(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210817517.4 (22)申请日 2022.07.13 (65)同一申请的已公布的文献号 申请公布号 CN 114882468 A (43)申请公布日 2022.08.09 (73)专利权人 山东施卫普环保科技有限公司 地址 272000 山东省济宁市任城区南张街 道幸福渠东 (72)发明人 焦兴健　孟庆辰　崔红光　宋宁宁　 张宝生　田国政　祝玉鲁　 (74)专利代理 机构 济宁仁礼信知识产权代理事 务所(普通 合伙) 37383 专利代理师 李琼 (51)Int.Cl. G06V 20/56(2022.01) G06V 10/26(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) E01H 1/05(2006.01) (56)对比文件 CN 114481920 A,202 2.05.13 CN 114708464 A,202 2.07.05 CN 113362293 A,2021.09.07 WO 202107 7847 A1,2021.04.2 9 US 20141 19656 A1,2014.0 5.01 JP 2021144253 A,2021.09.24 何冰等.基 于超像素和深度神经网络的高压 输电线路环境检测. 《计算机系统应用》 .2020, (第01期),全 文. 张慧珍等.基 于超像素分割与闪频特 征判别 的视频火焰检测. 《数据采集与处 理》 .2018,(第 03期),全文. 雷涛等.基 于快速SL IC的图像超像素算法. 《计算机科 学》 .2020,(第02期),全 文. 审查员 张伯 (54)发明名称 清扫车清扫刷角度自适应调整方法 (57)摘要 本发明涉及图像处理技术领域， 具体涉及清 扫车清扫刷角度自适应调整 方法， 获取多帧路面 图像分为多个图像区域， 获取图像区域的像素点 的Lab色差， 根据Lab色差获取局部颜色异常程度 及整体颜色异常程度， 根据局部颜色异常程度和 整体颜色异常程度获取关注度， 根据关注度确定 初始种子点， 根据初始种子点对路面图像进行超 像素分割并选取小尺寸超像素， 根据小尺寸超像 素与其后一帧图像内对应位置的目标超像素获 取小尺寸超像素的异常率， 根据异常率对超像素 进行重新分配得到最终超像素图像， 根据最终超 像素图像获取路面特征类别及置信度， 根据路面 特征类别及置信度控制清扫刷进行调整， 本发明方法能对路面特征类别准确识别， 进而实现对清 扫刷的控制。 权利要求书3页 说明书8页 附图4页 CN 114882468 B 2022.09.23 CN 114882468 B 1.一种清扫车清扫刷角度自适应调整方法， 其特 征在于， 该 方法包括： 获取多帧路面图像并将路面图像分割为多个相同尺寸的图像区域； 获取每个图像区域内每个像素点与 其他像素点的Lab色差， 根据Lab色差获取每个像素 点的在其邻域内的局部颜色异常程度、 每 个像素点的在图像区域内的整体颜色异常程度； 根据整体颜色异常程度和局部颜色异常程度计算每个像素点的关注度， 根据关注度确 定每个图像区域内的初始种子点； 根据初始种子点对路面图像进行超像素分割得到多个超像素， 根据每个超像素的尺寸 及预设的尺寸阈值获取多个超像素中的小尺寸超像素； 获取小尺寸超像素在后 一帧路面图像对应的目标小尺寸超像素， 根据获取图像区域内 像素点的整体颜色异常程度的步骤获取小尺寸超像素、 目标小尺寸超像素在其8邻域内对 应的最终颜色异常程度， 获取小尺 寸超像素与目标小尺 寸超像素的目标Lab色差， 根据两个 最终颜色异常程度、 小尺寸超像素及目标小尺 寸超像素内像素点个数、 目标Lab色差计算小 尺寸超像素的异常率； 根据异常率与预设的异常率阈值对小尺寸超像素进行重新分配得到最终超像素图像； 根据每一帧路面图像对应的最终超像素图像获取每个超像素对应的路面特征类别及 置信度， 根据相 邻两帧路面图像对应的最终超像素图像中相对应的超像素的路面特征类别 及置信度控制清扫刷进行调整。 2.根据权利要求1所述的一种清扫车清扫刷角度自适应调整方法， 其特征在于， 根据 Lab色差获取每个像素点的在其邻域内的局部颜色异常程度、 每个像素点的在图像区域内 的整体颜色异常程度的步骤 包括： 获取每个像素点的邻域内像素点的个数、 图像区域内像素点的总数； 根据每个像素点的邻域内像素点的个数及该像素点与其邻域内其他像素点的Lab色差 获取局部颜色异常程度； 根据图像区域内像素点的总数及该像素点与图像区域内其他像素点的Lab色差获取整 体颜色异常程度。 3.根据权利要求2所述的一种清扫车清扫刷角度自适应调整方法， 其特征在于， 获取每 个像素点的邻域内像素点的个数的步骤 包括： 在Lab图像上建立 坐标系； 获取每个图像区域的中心点纵坐标； 去除所有中心点中纵坐标重复的纵坐标， 并对去重后的纵坐标排序得到每个图像区域 的中心点纵坐标对应的序号； 根据序号利用下式 （1） 获取对应图像区域内每 个像素点的邻域内像素点的个数：      （1） 其中， 表示第 个区域内某个像素点的邻域内像素点的个数， 表示第 个区域 中心点的纵坐标对应的序号； 表示第 个区域内像素点的总数。 4.根据权利要求1所述的一种清扫车清扫刷角度自适应调整方法， 其特征在于， 获取每权　利　要　求　书 1/3 页 2 CN 114882468 B 2个图像区域内每 个像素点与其 他像素点的Lab色差的步骤 包括： 获取图像区域内每 个像素点的亮度值； 获取图像区域内每 个像素点对应的通道值； 根据图像区域内每个像素点的亮度值及每个像素点对应的通道值计算像素点与其他 像素点的Lab色差 。 5.根据权利要求1所述的一种清扫车清扫刷角度自适应调整方法， 其特征在于， 根据关 注度确定每 个图像区域内的初始种子点的步骤 包括： 根据每个图像区域内每 个像素点的关注度建立关注度图； 获取关注度图中每 个峰值对应的像素点； 将每个峰值对应的像素点作为该图像区域的初始种子点。 6.根据权利要求1所述的一种清扫车清扫刷角度自适应调整方法， 其特征在于， 根据初 始种子点对路面图像进行超像素分割得到多个超像素的步骤 包括： 计算每个像素点到每 个初始种子点的距离； 获取最小距离对应的初始种子点为该像素点的聚类中心， 并得到一个聚类， 每个聚类 即为一个超像素； 计算每个超像素内所有像素点的坐标重心， 将坐标重心作为该超像素的新种子点， 根 据新种子点获取新的聚类， 直至聚类中心不再发生变动， 则这时的聚类即为分割后的超像 素。 7.根据权利要求1所述的一种清扫车清扫刷角度自适应调整方法， 其特征在于， 根据异 常率与预设的异常率阈值对小尺寸超像素进行重新分配得到最终超像素图像的步骤 包括： 当异常率小于预设的异常率阈值时， 将该小尺寸超像素重新分配给邻近的超像素； 当异常率大于预设的异常率阈值时， 将该小尺寸超像素保留， 不进行分配； 根据分配合后的小尺寸超像素和保留的小尺寸超像素 得到最终超像素图像。 8.根据权利要求1所述的一种清扫车清扫刷角度自适应调整方法， 其特征在于， 获取小 尺寸超像素与目标小尺寸超像素的目标Lab色差的步骤 包括： 分别获取小尺寸超像素、 目标小尺寸超像素内所有像素点的通道值的均值、 所有像素 点的亮度值的均值； 将小尺寸超像素、 目标小尺寸超像素对应的通道值的均值作为小尺寸超像素、 目标小 尺寸超像素的通道值； 将小尺寸超像素、 目标小尺寸超像素对应的亮度值的均值作为小尺寸超像素、 目标小 尺寸超像素的亮度值； 根据小尺寸超像素、 目标小尺寸超像素对应的通道值、 亮度值计算小尺寸超像素与目 标小尺寸超像素的目标Lab色差 。 9.根据权利要求1所述的一种清扫车清扫刷角度自适应调整方法， 其特征在于， 根据每 一帧路面图像对应的最终超像素图像获取每个超像素对应的路面特征类别及置信度的步 骤包括： 构建神经网络； 对神经网络进行训练， 每一帧路面图像作为神经网络的输入， 每一帧路面图像对应的 最终超像素图像中的超像素的路面特征类别及路面特征类别的置信度作为神经网络的输权　利　要　求　书 2/3 页 3 CN 114882468 B 3