堆垛“五距”检测的二值化方法、装置、设备和存储介质与流程

本发明涉及图像处理技术领域，具体涉及一种应用于仓储堆垛“五距”检测的二值化方法、装置、设备和存储介质。

背景技术：

近年来危化品堆垛安全距离监控称为越来越迫切需要解决的问题，基于云平台搭建双目摄像头“五距”检测系统进行智能化安全距离预警可以有效解决这个问题。具体的，在危化品堆垛安全距离监控中，特征提取问题尤为关键，特征提取的准确度直接影响后续结果测量的准确度，尤其是在夜视环境下，各个像素点的灰度值非常接近，此时，特征点提取不准确，则无法准确获取特征点信息，进而影响边缘提取的准确度等。

现有技术中，夜视图经过灰度直方均匀化处理后，灰度值范围产生集中现象，提取边缘是不清晰，且无法识别出角点；此外，夜视图经过一维大津阈值处理后虽然可以检测出物体的边缘信息和角点信息，但是二值化图片并没有有效提取前景信息，导致原夜视图中包含大量噪点信息。

技术实现要素：

有鉴于此，提供一种应用于仓储堆垛“五距”检测的二值化方法、装置、设备和存储介质，以解决现有技术中夜视环境下的成像图片处理不当导致的无法有效检测出物体的边缘信息和角点信息等问题。

本发明采用如下技术方案：

第一方面，本申请实施例提供了一种应用于仓储堆垛“五距”检测的二值化方法，该方法包括：

获取待处理堆垛在夜视环境下的成像图片；

根据预设分辨率获取所述成像图片的各个像素点；

针对每个成像图片，对于成像图片中的每个像素点，计算对应的二元组，将各个像素点对应的二元组组合为二元组集合，其中，所述二元组为二维灰度数组；

针对所述二元组集合，计算二维最大峰值差；

根据所述最大峰值差对应的二元组，以及，预设二值分界点条件确定目标二元组灰度阈值；

应用所述目标二元组灰度阈值对对应的成像图片进行二值化处理。

第二方面，本申请实施例提供了一种应用于仓储堆垛“五距”检测的二值化装置，该装置包括：

图片获取模块，用于获取待处理堆垛在夜视环境下的成像图片；

像素点获取模块，用于根据预设分辨率获取所述成像图片的各个像素点；

二元组计算模块，用于针对每个成像图片，对于成像图片中的每个像素点，计算对应的二元组，将各个像素点对应的二元组组合为二元组集合，其中，所述二元组为二维灰度数组；

最大峰值差计算模块，用于针对所述二元组集合，计算二维最大峰值差；

灰度阈值确定模块，用于根据所述最大峰值差对应的二元组，以及，预设二值分界点条件确定目标二元组灰度阈值；

二值化处理模块，用于应用所述目标二元组灰度阈值对对应的成像图片进行二值化处理。

第三方面，本申请实施例提供了一种设备，该设备包括：

处理器，以及与所述处理器相连接的存储器；

所述存储器用于存储计算机程序，所述计算机程序至少用于执行本申请实施例第一方面所述的应用于仓储堆垛“五距”检测的二值化方法；

所述处理器用于调用并执行所述存储器中的所述计算机程序。

第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如第一方面所述的应用于仓储堆垛“五距”检测的二值化方法中各个步骤。

本发明采用以上技术方案，首选获取待处理堆垛在夜视环境下的成像图片；根据预设分辨率获取所述成像图片的各个像素点；针对每个成像图片，对于成像图片中的每个像素点，计算对应的二元组，将各个像素点对应的二元组组合为二元组集合，其中，所述二元组为二维灰度数组；针对所述二元组集合，计算二维最大峰值差；根据所述最大峰值差对应的二元组，以及，预设二值分界点条件确定目标二元组灰度阈值，这样确定的目标二元组阈值更准确；应用所述目标二元组灰度阈值对对应的成像图片进行二值化处理。这样的处理使得二值化处理后的图片中的噪点更少，进而后续能有效检测出物体的边缘信息和角点信息等，将该方法应用在夜市环境下的仓储堆垛“五距”检测中，处理效果更好。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例中适用的一种双目“五距”检测系统的流程图；

