一种障碍物轮廓检测方法、装置、终端设备和存储介质与流程

1.本发明涉及障碍物检测领域，尤其涉及一种障碍物轮廓检测方法、装置、终端设备和存储介质。


背景技术：

2.现有技术中一般使用双目摄像头进行障碍物探测，并使用ai(artificial intelligence，人工智能)识别算法进行运算。但双目摄像头构造复杂、制作成本高，且对计算能力要求高，若要使用ai识别算法需要预先进行训练，且对处理器存储和运算能力要求较高，在使用双目摄像头时，由于需要适应不同的光照、不同障碍物，对实际使用要求比较高，需要大量场景进行算法训练和测试，使用比较复杂。


技术实现要素：

3.有鉴于此，本技术提供一种障碍物轮廓检测方法、装置、终端设备和存储介质。
4.第一方面，本技术提出一种单目摄像头障碍物轮廓检测方法，所述方法包括：
5.通过单目摄像头获取实际场景的实际图像，并对所述实际图像进行透视变换得到实际鸟瞰图；
6.计算所述实际鸟瞰图中各个像素点的实际特征值；
7.基于空地鸟瞰图各个像素点的空地特征值和所述实际特征值进行异常点识别处理，得到包含有异常点的二值图像；
8.对所述二值图像中的异常点进行去噪处理，得到第一图像；
9.对所述第一图像进行轮廓检测，确定所述实际场景中的障碍物的轮廓。
10.在一些实施例中，所述对所述第一图像进行轮廓检测，确定所述实际场景中的障碍物的轮廓，包括：
11.基于预设算法提取所述第一图像中的至少一个轮廓；
12.计算各个所述轮廓的中心点和最小斜矩形的边长度和面积；
13.若当前轮廓的所述中心点不在所述第一图像的边界处，则检测所述边长是否小于预设的边长阈值，以及所述面积是否小于预设的面积阈值；
14.若所述边长小于所述边长阈值且所述面积小于所述面积阈值，则确定所述当前轮廓为干扰轮廓并丢弃，否则保留所述当前轮廓；
15.若所述当前轮廓的所述中心点在所述第一图像的边界处，则保留所述当前轮廓；
16.将保留的轮廓作为障碍物的轮廓。
17.在一些实施例中，所述通过单目摄像头获取实际场景的实际图像之前包括：
18.通过单目摄像头获取空地场景的空地图像，并测量所述空地场景的实际尺寸以确定所述空地场景的长宽比例；
19.基于所述长宽比例和待生成的所述空地场景的空地鸟瞰图的分辨率确定空地坐标；
20.在所述空地场景的边界处设置角点，并确定所述角点在空地图像中对应的角点坐标；
21.基于所述角点坐标和所述空地坐标计算透视变换矩阵的参数，以确定所述透视变换矩阵；
22.通过所述透视变换矩阵对所述空地图像进行透视变换，得到所述空地场景的空地鸟瞰图。
23.在一些实施例中，相应鸟瞰图中各个像素点的特征值通过以下方式计算：
24.对相应鸟瞰图进行灰度处理得到灰度图像；
25.基于所述灰度图像的所述各个像素点为中心计算对应的中心亮度和环境亮度；
26.根据所述各个像素点的所述中心亮度和所述环境亮度的比值作为对应像素点的特征值。
27.在一些实施例中，所述基于空地鸟瞰图各个像素点的空地特征值和所述实际特征值进行异常点识别处理，包括：
28.将相同位置的像素点的所述空地特征值和所述实际特征值进行比较，得到对应的比值；
29.若所述比值小于等于预设的比值阈值，则确定所述像素点为所述异常点，否则确定所述像素点为正常点。
30.在一些实施例中，所述对所述二值图像中的异常点进行去噪处理，得到第一图像，包括：
31.对所述二值图像进行第一像素尺寸的膨胀处理以得到第二图像；
32.对所述第二图像进行第二像素尺寸的腐蚀处理以得到第三图像；
33.对所述第三图像进行第三像素尺寸的膨胀处理以得到第四图像；
34.对所述第四图像进行第四像素尺寸的腐蚀处理以得到第一图像；
35.其中，所述第一像素尺寸、所述第二像素尺寸、所述第三像素尺寸和所述第四像素尺寸的关系如下：所述第一像素尺寸与所述第三像素尺寸之和等于所述第二像素尺寸与所述第四像素尺寸之和，所述第一像素尺寸小于第二像素尺寸小于所述第三像素尺寸。
