角特征。1999年，D.G.Lowe提出了基于梯度特征的SIFT(Scale Invariant Feature Transform)方法，并于2004年对该方法进行了进一步的完善，该方法具有较好的尺度不变性与旋转不变性，即改变图像的拍摄角度以及周围环境亮度不会影响特征点的提取效果。2005年，N.Dalal等提出了针对静态图像物体检测的HOG方法。该方法通过统计图像局部区域的梯度方向直方图来构成待检测物体的特征。由于HOG方法的处理对象是图像中的局部连通区域，所以它对图像中物体的几何形变与光学形变都能有较好的适应性。2008年，P.Felzenszwalb对HOG方法进行了一些优化和改进，提出了DPM，(Deformable Parts Model)方法，该系统将DPM与Latent SVM结合，取得了极好的检测效果。