CN109886961A - 基于深度图像的中大型货物体积测量方法 - Google Patents

Abstract

本发明提供的一种基于深度图像的中大型货物体积测量方法，包括步骤：S1：校准深度相机的景深参数；S2至S5：采集含有待测货两相邻面的三维点云场景图；S6：确定基准点云；S7：判断当前基座点云是否能完整复现待测货物表面，若否，进入步骤S8；若能，进入步骤S9；S8：将其他三维点云场景图拟合到基准点云，返回步骤S7；S9：进行降采样处理；S10：利用随机抽样一致性算法对降采样处理后的深度图像进行图像分割；S11：计算被测货物的初始体积；S12：对初始体积进行校正，得到最终的体积；本发明有效解决了对中大型的物流存储柜、货运集装箱等货物箱体的体积测量问题，易于实施和布置，测量快速准确，有效替代手工测量，提高了测量效率。

Description

基于深度图像的中大型货物体积测量方法

技术领域

本发明涉及物流和体积测量技术领域，具体涉及一种基于深度图像的中大型货物体积测量方法。

背景技术

中大型货物在国内物流、港口航运和机场航运的吞吐量非常巨大，且一直呈现高增长姿态。2017年全国港口完成货物吞吐量140.07亿吨，比上年增长6.1％，全国港口完成集装箱吞吐量2.38亿TEU，比上年增长8.3％。在各大快递、航运港口、机场航运的分拣中心，中大型货物、货柜或者集装箱的体积手工测量比较耗时，如何快捷测量中大型货物体积，以便高效合理利用运输空间，从而提高货物运输效率是一大行业难题。

现有计算机视觉领域体积测量方案多基于激光或者光幕扫描，且主要针对小型物流包裹。针对体积较大的货物、物流存储柜、货运集装箱等物流箱体，激光及光幕扫描设备难以合理布置且体积测量精度难以保证。

发明内容

有鉴于此，本发明的目的是提供一种基于深度图像的中大型货物体积测量方法，有效解决了对中大型的物流存储柜、货运集装箱等货物箱体的体积测量问题，易于实时和布置，测量快速准确，有效替代手工测量，提高了测量效率。

本发明提供一种基于深度图像的中大型货物体积测量方法，1.一种基于深度图像的中大型货物体积测量方法，其特征在于：包括步骤：

S1：校准深度相机的景深参数，获得真实景深和深度相机测量景深的校正比值K；

S2：利用深度相机对准待测货物中两相邻面的公共边，获取采集含有待测货物的三维点云场景图；该步骤中采集的三维点云场景图包括两相邻面的公共边和两相邻面的图像区域，所述待测货物为矩形箱体；

其中，若存在已采集的含有待测货物的三维点云场景图，则该步骤中采集的三维点云场景图至少有与已采集的含有待测货物的三维点云场景图的其中一张图的待测货物相重叠的部分区域；

S3：判断已采集的含有待测货物的三维点云场景图是否能够拟合出完整的两相邻面的公共边，若能，则进入步骤S4；若不能，则移动深度相机到对准待测货物的两相邻面的公共边不能拟合的区域的位置，返回步骤S2；

S4：判断已采集的含有待测货物的三维点云场景图是否能拟合出待测货物的两相邻面中其中一个面的深度尺寸h，若能，则进入步骤S5；若不能，则移动深度相机到对准两相邻面中其中一个面的深度尺寸不能拟合的区域的位置，利用深度相机采集新的含有待测货物的三维点云场景图，返回步骤S4；其中，该步骤中采集的新的含有待测货物的三维点云场景图与已采集的含有待测货物的三维点云场景图的其中一张图的待测货物相重叠的部分区域；

S5：判断已采集的含有待测货物的三维点云场景图是否能拟合出待测货物的两相邻面中另一个面的完整表面信息，若能，则进入步骤S6，若不能，则移动深度相机对准待测货物的两相邻面中另一个面的不能拟合的表面区域，利用深度相机采集新的含有待测货物的三维点云场景图，返回步骤S5；其中，该步骤中采集的新的含有待测货物的三维点云场景图与已采集的含有待测货物的三维点云场景图的其中一张图的待测货物相重叠的部分区域；

S6：从已经采集到的三维点云场景图中随机选取的一幅含有待测货物中两相邻面的公共边完整图像或部分图像的三维点云场景图的坐标系作为基准点云；

S7：判断当前基座点云是否能完整复现待测货物表面，得到含有完整的待测货物的两相邻面的三维点云场景图，若能，则进入步骤S9；若不能，则进入步骤S8；

S8：判断是否还有未用作拟合的含有待测货物的三维点云场景图，若有，则从未用作拟合的含有待测货物的三维点云场景图中任意选取一幅含有待测货物的三维点云场景图，利用迭代最近点算法，将该三维点云场景图的点云拟合到基准点云下，返回步骤S7；若无，则移动深度相机对准待测货物的两相邻面中不能拟合的表面区域，利用深度相机采集新的含有待测货物的三维点云场景图，返回步骤S3；