36.在一些实施例中，所述腐蚀处理包括：
37.将预设的结构元素的中心点依次与所述二值图像中各个异常点重合，判断所述结构元素中的全部像素点是否均为异常点；
38.若所述全部像素点均为所述异常点，则保留所述中心点对应的像素点；
39.否则，将所述中心点对应的像素点修改为正常点。
40.第二方面，本技术实施例还提供一种障碍物轮廓判断装置，包括：
41.鸟瞰图获取模块，通过单目摄像头获取实际场景的实际图像，并对所述实际图像进行透视变换得到实际鸟瞰图；
42.特征值计算模块，计算所述实际鸟瞰图中各个像素点的实际特征值；
43.异常点识别模块，基于空地鸟瞰图各个像素点的空地特征值和所述实际特征值进行异常点识别处理，得到包含有异常点的二值图像；
44.去噪处理模块，对所述二值图像中的异常点进行去噪处理，得到第一图像；
45.轮廓确定模块，对所述第一图像进行轮廓检测，确定所述实际场景中的障碍物的
轮廓。
46.第三方面，本技术实施例还提供一种终端设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行上述任一项障碍物轮廓检测方法。
47.第四方面，本技术实施例还提供一种可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行上述任一项障碍物轮廓检测方法。
48.本技术的实施例具有如下有益效果：
49.本技术实施例提供一种障碍物轮廓检测方法、装置、终端设备和存储介质，通过单目摄像头获取实际场景的实际图像，并对所述实际图像进行透视变换得到实际鸟瞰图，计算实际鸟瞰图中各个像素点的实际特征值，基于空地鸟瞰图各个像素点的空地特征值和实际特征值进行异常点识别处理，得到包含有异常点的二值图像，对二值图像中的异常点进行去噪处理得到第一图像，对第一图像进行轮廓检测，确定实际场景中的障碍物的轮廓。本技术的检测方法一方面可以更加准确的对识别的障碍物的尺寸、外形特征等进行判定，另一方面通过异常点进行去噪处理可以去除光照对图像特征识别的影响，可以应用于大多的障碍物特征识别，避免了使用大量的算法训练和测试，从而可以降低生产成本和人工成本。
附图说明
50.为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
51.图1示出了本技术实施例提出的一种障碍物轮廓检测方法的流程示意图；
52.图2示出了本技术实施例提出的一种障碍物轮廓检测方法中生成空地鸟瞰图的流程示意图；
53.图3示出了本技术实施例提出的一种障碍物轮廓检测方法中计算特征值的流程示意图；
54.图4示出了本技术实施例提出的一种障碍物轮廓检测方法中异常点识别处理的流程示意图；
55.图5示出了本技术实施例提出的一种障碍物轮廓检测方法中腐蚀处理的流程示意图；
56.图6示出了本技术实施例提出的一种障碍物轮廓检测方法中障碍物轮廓确定的流程示意图；
57.图7示出了本技术实施例提出的一种障碍物轮廓检测方法中障碍物的示意图；
58.图8示出了本技术实施例提供的一种障碍物轮廓判断装置的结构示意图。
59.主要元件符号说明：
60.10-障碍物轮廓判断装置；11-鸟瞰图获取模块；12-特征值计算模块；13-异常点识别模块；14-去噪处理模块；15-轮廓确定模块。
具体实施方式
61.下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整
地描述，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。
62.通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
