CN108537834B - 一种基于深度图像的体积测量方法、***及深度相机 - Google Patents
一种基于深度图像的体积测量方法、***及深度相机 Download PDFInfo
- Publication number
- CN108537834B CN108537834B CN201810225912.7A CN201810225912A CN108537834B CN 108537834 B CN108537834 B CN 108537834B CN 201810225912 A CN201810225912 A CN 201810225912A CN 108537834 B CN108537834 B CN 108537834B
- Authority
- CN
- China
- Prior art keywords
- coordinate
- point cloud
- depth
- depth camera
- axis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明属于物流和体积测量技术领域,具体涉及一种基于深度图像的体积测量方法、***及深度相机,包括以下步骤:S1,获取含有待测物的场景深度图,得到场景点云坐标;S2,对场景点云坐标进行变换,得到深度相机坐标系下的场景点云坐标;S3,对深度相机坐标系下的场景点云坐标进行处理,得到待测物的坐标集合;S4,根据待测物的坐标集合计算待测物的长度、宽度和高度,将长度、宽度和高度相乘得到待测物的体积。本发明相比于现有物流体积测量方案,在硬件方面,运用市面上普通的深度相机即可实现,成本较低;在相机倾斜状态下,仍能够实时准确测量待测物的体积。
Description
技术领域
本发明属于物流和体积测量技术领域,具体涉及一种基于深度图像的体积测量方法、***及深度相机。
背景技术
近年来,随着经济全球化的快速发展,大量的物资需要在区域之间频繁流动,尤其是伴随着信息技术革命而产生的电子商务的兴起,使得物流行业获得急剧飞速发展,物流企业间的竞争也日趋激烈,怎样降低人力成本,高效的将快件发送到目的地是取得竞争优势的关键。
在物流和仓储管理中,物品的体积属性对物流中心优化收货入库、拣选、包装和发运管理至关重要,因此通过对物品的尺寸、体积实现自动化的精准测量,能大大提高仓储物流的效率以及物流***的智能和自动化水平。
现有的体积测量设备多是基于光幕或线阵激光扫描,必须配合传送带编码器才能计算体积。这种技术虽然较为成熟,但价格昂贵,而且***复杂度较高。
发明内容
针对现有技术中的缺陷,本发明提供了一种基于深度图像的体积测量方法、***及深度相机,相比于现有物流体积测量方案,在硬件方面,运用市面上普通的深度相机即可实现,成本较低;在相机倾斜状态下,仍能够实时准确测量待测物的体积。
第一方面,本发明提供了一种基于深度图像的体积测量方法,包括以下步骤:
S1,获取含有待测物的场景深度图,得到场景点云坐标;
S2,对场景点云坐标进行变换,得到深度相机坐标系下的场景点云坐标;
S3,对深度相机坐标系下的场景点云坐标进行处理,得到待测物的坐标集合;
S4,根据待测物的坐标集合计算待测物的长度、宽度和高度,将长度、宽度和高度相乘得到待测物的体积。
优选地,所述步骤S2具体为:
S21,设置场景深度图中的参考平面;
S22,根据所述参考平面计算深度相机的倾斜姿态数据;
S23,根据倾斜姿态数据对场景点云坐标进行变换,得到深度相机坐标系下
的场景点云坐标。
优选地,所述S22具体为:
S221,设置深度相机X轴、Y轴与参考平面法线的夹角范围,所述夹角范围内包括若干个X轴夹角θx和与Y轴夹角θy;
S222,遍历每一个X轴夹角和每一个Y轴夹角,利用坐标变换公式对参考平面内的ZCK坐标进行变换,得到若干变换后的ZCK坐标,所述变换公式为:
Z'=Y0*sinθx+Z0cosθx;
Zck=Z'*cosθy-X0sinθy;
其中X0、Y0、Z0为参考平面的原始坐标点,ZCK为变换后的ZCK坐标;
S223,计算所有变换后的ZCK坐标的平均值Zmean和最小方差Zsigma;
S224,将最小方差Zsigma对应的X轴夹角θx作为深度相机的X轴倾斜夹角αx,对应的Y轴夹角θy作为深度相机的Y轴倾斜夹角αy,从而得到倾斜姿态数据:ZCK坐标的平均值Zmean、最小方差Zsigma、X轴倾斜夹角αx和Y轴倾斜夹角αy。
优选地,所述S23具体为:
