方東君,蔣 林,2

(1.武漢科技大學(xué)冶金裝備及其控制教育部重點實驗室,湖北 武漢，430081；2.武漢科技大學(xué)機(jī)器人與智能系統(tǒng)研究院，湖北 武漢，430081)

障礙物檢測算法是移動機(jī)器人感知環(huán)境的重要手段，對機(jī)器人的安全及穩(wěn)定作業(yè)至關(guān)重要，其主要分為識別和測量兩個部分。目前障礙物識別方面的研究成果非常豐富，如常見的YOLO[1]、Fast RCNN[2]、SSD[3]等，這些算法各有優(yōu)勢，其中，SSD融合了YOLO和Faster RCNN的Anchor理念，并結(jié)合不同卷積層的特征作出預(yù)測，在識別精度和識別速度上得到很好的平衡。障礙物測量方法可以根據(jù)傳感器對障礙物深度值的獲取方式不同加以區(qū)分，常用的儀器設(shè)備有激光雷達(dá)、單目相機(jī)、雙目相機(jī)和深度相機(jī)等，它們均可以通過直接或間接的方法獲得目標(biāo)深度信息。基于單目視覺的障礙物測量方法[4-5]是根據(jù)對極幾何原理進(jìn)行計算，但由于存在尺度等問題，其測量效果有待于進(jìn)一步提高?；陔p目視覺的障礙物測量方法簡便且深度不受限，因此得到大量關(guān)注。Eppenberger等[6]在雙目視差圖上進(jìn)行DBSCAN聚類和三維跟蹤，結(jié)合了三維點云與二維占用柵格地圖，能很好地識別和跟蹤動態(tài)對象，該算法側(cè)重于跟蹤，而在目標(biāo)分割和測量方面的精度較低。仇旭陽等[7]利用DenseNet網(wǎng)絡(luò)改進(jìn)YOLOv3模型以提升障礙物識別率，并采用立體匹配模型PSMNet得到雙目圖像的視差圖，然后進(jìn)行被測目標(biāo)深度估計，其方法主要針對交通場景中的障礙物檢測。劉中等[8]以區(qū)域為單位分別計算顏色對比度和深度對比度，根據(jù)得到的區(qū)域顯著性值來分割目標(biāo)，但這種方法在顯著性區(qū)域邊緣的精度會降低，導(dǎo)致測量誤差增大。曹騰等[9]引入場景的坡度信息作為障礙物的判斷指標(biāo)以實現(xiàn)目標(biāo)分割，但是當(dāng)環(huán)境的紋理信息較弱時，視差圖缺失嚴(yán)重，從而影響分割效果。另外，隨著對檢測精度要求的提高，基于雙目視覺的障礙物測量方法所需配置和計算量也逐漸增大。深度相機(jī)雖然有測量距離限制，但基本能滿足室內(nèi)移動機(jī)器人的應(yīng)用需求，而且可以主動獲取物體的深度信息，其應(yīng)用成本也更低。李彥玥等[10]提出了一種基于RGBD 深度相機(jī)的障礙物檢測方法，在幀差法中加入閾值處理并采用最小矩形匹配法提取目標(biāo)輪廓，檢測成功率達(dá)到91%，但部分輪廓不清晰導(dǎo)致距離較遠(yuǎn)的物體檢測效果變差。

根據(jù)上述分析，本文提出一種基于深度相機(jī)的障礙物檢測算法，在識別障礙物的同時完成對障礙物的測量。該算法首先通過SSD網(wǎng)絡(luò)模型得到包含障礙物的檢測框，然后采用融合深度信息的目標(biāo)分割策略，在保證實時性的同時從復(fù)雜的環(huán)境中分割出目標(biāo)障礙物的形狀并獲得深度信息，然后提取出適合測量的障礙物表面最優(yōu)區(qū)域進(jìn)行尺寸計算。本文最后通過對比實驗來檢驗所提算法的測量精度以及抗噪性和穩(wěn)定性。