63.在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
64.此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
65.除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
66.实施例1
67.本技术的一个实施例，如图1所示，本技术提供的一种单目摄像头障碍物轮廓检测方法，包括步骤s110～s150：
68.s110：通过单目摄像头获取实际场景的实际图像，并对所述实际图像进行透视变换得到实际鸟瞰图。
69.本实施例中，将通过按照物体成像投影规律进行变换，将物体重新投影到新的成像平面，换言之，对单目摄像头视角获得的照片进行透视变换得到空地场景的俯视平面图，即鸟瞰图，以便于以统一的基准对目标特征进行检测，从而实现对障碍物的检测。
70.其中，如图2所示，在步骤s100之前还包括步骤s210～s250：
71.s210：通过单目摄像头获取空地场景的空地图像，并测量所述空地场景的实际尺寸以确定所述空地场景的长宽比例。
72.在本实施例中，通过单目摄像头获取空地场景的空地图像，并测量空地场景的实际尺寸，通过测量空地场景的实际尺寸确定其实际场地的长宽比例。
73.s220：基于所述长宽比例和待生成的所述空地场景的空地鸟瞰图的分辨率确定空地坐标。
74.通过空地场景的长宽比例和待生成的空地鸟瞰图的最大分辨率，可以计算空地场景在最大分辨率时的长度和宽度，从而可以确定空地场景对应的空地坐标。
75.示范性的，若测量得到空地场景的实际长宽比例为m：n，获得待生成的空地鸟瞰图最大分辨率的长度为l，宽度为w，可以计算空场地在最大分辨率时的长度l’和宽度w’。通过实际长宽比例m：n和空地图像的长度l和宽度w可以确定空地场景透视变换后获得的空地坐标，上述空地坐标包括：(0，0)，(0，l’)，(w’，0)，(w’，l’)。其中，当w*m/n《l时，则得到长度l’和宽度w’分别为l’＝w*m/n，w’＝w；否则，得到长度l’和宽度w’分别为l’＝l，w’＝l*n/m。
76.在本实施例中，通过单目摄像头获取图像的成本更低，且在进行实际使用时，并不需要大量场景进行算法训练和测试，可以降低工作人员的工作量。
77.s230：在所述空地场景的边界处设置角点，并确定所述角点在空地图像中对应的角点坐标。
78.可以理解，角点为极值点，即在图像中某些方面属性特别突出的点。在本实施例中，可以在空地场景的边界处设置多个角点，也可以以两条线的交叉处为角点，还可以以位于相邻的两个主要方向不同的事物上的点为角点。通过预设的检测算法可以确定在空地图像中对应的角点的坐标，其中，上述检测算法包括但不限于harris角点算法、shi-tomas角点算法等检测算法。
79.示范性的，可以在空地场景的边界处设置至少四个角点，如在边界处放置尺寸为2cm*2cm的纯黑块，则该纯黑块可以为图像中的角点。通过harris角点算法自动识别到四个角点坐标分别为(x1,y1)，(x2,y1)，(x1,y2)，(x2,y2)，其中x表示长度方向，y表示宽度方向。
80.s240：基于所述角点坐标和所述空地坐标计算透视变换矩阵的参数，以确定所述透视变换矩阵。
81.透视变换是将二维的图片投影到一个三维视平面上，然后再转换到二维坐标下，也称为投影映射。
82.具体地，透视变换矩阵如下：
[0083][0084]
其中，x、y和z代表透视变换后的三维坐标，x和y代表透视变换前的二维坐标。通过上述透视变换矩阵公式可以得到：
[0085][0086]
因为(x，y，z)为三维坐标，因此需要将获得的三维坐标转换到二维坐标(x’，y’，1)中，从而得到如下公式：
[0087][0088]