根据X轴倾斜夹角αx和Y轴倾斜夹角αy,利用变换公式对场景点云坐标进行变换,得到深度相机坐标系下的场景点云坐标,变换公式为:
Z'i=Yio*sinαx+Ziocosαx;
Xi=Z'i*sinαy+Xiocosαy;
Yi=Yio*cosαy-Ziosinαy;
Zi=Z'i*cosαy-Xiosinαy;
其中Xio、Yio、Zio为原来的场景点云坐标,Xi、Yi、Zi为深度相机坐标系下的场景点云坐标。
优选地,所述S3具体为:
根据筛选公式,从深度相机坐标系下的场景云坐标中,筛选出符合条件的待测物的Xi、Yi、Zi坐标点集合,筛选公式为:
|Zi-Zmean|>N*Zsigma,其中N为正数。
优选地,所述S4具体为:
S41,按照预设的网格精度,计算待测物的Xi、Yi坐标点投影到参考平面内对应的网格区域,对网格区域进行连通区域标定、并统计每个连通区域大小;
S42,选取面积最大的连通区域对应的Xi、Yi坐标点集合,通过主成分分析法计算选取的Xi、Yi坐标点对应的最小外接长方形,得到待测物投影到参考平面内的长度和宽度;
S43,计算Zi与Zmean最大差异得到待测物的高度,将长度、宽度和高度相乘得到待测物体积。
第二方面,本发明提供了一种基于深度图像的体积测量***,适用于第一方面所述的基于深度图像的体积测量方法,包括:
场景采集单元,用于获取含有待测物的场景深度图,得到场景点云坐标;
坐标变换单元,用于对场景点云坐标进行变换,得到深度相机坐标系下的场景点云坐标;
待测物提取单元,用于对深度相机坐标系下的场景点云坐标进行处理,得到待测物的坐标集合;
体积计算单元,用于根据待测物的坐标集合计算待测物的长度、宽度和高度,将长度、宽度和高度相乘得到待测物的体积。
第三方面,本发明提供了一种深度相机,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如第一方面所述的方法。
本发明的有益效果为:相比于现有物流体积测量方案,在硬件方面,运用市面上普通的深度相机即可实现,成本较低;在相机倾斜状态下,仍能够实时准确测量待测物的体积。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本实施例中基于深度图像的体积测量方法的流程图;
图2为本实施例中基于深度图像的体积测量***的结构图。
具体实施方式
下面将结合本发明实施例中的附图,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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
实施例一:
本实施例提供了一种基于深度图像的体积测量方法,如图1所示,包括以下S1、S2、S3、S4共四个步骤:
S1,获取含有待测物的场景深度图,得到场景点云坐标。本实施例获取场景深度图可采用光飞行时间原理、结构光原理、双目测距原理等。深度图即深度Z轴的坐标集合,深度图也被称为距离影像,是指将从图像采集器到场景中各点的距离(深度)作为像素值的图像,它直接反映了场景中各物体可见表面的几何形状。深度图经过坐标转换可以计算为场景点云数据,本实施例的图像采集器为深度相机,深度相机采集深度图可应用光飞行时间原理、结构光原理、双目测距原理等。
S2,对场景点云坐标进行变换,得到深度相机坐标系下的场景点云坐标。
所述步骤S2具体包括S21、S22、S23共三个步骤:
S21,设置场景深度图中的参考平面。
S22,根据所述参考平面计算深度相机的倾斜姿态数据。所述S22具体包括S221、S222、S223、S224共四个步骤:
S221,设置深度相机X轴、Y轴与参考平面法线的夹角范围,所述夹角范围内包括若干个X轴夹角θx和与Y轴夹角θy;
S222,遍历每一个X轴夹角和每一个Y轴夹角,利用坐标变换公式对参考平面内的ZCK坐标进行变换,得到若干变换后的ZCK坐标,所述变换公式为:
Z'=Y0*sinθx+Z0cosθx;
Zck=Z'*cosθy-X0sinθy;
其中X0、Y0、Z0为参考平面的原始坐标点,ZCK为变换后的ZCK坐标;
S223,计算所有变换后的ZCK坐标的平均值Zmean和最小方差Zsigma;
S224,将最小方差Zsigma对应的X轴夹角θx作为深度相机的X轴倾斜夹角αx,对应的Y轴夹角θy作为深度相机的Y轴倾斜夹角αy,从而得到倾斜姿态数据:ZCK坐标的平均值Zmean、最小方差Zsigma、X轴倾斜夹角αx和Y轴倾斜夹角αy。
本实施例中根据步骤S22得到深度相机与参考平面的X轴夹角、Y轴夹角、以及与参考平面的距离。
