CN114494404A - 物体体积测量方法、***、装置和介质 - Google Patents
物体体积测量方法、***、装置和介质 Download PDFInfo
- Publication number
- CN114494404A CN114494404A CN202210134337.6A CN202210134337A CN114494404A CN 114494404 A CN114494404 A CN 114494404A CN 202210134337 A CN202210134337 A CN 202210134337A CN 114494404 A CN114494404 A CN 114494404A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- dimensional
- coordinate
- volume
- 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.)
- Pending
Links
- 238000000691 measurement method Methods 0.000 title claims description 14
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000005259 measurement Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 66
- 238000012800 visualization Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
-
- 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
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及机器视觉技术领域,具体提供一种物体体积测量方法、***、装置和介质,解决现有的体积测量方法受到应用场景限制,测量速度慢,操作不便的问题。为此目的,本发明实施例能够将图像采集装置获取的待测物体的二维深度图像的像素点转换为三维点云数据,对三维点云数据进行聚类获取待测物体的物体点云数据,通过物体点云数据确定待测物体的体积。由于本发明实施例的图像采集装置对于测量场景和拍摄角度均无严格限制,因而可以适用于更多应用场景。同时,由于根据待测物体的二维深度图像即可获得待测物体的体积,使得物体体积的测量过程在确保测量精度的前提下,更为方便快捷,降低了对于操作者的要求。
Description
技术领域
本发明涉及机器视觉技术领域,具体提供一种物体体积测量方法、***、装置和介质。
背景技术
现在,物流已经深入到每个人的生活之中,如何快速、准确、自动地测量物体的体积在物流的仓储、运输和派送等各个环节中都有着重要的意义。但是现有技术中,多数的自动体积测量***仅适用于固定场景,如流水线、传送带或者中大型一体式测量设备上,这种体积测量方法一定程度上提升了仓储、运输等阶段的自动化程度,但这种方法由于测量场景和拍摄角度固定,对于分拣、投递等操作的帮助很小。还有一些依赖于多帧重建再测量的体积测量方法,但是这种方法需要采集物体的连续视频,还需要进行物体三维重建和自动测量运算,这些过程都会导致测量速度慢,且重建、测量精度是依赖于物体视频的质量高,即物体运动不能过快,图像不能存在模糊等,因而对于操作人员有一定的要求,也导致设备操作不便。
相应地,本领域需要一种新的物体体积测量方案来解决上述问题。
发明内容
本发明旨在解决上述技术问题,即,解决现有的体积测量方法受到应用场景限制,测量速度慢,操作不便的问题。
在第一方面,本发明提供一种物体体积测量方法,所述方法包括:
采用图像采集装置获取待测物体的二维深度图像,并将所述二维深度图像中深度值为预设的有效深度值的像素点转换成三维点云数据;
对所述三维点云数据进行聚类,根据聚类的结果获取所述三维点云数据中属于所述待测物体的物体点云数据;
获取在以所述物体点云数据的中心点为原点的三维坐标系下,所述物体点云数据在每个坐标轴上的坐标最大值与坐标最小值;
根据所述在每个坐标轴上的坐标最大值与坐标最小值,确定所述待测物体的体积。
在上述物体体积测量方法的一个技术方案中,“对所述三维点云数据进行聚类,根据聚类的结果获取所述三维点云数据中属于所述待测物体的物体点云数据”的步骤包括:
提取所述三维点云数据中属于所述待测物体所在地面的地面点云数据;
将所述地面点云数据从所述三维点云数据中剔除,得到第一三维点云数据;
对所述第一三维点云数据进行聚类,根据聚类的结果获取所述待测物体的物体点云数据。
在上述物体体积测量方法的一个技术方案中,“提取所述三维点云数据中属于所述待测物体所在地面的地面点云数据”步骤包括:
根据所述三维点云数据进行空间平面拟合,得到多个第一空间平面;
获取包含三维点云数据的数量最多的第一空间平面作为所述待测物体所在地面的地平面,并将所述地平面包含的三维点云数据作为所述地面点云数据。