因此，x’和y’是二维透视变换的最终计算结果，其中c3＝1。将上述空场地坐标和角坐标作为透视变换前后的坐标点带入上述公式，即将(0，0)，(0，l’)，(w’，0)，(w’，l’)和(x1，y1)，(x2，y1)，(x1，y2)，(x2，y2)作为4组(x，y)，(x’，y’)带入上述公式，计算得到透视变换矩阵的参数a1，a2，a3，b1，b2，b3和c1。
[0089]
s250：通过所述透视变换矩阵对所述空地图像进行透视变换，得到所述空地场景
的空地鸟瞰图。
[0090]
通过上述透视变换公式，可以将通过单目摄像头获取到的图像的任何一点(x，y)带入，计算得到透视变换后的坐标点(x’，y’)。换言之，将采集到的空地图像通过上述透视变换矩阵进行透视变换得到空地场景的空地鸟瞰图。
[0091]
通过按照物体成像投影规律进行变换，将物体重新投影到新的成像平面，换言之，对单目摄像头视角获得的照片进行透视变换得到空地场景的俯视平面图，即鸟瞰图，以便于以统一的基准对目标特征进行检测，即对障碍物进行检测。
[0092]
对于上述步骤s110，示范性地，在获取空地场景的空地图像后，保持单目摄像头的安装位置不变，通过该单目摄像头获取实际场景的实际图像，并通过上述的透视变换矩阵对实际图像进行透视变换处理，得到实际场景的俯视平面图，即实际鸟瞰图。
[0093]
s120：计算所述实际鸟瞰图中各个像素点的实际特征值。
[0094]
可以理解，在获取实际鸟瞰图后，通过计算确定实际场景对应的实际鸟瞰图中各个像素点的实际特征值。其中，上述实际特征值和空地场景对应的空地鸟瞰图的各个像素点的空地特征值均可以采用相同的计算方式计算。其中，如图3所示，实际场景和空地场景的相应鸟瞰图中各个像素点的特征值均可以通过以下子步骤计算：
[0095]
子步骤s121：对相应鸟瞰图进行灰度处理得到灰度图像。
[0096]
可以理解的是，在经过透视变换后得到空地场景和实际场景对应的鸟瞰图，将鸟瞰图经过灰度处理转换为灰度图像，其中，灰度图像中各个像素点对应的灰度值的取值范围为0-255，对相应的鸟瞰图进行灰度化处理的方法包括：分量法、最大值法、平均值法和加权平均法。
[0097]
子步骤s122：基于所述灰度图像的所述各个像素点为中心计算对应的中心亮度和环境亮度。
[0098]
在得到灰度图像后，以灰度图像中的各个像素点为中心，取该像素点周围第一范围的像素点作为该像素点的核心区域，并计算每个像素点的核心区域的平均亮度为该像素点的中心亮度，即以该像素点为核心，取其核心区域内所有像素点的灰度值的平均值。取周围第二范围的像素点作为该像素点的环境区域，并计算每个像素点的环境区域的平均亮度为该像素点的环境亮度，即计算每个像素点周围环境区域内所有灰度值的平均值。其中，第一范围的像素点小于第二范围的像素点。
[0099]
示范性的，当像素点(30，30)为核心点，核心区域的范围值为3*3时，则该像素点的中心亮度为像素点(29，29)，(29，30)，(29，31)，(30，29)，(30，30)，(30，31)，(31，29)，(31，30)，(31，31)一共9个点的图像灰度值的平均值。环境区域的范围值为9*9时，则计算周围环境区域内一共81个像素点的灰度值的平均值为该像素点的环境亮度。
[0100]
子步骤s123：根据所述各个像素点的所述中心亮度和所述环境亮度的比值作为对应像素点的特征值。
[0101]
在得到各个像素点的中心亮度和环境亮度后，计算每个像素点对应的中心亮度和环境亮度的比值作为每个像素点的特征值。其中，灰度图像中特征值的数量等于图像中像素点的数量。在计算得到空地场景对应的空地鸟瞰图中各个像素点对应的空地特征值后，可以将各个像素点的空地特征值预先存储至内存中。通过各个像素点的中心亮度与环境亮度进行比较后，可以去除光照环境变化对障碍物识别的干扰。
[0102]
s130：基于空地鸟瞰图各个像素点的空地特征值和所述实际特征值进行异常点识别处理，得到包含有异常点的二值图像。