S23,根据倾斜姿态数据对场景点云坐标进行变换,得到深度相机坐标系下的场景点云坐标。本步骤具体为:
根据X轴倾斜夹角αx和Y轴倾斜夹角αy,利用变换公式对场景点云坐标进行变换,得到深度相机坐标系下的场景点云坐标,变换公式为:
Z'i=Yio*sinαx+Ziocosαx;
Xi=Z'i*sinαy+Xiocosαy;
Yi=Yio*cosαy-Ziosinαy;
Zi=Z'i*cosαy-Xiosinαy;
其中Xio、Yio、Zio为原来的场景点云坐标,Xi、Yi、Zi为深度相机坐标系下的场景点云坐标。
S3,对深度相机坐标系下的场景点云坐标进行处理,得到待测物的坐标集合。本步骤具体为:
根据筛选公式,从深度相机坐标系下的场景云坐标中,筛选出符合条件的待测物的Xi、Yi、Zi坐标点集合,筛选公式为:
|Zi-Zmean|>N*Zsigma,其中N为正数。
本实施例步骤S3为去掉场景中其他的物体的相关信息,提取出待测物的坐标数据。
S4,根据待测物的坐标集合计算待测物的长度、宽度和高度,将长度、宽度和高度相乘得到待测物的体积。所述S4具体包括S41、S42两个步骤:
S41,按照预设的网格精度,计算待测物的Xi、Yi坐标点投影到参考平面内对应的网格区域,对网格区域进行连通区域标定、并统计每个连通区域大小;
S42,选取面积最大的连通区域对应的Xi、Yi坐标点集合,通过主成分分析法计算选取的Xi、Yi坐标点对应的最小外接长方形,得到待测物投影到参考平面内的长度和宽度;
S43,计算Zi与Zmean最大差异得到待测物的高度,将长度、宽度和高度相乘得到待测物的体积。
综上所述,本实施例相比于现有物流体积测量方案,在硬件方面,运用市面上普通的深度相机即可实现,成本较低;在相机倾斜状态下,仍能够实时准确测量待测物的体积。本实施例提前标定相机倾斜姿态,在运行过程中只需要乘法,连通区域标定和主成分分析等关键步骤,即可计算待测物的长宽高,进而计算待测物体积,可以达到非常好的测量实时性。本实施例支持相机安装时存在倾斜,易于安装和扩大测量范围。现有市场上很多高精度深度相机输出的点云是非结构化的,本实施例对点云数据(点云坐标)的结构化没有要求,因此更容易进行测量设备选型。
实施例二:
本实施例提供了一种基于深度图像的体积测量***,如图2所示,包括:
场景采集单元,用于获取含有待测物的场景深度图,得到场景点云坐标;
坐标变换单元,用于对场景点云坐标进行变换,得到深度相机坐标系下的场景点云坐标;
待测物提取单元,用于对深度相机坐标系下的场景点云坐标进行处理,得到待测物的坐标集合;
体积计算单元,用于根据待测物的坐标集合计算待测物的长度、宽度和高度,将长度、宽度和高度相乘得到待测物的体积。
本***适用于实施例一所述的基于深度图像的体积测量方法,如图1所示,包括以下S1、S2、S3、S4共四个步骤:
S1,获取含有待测物的场景深度图,得到场景点云坐标。本实施例获取场景深度图可采用光飞行时间原理、结构光原理、双目测距原理等。深度图即深度Z轴的坐标集合,深度图也被称为距离影像,是指将从图像采集器到场景中各点的距离(深度)作为像素值的图像,它直接反映了场景中各物体可见表面的几何形状。深度图经过坐标转换可以计算为场景点云数据,本实施例的图像采集器为深度相机,深度相机采集深度图可应用光飞行时间原理、结构光原理、双目测距原理等。
S2,对场景点云坐标进行变换,得到深度相机坐标系下的场景点云坐标。
所述步骤S2具体包括S21、S22、S23共三个步骤:
S21,设置场景深度图中的参考平面。
S22,根据所述参考平面计算深度相机的倾斜姿态数据。所述S22具体包括S221、S222、S223、S224共四个步骤:
S221,设置深度相机X轴、Y轴与参考平面法线的夹角范围,所述夹角范围内包括若干个X轴夹角θx和与Y轴夹角θy;
S222,遍历每一个X轴夹角和每一个Y轴夹角,利用坐标变换公式对参考平面内的ZCK坐标进行变换,得到若干变换后的ZCK坐标,所述变换公式为:
Z'=Y0*sinθx+Z0cosθx;
Zck=Z'*cosθy-X0sinθy;
其中X0、Y0、Z0为参考平面的原始坐标点,ZCK为变换后的ZCK坐标;
S223,计算所有变换后的ZCK坐标的平均值Zmean和最小方差Zsigma;
S224,将最小方差Zsigma对应的X轴夹角θx作为深度相机的X轴倾斜夹角αx,对应的Y轴夹角θy作为深度相机的Y轴倾斜夹角αy,从而得到倾斜姿态数据:ZCK坐标的平均值Zmean、最小方差Zsigma、X轴倾斜夹角αx和Y轴倾斜夹角αy。