在上述物体体积测量方法的一个技术方案中,“对所述第一三维点云数据进行聚类,根据聚类的结果获取所述待测物体的物体点云数据”的步骤包括:
对所述第一三维点云数据进行聚类,获取多个点云聚类簇;
选取所述多个点云聚类簇中包含三维点云数据的数量最多的点云聚类簇,将所述点云聚类簇中的三维点云数据作为所述待测物体的物体点云数据。
在上述物体体积测量方法的一个技术方案中,“获取在以所述物体点云数据的中心点为原点的三维坐标系下,所述物体点云数据在每个坐标轴上的坐标最大值与坐标最小值”的步骤包括:
对所述物体点云数据进行空间平面拟合,得到多个第二空间平面;
获取包含物体点云数据的数量最多的第二空间平面作为所述物体点云数据的第一表面,并将所述第一表面包含的物体点云数据作为第一表面点云数据;
将所述第一表面点云数据从所述物体点云数据中剔除,对剩余的物体点云数据继续进行空间平面拟合,得到多个第三空间平面;
获取剩余的物体点云数据中包含物体点云数据的数量最多的第三空间平面作为所述物体点云数据的第二表面;
根据所述第一表面的第一法向量和所述第二表面的第二法向量,计算所述第一法向量和所述第二法向量的外积,根据所述外积获得第三法向量;其中,所述第一法向量、所述第二法向量和所述第三法向量中的任意两个法向量相互正交;
以位于所述第一法向量、所述第二法向量和所述第三法向量相互正交处的所述物体点云数据的中心点为原点,以所述第一法向量、所述第二法向量和所述第三法向量的向量方向分别作为三个坐标轴的坐标轴方向,建立所述三维坐标系;
获取在所述三维坐标系下所述物体点云数据在每个坐标轴上的坐标最大值与坐标最小值。
在上述物体体积测量方法的一个技术方案中,“根据所述在每个坐标轴上的坐标最大值与坐标最小值,确定所述待测物体的体积”的步骤包括:
根据所述物体点云数据的中心点、所述在每个坐标轴上的坐标最大值与坐标最小值获取所述物体点云数据对应的最小有向包围盒,将所述最小有向包围盒的尺寸作为所述待测物体的尺寸;
根据所述最小有向包围盒的尺寸获取所述待测物体的体积。
在上述物体体积测量方法的一个技术方案中,在“根据所述在每个坐标轴上的坐标最大值与坐标最小值,确定所述待测物体的体积”的步骤之后,所述方法还包括:
根据所述图像采集装置的内参,将所述最小有向包围盒的8个顶点分别转换为所述图像采集装置的坐标系下的8个顶点坐标,并将8个所述顶点坐标投影至所述待测物体的二维深度图像中,连接投影后的8个顶点坐标,获得所述待测物体的二维可视化结果。
在上述物体体积测量方法的一个技术方案中,在“将所述二维深度图像中深度值为预设的有效深度值的像素点转换成三维点云数据”的步骤之前,所述方法还包括:
根据所述图像采集装置的有效深度值范围,设置所述待测物体的二维深度图像的深度值的深度最大值和深度最小值;
根据所述深度最大值和所述深度最小值之间的深度值,获取所述有效深度值。
在第二方面,本发明提供一种物体体积测量***,所述***包括:
三维点云数据获取模块,其被配置为采用图像采集装置获取待测物体的二维深度图像,并将所述二维深度图像中深度值为预设的有效深度值的像素点转换成三维点云数据;
物体点云数据获取模块,其被配置为对所述三维点云数据进行聚类,根据聚类的结果获取所述三维点云数据中属于所述待测物体的物体点云数据;
坐标最大最小值获取模块,其被配置为获取在以所述物体点云数据的中心点为原点的三维坐标系下,所述物体点云数据在每个坐标轴上的坐标最大值与坐标最小值;
待测物体体积获取模块,其被配置为根据所述在每个坐标轴上的坐标最大值与坐标最小值,确定所述待测物体的体积。
在第三方面,提供一种控制装置,该控制装置包括处理器和存储装置,所述存储装置适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行上述物体体积测量方法的技术方案中任一项技术方案所述的物体体积测量方法。
在第四方面,提供一种计算机可读存储介质,该计算机可读存储介质其中存储有多条程序代码,所述程序代码适于由处理器加载并运行以执行上述物体体积测量方法的技术方案中任一项技术方案所述的物体体积测量方法。
在采用上述技术方案的情况下,本发明能够将图像采集装置获取的待测物体的二维深度图像中深度值为有效深度值的像素点转换为三维点云数据,对三维点云数据进行聚类获取待测物体的物体点云数据,通过获取以物体点云数据的中心点为原点的三维坐标系下物体点云数据在每个坐标轴上的坐标最大值与坐标最小值,确定待测物体的体积。由于本发明实施例的图像采集装置对于测量场景和拍摄角度均无严格限制,使得本发明实施例的物体体积测量方法可以适用于更多应用场景中。同时,由于本发明实施例根据待测物体的二维深度图像即可获得待测物体的体积,使得物体体积的测量过程在确保测量精度的前提下,更为方便快捷,降低了对于操作者的要求。
附图说明
参照附图,本发明的公开内容将变得更易理解。本领域技术人员容易理解的是:这些附图仅仅用于说明的目的,而并非意在对本发明的保护范围组成限制。其中:
图1是根据本发明的一个实施例的物体体积测量方法的主要步骤流程示意图;
图2是根据本发明实施例的一个实施方式的物体体积测量方法的主要步骤流程示意图;
图3是根据本发明实施例的一个实施方式的待测物体的二维可视化结果示意图;
