一种基于点云数据处理技术的散杂货场堆取料机定位方法及实现所述方法的系统

摘要

本发明提供一种基于点云数据处理技术的散杂货场堆取料机定位方法及实现所述方法的系统，所述方法包括获取散杂货场的点云数据，对点云数据进行网格化处理，以灰度值表示网格的高程值得到高程图，对高程图进行数学形态学运算，计算膨胀运算与腐蚀运算的差值得到数学形态学梯度数据；二值化后再进行数学形态学开运算和闭运算，得出位置信息，实现对散杂货场内堆取料机进行定位的目的。本发明的方法能够准确、快速对散杂货场中堆取料机的位置信息进行提取，实现自动化对散杂货场中堆取料机进行定位的目的，无需人工观察，精确度良好。

说明书

【技术领域】

本发明涉及图像数据处理领域，适用于散杂货场现代化物流管理，特别是一种基于点云数据处理技术的散杂货场堆取料机定位方法，以及实现所述方法的系统。

【背景技术】

随着经济的不断发展，市场规模不断扩大，大宗散杂货的贸易运输量持续增长。堆取料机作为一种新型高效率连续装卸机械，利用其对散杂货进行装卸工作，可以大大缩减装卸工作所需的时间，提高工作效率，降低人工劳动的强度。目前，堆取料机已经广泛应用于大型货场的散杂货装卸工作中。为了保证利用堆取料机进行散杂货装卸工作的效率，通常，堆取料机应该具有认址与定位功能。在操作人员的控制下，具有认址、定位功能的堆取料机可以准确地移动到大型货场中各个散杂货堆的起点或终点位置处，执行堆取料功能。

目前，在实际应用中，对堆取料机进行定位的方法主要有三种，分别为人工目测进行定位、借助光电编码器装置进行定位和借助激光位移传感器进行定位。人工目测定位方法主要受限于操作人员的视力与经验水平，鲁棒性较差，获得到的定位结果精度较差。而借助光电编码器装置对堆取料机进行定位时，由于堆取料机轨道的非平滑性，堆取料机的车轮在行进过程中不可避免的会产生一定程度的打滑现象，这将导致光电编码器装置的距离测量结果中存在累计误差，因此，该方法获得到的定位结果精度不理想。而对于借助激光位移传感器进行定位的方法，在理想环境中能够获得定位结果精度较高的堆取料机定位信息。然而散杂货场的实际环境通常较为恶劣，不洁净的环境会使激光位移传感器无法正常工作。而且散杂货场中的堆取料机轨道随使用年限的增加所产生形变将导致激光位移传感器的靶位发生偏移，导致定位结果出现较大误差，因此，该方法在实际应用中的鲁棒性与定位精度也并不理想。

如何采用现代化技术，快速、准确地对大型货场内散杂货堆取料机进行定位是目前散杂货现代化物流管理领域内急需解决的一个重要问题。

【发明内容】

本发明的目的是克服现有技术缺陷，实现一种能够快速、准确对大型散杂货场内的堆取料机进行定位的方法，还提供实现上述定位方法的系统。

为了实现上述目的，本发明的方法首先通过遥感探测设备获取散杂货场的点云数据；然后，对数据格网化处理以获得散杂货场的高程图像；最后，利用数学形态学方法对散杂货场的高程图像进行处理，得出散杂货场内各个堆取料机的位置信息，实现对散杂货场内堆取料机进行定位。

具体地，本发明提供一种基于点云数据处理技术的散杂货场堆取料机定位方法，所述方法包括以下步骤：

(1)获取散杂货场的点云数据，所述点云数据是由散杂货场所在区域内地面以及地面物体在xyz三维空间内的位置数据的集合；

(2)对步骤(1)的点云数据进行网格化处理，以灰度值表示网格的高程值，绘制灰度值化的所述散杂货场的高程图；

(3)设置数学形态学结构元，对步骤(2)的高程图进行数学形态学运算，得到散杂货场内的堆取料机的位置信息，所述数学形态学运算包括：

(3a)对步骤(2)的高程图进行数学形态学的膨胀运算；

(3b)对步骤(2)的结果进行数学形态学的腐蚀运算；

(3c)基于步骤(3a)和(3b)的结果，计算膨胀运算与腐蚀运算的差值，得到散杂货场的高程图的数学形态学梯度数据；

(3d)对步骤(3c)得到的结果进行二值化，得到散杂货场的高程图的数学形态学梯度的二值化图；

(3e)对步骤(3d)的二值化图进行数学形态学开运算，去除掉二值化图像中与散杂货场内堆取料机的位置无关的像素点；

(3f)对步骤(3e)的结果进行数学形态学闭运算，从二值化图像中得出散杂货场内堆取料机的位置信息，实现对散杂货场内堆取料机进行定位的目的。

在本发明中，优选地，步骤(1)的点云数据可以通过空基载荷平台上搭载的遥感探测设备获取的。

用于获取地面区域点云数据的遥感探测设备属于现有技术，例如利用空基载荷平台上安装的机载激光雷达对地面进行扫描探测，获得相关区域的点云数据。

根据一种优选的实施方式，步骤(2)进行网格化处理时，构建的格网的总数应 大于或等于该被分割的点云数据中所包含的点的总数。

如构建的网格数小于被分割的点云数据中所包含的点的总数，网格化处理后获得的高程图像的分辨率将低于基于原始点云数据所能获得的理想高程图像的分辨率，造成高程图像中物体定位精度下降。