本实施例中根据步骤S22得到深度相机与参考平面的X轴夹角、Y轴夹角、以及与参考平面的距离。
S23,根据倾斜姿态数据对场景点云坐标进行变换,得到深度相机坐标系下的场景点云坐标。本步骤具体为:
根据X轴倾斜夹角αx和Y轴倾斜夹角αy,利用变换公式对场景点云坐标进行变换,得到深度相机坐标系下的场景点云坐标,变换公式为:
Z'i=Yio*sinαx+Ziocosαx;
Xi=Z'i*sinαy+Xiocosαy;
Yi=Yio*cosαy-Ziosinαy;
Zi=Z'i*cosαy-Xiosinαy;
其中Xio、Yio、Zio为原来的场景点云坐标,Xi、Yi、Zi为深度相机坐标系下的场景点云坐标。
S3,对深度相机坐标系下的场景点云坐标进行处理,得到待测物的坐标集合。本步骤具体为:
根据筛选公式,从深度相机坐标系下的场景云坐标中,筛选出符合条件的待测物的Xi、Yi、Zi坐标点集合,筛选公式为:
|Zi-Zmean|>N*Zsigma,其中N为正数。
本实施例步骤S3为去掉场景中其他的物体的相关信息,提取出待测物的坐标数据。
S4,根据待测物的坐标集合计算待测物的长度、宽度和高度,将长度、宽度和高度相乘得到待测物的体积。所述S4具体包括S41、S42两个步骤:
S41,按照预设的网格精度,计算待测物的Xi、Yi坐标点投影到参考平面内对应的网格区域,对网格区域进行连通区域标定、并统计每个连通区域大小;
S42,选取面积最大的连通区域对应的Xi、Yi坐标点集合,通过主成分分析法计算选取的Xi、Yi坐标点对应的最小外接长方形,得到待测物投影到参考平面内的长度和宽度;
S43,计算Zi与Zmean最大差异得到待测物的高度,将长度、宽度和高度相乘得到待测物的体积。
综上所述,本实施例相比于现有物流体积测量方案,在硬件方面,运用市面上普通的深度相机即可实现,成本较低;在相机倾斜状态下,仍能够实时准确测量待测物的体积。本实施例提前标定相机倾斜姿态,在运行过程中只需要乘法,连通区域标定和主成分分析等关键步骤,即可计算待测物的长宽高,进而计算待测物体积,可以达到非常好的测量实时性。本实施例支持相机安装时存在倾斜,易于安装和扩大测量范围。现有市场上很多高精度深度相机输出的点云是非结构化的,本实施例对点云数据(点云坐标)的结构化没有要求,因此更容易进行测量设备选型。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和***,可以通过其它的方式实现。例如,以上单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。上述单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
实施例三:
本实施例提供了一种深度相机,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行实施例一所述的方法。
本实施例相比于现有物流体积测量方案,在硬件方面,运用市面上普通的深度相机即可实现,成本较低;在相机倾斜状态下,仍能够实时准确测量待测物的体积。本实施例提前标定相机倾斜姿态,在运行过程中只需要乘法,连通区域标定和主成分分析等关键步骤,即可计算待测物的长宽高,进而计算待测物体积,可以达到非常好的测量实时性。本实施例支持相机安装时存在倾斜,易于安装和扩大测量范围。现有市场上很多高精度深度相机输出的点云是非结构化的,本实施例对点云数据(点云坐标)的结构化没有要求,因此更容易进行测量设备选型。
应当理解,在本实施例中,所称处理器可以是中央处理单元(Central ProcessingUnit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备可以包括图像采集设备,输出设备可以包括显示器(LCD等)、扬声器等。
该存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如,存储器还可以存储设备类型的信息。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (7)
1.一种基于深度图像的体积测量方法,其特征在于,包括以下步骤:
S1,获取含有待测物的场景深度图,得到场景点云坐标;
S2,对场景点云坐标进行变换,得到深度相机坐标系下的场景点云坐标;
S3,对深度相机坐标系下的场景点云坐标进行处理,得到待测物的坐标集合;