图4是根据本发明的一个实施例的物体体积测量***的主要结构框图。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
在本发明的描述中,“模块”、“处理器”可以包括硬件、软件或者两者的组合。一个模块可以包括硬件电路,各种合适的感应器,通信端口,存储器,也可以包括软件部分,比如程序代码,也可以是软件和硬件的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。非暂时性的计算机可读存储介质包括任何合适的可存储程序代码的介质,比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。术语“A和/或B”表示所有可能的A与B的组合,比如只是A、只是B或者A和B。术语“至少一个A或B”或者“A和B中的至少一个”含义与“A和/或B”类似,可以包括只是A、只是B或者A和B。单数形式的术语“一个”、“这个”也可以包含复数形式。
参阅附图1,图1是根据本发明的一个实施例的物体体积测量方法的主要步骤流程示意图。如图1所示,本发明实施例中的物体体积测量方法主要包括下列步骤S101-步骤S104。
步骤S101:采用图像采集装置获取待测物体的二维深度图像,并将二维深度图像中深度值为预设的有效深度值的像素点转换成三维点云数据。
在本实施例中,可以使用图像采集装置获取待测物体的二维深度图像,进一步将二维深度图像中的有效深度值对应的像素点转换为三维点云数据。其中,图像采集装置为可以检测图像采集装置与拍摄空间的景深距离,生成二维深度图像的装置,图像采集装置包括但不限于3D相机。二维深度图像中的像素点能够反映出拍摄空间中物体到图像采集装置之间的距离。有效深度值为二维深度图像中有效像素点对应的深度值,即有效深度值对应的像素点可以作为物体体积测量的依据,而无效深度值对应的像素点则可以认为是二维深度图中的干扰或噪声,针对这些像素点不进行三维点云数据的转换。
一个实施方式中,3D相机可以是双目立体视觉设备、基于结构光的图像采集设备、TOF(Time ofFight Camera,飞行时间相机)相机等。
一个实施方式中,可以根据图像采集装置的内参,将二维深度图中的有效深度值对应的像素点转换为三维点云数据。其中,内参是指从像素坐标系转换到图像坐标系的参数。
步骤S102:对三维点云数据进行聚类,根据聚类的结果获取三维点云数据中属于待测物体的物体点云数据。
在本实施例中,可以对步骤S101获取的三维点云进行聚类,以获取待测物体的物体点云数据。其中,聚类是指将三维点云数据分成由类似的三维点云数据组成的多个点云聚类簇的过程。由聚类所生成的点云聚类簇是一组三维点云数据的集合,一个点云聚类簇中的三维点云数据彼此相似,与其他点云聚类簇中的三维点云数据相异。
一个实施方式中,可以使用k均值聚类算法(k-means clustering algorithm)对三维点云数据进行聚类。
步骤S103:获取在以物体点云数据的中心点为原点的三维坐标系下,物体点云数据在每个坐标轴上的坐标最大值与坐标最小值。
在本实施例中,建立以物体点云数据的中心点为原点的三维坐标系,并获取物体点云数据在三维坐标下的每个坐标轴上的坐标最大值与坐标最小值,即获取物体点云数据在三维坐标下的每个坐标轴上的上边界和下边界。
物体点云数据的中心点指的是由物体点云数据围绕组成的空间的中心点。
步骤S104:根据在每个坐标轴上的坐标最大值与坐标最小值,确定待测物体的体积。
在本实施例中,可以根据待测物体点云数据在每个坐标轴上的坐标最大值和坐标最小值,计算待测物体的体积。
一个实施方式中,可以根据待测物体点云数据在每个坐标轴上的坐标最大值和坐标最小值,确定物体点云数据在每个坐标轴方向上的尺寸,根据物体点云数据在每个坐标轴方向上的尺寸来确定待测物体的体积。
基于上述步骤S101-步骤S104,本发明实施例能够将图像采集装置获取的待测物体的二维深度图像中深度值为有效深度值的像素点转换为三维点云数据,对三维点云数据进行聚类获取待测物体的物体点云数据,通过获取以物体点云数据的中心点为原点的三维坐标系下物体点云数据在每个坐标轴上的坐标最大值与坐标最小值,确定待测物体的体积。由于本发明实施例的图像采集装置对于测量场景和拍摄角度均无严格限制,使得本发明实施例的物体体积测量方法可以适用于更多应用场景中。同时,由于本发明实施例根据待测物体的二维深度图像即可获得待测物体的体积,使得物体体积的测量过程在确保测量精度的前提下,更为方便快捷,降低了对于操作者的要求。
在本发明实施例的一个实施方式中,本发明除了包括上述步骤S101-步骤S104外,在步骤S101之前还可以包括以下步骤S105和步骤S106:
步骤S105:根据图像采集装置的有效深度值范围,设置待测物体的二维深度图像的深度值的深度最大值和深度最小值。其中,有效深度值范围是指图像采集装置的可重建深度范围,图像采集装置获取的二维深度图像中不在可重建深度范围中的部分可以被判定为图像噪声。
步骤S106:根据深度最大值和深度最小值之间的深度值,获取有效深度值。
在本实施方式中,在深度最大值和深度最小值组成的区间范围内的深度值,即是有效深度值。