图2是本发明实施例提供的一种应用于仓储堆垛“五距”检测的二值化方法的流程图；

图3是本发明实施例提供的另一种应用于仓储堆垛“五距”检测的二值化方法的流程图；

图4是本发明实施例中适用的一组夜视环境下的成像图片；

图5是本发明实施例中适用的一组夜视环境下的成像图片角点检测图；

图6是本发明实施例中适用的一种改进的二维大津阈值及变换提取算法流程图；

图7是本发明实施例中适用的一组标准数据集随机选取的部分截图图片；

图8是本发明实施例中适用的一组标准数据集随机选取部分图片对应的二值化图片；

图9是本发明实施例中适用的一组标准数据集随机选取部分图片对应的三维点分布图；

图10是本发明实施例中适用的一组满垛、超垛和欠垛实验模拟场景图；

图11是本发明实施例中适用的一组满垛、超垛和欠垛实验模拟场景图的二值化图；

图12是本发明实施例中适用的一组满垛、超垛和欠垛实验模拟场景图的三维点分布图；

图13是本发明实施例中适用的一组灰度直方均匀化处理后边缘检测及角点检测图；

图14是本发明实施例中一组一维大津阈值处理后边缘检测及角点检测图；

图15本发明实施例中适用的一组二维大津阈值处理后边缘检测及角点检测图；

图16是本发明实施例提供的一种应用于仓储堆垛“五距”检测的二值化装置的结构示意图；

图17是本发明实施例提供的一种设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。

首先对本申请实施例的应用场景进行说明，本申请实施例提供了一种应用于仓储堆垛“五距”检测的二值化方法，具体的场景可以是夜视环境下应用于危化品仓储堆垛“五距”检测的中，而二值化处理结果或精度极大影响距离测量结果的准确度，尤其是在夜视环境下像素点的灰度值接近的情况下，因此二值化处理精度极为重要。具体的，“五距”指物资库房在存储物资时，应当使存放的物资与库房的墙壁有间距，与库房内柱子有间距，与灯有间距，与房梁有顶距，存放的物资与物资之间形成行距。

此外，随着近年来近年危化品堆垛的安全事故频频发生死伤严重，诸如天津港事件、河北张家口盛华化工事件等。因此加强对危化品的监管越来越值得重视，而智能化监管措施更是步入新时代的重要有效科学手段。目前危化品堆垛安全监测方面的相关研究不断发展，有激光扫描系统、uwb定位系统等。本申请实施例可以应用在以双目摄像头搭建危化品堆垛“五距”测量平台中，以云服务作为通信平台进行监管。在双目“五距”测量中，分为相机标定、角点匹配、深度信息等步骤，图1示出了一种双目“五距”检测系统流程图，主要包括双目标定、特征提取、角点检测、立体匹配、深度重建和视差测距等。

实施例

图2为本发明实施例提供的一种应用于仓储堆垛“五距”检测的二值化方法的流程图，该方法可以由本发明实施例提供的应用于仓储堆垛“五距”检测的二值化装置来执行，该装置可采用软件和/或硬件的方式实现。参考图2，该方法具体可以包括如下步骤：

s201、获取待处理堆垛在夜视环境下的成像图片。

其中，堆垛指物品堆积，或将物品有规律的码放，形成垛形，通常情况下监控危化品堆垛的安全距离对监控堆垛的安全状态具有深远的意义。在本申请实施例中，堆垛使用正方体木块进行模拟。

由于在夜视环境下的成像图片的像素点的灰度值比较接近，且收到管理成本的限制等原因，部分仓储堆垛的场景中无法做的选用4k高清星光彩色夜视摄像仪去获取成像图片，因此，通常采用普通摄像头或高清摄像头进行拍摄，这种情况下，画面清晰度不高且各个像素点的灰度值比较接近，这就导致了后续无法检测到角点的位置，进而无法进行对成像图片的其他检测或处理，或者是直接导致后续的检测或者处理后的精度较低。