1 算法設(shè)計

1.1 融合深度信息的目標(biāo)分割

基于深度相機(jī)的常規(guī)測量方法一般是通過傳統(tǒng)圖像分割處理得到目標(biāo)輪廓，再提取輪廓像素點對應(yīng)的深度值進(jìn)行計算。常用的圖像處理方法有背景差分法[11]、GrabCut算法[12]和語義分割法[13]等，其中，背景差分法不適用于單個檢測框的情形，GrabCut運算資源損耗大且不滿足實時性要求，語義分割法重在區(qū)分對象而在輪廓邊緣處的分割精度較低。另外，傳統(tǒng)圖像處理方法易受光照等影響，從而造成誤提取，而且由于深度相機(jī)自身的缺陷，所得到的物體輪廓邊緣處的深度值不一定精準(zhǔn)。因此，本文將HSI顏色模型與深度信息融合到算法中，以期在滿足實時性要求的同時實現(xiàn)更精確的目標(biāo)分割。

1.1.1 圖像預(yù)分割

攝像頭獲取的圖像RGB信息經(jīng)過SSD模型檢測，在每一幀圖像上皆可得到一個包含實際障礙物在成像平面上的投影信息的檢測框。為了實現(xiàn)精確測量，需要對物體具有明顯幾何特征的邊緣如棱邊等進(jìn)行檢測，故在得到檢測框后還要將框內(nèi)的障礙物獨立分割出來。

HSI顏色模型[14]建立在人類對顏色的感知系統(tǒng)基礎(chǔ)之上，更符合人類的視覺規(guī)律。在HSI顏色空間進(jìn)行圖像分割可有效緩解光照等噪聲帶來的不利影響，提高分割的準(zhǔn)確性與魯棒性。

通過對多個檢測框進(jìn)行分析可以得知，無論背景有多復(fù)雜，檢測框內(nèi)的主要信息始終是目標(biāo)主體。針對該特點，本文采用K-Means聚類方法[15]對目標(biāo)進(jìn)行預(yù)分割，主要分為兩個步驟：

(1)將檢測框內(nèi)的RGB圖像轉(zhuǎn)換到HSI顏色空間中，為兼顧實時性與轉(zhuǎn)換均勻性，采用下式計算：

(1)

S=Max-Min

(2)

(3)

式中：R、G、B分別為紅、綠、藍(lán)三種顏色通道值；Max和Min分別為圖像單個像素點的R、G、B值中的最大值和最小值；H代表色調(diào)；S代表飽和度；I代表亮度。

障礙物圖像經(jīng)過顏色空間轉(zhuǎn)換后的效果如圖1所示。從圖1(通道-S和通道-I)可以明顯看出，柜子與背景中的凳子和門框的表示完全不同，與地面和墻壁也存在差別。

圖1 轉(zhuǎn)換到HSI顏色空間的障礙物圖像

(2)將飽和度和亮度作為主要特征信息，采用K-Means算法進(jìn)行聚類，最大類群即為檢測框中的目標(biāo)障礙物。

通過上述步驟處理后的效果如圖2所示，可以看出，雖然對目標(biāo)邊緣部分的提取不夠精細(xì)，但整體上還是概括出了目標(biāo)障礙物的特征。

(a) 檢測框 (b) 預(yù)分割圖

1.1.2 融合深度信息進(jìn)行精分割

下面借助深度圖中含有的幾何信息對目標(biāo)障礙物進(jìn)行更細(xì)致的分割。從經(jīng)過K-Means算法處理后的預(yù)分割圖中可以得到目標(biāo)障礙物大概的像素范圍，以該范圍內(nèi)的最近點為中心，用八鄰域搜索法[16]進(jìn)行區(qū)域生長搜索，將相鄰深度差值符合一定梯度的連通區(qū)域分割出來，從而得到更精細(xì)的分割圖像。