下面对步骤S102、步骤S103和步骤S104作进一步地说明。
在本发明实施例的一个实施方式中,步骤S102可以包括以下步骤S1021至步骤S1023:
步骤S1021:提取三维点云数据中属于待测物体所在地面的地面点云数据。
在本实施方式中,步骤S1021可以进一步包括以下步骤S10211和步骤S10212:
步骤S10211:根据三维点云数据进行空间平面拟合,得到多个第一空间平面。
在本实施方式中,可以通过对三维点云数据进行空间拟合的方式,获取三维点云中的多个第一空间平面。其中,空间平面拟合是指将空间平面上的一系列的三维点云数据通过一个平滑的平面连接起来。
一个实施方式,可以使用RANSAC(Random sample consensus,随机抽样一致算法)算法进行空间平面拟合。使用RANSAC算法进行空间平面拟合获得第一空间平面的过程鲁棒性更强,精度更高。
步骤S10212:获取包含三维点云数据的数量最多的第一空间平面作为待测物体所在地面的地平面,并将地平面包含的三维点云数据作为地面点云数据。
在本实施方式中,可以比较步骤S10211中获取的多个第一空间平面中每个第一空间平面中包含的三维点云数据的数量,将包含三维点云数据的数量最多的第一空间平面作为待测物体所在地面的地平面。
步骤S1022:将地面点云数据从三维点云数据中剔除,得到第一三维点云数据。
在本实施方式中,可以将步骤S1021中获取到的地面点云数据从三维点云数据中剔除,以进一步去除三维点云数据中的噪声点云,获得第一三维点云数据,第一三维点云数据为不包含地面点云数据的三维点云数据。
步骤S1023:对第一三维点云数据进行聚类,根据聚类的结果获取待测物体的物体点云数据。
在本实施方式中,步骤S1023可以进一步包括以下步骤S10231和步骤S10232:
步骤S10231:对第一三维点云数据进行聚类,获取多个点云聚类簇。
在本实施方式中,可以对第一三维点云数据进行聚类,获取多个点云聚类簇。可以使用本领域中常用的点云数据聚类算法,对第一三维点云数据进行聚类
一个实施方式中,可以使用DBSCAN(Density-Based Spatial ClusteringofApplications with Noise,具有噪声的基于密度的聚类方法)算法对第一三维点云数据进行聚类。
步骤S10232:选取多个点云聚类簇中包含三维点云数据的数量最多的点云聚类簇,将点云聚类簇中的三维点云数据作为待测物体的物体点云数据。
在本实施方式中,可以比较步骤S10231中获得的多个点云聚类簇中包含的三维点云数据的数量,获取包含三维点云数据的数量最多的点云聚类簇,将该点云聚类簇中的三维点云数据作为待测物体的物体点云数据。
在本发明实施例的一个实施方式中,步骤S103可以进一步包括以下步骤S1031至步骤S1037:
步骤S1031:对物体点云数据进行空间平面拟合,得到多个第二空间平面。
步骤S1032:获取包含物体点云数据的数量最多的第二空间平面作为物体点云数据的第一表面,并将第一表面包含的物体点云数据作为第一表面点云数据。
步骤S1033:将第一表面点云数据从物体点云数据中剔除,对剩余的物体点云数据继续进行空间平面拟合,得到多个第三空间平面。
步骤S1034:获取剩余的物体点云数据中包含物体点云数据的数量最多的第三空间平面作为物体点云数据的第二表面;
步骤S1035:根据第一表面的第一法向量和第二表面的第二法向量,计算第一法向量和第二法向量的外积,根据外积获得第三法向量;其中,第一法向量、第二法向量和第三法向量中的任意两个法向量相互正交。
在本实施方式中,可以对物体点云数据进行空间平面拟合,获取包含物体点云数据的数量最多的第二空间平面作为物体点云数据的第一表面,并将第一表面对应第一表面点云数据从物体点云数据中剔除,对剩余的物体点云数据继续进行空间平面拟合,获取包含物体点云数据的数量最多的第三空间平面作为物体点云数据的第二表面。考虑到本发明实施例只是根据单张待测物体的二维深度图像进行三维点云数据的转换,对图像采集装置的拍摄角度不做限制,因而图像采集装置不一定能够拍摄到待测物体的三个表面,因而,在本实施方式中,可以根据第一表面的第一法向量和第二表面的第二法向量的外积,用以确定第三表面的第三法向量。其中,垂直于平面的直线所表示的向量为该平面的法向量。外积是指两个法向量的向量积。根据上述方法获取的第一法向量、第二法向量和第三法向量中的任意两个法向量相互正交。
步骤S1036:以位于第一法向量、第二法向量和第三法向量相互正交处的物体点云数据的中心点为原点,以第一法向量、第二法向量和第三法向量的向量方向分别作为三个坐标轴的坐标轴方向,建立三维坐标系。第一法向量、第二法向量和第三法向量相互正交处的交点就是由物体点云数据围绕组成的空间的中心点。
步骤S1037:获取在三维坐标系下物体点云数据在每个坐标轴上的坐标最大值与坐标最小值。
在本实施方式中,可以建立以位于第一法向量、第二法向量和第三法向量相互正交处的物体点云数据的中心点为原点,以第一法向量、第二法向量和第三法向量的向量方向分别作为三个坐标轴的坐标轴方向的三维坐标系,并获取物体点云数据在三维坐标下每个坐标轴上的坐标最大值和坐标最小值。
在本发明实施例的一个实施方式中,步骤S104可以包括以下步骤S1041和步骤S1042:
步骤S1041:根据物体点云数据的中心点、在每个坐标轴上的坐标最大值与坐标最小值获取物体点云数据对应的最小有向包围盒,将最小有向包围盒的尺寸作为待测物体的尺寸。
步骤S1042:根据最小有向包围盒的尺寸获取待测物体的体积。
在本实施方式中,可以根据物体点云数据的中心点、在每个坐标轴上的坐标最大值与坐标最小值获取物体点云数据对应的最小有向包围盒,可以根据最小有向包围盒的尺寸来获取待测物体的体积。其中,最小有向包围盒是指包围待测物体的最小的有向包围盒(Oriented Bounding Box,OBB)。
一个实施方式中,可以将最小有向包围盒的体积作为待测物体的体积。
在本发明实施例的一个实施方式中,本发明除了可以包括上述步骤S101至步骤S106外,还可以包括以下步骤S107:
步骤S107:根据图像采集装置的内参,将最小有向包围盒的8个顶点分别转换为图像采集装置的坐标系下的8个顶点坐标,并将8个顶点坐标投影至待测物体的二维深度图像中,连接投影后的8个顶点坐标,获得待测物体的二维可视化结果。
在本实施方式中,参阅附图3,图3是根据本发明实施例的一个实施方式的待测物体的二维可视化结果示意图。如图3所示,可以获取图像采集装置的内参,根据内参将步骤S1041中获取的最小有向包围盒的8个顶点投影至待测物体的二维深度图像中,连接投影后的8个顶点坐标即为待测物体的二维可视化结果。可以根据二维可视化结果实现待测物体的体积测量结果的可视化,将三维的最小有向包围盒重投影至二维深度图像中,可以使得使用者根据二维可视化结果判断待测物体的体积测量结果是否准确。
一个实施方式中,参阅附图2,图2是根据本发明实施例的一个实施方式的物体体积测量方法的主要步骤流程示意图,如图2所示,物体体积测量方法可以包括步骤S201至步骤S207:
步骤S201:二维深度图像的有效深度值设置。
在本实施方式中,步骤S201与前述步骤S105和步骤S106所述的方法相似,为了描述简单,在此不再赘述。
步骤S202:三维点云数据生成。
在本实施方式中,步骤S202与前述步骤S101所述的方法相似,为了描述简单,在此不再赘述。
步骤S203:三维点云数据去噪。
在本实施方式中,可以通过统计滤波的方式,将三维点云数据中存在的分布稀疏、较小的离群的点云数据去除。
步骤S204:地面点云数据提取。
在本实施方式中,步骤S204与前述步骤S1021和步骤S1022所述的方法相似,为了描述简单,在此不再赘述。
步骤S205:三维点云数据聚类。
在本实施方式中,步骤S205与前述步骤S1023所述的方法相似,为了描述简单,在此不再赘述。
步骤S206:待测物体的体积测量。
在本实施方式中,步骤S206与前述步骤S103和步骤S104所述的方法相似,为了描述简单,在此不再赘述。
步骤S207:测量结果可视化。
在本实施方式中,步骤S207与前述步骤S107所述的方法相似,为了描述简单,在此不再赘述。
需要指出的是,尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述,但是本领域技术人员可以理解,为了实现本发明的效果,不同的步骤之间并非必须按照这样的顺序执行,其可以同时(并行)执行或以其他顺序执行,这些变化都在本发明的保护范围之内。
进一步,本发明还提供了一种物体体积测量***。
参阅附图4,图4是根据本发明的一个实施例的物体体积测量***的主要结构框图。如图4所示,本发明实施例中的物体体积测量***可以包括三维点云数据获取模块、物体点云数据获取模块、坐标最大最小值获取模块和待测物体体积获取模块。在本实施例中,三维点云数据获取模块可以被配置为采用图像采集装置获取待测物体的二维深度图像,并将二维深度图像中深度值为预设的有效深度值的像素点转换成三维点云数据。物体点云数据获取模块可以被配置为对三维点云数据进行聚类,根据聚类的结果获取三维点云数据中属于待测物体的物体点云数据。坐标最大最小值获取模块可以被配置为获取在以物体点云数据的中心点为原点的三维坐标系下,物体点云数据在每个坐标轴上的坐标最大值与坐标最小值。待测物体体积获取模块可以被配置为根据在每个坐标轴上的坐标最大值与坐标最小值,确定待测物体的体积。
上述物体体积测量***以用于执行图1和图2所示的物体体积测量方法实施例,两者的技术原理、所解决的技术问题及产生的技术效果相似,本技术领域技术人员可以清楚地了解到,为了描述的方便和简洁,物体体积测量***的具体工作过程及有关说明,可以参考物体体积测量方法的实施例所描述的内容,此处不再赘述。
本领域技术人员能够理解的是,本发明实现上述一实施例的方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括:能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
进一步,本发明还提供了一种控制装置。在根据本发明的一个控制装置实施例中,控制装置包括处理器和存储装置,存储装置可以被配置成存储执行上述方法实施例的物体体积测量方法的程序,处理器可以被配置成用于执行存储装置中的程序,该程序包括但不限于执行上述方法实施例的物体体积测量方法的程序。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备。
进一步,本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中,计算机可读存储介质可以被配置成存储执行上述方法实施例的物体体积测量方法的程序,该程序可以由处理器加载并运行以实现上述物体体积测量方法。为了便于说明,仅示出了与本发明实施例相关的部分,具体技术细节未揭示的,请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备,可选的,本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
进一步,应该理解的是,由于各个模块的设定仅仅是为了说明本发明的装置的功能单元,这些模块对应的物理器件可以是处理器本身,或者处理器中软件的一部分,硬件的一部分,或者软件和硬件结合的一部分。因此,图中的各个模块的数量仅仅是示意性的。
本领域技术人员能够理解的是,可以对装置中的各个模块进行适应性地拆分或合并。对具体模块的这种拆分或合并并不会导致技术方案偏离本发明的原理,因此,拆分或合并之后的技术方案都将落入本发明的保护范围内。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (11)
1.一种物体体积测量方法,其特征在于,所述方法包括:
采用图像采集装置获取待测物体的二维深度图像,并将所述二维深度图像中深度值为预设的有效深度值的像素点转换成三维点云数据;
对所述三维点云数据进行聚类,根据聚类的结果获取所述三维点云数据中属于所述待测物体的物体点云数据;
获取在以所述物体点云数据的中心点为原点的三维坐标系下,所述物体点云数据在每个坐标轴上的坐标最大值与坐标最小值;
根据所述在每个坐标轴上的坐标最大值与坐标最小值,确定所述待测物体的体积。
2.根据权利要求1所述的物体体积测量方法,其特征在于,“对所述三维点云数据进行聚类,根据聚类的结果获取所述三维点云数据中属于所述待测物体的物体点云数据”的步骤包括:
提取所述三维点云数据中属于所述待测物体所在地面的地面点云数据;
将所述地面点云数据从所述三维点云数据中剔除,得到第一三维点云数据;
对所述第一三维点云数据进行聚类,根据聚类的结果获取所述待测物体的物体点云数据。
3.根据权利要求2所述的物体体积测量方法,其特征在于,“提取所述三维点云数据中属于所述待测物体所在地面的地面点云数据”步骤包括:
根据所述三维点云数据进行空间平面拟合,得到多个第一空间平面;
获取包含三维点云数据的数量最多的第一空间平面作为所述待测物体所在地面的地平面,并将所述地平面包含的三维点云数据作为所述地面点云数据。
4.根据权利要求2所述的物体体积测量方法,其特征在于,“对所述第一三维点云数据进行聚类,根据聚类的结果获取所述待测物体的物体点云数据”的步骤包括:
对所述第一三维点云数据进行聚类,获取多个点云聚类簇;
选取所述多个点云聚类簇中包含三维点云数据的数量最多的点云聚类簇,将所述点云聚类簇中的三维点云数据作为所述待测物体的物体点云数据。
5.根据权利要求1所述的物体体积测量方法,其特征在于,“获取在以所述物体点云数据的中心点为原点的三维坐标系下,所述物体点云数据在每个坐标轴上的坐标最大值与坐标最小值”的步骤包括:
对所述物体点云数据进行空间平面拟合,得到多个第二空间平面;
获取包含物体点云数据的数量最多的第二空间平面作为所述物体点云数据的第一表面,并将所述第一表面包含的物体点云数据作为第一表面点云数据;
将所述第一表面点云数据从所述物体点云数据中剔除,对剩余的物体点云数据继续进行空间平面拟合,得到多个第三空间平面;
获取剩余的物体点云数据中包含物体点云数据的数量最多的第三空间平面作为所述物体点云数据的第二表面;
根据所述第一表面的第一法向量和所述第二表面的第二法向量,计算所述第一法向量和所述第二法向量的外积,根据所述外积获得第三法向量;其中,所述第一法向量、所述第二法向量和所述第三法向量中的任意两个法向量相互正交;
以位于所述第一法向量、所述第二法向量和所述第三法向量相互正交处的所述物体点云数据的中心点为原点,以所述第一法向量、所述第二法向量和所述第三法向量的向量方向分别作为三个坐标轴的坐标轴方向,建立所述三维坐标系;
获取在所述三维坐标系下所述物体点云数据在每个坐标轴上的坐标最大值与坐标最小值。
6.根据权利要求1所述的物体体积测量方法,其特征在于,“根据所述在每个坐标轴上的坐标最大值与坐标最小值,确定所述待测物体的体积”的步骤包括:
根据所述物体点云数据的中心点、所述在每个坐标轴上的坐标最大值与坐标最小值获取所述物体点云数据对应的最小有向包围盒,将所述最小有向包围盒的尺寸作为所述待测物体的尺寸;
根据所述最小有向包围盒的尺寸获取所述待测物体的体积。
7.根据权利要求6所述的物体体积测量方法,其特征在于,在“根据所述在每个坐标轴上的坐标最大值与坐标最小值,确定所述待测物体的体积”的步骤之后,所述方法还包括:
根据所述图像采集装置的内参,将所述最小有向包围盒的8个顶点分别转换为所述图像采集装置的坐标系下的8个顶点坐标,并将8个所述顶点坐标投影至所述待测物体的二维深度图像中,连接投影后的8个顶点坐标,获得所述待测物体的二维可视化结果。
8.根据权利要求1所述的物体体积测量方法,其特征在于,在“将所述二维深度图像中深度值为预设的有效深度值的像素点转换成三维点云数据”的步骤之前,所述方法还包括:
根据所述图像采集装置的有效深度值范围,设置所述待测物体的二维深度图像的深度值的深度最大值和深度最小值;
根据所述深度最大值和所述深度最小值之间的深度值,获取所述有效深度值。
9.一种物体体积测量***,其特征在于,所述***包括:
三维点云数据获取模块,其被配置为采用图像采集装置获取待测物体的二维深度图像,并将所述二维深度图像中深度值为预设的有效深度值的像素点转换成三维点云数据;
物体点云数据获取模块,其被配置为对所述三维点云数据进行聚类,根据聚类的结果获取所述三维点云数据中属于所述待测物体的物体点云数据;
坐标最大最小值获取模块,其被配置为获取在以所述物体点云数据的中心点为原点的三维坐标系下,所述物体点云数据在每个坐标轴上的坐标最大值与坐标最小值;
待测物体体积获取模块,其被配置为根据所述在每个坐标轴上的坐标最大值与坐标最小值,确定所述待测物体的体积。
10.一种控制装置,包括处理器和存储装置,所述存储装置适于存储多条程序代码,其特征在于,所述程序代码适于由所述处理器加载并运行以执行权利要求1至8中任一项所述的物体体积测量方法。
11.一种计算机可读存储介质,其中存储有多条程序代码,其特征在于,所述程序代码适于由处理器加载并运行以执行权利要求1至8中任一项所述的物体体积测量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210134337.6A CN114494404A (zh) | 2022-02-14 | 2022-02-14 | 物体体积测量方法、***、装置和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210134337.6A CN114494404A (zh) | 2022-02-14 | 2022-02-14 | 物体体积测量方法、***、装置和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114494404A true CN114494404A (zh) | 2022-05-13 |
Family
ID=81480645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210134337.6A Pending CN114494404A (zh) | 2022-02-14 | 2022-02-14 | 物体体积测量方法、***、装置和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114494404A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI798098B (zh) * | 2022-05-31 | 2023-04-01 | 鴻海精密工業股份有限公司 | 三維目標檢測方法、電子設備及計算機可讀存儲媒體 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416804A (zh) * | 2018-02-11 | 2018-08-17 | 深圳市优***科技股份有限公司 | 获取目标物体体积的方法、装置、终端设备及存储介质 |
CN108537834A (zh) * | 2018-03-19 | 2018-09-14 | 杭州艾芯智能科技有限公司 | 一种基于深度图像的体积测量方法、***及深度相机 |
CN109737874A (zh) * | 2019-01-17 | 2019-05-10 | 广东省智能制造研究所 | 基于三维视觉技术的物体尺寸测量方法及装置 |
CN109916302A (zh) * | 2019-03-27 | 2019-06-21 | 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*** |
CN112833775A (zh) * | 2019-11-25 | 2021-05-25 | 顺丰科技有限公司 | 物体包装体积的检测方法、装置、终端及可读存储介质 |
CN112991427A (zh) * | 2019-12-02 | 2021-06-18 | 顺丰科技有限公司 | 物体体积测量方法、装置、计算机设备和存储介质 |
CN112991428A (zh) * | 2019-12-02 | 2021-06-18 | 顺丰科技有限公司 | 箱体体积测量方法、装置、计算机设备和存储介质 |
CN113379826A (zh) * | 2020-03-10 | 2021-09-10 | 顺丰科技有限公司 | 物流件的体积测量方法以及装置 |
-
2022
- 2022-02-14 CN CN202210134337.6A patent/CN114494404A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416804A (zh) * | 2018-02-11 | 2018-08-17 | 深圳市优***科技股份有限公司 | 获取目标物体体积的方法、装置、终端设备及存储介质 |
CN108537834A (zh) * | 2018-03-19 | 2018-09-14 | 杭州艾芯智能科技有限公司 | 一种基于深度图像的体积测量方法、***及深度相机 |
CN109737874A (zh) * | 2019-01-17 | 2019-05-10 | 广东省智能制造研究所 | 基于三维视觉技术的物体尺寸测量方法及装置 |
CN109916302A (zh) * | 2019-03-27 | 2019-06-21 | 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*** |
CN112833775A (zh) * | 2019-11-25 | 2021-05-25 | 顺丰科技有限公司 | 物体包装体积的检测方法、装置、终端及可读存储介质 |
CN112991427A (zh) * | 2019-12-02 | 2021-06-18 | 顺丰科技有限公司 | 物体体积测量方法、装置、计算机设备和存储介质 |
CN112991428A (zh) * | 2019-12-02 | 2021-06-18 | 顺丰科技有限公司 | 箱体体积测量方法、装置、计算机设备和存储介质 |
CN113379826A (zh) * | 2020-03-10 | 2021-09-10 | 顺丰科技有限公司 | 物流件的体积测量方法以及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI798098B (zh) * | 2022-05-31 | 2023-04-01 | 鴻海精密工業股份有限公司 | 三維目標檢測方法、電子設備及計算機可讀存儲媒體 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111354042B (zh) | 机器人视觉图像的特征提取方法、装置、机器人及介质 | |
CN107705333B (zh) | 基于双目相机的空间定位方法及装置 | |
EP2860695B1 (en) | Method and apparatus for identifying noise in disparity depth image | |
CN107077735A (zh) | 三维对象识别 | |
CN111582054B (zh) | 点云数据处理方法及装置、障碍物检测方法及装置 | |
CN110264573B (zh) | 基于结构光的三维重建方法、装置、终端设备及存储介质 | |
CN106524909B (zh) | 三维图像采集方法及装置 | |
CN109658497B (zh) | 一种三维模型重建方法及装置 | |
CN116309757B (zh) | 基于机器视觉的双目立体匹配方法 | |
FR2977023A1 (fr) | Generation de donnees de carte | |
WO2020063093A1 (en) | Method for detecting flying spot on edge of depth image, electronic device, and computer readable storage medium | |
CN116958146B (zh) | 3d点云的采集方法及装置、电子装置 | |
CN112488910A (zh) | 点云优化方法、装置及设备 | |
CN111047634A (zh) | 场景深度的确定方法、装置、设备及存储介质 | |
CN114998328A (zh) | 一种基于机器视觉的工件喷涂缺陷检测方法、***及可读存储介质 | |
CN110207702B (zh) | 目标定位的方法及装置 | |
CN114494404A (zh) | 物体体积测量方法、***、装置和介质 | |
CN114396875A (zh) | 一种基于深度相机垂直拍摄的长方形包裹体积测量方法 | |
CN110702015B (zh) | 输电线路覆冰厚度测量方法及装置 | |
CN113379826A (zh) | 物流件的体积测量方法以及装置 | |
CN112102391A (zh) | 测量方法及装置、电子设备及存储介质 | |
CN110706288A (zh) | 目标检测的方法、装置、设备及可读存储介质 | |
CN115861403A (zh) | 一种非接触式物体体积测量方法、装置、电子设备及介质 | |
CN111633337B (zh) | 用于激光焊缝测量的消除反光方法及装置 | |
CN109523530A (zh) | 一种微带片圆形焊盘检测方法和*** |
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 |