示例性的，本申请中可以采用1920*1080分辨率、ax-850-v1.0型号双目摄像头，获取夜视图片，其中，台式机配置参数为intercorei5-4200、2gddr3独立显卡，8g内存，500g硬盘。

s202、根据预设分辨率获取所述成像图片的各个像素点。

具体的，分辨率包括显示分辨率和图像分辨率，本申请实施例中的分辨率是指图像分辨率，也即，单位英寸中包含的像素点数。根据不同的而应用场景的不同需求，设置预设分辨率，其中，预设分辨率可以为多个，结合当前的夜视图片对应的应用场景，选取合适的预设分辨率，例如480*480，根据预设分辨率获取成像图片的各个像素点，在这个具体的例子中，该成像图片有480*480个像素点。此外，这里的预设分辨率还可以与获取成像图片的拍照设备的性能有关，这里可以根据实际情况进行设定或调整等。

s203、针对每个成像图片，对于成像图片中的每个像素点，计算对应的二元组，将各个像素点对应的二元组组合为二元组集合，其中，所述二元组为二维灰度数组。

具体的，针对每个成像图片，获取到各个像素点后，确定各个像素点的灰度值，此时，每个像素点均可以计算出一个对应的二元组，每个二元组均是二维的灰度值数组，称为二维灰度数组。这样，每个像素点对应的二元组均计算完成后，将各个像素点对应的二元组组合为二元组集合，也即，二元组集合中存储了一个成像图片中各个像素点对应的二元组。

s204、针对所述二元组集合，计算二维最大峰值差。

具体的，这里首先对大津二值化法进行简单说明，该算法假定图像包含前景像素和背景像素两类像素，则需要计算能将这两类像素分开的最佳阈值，使的他们的类内方差最小，由于两两平方距离恒定，所以他们的类间方差最大。可选的，本申请实施例中的二值化方法也属于大津二值化法，但是是改进的大津二值化法，本申请中的最大峰值差与做大类间方差呈正相关关系。由于二元组集合中有多个二元组，每个二元组均可以计算出一个峰值差，针对二元组集合，计算最大峰值差。

s205、根据所述最大峰值差对应的二元组，以及，预设二值分界点条件确定目标二元组灰度阈值。

具体的，找到最大峰值差对应的二元组，然后根据预设二值分界条件确定目标二元组灰度阈值。在一个具体的例子中，预设二值分界条件主要用于从二元组中的两个灰度值中确定一个灰度值为目标灰度阈值。其中，预设二值分界点条件为认为设定的一个规则，该规则可以根据实际情况调整。

s206、应用所述目标二元组灰度阈值对对应的成像图片进行二值化处理。

具体的，在确定了目标二元组灰度阈值后，即可应用目标二元组阈值对对应的成像图片进行二值化处理，例如，大于目标二元组灰度阈值的像素点均为前景像素点，其构成了成像图片的前景区，小于目标二元组灰度阈值的像素点均为背景像素点，其构成了成像图片的背景区，这样，便实现了对成像图片进行二值化处理。

本发明采用以上技术方案，首选获取待处理堆垛在夜视环境下的成像图片；根据预设分辨率获取所述成像图片的各个像素点；针对每个成像图片，对于成像图片中的每个像素点，计算对应的二元组，将各个像素点对应的二元组组合为二元组集合，其中，所述二元组为二维灰度数组；针对所述二元组集合，计算二维最大峰值差；根据所述最大峰值差对应的二元组，以及，预设二值分界点条件确定目标二元组灰度阈值，这样确定的目标二元组阈值更准确；应用所述目标二元组灰度阈值对对应的成像图片进行二值化处理。这样的处理使得二值化处理后的图片中的噪点更少，进而后续能有效检测出物体的边缘信息和角点信息等，将该方法应用在夜市环境下的仓储堆垛“五距”检测中，处理效果更好。应用本申请实施例中的二值化方法提取物体信息，可避免传统的以为大津阈值无法对像素点周边的信息进行检索，可能导致分解阈值不准确而包含噪点的问题。