對于一個連貫的物體，無論是在RGB圖還是在深度圖中，屬于該物體表面的相鄰像素一定存在著聯(lián)系，因此這里假設(shè)同一物體表面投影在成像平面上的相鄰像素點對應(yīng)的深度值一定是在梯度內(nèi)連續(xù)變化而不是跳躍式變化的，若出現(xiàn)較大突變則表明圖像中該處對應(yīng)著實際障礙物的邊緣或是該障礙物與其他物體的分界處。

如圖3所示，用長方體表示通過深度相機(jī)獲取的障礙物深度信息，任取一個截面進(jìn)行數(shù)據(jù)分析。圖3(a)和圖3 (b)分別展示了同一障礙物在不同姿態(tài)下的深度值與對應(yīng)像素點的關(guān)系，圖中粗線代表深度值被投影到像素平面u軸的部分，將該部分各點深度值d與對應(yīng)像素平面的u坐標(biāo)逐一投影得到d-u(深度-像素)圖，其中，dmax表示墻體的最大深度值，dn和d0分別表示相機(jī)視場內(nèi)障礙物最遠(yuǎn)和最近點的深度值。

(a) 姿態(tài)一 (b) 姿態(tài)二

對比圖3(a)和圖3(b)中的兩種d-u函數(shù)關(guān)系可以看出，雖然由于視角不同，兩個姿態(tài)下的深度值與像素的映射關(guān)系發(fā)生了變化，但相同點在于，兩個姿態(tài)下dmax與dn對應(yīng)點之間有明顯的跳躍，而d0到dn之間深度變化連貫，即便在長方體不同側(cè)面的變化梯度不同，但深度值始終是連續(xù)的。從數(shù)學(xué)層面可理解為，該線段內(nèi)部處處可導(dǎo)，且各段直線函數(shù)滿足式(4)。

y=ax+b

(4)

式中：y為深度值；x為像素平面u值；a、b分別為直線對應(yīng)的斜率和截距。

經(jīng)過K-Means處理可得到與實際情況相近的目標(biāo)障礙物像素范圍，但其邊緣精度并不高，此時通過篩選可以得到目標(biāo)區(qū)域深度最小值，也即障礙物距離相機(jī)最近點。結(jié)合上述思路，對于該區(qū)域，以最近點為中心進(jìn)行八鄰域搜索，若相鄰像素的深度差值超過閾值t則視為離開目標(biāo)區(qū)域。該環(huán)節(jié)主要分為3個步驟：

(1)將最近點作為當(dāng)前點，以該點為中心，搜索八個方向相鄰的未標(biāo)記且在有效區(qū)域內(nèi)的子像素點。

(2)檢測子像素點與當(dāng)前點的深度值之差是否大于閾值t，是則將子像素點標(biāo)記為0，否則標(biāo)記為1，表示該點與當(dāng)前點連貫。

(3)將連貫的子像素點加入新的中心點搜索隊列，重復(fù)步驟(1)和步驟(2)，直到有效區(qū)域內(nèi)全部像素點標(biāo)記為0或1。

經(jīng)過以上步驟可以得到更為細(xì)致的目標(biāo)區(qū)域，將其作為掩碼與檢測框圖像進(jìn)行融合，可以更清晰地觀察其效果，如圖4所示。經(jīng)過對比可以看出：圖4(b)雖然對障礙物的細(xì)節(jié)保留較好，如縫隙、紋理等，但對象的最外圍邊緣由于與部分背景高度相似導(dǎo)致分割不夠精細(xì)，若僅據(jù)此進(jìn)行測量會導(dǎo)致極大的誤差；通過對深度值進(jìn)行區(qū)域生長搜索得到的圖4(c)不僅保留了圖4(b)具有的細(xì)節(jié)優(yōu)勢，還對物體的輪廓保留得較好，而且與背景相似的外圍部分也能被精細(xì)分割。