S4,根据待测物的坐标集合计算待测物的长度、宽度和高度,将长度、宽度和高度相乘得到待测物的体积;
所述步骤S2具体为:
S21,设置场景深度图中的参考平面;
S22,根据所述参考平面计算深度相机的倾斜姿态数据;
S23,根据倾斜姿态数据对场景点云坐标进行变换,得到深度相机坐标系下的场景点云坐标;
所述S22具体为:
S221,设置深度相机X轴、Y轴与参考平面法线的夹角范围,所述夹角范围内包括若干个X轴夹角θx和与Y轴夹角θy;
S222,遍历每一个X轴夹角和每一个Y轴夹角,利用坐标变换公式对参考平面内的ZCK坐标进行变换,得到若干变换后的ZCK坐标;
S223,计算所有变换后的ZCK坐标的平均值Zmean和最小方差Zsigma;
S224,将最小方差Zsigma对应的X轴夹角θx作为深度相机的X轴倾斜夹角αx,对应的Y轴夹角θy作为深度相机的Y轴倾斜夹角αy,从而得到倾斜姿态数据:ZCK坐标的平均值Zmean、最小方差Zsigma、X轴倾斜夹角αx和Y轴倾斜夹角αy。
2.根据权利要求1所述的一种基于深度图像的体积测量方法,其特征在于,所述变换公式为:
Z'=Y0*sinθx+Z0cosθx;
Zck=Z'*cosθy-X0sinθy;
其中X0、Y0、Z0为参考平面的原始坐标点,ZCK为变换后的ZCK坐标。
3.根据权利要求2所述的一种基于深度图像的体积测量方法,其特征在于,所述S23具体为:
根据X轴倾斜夹角αx和Y轴倾斜夹角αy,利用变换公式对场景点云坐标进行变换,得到深度相机坐标系下的场景点云坐标,变换公式为:
Z'i=Yio*sinαx+Ziocosαx;
Xi=Z'i*sinαy+Xiocosαy;
Yi=Yio*cosαy-Ziosinαy;
Zi=Z'i*cosαy-Xiosinαy;
其中Xio、Yio、Zio为原来的场景点云坐标,Xi、Yi、Zi为深度相机坐标系下的场景点云坐标。
4.根据权利要求3所述的一种基于深度图像的体积测量方法,其特征在于,所述S3具体为:
根据筛选公式,从深度相机坐标系下的场景云坐标中,筛选出符合条件的待测物的Xi、Yi、Zi坐标点集合,筛选公式为:
|Zi-Zmean|>N*Zsigma,其中N为正数。
5.根据权利要求4所述的一种基于深度图像的体积测量方法,其特征在于,所述S4具体为:
S41,按照预设的网格精度,计算待测物的Xi、Yi坐标点投影到参考平面内对应的网格区域,对网格区域进行连通区域标定、并统计每个连通区域大小;
S42,选取面积最大的连通区域对应的Xi、Yi坐标点集合,通过主成分分析法计算选取的Xi、Yi坐标点对应的最小外接长方形,得到待测物投影到参考平面内的长度和宽度;
S43,计算Zi与Zmean最大差异得到待测物的高度,将长度、宽度和高度相乘得到待测物体积。
6.一种基于深度图像的体积测量***,适用于权利要求1-5任一项所述的基于深度图像的体积测量方法,包括:
场景采集单元,用于获取含有待测物的场景深度图,得到场景点云坐标;
坐标变换单元,用于对场景点云坐标进行变换,得到深度相机坐标系下的场景点云坐标;
待测物提取单元,用于对深度相机坐标系下的场景点云坐标进行处理,得到待测物的坐标集合;
体积计算单元,用于根据待测物的坐标集合计算待测物的长宽高,将长宽高相乘得到待测物的体积。
7.一种深度相机,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,其特征在于,所述处理器被配置用于调用所述程序指令,执行如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810225912.7A CN108537834B (zh) | 2018-03-19 | 2018-03-19 | 一种基于深度图像的体积测量方法、***及深度相机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810225912.7A CN108537834B (zh) | 2018-03-19 | 2018-03-19 | 一种基于深度图像的体积测量方法、***及深度相机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108537834A CN108537834A (zh) | 2018-09-14 |
CN108537834B true CN108537834B (zh) | 2020-05-01 |
Family