图3为本发明又一实施例提供的另一种应用于仓储堆垛“五距”检测的二值化方法的流程图，本实施例在上述实施例的基础上实现。参考图3，该方法具体可以包括如下步骤：

s301、获取待处理堆垛在夜视环境下的成像图片。

s302、根据预设分辨率获取所述成像图片的各个像素点。

s303、针对每个成像图片，对于成像图片中的每个像素点，将像素点的灰度值确定为所述二元组的第一维数据。

具体的，这里针对一个成像图片为例进行说明，其余成像图片的处理方式等同。其中，选定任一个成像图片，假设有480*480个像素点，每个像素点均对应一个二元组，不同像素点的二元组可能相同，称为同值二元组，可选的，还可以计算出同值二元组的个数。以第1像素行和第1像素列的像素点为例，该像素点的二元组的第一维数据即为该像素点的灰度值，也即，每个像素点的二元组的第一维数据均为该点的灰度值。

s304、以所述像素点所处的位置为中心，取预设窗口长度内所有像素点的灰度值的平均值作为所述二元组的第二维数据。

接下来说明每个像素点的二元组的第二维数据是如何确定的。以当前研究的像素点所处的位置为中心，其中，当前像素点所处的位置可以用像素行和像素列的概念来示例，例如，第1行和第1列即为当前像素点的位置。预设窗口长度可以是3*3个像素点，在上述具体的例子中，预设窗口长度内所有像素点即为包含当前像素点在内的3*3个像素点，此时，这9个像素点的灰度值的平均值即为二元组的第二维数据。在一个具体的例子中，求这9个像素点的灰度值的计算方式可以是直接求取算术平均值，还可以是给予各个点对应的权重来计算平均值。需要说明的是，这里只是用举例说明，预设窗口的长度以及预设窗口的选取方式不唯一。

s305、将所述第一维数据和所述第二维数据组合为二元组。

具体的，针对每个像素点，将第一维数据和第二维数据组合成一个二元组，这样，每个像素点均对应一个二元组，一个成像图片对应着多个二元组组成的二元组集合。多个二元组图片对应着多个二元组集合。需要说明的是，不同像素点的灰度值可能相同，因此，不同像素点的二元组可能相同。

在一个具体的例子中，可以通过如下公式计算每个像素点的二元组。

其中，i、j分别为迭代次数，wide、height分别为成像图片像素的长宽个数，例如480*480，m、n分别为函数窗口在某一点的长宽偏离像素原点的位置，可选的，像素原点可以是当前像素点，t为成像图像实际占用的内存长度，x、y分别为函数窗口长宽大小，其大小分别是m、n起始点和末位点的差值，d″m*t+n为函数窗口某一点的灰度数值，d′i*t+j为成像图片各像素点的灰度值。

s306、将各个像素点对应的二元组组合为二元组集合，其中，所述二元组为二维灰度数组。

s307、针对所述二元组集合，计算各个二元组阈值对应的峰值差。

其中，所述各个二元组阈值由所述预设分辨率和相同二元组出现的个数共同确定。具体的，通过预设分辨率和相同二元组出现的个数可以确定各个二元组，依次选取每个二元组阈值，计算其对应的峰值差，例如，二元组阈值为168时，计算得到一个峰值差，二元组为172时，计算另一个峰值差，以此类推，计算各个二元组对应的峰值差。

可选的，计算各个二元组阈值对应的峰值差可以通过如下方式实现：求解所述二元组集合的概率分布；根据二元组阈值将所述成像图片划分为前景区和背景区；根据所述概率分布，计算所述前景区的前景联合概率密度分布、所述背景区的背景联合概率密度分布、所述前景区的前景区分量、所述背景区的背景区分量和全局区分量；根据所述前景区的前景联合概率密度分布、所述背景区的背景联合概率密度分布、所述前景区的前景区分量、所述背景区的背景区分量和全局区分量计算峰值差。