S9：对含有完整的待测货物的两相邻面的三维点云场景图进行降采样处理，得到降采样处理后的三维点云场景图；

S10：利用随机抽样一致性算法对降采样处理后的深度图像进行图像分割，得到只包含有待测货物的两相邻面图像区域的三维点云场景图；

S11：找到经过图像分割后的三维点云场景图中待测货物的两相邻面中另一个面的点云的最小包围盒坐标，利用最下包围盒的四个顶点坐标计算得到待测货物的两相邻面中另一个面的表面面积S，再将S与待测货物的两相邻面中其中一个面的深度尺寸h相乘，得到被测货物的初始体积V₀；

S12：利用校正比值K校正初始体积V₀，得到最终的被测货物体积V，其中，校正公式为：

V＝K³V₀ (1)

进一步，所述步骤S8中利用迭代最近点算法，将该三维点云场景图的点云拟合到基准点云下具体包括：

S81：利用kd-tree数据结构分别搜索在半径为acm范围内点云Q₁和点云Q_k邻近的三维点云法线集合N₁和N_k；其中，Q₁为步骤S6中选取出来一幅含有待测货物中两相邻面的公共边完整图像或部分图像的三维点云场景图的点云，Q_k为步骤S8中从未用作拟合的含有待测货物的三维点云场景图中任意选取一幅含有待测货物的三维点云场景图的点云；

S82：初始化N₁和N_k中法线二范数距离判断阈值d和方向阈值φ；

S83：遍历N₁和N_k中所有的法线，找到满足n_1i和n_kj的距离小于d且n_1i和n_kj的夹角小于φ的所有的n_1i和n_kj，其中，n_1i表示点云Q₁中第i个法线，n_kj表示点云Q_k中第j个法线；同时满足两个阈值判断条件的所有的n_1i和n_kj对应的点云Q₁和点云Q_k中的两个点是一对成功匹配的三维特征点对，即这两个点是含有待测货物的三维点云场景图上的同一点；

S84：根据成功匹配的三维特征点对，利用奇异值分解算法，得到欧式变换矩阵；

S85：利用欧式变换矩阵，将属于点云Q_k中的点拟合变换到点云Q₁的坐标下，即基准点云下。

进一步，所述步骤S84具体包括步骤：

S841：设定各匹配的三维特征点的误差项为：

e_i＝p_i-(R×q_i+t) (2)

其中，e_i表示第i个成功匹配的三维特征点对的误差项；p_i表示第i个成功匹配的三维特征点对中属于点云Q₁的点，q_i表示第i个成功匹配的三维特征点对中属于点云Q_k的点，欧式变换矩阵为T(R，t)，R表示旋转矩阵，t表示平移向量；

S842：根据误差项构建最小二乘问题min_(R,t)J，所述最小二乘问题min_(R,t)J为使误差项平方和最小的T(R，t)，具体为：

其中，||||₂表示二范数运算；

S843：计算成功匹配的三维特征点对中属于点云Q₁的点的质心p，计算公式为：

计算成功匹配的三维特征点对中属于点云Q_k的点的质心q，计算公式为：

其中，n表示成功匹配的三维特征点对总数量；

S844：将质心p和质心q带入(3)式，变换得到R的最优解R*和t的最优解t^*，所述R^*为：

其中，表示使得f(R)取得最大值所对应变量R的值，P_i＝p_i-p，Q_i＝q_i-q；在公式(5-1)中

所述t^*为：

t^*＝p-Rq (5-2)

S845：展开f(R)，具体如下：

(6-1)式右边第一项与R无关，第二项R^TR＝I与R无关，因此可将(6-1)式优化为：

设定由于W是3×3的矩阵，对W进行奇异值分解，得到：

W＝U∑V^T (6-3)

其中，∑为奇异值组成的对角矩阵，对角线元素从大到小排列，而U和V为对角矩阵，当W满稚时，R为R＝UV^T，得到R，再将R带入(5-2)式，得到t，从而得到欧式变换矩阵T(R，t)。

进一步，所述步骤S85具体为：

令点云Q_k与欧式变换矩阵相乘，将属于点云Q_k中的点拟合变换到基准点云下。

进一步，所述步骤S9具体包括：将含有完整的待测货物的两相邻面的三维点云场景图经过体素滤波得到三维体素栅格图，然后将三维体素栅格图中每个体素用该体素自身的重心来替代，得到降采样处理后的三维点云场景图；其中，体素自身的重心是指该体素内所有点的重心。