[0103]
可以理解，当实际场景中不存在障碍物时，即使整体光照亮度发生变化，但各个像素点的核心区域和周围的环境区域亮度的比值不会发生明显变化。当实际场景中存在障碍物时，会导致核心区域和环境区域的特征发生变化，障碍物内的各个像素点和周围环境的亮度比值发生明显变化。通过空地鸟瞰图中各个像素点的空地特征值和实际鸟瞰图中各个像素点的实际特征值进行比较，可以确定实际鸟瞰图中的异常点，即场地上存在障碍物时的像素点。如图4所示，步骤s130包括以下子步骤：
[0104]
子步骤s131：将相同位置的像素点的所述空地特征值和所述实际特征值进行比较，得到对应的比值。
[0105]
在空地场景和实际场景中对应的鸟瞰图中像素点的数量相同，且空地鸟瞰图中各个像素点与实际鸟瞰图中各个像素点的位置一一对应。将各个像素点在实际鸟瞰图中对应的实际特征值与在空地鸟瞰图中对应的空地特征值进行比较，可以得到各个像素点对应的特征值的比值。
[0106]
子步骤s132：判断所述比值是否小于等于预设的比值阈值。
[0107]
根据实际情况预先设置的比值阈值，判断上述各个像素点对应的比值是否小于等于预设的比值阈值，若像素点计算得到的比值小于等于预设的比值阈值，则执行子步骤s133，否则执行子步骤s134。
[0108]
子步骤s133：确定所述像素点为所述异常点。
[0109]
子步骤s134：确定所述像素点为正常点。
[0110]
若像素点计算得到的比值大于预设的比值阈值，则认为该像素点匹配，即该像素点为正常点。若像素点的特征值小于等于预设的比值阈值，则确定该像素点不匹配，将标记该像素点为异常点。例如，当预设的比值阈值为80％时，计算某一像素点的实际特征值与空地特征值的比值为70％，此时比值小于比值阈值，则确定该像素点为异常点。
[0111]
在确定上述实际鸟瞰图中每个像素点是否为异常点后，即将图像中各个异常点进行标记后，可以得到包含有异常点二值图像。例如，每个像素点的标记结果可以用0和1表示，对所述实际鸟瞰图进行标记得到包含异常点的二值图像，可以将该二值图像进行存储。其中，1代表异常点，0代表正常点，此时用黑色表示0，白色表示1。
[0112]
s140：对所述二值图像中的异常点进行去噪处理，得到第一图像。
[0113]
可以理解，在得到二值图像后，每个像素点对应的判定结果为正常点或为异常点。当在实际场景中存在障碍物时，可以识别出显著的异常点，即中心亮度和环境亮度发生明显变化的像素点，但因为二值图像本身存在噪声，则将会出现大量离散的异常点，这些异常点需要进一步筛选，才能判定是否为障碍物对应的像素点。则再本实施例中将对上述二值图像中的标记为异常点的像素点进行去噪处理，即进行膨胀处理和腐蚀处理，以得到第一图像。其中，对上述二值图像中的异常点通过以下方式进行去噪处理：
[0114]
首选对二值图像进行第一像素尺寸的膨胀处理得到第二图像，可以扩大图像的连通区域，可以防止噪声将实际障碍物淹没；再对第二图像进行第二像素尺寸的腐蚀处理得到第三图像，可以清除第二图像中的部分像素点，去除掉部分干扰噪声；然后对第三图像进行第三像素尺寸的膨胀处理得到第四图像，可以再次扩大第三图像中的连通区域；最后对
第四图像进行第四像素尺寸的腐蚀处理得到第一图像，可以恢复二值图像特征点，避免腐蚀处理和膨胀处理将特征点尺寸改变。其中，上述各个像素尺寸之间的关系如下：第一像素尺寸与第三像素尺寸之和等于第二像素尺寸与第四像素尺寸之和，第一像素尺寸小于第二像素尺寸小于第三像素尺寸。
[0115]
示范性的，当第一像素尺寸为n1，第二像素尺寸为m1，第三像素尺寸为n2，第四像素尺寸为m2时，m1》n1，n2》m1，m2＝n1+n2-m1，即n1+n2＝m2+m2。
[0116]
在本实施例中，膨胀处理和腐蚀处理的尺寸相同，通过上述四步去噪处理，不仅可以去除噪声干扰，还可以保留二值图像的尺寸特征。