具体的，以一个二元组阈值为例，说明峰值差的计算过程。

(1)求解二元组集合的概率分布，可以通过下述公式计算：

其中，pij为概率分布，l为灰度值的最大值，其值为255，gij为相同二元组出现个数。

(2)根据二元组阈值将所述成像图片划分为前景区和背景区。

具体的，灰度值大于二元组阈值的像素点组成的图片区域为前景区，灰度值小于二元组阈值的像素点组成的图片区域为背景区。这里的前景区和背景区只是根据当前二元组阈值确定的，不同的二元组阈值，确定的前景区和背景区不同。

(3)根据所述概率分布，计算所述前景区的前景联合概率密度分布、所述背景区的背景联合概率密度分布、所述前景区的前景区分量、所述背景区的背景区分量和全局区分量。

具体的，计算前景区的前景联合概率密度分布可以应用下述公式：

计算背景区的背景联合概率密度分布可以应用下述公式：

其中，ω1为前景联合概率密度，ω2为背景联合概率密度，s、t为二元组阈值，前景区分量i和j，全局均值向量i和j的值可以分别由下述公式计算：

其中，μ1为前景区分量i和j的值，其中μ1i为前景区分量i的值，μ1j为前景区分量j的值。μ2为背景区分量i和j的值，其中μ2i为背景区分量i的值，μ2j为背景区分量j的值，μt为全局区分量i和j的值，其中μti为全局区分量i的值，μtj为全局区分量j的值。

(4)根据所述前景区的前景联合概率密度分布、所述背景区的背景联合概率密度分布、所述前景区的前景区分量、所述背景区的背景区分量和全局区分量计算峰值差。

在一个具体的例子中，可以通过如下公式计算最大峰值差：

max{trmax}＝max{[(ω1*μti-μ1i)*(ω1*μti-μ1i)+(ω1*μtj-μ1j)*(ω1*μtj-μ1j)]/(ω1*ω2)}

式中max{trmax}为迭代后的最大峰值差，二维最大峰值差对应的像素点的即为前景与背景的分界点。

s308、确定所述峰值差中的最大峰值差为二维最大峰值差。

s309、计算按照预设二值分界条件对所述最大峰值差对应的二元组中的第一维数据和所述第二维数据处理后的数值，并计算所述数值与1的差的绝对值。

具体的，在实际的应用中，二维最大峰值差对应的二元组包括第一维数据和第二维数据，此时，要确定这两个数据中的哪个数据为目标二元组灰度阈值。其中，第一维数据i为当前分解点的灰度值，第二维数据j为此像素点的窗口函数的灰度值均值。在一个具体的例子中，这里的处理可以是指计算与1的差的绝对值，记为a，则

s310、若所述绝对值小于预设阈值，则确定所述第一维数据为目标二元组灰度阈值；否则，计算所述第一维数据和所述第二维数据的平均值为目标二元组灰度阈值。

具体的，若a小于预设阈值，其中，预设阈值可以是0.000001，此时确定第一维数据为目标二元组灰度阈值，也即，当前像素点的灰度值；若a大于预设阈值，则计算第一维数据和第二维数据的平均值作为目标二元组灰度阈值。例如，第一维数据为s1，第二维数据为s2，在目标二元组灰度阈值为(s1+s2)/2。

s311、应用所述目标二元组灰度阈值对对应的成像图片进行二值化处理。

s312、应用预设边缘检测算法对所述二值化处理后的成像图片进行梯度降维边缘提取，以进行角点检测。

在二值化处理后，应用预设边缘检测算法对二值化处理后的成像图片进行梯度降维边缘提取，以进行角点检测，这里只是示例了一些图片的处理过程，还可以做其他的处理。

图4示出了一组夜视环境下的成像图片；图5示出了一组夜视环境下的成像图片角点检测图；图6示出了一种改进的二维大津阈值及变换提取算法流程图，其中，501为检测出的角点，这里只是用来示例，还可以检测出其他角点，图5中未示出。本申请中应用于仓储堆垛“五距”检测的二值化方法即为改进的二维大津阈值及变换提取算法。