特别地，步骤(2)进行网格化处理时，将点云数据映射至xy平面上，在xy平面内构建正方形格网将点云数据分割开；对于构建出网格，(i)若格网中包含有点云数据中的点，将该格网中所包含的点云数据中的点的高程平均值作为该格网的高程值，(ii)若格网中不包含点云数据中的点，且在xy平面内与该格网相邻的8个格网中有超过4个以上(不含4个)格网中也不包含点云数据中的点，则将点云数据中高程最小的点的高程值作为该格网的高程值，(iii)若格网中不包含点云数据中的点，且在xy平面内与该格网相邻的8个格网中有超过4个以上(不含4个)格网中包含点云数据中的点，将这些包含点云数据中的点的格网的高程值的平均值作为该格网的高程值；通过上述方法获得所有构建出的格网的高程值，将各格网作为一幅图像中的像素点，将各格网的高程值作为像素点的灰度值，得到灰度值化的点云数据的高程图像。

在本发明中，步骤(3)的数学形态学结构元优选采用圆盘形结构元，以良好实现对二值化图像中堆取料机边界进行平滑处理的目的。

数学形态学运算是一类图像处理技术，利用具有一定形态的结构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的，属于图像处理技术领域的公知技术。例如参考《图象处理与分析——数学形态学方法及应用》(崔屹，科学出版社)中公开的方法。

圆盘型结构元的直径可根据图像中像素点的距离分辨率选定，优选地，在获得到的遥感图像中所使用的圆盘形结构元的直径应与堆取料机大臂宽度值近似相等。

在本发明中，调整步骤(3a)与步骤(3b)的运行顺序并不会对后续步骤产生影响。

在本发明中，步骤(3e)中，对上一步骤得到的二值化图进行数学形态学开运算的目的是去除二值化图像中与散杂货场内堆取料机的位置无关的像素点，即进行图像去噪运算。

图像去噪处是一类现有的数字处理技术，例如常见的中值滤波方法、点窗口均值滤波方法，小波滤波方法均可用于图像去噪。然而，针对本发明的定位方法，经 过实验发现在步骤(3e)中，上述去噪运算不能良好地去除图像中离散分布的与散杂货场内堆取料机位置无关的像素点。而利用数学形态学开运算一方面能够很好的去除图像中离散分布的与散杂货场内堆取料机位置无关的像素点，而且对图像中堆取料机的边界有一定的平滑作用。此外经过对比发现数学形态学开运算去噪方法具有运算效率较高、处理过程耗时较少的特点。

本发明还提供用于实现上述方法的定位系统，所述系统应当包括：

(1)用于获取散杂货场的点云数据的遥感探测设备；

(2)与所述遥感探测设备实现数据连接、对所述点云数据进行数据处理的计算设备，所述计算设备包括(a)对点云数据进行网格化处理、输出灰度值化的所述散杂货场的高程图的设备；(b)对高程图进行数学形态学运算，输出数学形态学运算结果的设备；

(3)将数学形态学运算结果作为图像，输出散杂货场内的堆取料机的位置信息的设备。

在本发明中，所述数学形态学运算包裹对高程图进行数学形态学的膨胀运算；对膨胀运算的结果进行数学形态学的腐蚀运算；基于膨胀运算和腐蚀运算的结果，计算膨胀运算与腐蚀运算的差值，得到高程图的数学形态学梯度数据；对数学形态学梯度数据进行二值化，得到数学形态学梯度的二值化图；对二值化图进行数学形态学开运算和闭运算。

本发明借助现有的空基载荷平台上搭载的遥感探测设备获取散杂货场的点云数据；利用数据处理获得散杂货场的高程图像，再利用数学形态学方法对高程图像进行处理，提取出散杂货场内各个堆取料机的位置信息，实现定位的目的。

与常规的人工目测定位方法相比，本发明所述方法不受限于操作人员的视力与经验水平，获取到的定位结果更加客观、准确。本发明借助遥感探测技术可以直接对堆取料机在散杂货场区域内所处的三维位置进行测量，因此克服了堆取料机在其轨道上的运行过程中出现的车轮打滑现象造成的测量或计算误差，堆取料机位置测量结果的精度高，与借助光电编码器装置进行定位的方法相比，利用本发明的方法可以得到更高精度的堆取料机定位结果。