(a) 檢測框 (b) 預(yù)分割圖 (c) 精分割圖

由上述分析可知，將基于飽和度和亮度的K-Means分割與基于深度值進(jìn)行區(qū)域生長搜索相結(jié)合，可以在復(fù)雜背景下較好地分割出障礙物投影在像素平面上的有效像素點集合，該方法不僅對圖像噪聲的抵抗性強(qiáng)，而且能得到較為完整的目標(biāo)邊緣輪廓與內(nèi)部特征。

1.2 目標(biāo)尺寸計算

在室內(nèi)移動機(jī)器人作業(yè)環(huán)境中，機(jī)器人所處的二維平面地圖中障礙物的尺寸對機(jī)器人的作業(yè)有重大影響，而垂直于該平面的軸向尺寸(即物體的高度)對于室內(nèi)作業(yè)影響不大，故本文著重測量障礙物在二維投影平面上的各表面寬度。

通過前面的目標(biāo)分割算法可以得到檢測框內(nèi)障礙物投影的有效像素集合，為測量出該障礙物的最大尺寸，對目標(biāo)分割圖逐行進(jìn)行像素統(tǒng)計，選擇像素最多的一行進(jìn)行測量，若最后測量無效則根據(jù)像素排列第二的行次進(jìn)行測量，以此類推。

為更直觀地表達(dá)上述方法，統(tǒng)計了一張椅子經(jīng)目標(biāo)分割后(圖5(a))的像素分布，如圖5(b)所示。從圖5(b)可以看出，第273行的有效長度最長，后續(xù)將主要針對該行進(jìn)行特征點的提取和轉(zhuǎn)換，若轉(zhuǎn)換出的中間點超出該圖的有效范圍，則根據(jù)有效長度下降原則選擇另一行進(jìn)行測量。

(a)目標(biāo)分割圖 (b)像素統(tǒng)計

圖3中的d-u函數(shù)圖不僅體現(xiàn)了相鄰像素點的深度值關(guān)系，還可以從函數(shù)曲線中得出該行中的拐點，即在所對應(yīng)的深度值曲線中除起點和終點之外的極值點，該點可對應(yīng)到實際障礙物表面的棱邊特征。

根據(jù)上述極值點將該線段劃分為多個子線段，每個子線段皆代表一個平面。至此得到適合測量的參考線，可以根據(jù)該線段集合測量出障礙物出現(xiàn)在相機(jī)視場內(nèi)的各個面的寬度。

在實際應(yīng)用中，即便是與機(jī)器人平行的平面，經(jīng)深度相機(jī)采集到的有可能是參差不齊的點集。在得到的各個子線段中，起點和終點的深度值對最終的測量精度有很大的影響，故本文對各子線段對應(yīng)的深度數(shù)據(jù)利用最小二乘法進(jìn)行線性擬合，根據(jù)深度數(shù)據(jù)的規(guī)律找到合適的函數(shù)表達(dá)式來預(yù)測各像素點對應(yīng)的真實深度值，并根據(jù)得到的函數(shù)關(guān)系計算出該線段起點和終點的深度值。

以障礙物深度投影圖中的某一子線段對應(yīng)的d-u數(shù)據(jù)分布為例展示線性擬合的效果，如圖6所示，其中，虛線為數(shù)據(jù)點分布，直線為線性擬合后得到的函數(shù)關(guān)系。從圖6可以看出，起點到終點之間的深度值分布并不均勻，且無固定規(guī)律，但整體變化趨勢依然與該線段對應(yīng)的障礙物表面特征相符合，擬合后的函數(shù)直線到每個數(shù)據(jù)點的距離和最小。在已知投影點像素坐標(biāo)的情況下，根據(jù)該函數(shù)可得到對應(yīng)的深度值。

圖6 d-u函數(shù)關(guān)系擬合結(jié)果

由上述步驟得到符合障礙物表面特征的測量線段，計算出線段起點和終點的像素坐標(biāo)及深度值。通過坐標(biāo)轉(zhuǎn)換，借助起點求出三維坐標(biāo)下與終點等高的中間點，若該中間點在像素平面的坐標(biāo)依舊在目標(biāo)分割得到的有效區(qū)域內(nèi)，則該中間點與終點的歐氏距離即為障礙物對應(yīng)表面的實際寬度，否則選擇其它區(qū)域為測量線段。

綜上所述，本文所提出的障礙物檢測算法的整體流程如圖7所示。

圖7 本文算法流程圖

2 實驗與結(jié)果分析

本文實驗在長10 m、寬5 m的室內(nèi)環(huán)境中進(jìn)行，如圖8(a)所示，內(nèi)部設(shè)置有靠墻、正、斜等多姿態(tài)放置的Cabinet、Chair、Container以及Door等多個目標(biāo)，且在不同視角下會得到不同的圖像，符合室內(nèi)移動機(jī)器人作業(yè)環(huán)境。使用的輪式差分機(jī)器人由實驗室自主搭建，如圖8(b)所示，其寬為0.33 m、高為0.45 m，主要由Kinect v2深度相機(jī)、激光雷達(dá)等組件構(gòu)成，相機(jī)最大幀率為30 fps，可以滿足移動機(jī)器人的常規(guī)導(dǎo)航要求。為驗證所提算法的真實效果，本文實驗中并未啟動激光雷達(dá)功能。

實驗步驟為：①將本文算法程序燒錄至機(jī)器人，使其能在實驗環(huán)境中移動，在不同位置實現(xiàn)檢測；②根據(jù)SSD算法得到目標(biāo)檢測框，然后進(jìn)行

(a)實驗環(huán)境 (b)實驗設(shè)備

圖像分割，并將本文目標(biāo)分割算法與GrabCut算法在耗時和分割效果上進(jìn)行對比；③制造遮擋和強(qiáng)光照射的環(huán)境，驗證本文目標(biāo)分割算法的抗噪性；④對障礙物進(jìn)行實際測量，展示效果并計算誤差。

2.1 目標(biāo)分割效果檢驗

2.1.1 本文算法的分割效果

本文提出的融合深度信息的目標(biāo)分割算法會對深度相機(jī)捕捉到的每一幀圖像進(jìn)行處理，用SSD網(wǎng)絡(luò)模型處理后在全圖中會得到多個障礙物的檢測框。此環(huán)節(jié)為驗證融合深度信息的分割算法效果，故選擇Cabinet和Chair兩個障礙物作為對象，從多個角度進(jìn)行分割，結(jié)果如表1和表2所示。每個對象均選擇了3個不同的角度，每個角度的背景不同，如光照條件、陰影等，從而提供了較為豐富的驗證環(huán)境。

從表1和表2可以看出，多角度下的目標(biāo)分割均較為完整，對陰影部分的區(qū)分效果良好，這是因為陰影部分與目標(biāo)本體在HSI顏色空間下的飽和度和亮度存在較大區(qū)別，所以在邊緣處理上的整體效果較好。但是，在部分受光照影響較大的區(qū)域分割效果略差，如表1中角度3的Cabinet頂部，這是由于強(qiáng)光過度干擾了HSI模型中的亮度信息，并且強(qiáng)光還會影響本文使用的Kinect v2相機(jī)的深度估計，而圖像上的一般噪聲對分割效果影響不大，如該圖右側(cè)?？偟膩碚f，本文融合深度信息的目標(biāo)分割算法在不同背景下對不同對象都能進(jìn)行較為完整的分割，且能克服一定程度的噪聲影響。

表1 Cabinet多角度分割結(jié)果

表2 Chair多角度分割結(jié)果

2.1.2 本文算法與GrabCut算法的分割效果對比

本文目標(biāo)分割算法主要是在單幀圖像中分割出對象，而目前單幀分割算法中最常見的是GrabCut算法[17]，它使用高斯混合模型對前景和背景建模，利用了圖像中的紋理(顏色)信息和邊界(反差)信息，只需要少量的用戶交互操作即可得到比較好的分割結(jié)果，故將其作為檢驗本文算法計算速度和分割效果的對比算法。