[0117]
其中，如图5所示，图像腐蚀处理包括以下子步骤：
[0118]
子步骤s141：将预设的结构元素的中心点依次与所述二值图像中各个异常点重合。
[0119]
在本实施例中，首先定义用于腐蚀操作的模板矩阵，换言之，预先设置用于腐蚀处理的结构元素为第一结构元素，即用于控制运算的结构，将该第一结构元素的中心点依次放置于上述二值图像中被标记为异常点的各个像素点中。
[0120]
子步骤s142：判断所述结构元素中的全部像素点是否均为异常点。
[0121]
若全部像素点均为异常点，则保留中心点对应的像素点。否则，则执行步骤s143。
[0122]
子步骤s143：若所述结构元素中的全部像素点不全为异常点，将所述中心点对应的像素点修改为正常点。
[0123]
判断该第一结构元素中所包括的全部像素点是都均为异常点，若上述第一结构元素内所有元素覆盖的图像像素点均为异常点，则保留第一结构元素中心点对应的像素点，否则删除第一结构元素中心点对应的像素点，即将该中心点对应的像素点由异常点修改为正常点。通过将第一结构元素的中心点依次与二值图像的每个像素点重合，从而判断是否有需要删除的像素点，可以将图像中的主要区域缩小，从而去除由噪声引起的较小的连通域。
[0124]
示范性的，每个像素点的判定结果用0和1表示，0表示正常点，1表示异常点。可以定义第一结构元素的尺寸为3*3像素，形状为矩形结构，将该3*3像素的第一结构元素的中心点依次放到二值图像中的每一个元素为1的像素点中。若此时第一结构元素内所有元素覆盖的像素点的结果均为1，则保留第一结构元素中心点对应的像素点，即保持该像素点的判定结果标记为1；否则将该中心点对应的像素点的判定结果由1修改为0。
[0125]
图像膨胀处理包括以下步骤：
[0126]
首先定义用于膨胀操作的模板矩阵，换言之，预先设置用于膨胀处理的结构元素为第二结构元素，即用于控制运算的结构。例如，可以定义第二结构元素的尺寸为3*3像素，形状为矩形结构。将第二结构元素的中心点依次与二值图像的每一个标记为异常点的像素点重合，判断所有被第二结构元素覆盖的像素点是否均为异常点，若其中存在正常点，则将正常点修改为异常点，从而完成膨胀动作。通过上述膨胀处理，可以扩充每一个区域的面积，从而填充由噪声引起的空洞。
[0127]
s150：对所述第一图像进行轮廓检测，确定所述实际场景中的障碍物的轮廓。
[0128]
在得到包括多个连通区域的第一图像后，通过轮廓检测处理可以识别出各个连通区域的形状特征。其中，图像轮廓指的是图像的边界，即目标图像的外部特征。如图6所示，
步骤s150包括以下子步骤：
[0129]
子步骤s151：基于预设算法提取所述第一图像中的至少一个轮廓。
[0130]
在本实施例中，通过预设的算法从上述去噪处理后的第一图像中获取图像轮廓，其中，预设的算法可以为satoshi suzuki算法，每个图像可能存在多个轮廓，每个轮廓为多个点构成。
[0131]
子步骤s152：计算各个所述轮廓的中心点和最小斜矩形的边长度和面积。
[0132]
可以理解的是，确定上述各个轮廓对应的中心点和最小斜矩形，通过python、opencv等可以计算各个轮廓对应的最小斜矩形的边长和面积。如图7所示，图中灰色部分为疑似障碍物，首先确定障碍物最小轮廓尺寸，换言之，首先确定障碍物的最小分辨率，如图7中方框部分，方框内为识别到4个障碍物时的效果，各个轮廓的中心点为图中方框内白点标记处。其中，各个轮廓的中心点坐标和像素尺寸按比例可以转换为实际尺寸大小。
[0133]
子步骤s153：判断当前轮廓的所述中心点是否在所述第一图像的边界处。
[0134]
判断每个轮廓的中心点是否在第一图像的边界处，若当前轮廓的中心点不在所述第一图像的边界处，则执行子步骤s154，否则，将执行子步骤s156，保留当前轮廓作为存疑轮廓，用于与相邻单目摄像头获取的边界图像进行合并。