ID=63484983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810225912.7A Active CN108537834B (zh) | 2018-03-19 | 2018-03-19 | 一种基于深度图像的体积测量方法、***及深度相机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108537834B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020056586A1 (zh) * | 2018-09-18 | 2020-03-26 | 深圳市大疆创新科技有限公司 | 高度确定方法、装置、电子设备和计算机可读存储介质 |
CN109448045B (zh) * | 2018-10-23 | 2021-02-12 | 南京华捷艾米软件科技有限公司 | 基于slam的平面多边形物体测量方法及机器可读存储介质 |
CN109376791B (zh) * | 2018-11-05 | 2020-11-24 | 北京旷视科技有限公司 | 深度算法精度计算方法、装置、电子设备、可读存储介质 |
CN109587875A (zh) * | 2018-11-16 | 2019-04-05 | 厦门盈趣科技股份有限公司 | 一种智能台灯及其调节方法 |
CN109631764B (zh) * | 2018-11-22 | 2020-12-04 | 南京理工大学 | 基于RealSense相机的尺寸测量***及方法 |
CN109993785B (zh) * | 2019-03-27 | 2020-11-17 | 青岛小鸟看看科技有限公司 | 一种货箱内装载货物体积的测量方法和深度相机模组 |
CN109916302B (zh) * | 2019-03-27 | 2020-11-20 | 青岛小鸟看看科技有限公司 | 一种载货箱体的体积测量方法和*** |
CN109886961B (zh) * | 2019-03-27 | 2023-04-11 | 重庆交通大学 | 基于深度图像的中大型货物体积测量方法 |
CN110310459A (zh) * | 2019-04-04 | 2019-10-08 | 桑尼环保(江苏)有限公司 | 多参数实时提取*** |
CN110006343B (zh) * | 2019-04-15 | 2021-02-12 | Oppo广东移动通信有限公司 | 物体几何参数的测量方法、装置和终端 |
CN111986250A (zh) * | 2019-05-22 | 2020-11-24 | 顺丰科技有限公司 | 物体体积测量方法、装置、测量设备及存储介质 |
CN110309561A (zh) * | 2019-06-14 | 2019-10-08 | 吉旗物联科技(上海)有限公司 | 货物空间体积测量方法及装置 |
CN110349205B (zh) * | 2019-07-22 | 2021-05-28 | 浙江光珀智能科技有限公司 | 一种物体体积的测量方法及装置 |
CN110296747A (zh) * | 2019-08-12 | 2019-10-01 | 深圳市知维智能科技有限公司 | 仓储内容物的体积的测量方法和*** |
CN110425980A (zh) * | 2019-08-12 | 2019-11-08 | 深圳市知维智能科技有限公司 | 仓储设施内容物的体积的测量方法和*** |
CN110766744B (zh) * | 2019-11-05 | 2022-06-10 | 北京华捷艾米科技有限公司 | 一种基于3d深度摄像头的mr体积测量方法及装置 |
CN111561872B (zh) * | 2020-05-25 | 2022-05-13 | 中科微至智能制造科技江苏股份有限公司 | 基于散斑编码结构光的包裹体积测量方法、装置及*** |
CN111696152B (zh) * | 2020-06-12 | 2023-05-12 | 杭州海康机器人股份有限公司 | 检测包裹堆垛的方法、装置、计算设备、***及存储介质 |
CN112254635B (zh) * | 2020-09-23 | 2022-06-28 | 洛伦兹(北京)科技有限公司 | 体积测量方法、装置及*** |
CN113418467A (zh) * | 2021-06-16 | 2021-09-21 | 厦门硅谷动能信息技术有限公司 | 基于ToF点云数据检测一般及黑色行李尺寸的方法 |