在良好的實驗環(huán)境下不能充分體現(xiàn)分割算法的性能差異，因此為了更直觀地展現(xiàn)分割效果，直接挑選出有噪聲干擾的多個目標(biāo)圖像進(jìn)行實驗。經(jīng)過SSD網(wǎng)絡(luò)模型對圖像處理后，機(jī)器人可以得到各障礙物的檢測框，然后分別用GrabCut算法和本文算法進(jìn)行處理，單獨提取出4種對象的分割效果，如表3所示，其中Door有close和open兩個狀態(tài)，雖是同一物體，但不同狀態(tài)內(nèi)部的顏色和深度值均有變化，對分割效果的衡量有重要意義，同時，表3中Container與其他棱形對象不同，擴(kuò)展了算法驗證中目標(biāo)分割的對象范圍。

由表3可以看出：Cabinet對象原圖的頂部和底部分別與墻壁及地面顏色接近，在GrabCut算法分割得到的圖像中，這兩處均未與背景分割開來，且右上方與背景產(chǎn)生了誤分割，由于本文算法是基于飽和度和亮度的聚類分割，而Cabinet頂部背景和對象的深度值有明顯差別，因此盡管邊緣處分割略粗糙，但整體分割效果較好；Chair目標(biāo)存在鏤空部分，GrabCut處理時將背景中與Chair顏色相近的踢腳線部分也認(rèn)為是同一對象，且對地面也出現(xiàn)了誤分割，而本文算法中的聚類分割可以較好地將Chair與地面分割開來，同時踢腳線部分的深度值與對象表面的深度值之間的差值能進(jìn)一步提高本文的分割效果；Door_close整體深度值較為連續(xù)，沒有出現(xiàn)跳躍性變動，檢測框也未包含整個對象，GrabCut算法處理時在對象左側(cè)和地面處產(chǎn)生了誤分割，本文算法中的K-Means聚類則較好地將對象分割出來；Door_open中部屬于走廊部分，深度值變化明顯，此時GrabCut算法將對象外側(cè)部分分割得較好，但對象內(nèi)部的非相關(guān)環(huán)境未能區(qū)分，而本文算法則將外部和內(nèi)部都進(jìn)行了較好的分割，能得到完整的對象信息；Container雖無棱邊信息，但物體表面深度值更連續(xù)，無明顯突變，而目標(biāo)與背景之間的深度差值在圓的象限點處十分明顯，故本文引入的深度信息可以將其與相似背景處分割開來。

表3 本文算法與GrabCut的分割效果對比

本文算法與GrabCut算法處理上述對象耗費的時間統(tǒng)計如表4所示,當(dāng)對象環(huán)境復(fù)雜度增加時，兩個算法運行耗費的時間都會增加，但整體上本文算法的運行時間更短，均在0.5 s以內(nèi)，而GrabCut算法耗時變化較大，且均在1.7 s以上。

表4 本文算法與GrabCut的運行時間對比

綜上所述，與常見的GrabCut算法相比，本文融合深度信息的目標(biāo)分割算法的分割效果更好、耗時更短，其在目標(biāo)圖像鏤空等復(fù)雜情況下也能較清晰地分割出對象輪廓，并且隨著環(huán)境復(fù)雜程度的改變，其運算時間變化較小，即算法的穩(wěn)定性較好。