[0135]
s154：检测所述边长是否小于预设的边长阈值，以及所述面积是否小于预设的面积阈值。
[0136]
若所述边长小于所述边长阈值且所述面积小于所述面积阈值，则执行子步骤s155，否则执行子步骤s156。
[0137]
子步骤s155：确定所述当前轮廓为干扰轮廓并丢弃。
[0138]
子步骤s156：保留所述当前轮廓。
[0139]
若当前轮廓的边长小于预设的边长阈值且面积小于预设的面积阈值，则确定当前轮廓为干扰轮廓，将丢弃该轮廓。否则，则确定该轮廓可以比较准确的体现障碍物的特征，即为障碍物轮廓。
[0140]
示范性的，预设的边长阈值尺寸为5像素，预设的面积阈值尺寸为30像素，若当前轮廓对应的各边长尺寸小于5像素且面积小于30像素时，则认为该当前轮廓为干扰轮廓。
[0141]
子步骤s157：将保留的轮廓作为障碍物的轮廓。
[0142]
将上述保留的各个轮廓并输出，输出的轮廓可以比较准确的体现障碍物的特征，即可以将上述保留的轮廓作为障碍物的轮廓。
[0143]
本实施例中，通过透视变换处理能够排除单目摄像头的安装角度的影响，且在统一的俯视平面图上进行计算，可以更加准确的对识别的障碍物的尺寸、外形特征等内容进行判定，也可以去除不同光照对图像特征的识别影响，可以应用于大多的障碍物特征识别，避免了使用大量的预先的算法训练和测试，从而可以降低生产成本和人工成本。
[0144]
基于上述实施例的障碍物轮廓检测方法，图8示出了本技术实施例提供的一种障碍物轮廓判断装置10的结构示意图。
[0145]
该障碍物轮廓判断装置10包括：
[0146]
鸟瞰图获取模块11，通过单目摄像头获取实际场景的实际图像，并对所述实际图像进行透视变换得到实际鸟瞰图；
[0147]
特征值计算模块12，计算所述实际鸟瞰图中各个像素点的实际特征值；
[0148]
异常点识别模块13，基于空地鸟瞰图各个像素点的空地特征值和所述实际特征值进行异常点识别处理，得到包含有异常点的二值图像；
[0149]
去噪处理模块14，对所述二值图像中的异常点进行去噪处理，得到第一图像；
[0150]
轮廓确定模块15，对所述第一图像进行进行轮廓检测，确定所述实际场景中的障碍物的轮廓。
[0151]
本实施例提供一种障碍物轮廓判断装置10通过鸟瞰图获取模块11、特征值计算模块12、异常点识别模块13、去噪处理模块14和轮廓确定模块15的配合使用，用于执行上述实施例所述的障碍物轮廓检测方法，上述实施例所涉及的实施方案以及有益效果在本实施例中同样适用，在此不再赘述。
[0152]
此外，本技术还提出一种终端设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行上述实施例所述障碍物轮廓检测方法。
[0153]
本实施例还提供了一种计算机存储介质，用于储存上述终端设备中使用的计算机程序。
[0154]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0155]
另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
[0156]
所述功能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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0157]
以上所述，仅为本发明的具体实施方式，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技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。