本发明借助空基载荷平台上搭载的遥感探测设备获取散杂货场内地面和地物上各点的三维位置信息，在实际应用过程中，现有的空基载荷平台的飞行高度通常高 于150米，从而避免散杂货场的不洁净环境可能造成的对遥感探测设备的不良影响，此外，堆取料机轨道的形变也不会对空基载荷平台上搭载的遥感探测设备的测量精度产生影响，因此，与其他现有技术相比，本发明的方法的鲁棒性更高，获得到的定位结果更精确。

【附图说明】

图1是本发明的基于点云数据处理技术的散杂货场堆取料机定位方法的流程示意图；

图2是实施例1的大型散杂货场的遥感正射影像图，由遥感探测设备获取；

图3是对图2的九台堆取料机进行人为标记得到的图像；

图4是图3的点云数据，由遥感探测设备获取；

图5是图4的高程图；

图6是图5的数学形态学梯度图像；

图7是图6的二值化图像；

图8是对图7进行数学形态学开运算得到的结果；

图9是对图8进行数学形态学闭运算得到的结果。

【具体实施方式】

以下实施例用于非限制性地解释本发明的技术方案。

实施例1

如图2所示的散杂货场，位于北纬39°55'48.4"和东经119°41'22.4"。货场内有多台移动的堆取料机。由于地形、货物堆放和设备移动，无法直观地对堆取料机进行定位。将堆取料机进行人为标记后的图像如图3所示。

将激光雷达安装在空基载荷平台，然后设置在散杂货场上方，利用激光雷达对散杂货场所在区域进行探测，获取散杂货场所在区域内地面以及地面物体的各点位置信息，以xyz三维数据进行记录，所得xyz三维数据组成该散杂货场的点云数据，如图4所示。

利用计算机对图4进行格网化处理：将图4的点云数据映射至xy平面上，在xy平面内构建一系列正方形的格网以分割点云数据。构建出的格网的总数是点云数据的点的两倍。这样，由于网格数多于点云数据的点数，因此网格中有部分不包含任何点云数据。

若格网中包含有点云数据中的点，则将该网格中点的高程平均值(当网格中只包含一个点时，取该点的高程值；当网格中包含多个点时，取所有点的高程平均值)作为该格网的高程值。对于格网中不包含任何点云数据，且在xy平面内与该格网相邻的8个格网中有超过4个以上格网中也不包含点云数据中的点，则将点云数据中高程最小的点的高程值作为该格网的高程值。对于格网中不包含任何点云数据，且在xy平面内与该格网相邻的8个格网中有超过4个以上格网中包含点云数据中的点，将这4个以上包含点云数据中点的格网的高程的平均值作为该格网的高程值。

对每一格格网赋值后，将各个构建出格网的高程值作为一幅图像中的像素点的灰度值，得到点云数据的高程图像，如图5所示。在图5中，明亮的区域具有较高的高程值。

利用数学形态学方法图5进行处理。设置直径为3像素的圆形数学形态学结构元。利用数学形态学结构元对散杂货场的高程图像进行膨胀运算和腐蚀运算，计算膨胀运算结构与腐蚀运算结构的差值，得到高程图的数学形态学梯度，如图6所示。图6表现出较模糊的堆取料机位置，精确度差，噪点较多，包含较多无法准确判断的数据点。

对图6进行二值化处理，得到二值化图像，如图7所示。与图6相比，图7呈现出较清楚的堆取料机位置，但噪声大，特别是在图像中下部区域有较多无法识别的位置信息。

对图7进行进一步的数学形态学运算，利用数学形态学结构元对图7的二值化图像进行开运算，以去除掉二值化图像中与散杂货场内堆取料机的位置无关的像素点(特别是位于图7中部下方区域的噪声)，所得结果如图8所示。然而，经过开运算后，图8的部分数据被模糊，特别是图8中部的部分信息已无法准确判断。

最后，利用直径为3个像素点的圆盘形结构元对图8的二值化图像进行闭运算，增强图8中部分被模糊的数据，从二值化图像中得出散杂货场内堆取料机的位置信息，实现对散杂货场内堆取料机进行准确定位的目的，如图9所示。

以上，对图像的数字处理可采用MATLAB等图像处理工具，例如结合《MATLAB数字图像处理》中公开或指导的方法，实现数据处理和输出。

与图3进行对比，图9准确获取了9台堆取料机的位置信息，与图3的遥感正射影像中实际所处的位置是一致，没有错误和遗漏。可见，本发明的方法能够准确、 快速对散杂货场中堆取料机的位置信息进行提取，实现自动化对散杂货场中堆取料机进行定位的目的，无需人工观察，精确度良好。

以上所述，仅为本发明具体实施方法的基本方案，但本发明的保护范围并不局限于此，任何熟悉本技术领域的人员在本发明公开的技术范围内，可想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。所有落入权利要求的等同的含义和范围内的变化都将包括在权利要求的范围之内。