本申请实施例中，设计了二元组数据中的第一维数据和第二维数据的获取方式，其中，第二维数据中还用到了预设窗口长度内的所有像素点的灰度值的平均值，这样可以应用二维的数据，与只用一维数据相比，准确度更高；然后依次应用每个二元组阈值计算对应的峰值差，选取峰值差最大的二元组中的数据继续分析，针对绝对值小于预设阈值和绝对值大于预设阈值的情况分别确定对应的目标二元组阈值。最后应用目标二元组阈值进行二值化处理，再进行梯度降维边缘提取以进行角点检测等操作，应用上述的二值化处理的方式，使的角点检测等结果更好。此外，本申请实施例实现了夜视环境下的堆垛特征提取、角点检测及“五距”测量之后，并在提取前景与背景后使用sobel算法进行梯度降维边缘提取，从而进行后续的角点检测等步骤。

为了使本申请的技术方案更容易理解，下面从实验结果的角度进行说明。

第一方面，对标准数据集进行测试。

首先，可以从规定的来源下载标准数据集，例如从githup上下载，从标准数据集中随机选取部分截图图片，图7示出了一组标准数据集随机选取的部分截图图片，该组截图图片包括的图片标识为art11.jpg、art665.jpg、bost27.jpg、bost112.jpg、gre143.jpg、gre152.jpg、hous20.jpg、hous30.jpg、street18.jpg、street115.jpg、urb244.jpg、urb307.jpg，如图7所示，应用本申请实施例中的二值化方法进行二值化处理，得到对应的二值化图片，图8示出了一组标准数据集随机选取部分图片对应的二值化图片，如图8所示,该组二值化图片包括的图片标识为art11.jpg、art665.jpg、bost27.jpg、bost112.jpg、gre143.jpg、gre152.jpg、hous20.jpg、hous30.jpg、street18.jpg、street115.jpg、urb244.jpg、urb307.jpg。

然后，根据三维点投影到xy平面上的情况来对二值化图片进行数值化分析，判断目标二元组阈值是否大致分布在负对角线上。图9示出了一组标准数据集随机选取部分图片对应的三维点分布图，该组三维点分布图包括的图片标识为art11.jpg、art665.jpg、bost27.jpg、bost112.jpg、gre143.jpg、gre152.jpg、hous20.jpg、hous30.jpg、street18.jpg、street115.jpg、urb244.jpg、urb307.jpg。由图9可知，针对于标准数据集二值化三维点能大致分布在负对角线线上的图片达到75％。

第二方面，对模拟实验场景进行测试。

由于待处理堆垛包括满垛、超垛和欠垛等情况，因此，实验模拟场景分别对堆垛的满垛(即最大三维标准尺寸情况，“五距”报警的临界点)、超垛(即超出最大三维标准尺寸情况，报警状态)以及欠垛(即三维尺寸小于标准情况，安全状态)。图10示出了一组满垛、堆垛和欠垛实验模拟场景图，该组实验模拟场景图包括的图片标识为y1r.jpg、y2l.jpg、y2r.jpg、y3l.jpg、y3r.jpg、y4r.jpg、y5l.jpg、y5r.jpg、y6l.jpg、y6r.jpg。针对图10进行二值化处理，图11示出了一组满垛、超垛和欠垛实验模拟场景图的二值化图，该组二值化图包括的图片标识为y1r.jpg、y2l.jpg、y2r.jpg、y3l.jpg、y3r.jpg、y4r.jpg、y5l.jpg、y5r.jpg、y6l.jpg、y6r.jpg。在图10中，y1r.jpg、y6l.jpg、y6r.jpg分别为欠垛情况不同光线及阴影下的左右视图，其中r代表左视图、l代表右视图(以下图片命名规则同理)；y2l.jpg、y2r.jpg、y5l.jpg、y5r.jpg分别为满垛情况不同光线及阴影下的左右视图；y3l.jpg、y3r.jpg、y4r.jpg分别为超垛情况不同光线及阴影下的左右视图