CN114264277A (zh) * | 2021-12-31 | 2022-04-01 | 英特尔产品(成都)有限公司 | 用于检测芯片基板平整度异常的方法和装置 |
CN114494404A (zh) * | 2022-02-14 | 2022-05-13 | 云从科技集团股份有限公司 | 物体体积测量方法、***、装置和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7037263B2 (en) * | 2003-08-20 | 2006-05-02 | Siemens Medical Solutions Usa, Inc. | Computing spatial derivatives for medical diagnostic imaging methods and systems |
CN101266131A (zh) * | 2008-04-08 | 2008-09-17 | 长安大学 | 一种基于图像的体积测量装置及其测量方法 |
CN106225678A (zh) * | 2016-09-27 | 2016-12-14 | 北京正安维视科技股份有限公司 | 基于3d相机的动态物体定位与体积测量方法 |
CN106813568A (zh) * | 2015-11-27 | 2017-06-09 | 阿里巴巴集团控股有限公司 | 物体测量方法及装置 |
CN106839975A (zh) * | 2015-12-03 | 2017-06-13 | 杭州海康威视数字技术股份有限公司 | 基于深度相机的体积测量方法及其*** |
CN107067394A (zh) * | 2017-04-18 | 2017-08-18 | 中国电子科技集团公司电子科学研究院 | 一种倾斜摄影获取点云坐标的方法及装置 |
-
2018
- 2018-03-19 CN CN201810225912.7A patent/CN108537834B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7037263B2 (en) * | 2003-08-20 | 2006-05-02 | Siemens Medical Solutions Usa, Inc. | Computing spatial derivatives for medical diagnostic imaging methods and systems |
CN101266131A (zh) * | 2008-04-08 | 2008-09-17 | 长安大学 | 一种基于图像的体积测量装置及其测量方法 |
CN106813568A (zh) * | 2015-11-27 | 2017-06-09 | 阿里巴巴集团控股有限公司 | 物体测量方法及装置 |
CN106839975A (zh) * | 2015-12-03 | 2017-06-13 | 杭州海康威视数字技术股份有限公司 | 基于深度相机的体积测量方法及其*** |
CN106225678A (zh) * | 2016-09-27 | 2016-12-14 | 北京正安维视科技股份有限公司 | 基于3d相机的动态物体定位与体积测量方法 |
CN107067394A (zh) * | 2017-04-18 | 2017-08-18 | 中国电子科技集团公司电子科学研究院 | 一种倾斜摄影获取点云坐标的方法及装置 |
Non-Patent Citations (6)
Title |
---|
《Accuracy of scaling and DLT reconstruction techniques for planar motion analyses》;Brewin,MA et al;《Journal of Applied Biomechanics》;20030228;第19卷(第19期);第79-88页 * |
《Optical flow background estimation for real-time pan/tilt camera object tracking》;D Doyle et al;《Measurement》;20140228;第48卷(第01期);第195-207页 * |
《基于像面旋转的画幅遥感相机姿态像移计算》;丁亚林;《光学精密工程》;20070529;第09卷(第15期);第1432-1438页 * |