2.2 算法抗噪性能檢驗

為進(jìn)一步檢驗本文目標(biāo)分割算法的抗噪性能，針對前文中Cabinet對象，制造遮擋和強(qiáng)光照射的環(huán)境，以此對目標(biāo)分割進(jìn)行干擾。不同條件下采用本文算法的分割效果列于表5，其中，普通條件是正常環(huán)境下無遮擋且光照影響較低的環(huán)境；遮擋條件是將另一障礙物置于檢測對象和相機(jī)之間，以掩蓋對象在像平面的部分投影；強(qiáng)光照射條件則是從相機(jī)一側(cè)往對象一側(cè)施加照度為6000 lx的強(qiáng)光源，以干擾對象在像平面上對應(yīng)投影點的值。

從表5可以看出：在遮擋條件下，由于K-Means聚類處理可以將遮擋物中與對象飽和度明顯不同的部分進(jìn)行分割，并且對象與背景和遮擋物之間存在深度差值，故本文分割算法在此條件下分割效果較好；在強(qiáng)光照射條件下，對象無論是在RGB顏色空間還是在HSI顏色空間都受到了干擾，故而影響了本文算法中的聚類分割效果，雖然結(jié)合深度信息后能大致分割出對象輪廓，但邊緣部分線條十分粗糙。

通過上述分析以及前面與GrabCut算法的對比可知，本文提出的結(jié)合深度信息的目標(biāo)分割算法在一般情況下分割效果很好，對陰影、相似色彩的背景等噪聲有較強(qiáng)的抵抗能力，但是當(dāng)噪聲過強(qiáng)時其分割效果仍會受到影響，即不能完全抵消噪聲干擾。

表5 本文算法的抗噪性能測試結(jié)果

2.3 障礙物測量效果檢驗

經(jīng)過目標(biāo)分割可以得到僅含對象信息的圖像，據(jù)此進(jìn)行測量。本實驗提取了3個對象的測量效果圖和測量值，如表6所示，其中，將根據(jù)測量線段起點求解得到的三維坐標(biāo)下與終點等高的中間點用小圓表示，代表實際測量起始點，將測量線段末尾點用大圓表示，代表實際測量終點，兩點之間用細(xì)線連接，表示所測量部分在實際障礙物表面上的真實距離，線段上的數(shù)字代表該段距離的測量值，真值是用儀器對障礙物尺寸進(jìn)行實際測量后得到的數(shù)值。

下面將機(jī)器人圍繞障礙物轉(zhuǎn)動，從多個角度對同一障礙物進(jìn)行測量，隨機(jī)取10次測量結(jié)果，如圖9所示，圖中還給出了對應(yīng)的真實值。經(jīng)計算得到圖9(a)～圖9 (c)中3個對象的綜合測量精度分別為98.65%、98.84%和98.47%。結(jié)合表6和圖9可以看出，本文方法可以適應(yīng)多種條件下的障礙物檢測，算法獲取的測量點在有效區(qū)域以內(nèi)，測量線段符合障礙物表面的實際特征分布，測量精度較高且較穩(wěn)定。

表6 障礙物測量結(jié)果一

(a)Cabinet

(b)Chair

(c)Door

3 結(jié)語

本文提出了融合深度信息的目標(biāo)分割算法和基于該算法的室內(nèi)障礙物測量方法，其中，目標(biāo)分割算法利用了HSI顏色空間更符合人類視覺規(guī)律的特性，并采用K-Means聚類算法基于飽和度和亮度兩個信息進(jìn)行預(yù)分割，再將深度信息與像素坐標(biāo)進(jìn)行整合，模擬出物體幾何信息進(jìn)行區(qū)域生長搜索，在通過SSD模型處理得到的檢測框中實現(xiàn)了對目標(biāo)的精確分割，分割效果好，且算法具有較強(qiáng)的抗噪能力；在障礙物測量過程中，首先對目標(biāo)分割結(jié)果進(jìn)行最優(yōu)區(qū)域劃分，并用線性擬合提高精度，然后根據(jù)適合于測量的最優(yōu)線段的起點、終點以及等高點在三維坐標(biāo)下的歐氏距離得到目標(biāo)尺寸，綜合測量精度達(dá)到98.4%以上且性能比較穩(wěn)定。