根据三维点投影到xy平面上的情况对图11进行数值化分析，判断目标二元组阈值是否大致分布在负对角线上，图12示出了一组实验模拟场景随机选取部分图片对应的三维点分布图，该组三维点分布图包括的图片标识为y1r.jpg、y2l.jpg、y2r.jpg、y3l.jpg、y3r.jpg、y4r.jpg、y5l.jpg、y5r.jpg、y6l.jpg、y6r.jpg。由图12可知，针对实验模拟场景二值化三维点能大致分布在负对角线上的图片达到100％，结合上述对图8标准数据集的二值化三维点分布在负对角线上的图片达到87.5％。

第三方面，对边缘提取与角点检测进行验证。

对图4夜视情况下，图片清晰度不高等现象，加以去模糊措施，分别选用灰度直方图、一维大津阈值等算法处理，对其进行边缘检测和角点检测验证，并与本申请实施例中的二值化方法进行对比。

图13示出了一组灰度直方均匀化处理后边缘检测及角点检测图，如图13所示，从左到右依次为原夜视图、根据原图加以灰度直方均匀化处理的夜视图、根据灰度直方均匀化处理后加以sobel算法边缘提取图、根据sobel算法后找寻角点位置信息后并放回原图的夜视图。由图13所示，实验夜视图经过灰度直方均匀化处理后，灰度值范围产生集中现象，提取边缘时并不较为清晰，且无法识别出角点。

图14示出了一组一维大津阈值处理后边缘检测及角点检测图；如图14所示，从左到右依次是原夜视图、根据原图加以一维大津阈值处理后二值图、根据一维大津阈值处理后加以sobel算法的边缘检测图、根据sobel算法边缘提取后进行角点检测，并把角点位置信息放回原夜视图图片。由图14所示，可知经过一维大津阈值处理后虽然可以检测出物体边缘和角点信息，但是二值化图片并没有有效提取前景信息，导致原夜视图中包含大量噪点信息。

图15示出了一组二维大津阈值处理后边缘检测及角点检测图；也即，本申请实施例中的应用于仓储堆垛“五距”检测的二值化方法处理后的边缘检测及角点检测图，如图15所示，从左到右依次是原夜视图、根据原图加以二维大津阈值处理后二值图、根据二维大津阈值处理后加以sobel算法的边缘检测图、根据sobel算法后的角点检测夜视图。由图15所示，二维大津阈值处理后可以有效检测出物体边缘和角点信息，且二值化图片提取前景信息正常。

综上所述，本文在以研发的双目“五距”测量系统中，针对夜视情况双目摄像头成像模糊或灰度值接近下，较为准确的进行物体特征提取。本申请实施例中的二值化方法有效解决了诸如灰度值平均化、一维大津阈值等算法无法较为准确获取物体特征，而无法进行后续角点检测、匹配等“五距”测量的问题。此外，而该算法针对标准数据集和模拟实验场景图片的二值化三维点信息，能大致分布在负对角线上的图片达到87.5％。

图16是本发明是实施例提供的一种应用于仓储堆垛“五距”检测的二值化装置的结构示意图，该装置适用于执行本发明实施例提供给的一种应用于仓储堆垛“五距”检测的二值化方法。如图16所示，该装置具体可以包括：图片获取模块1601、像素点获取模块1602、二元组计算模块1603、最大峰值差计算模块1604、灰度阈值确定模块1605和二值化处理模块1606。

其中，图片获取模块1601，用于获取待处理堆垛在夜视环境下的成像图片；像素点获取模块1602，用于根据预设分辨率获取所述成像图片的各个像素点；二元组计算模块1603，用于针对每个成像图片，对于成像图片中的每个像素点，计算对应的二元组，将各个像素点对应的二元组组合为二元组集合，其中，所述二元组为二维灰度数组；最大峰值差计算模块1604，用于针对所述二元组集合，计算二维最大峰值差；灰度阈值确定模块1605，用于根据所述最大峰值差对应的二元组，以及，预设二值分界点条件确定目标二元组灰度阈值；二值化处理模块1605，用于应用所述目标二元组灰度阈值对对应的成像图片进行二值化处理。

进一步的，二元组计算模块1603具体用于：

对于成像图片中的每个像素点，将像素点的灰度值确定为所述二元组的第一维数据；

以所述像素点所处的位置为中心，取预设窗口长度内所有像素点的灰度值的平均值作为所述二元组的第二维数据；

将所述第一维数据和所述第二维数据组合为二元组。

进一步的，最大峰值差计算模块1604包括：

峰值差计算子模块，用于针对所述二元组集合，计算各个二元组阈值对应的峰值差；

最大峰值差确定子模块，用于确定所述峰值差中的最大峰值差为二维最大峰值差；

其中，所述各个二元组阈值由所述预设分辨率和相同二元组出现的个数共同确定。

进一步的，峰值差计算子模块具体用于：

求解所述二元组集合的概率分布；

根据二元组阈值将所述成像图片划分为前景区和背景区；

根据所述概率分布，计算所述前景区的前景联合概率密度分布、所述背景区的背景联合概率密度分布、所述前景区的前景区分量、所述背景区的背景区分量和全局区分量；

根据所述前景区的前景联合概率密度分布、所述背景区的背景联合概率密度分布、所述前景区的前景区分量、所述背景区的背景区分量和全局区分量计算峰值差。

进一步的，灰度阈值确定模块1605具体用于：

计算按照预设二值分界条件对所述最大峰值差对应的二元组中的第一维数据和所述第二维数据处理后的数值，并计算所述数值与1的差的绝对值；

若所述绝对值小于预设阈值，则确定所述第一维数据为目标二元组灰度阈值；

否则，计算所述第一维数据和所述第二维数据的平均值为目标二元组灰度阈值。

进一步的，还包括角点检测模块，用于应用所述目标二元组灰度阈值对对应的成像图片进行二值化处理，之后，应用预设边缘检测算法对所述二值化处理后的成像图片进行梯度降维边缘提取，以进行角点检测。

进一步的，所述待处理堆垛包括满垛、超垛和欠垛。

本发明实施例提供的应用于仓储堆垛“五距”检测的二值化装置可执行本发明任意实施例提供的应用于仓储堆垛“五距”检测的二值化方法，具备执行方法相应的功能模块和有益效果。

本发明实施例还提供一种设备，请参阅图17，图17为一种设备的结构示意图，如图17所示，该设备包括：处理器1710，以及与处理器1710相连接的存储器1720；存储器1720用于存储计算机程序，所述计算机程序至少用于执行本发明实施例中的应用于仓储堆垛“五距”检测的二值化方法；处理器410用于调用并执行所述存储器中的所述计算机程序，上述方法至少包括如下步骤：获取待处理堆垛在夜视环境下的成像图片；根据预设分辨率获取所述成像图片的各个像素点；针对每个成像图片，对于成像图片中的每个像素点，计算对应的二元组，将各个像素点对应的二元组组合为二元组集合，其中，所述二元组为二维灰度数组；针对所述二元组集合，计算二维最大峰值差；根据所述最大峰值差对应的二元组，以及，预设二值分界点条件确定目标二元组灰度阈值；应用所述目标二元组灰度阈值对对应的成像图片进行二值化处理。

本发明实施例还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如本发明实施例中的应用于仓储堆垛“五距”检测的二值化方法中各个步骤，上述方法至少包括如下步骤：获取待处理堆垛在夜视环境下的成像图片；根据预设分辨率获取所述成像图片的各个像素点；针对每个成像图片，对于成像图片中的每个像素点，计算对应的二元组，将各个像素点对应的二元组组合为二元组集合，其中，所述二元组为二维灰度数组；针对所述二元组集合，计算二维最大峰值差；根据所述最大峰值差对应的二元组，以及，预设二值分界点条件确定目标二元组灰度阈值；应用所述目标二元组灰度阈值对对应的成像图片进行二值化处理。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。