《基于摄影原理的文物表面纹理重建技术研究》;丁立军;《中国优秀硕士学位论文全文数据库 信息科技辑》;20071215(第06期);I138-763 * |
《应用数学坐标变换方法计算航空相机像面旋转》;丁亚林;《光学仪器》;20120925;第29卷(第01期);第22-26页 * |
《考虑飞机姿态角时倾斜航空相机像移速度计算》;翟林培;《光学精密工程》;20060731;第14卷(第03期);第490-494页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108537834A (zh) | 2018-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108537834B (zh) | 一种基于深度图像的体积测量方法、***及深度相机 | |
CN110174056A (zh) | 一种物体体积测量方法、装置及移动终端 | |
CN109752003B (zh) | 一种机器人视觉惯性点线特征定位方法及装置 | |
CN107610176A (zh) | 一种基于Kinect的栈板动态识别与定位方法、***及介质 | |
WO2020168685A1 (zh) | 一种三维扫描视点规划方法、装置及计算机可读存储介质 | |
CN112446927A (zh) | 激光雷达和相机的联合标定方法、装置、设备及存储介质 | |
KR20220025028A (ko) | 시각적 비콘 기반의 비콘 맵 구축 방법, 장치 | |
CN111080682A (zh) | 点云数据的配准方法及装置 | |
CN112991459A (zh) | 一种相机标定方法、装置、设备以及存储介质 | |
CN115100299B (zh) | 一种标定方法、装置、设备和存储介质 | |
CN103413319A (zh) | 一种工业摄像机参数现场标定方法 | |
CN108332662B (zh) | 一种物体测量方法和装置 | |
CN114299242A (zh) | 高精地图中图像处理方法、装置、设备以及存储介质 | |
CN114037987A (zh) | 一种废钢智能识别方法、装置、介质及设备 | |
CN111311671B (zh) | 一种工件测量方法、装置、电子设备及存储介质 | |
CN111985266B (zh) | 尺度图确定方法、装置、设备及存储介质 | |
JP2020512536A (ja) | モデルベースのピーク選択を使用した3dプロファイル決定のためのシステム及び方法 | |
CN116203976A (zh) | 变电站室内巡检方法、装置、无人机和存储介质 | |
CN109000560B (zh) | 基于三维相机检测包裹尺寸的方法、装置以及设备 | |
CN113379826A (zh) | 物流件的体积测量方法以及装置 | |
CN111915666A (zh) | 基于移动终端的体积测量方法及装置 | |
CN115861443A (zh) | 一种多相机内参标定方法、装置、电子设备及存储介质 | |
CN113628284B (zh) | 位姿标定数据集生成方法、装置、***、电子设备及介质 | |
CN105078404A (zh) | 基于激光算法的全自动眼动追踪测距定标仪及其使用方法 | |
CN113759346B (zh) | 一种激光雷达标定方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A volume measurement method, system and depth camera based on depth image Effective date of registration: 20220412 Granted publication date: 20200501 Pledgee: Zhejiang Mintai Commercial Bank Co.,Ltd. Hangzhou Binjiang small and micro enterprise franchise sub branch Pledgor: HANGZHOU AIXIN INTELLIGENT TECHNOLOGY CO.,LTD. Registration number: Y2022330000495 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |