La percepción del entorno es una parte clave del movimiento autónomo de los robots. Al utilizar la visión para llevar a cabo tareas de detección de obstáculos, es difícil para los métodos de aprendizaje profundo detectar todos los obstáculos debido a la complejidad del entorno y las limitaciones de visión, y es difícil para los métodos tradicionales cumplir con los requisitos en tiempo real cuando se aplican a plataformas integradas. En este documento, se propone un proceso rápido de detección de obstáculos aplicado a cámaras RGB-D. El proceso consta de tres pasos principales: extracción de puntos característicos, eliminación de ruido y agrupación de obstáculos. Utilizando los algoritmos Canny y Shi-Tomasi para completar el preprocesamiento y la extracción de puntos característicos, filtrando el ruido basado en la geometría, agrupando obstáculos con diferentes profundidades basados en el principio básico de que los puntos característicos en el mismo contorno de objeto deben ser continuos o estar dentro de la misma profundidad en la vista de la cámara RGB-D, y luego realizando una segmentación adicional desde la dirección horizontal para completar el trabajo de agrupación de obstáculos. El método omite el proceso de cálculo iterativo requerido por los métodos tradicionales y reduce significativamente la sobrecarga de memoria y tiempo. Después de la verificación experimental, el método propuesto tiene una precisión de reconocimiento integral del 82.41%, que es un 4.13% y un 19.34% mayor que la de los métodos RSC y tradicionales, respectivamente, y una precisión de reconocimiento del 91.72% bajo iluminación normal, con una velocidad de reconocimiento de más de 20 FPS en la plataforma integrada; al mismo tiempo, todas las detecciones se pueden lograr dentro de 1 m bajo iluminación normal, y el error de detección no supera los 2 cm dentro de 3 m.