进一步，步骤S91中三维体素栅格图中的体素在X、Y、Z三个坐标轴方向上设置叶子节点大小为1厘米。

进一步，所述步骤S10具体包括步骤：

S101：利用随机抽样一致性算法分割提取出降采样处理后的三维点云场景图中的待测货物的两相邻面图像区域的点云，得到三维点云场景图A；其中，随机抽样一致性算法的点云分割阈值ξ的取值范围为：2厘米≤ξ≤5厘米；

进一步，所述步骤S11中待测货物的两相邻面中另一个面的表面面积S的计算公式为：

其中，(x₁,y₁)、(x₂,y₂)、(x₃,y₃)和(x₄,y₄)分别步骤S11中得到最下包围盒的四个顶点坐标。

进一步，所述步骤S1具体包括步骤：

S11：深度相机采集M个实物的长度，其中，M个实物的真实长度已知；M为正数，且M≥10；

S12：求各个实物真实长度与深度相机采集的该实物的长度的比值；

S13：求步骤S12得到的若干比值的加权平均数，即得到真实景深和深度相机测量景深的校正比值K。

本发明的有益效果：本发明有效解决了对中大型的物流存储柜、货运集装箱等货物箱体的体积测量问题，易于实时和布置，测量快速准确，有效替代手工测量，提高了测量效率。

附图说明

下面结合附图和实施例对本发明作进一步描述：

图1为本发明的流程示意图；

图2为最小包围盒示意图。

具体实施方式

如图1所示，本发明提供的一种基于深度图像的中大型货物体积测量方法，包括步骤：

S1：校准深度相机的景深参数，获得真实景深和深度相机测量景深的校正比值K；

S2：利用深度相机对准待测货物中两相邻面的公共边，获取采集含有待测货物的三维点云场景图，公共边是两个相邻侧面的重叠部分，为后续将相邻两个侧面拟合到一个点云坐标下，提供了关联的参考依据；该步骤中采集的三维点云场景图包括两相邻面的公共边和两相邻面的图像区域，所述待测货物为矩形箱体；

其中，若存在已采集的含有待测货物的三维点云场景图，则该步骤中采集的三维点云场景图至少有与已采集的含有待测货物的三维点云场景图的其中一张图的待测货物相重叠的部分区域；

S3：判断已采集的含有待测货物的三维点云场景图是否能够拟合出完整的两相邻面的公共边，若能，则进入步骤S4；若不能，则移动深度相机到对准待测货物的两相邻面的公共边不能拟合的区域的位置，返回步骤S2；

S4：判断已采集的含有待测货物的三维点云场景图是否能拟合出待测货物的两相邻面中其中一个面的深度尺寸h，若能，则进入步骤S5；若不能，则移动深度相机到对准两相邻面中其中一个面的深度尺寸不能拟合的区域的位置，利用深度相机采集新的含有待测货物的三维点云场景图，返回步骤S4；其中，该步骤中采集的新的含有待测货物的三维点云场景图与已采集的含有待测货物的三维点云场景图的其中一张图的待测货物相重叠的部分区域；

S5：判断已采集的含有待测货物的三维点云场景图是否能拟合出待测货物的两相邻面中另一个面的完整表面信息，若能，则进入步骤S6，若不能，则移动深度相机对准待测货物的两相邻面中另一个面的不能拟合的表面区域，利用深度相机采集新的含有待测货物的三维点云场景图，返回步骤S5；其中，该步骤中采集的新的含有待测货物的三维点云场景图与已采集的含有待测货物的三维点云场景图的其中一张图的待测货物相重叠的部分区域；本实施例中，采用目前市场上主流的深度相机(如微软Kinect、英特尔RealSense等)采集待测货物的三维点云场景图，采集时尽量将深度相机与待测货物各侧面对角线交点所在的公共面在同一平面上，且在该平面移动深度相机，使深度相机每次采集的图像既能最大限度的包含更多的待测货物的图像信息，又能方便操作，避免移动无规则，导致重复采集。步骤S3至S5的判断过程可通过简单的人为观察进行粗略判断，并不需要高精度的判断，通过这种简单的人为粗略判断，为后续体积的自动测量缩小了范围，减少了杂物和背景区域，从而减少了开销，提高了测量精度。

S6：从已经采集到的三维点云场景图中随机选取的一幅含有待测货物中两相邻面的公共边完整图像或部分图像的三维点云场景图的坐标系作为基准点云；

S7：判断当前基座点云是否能完整复现待测货物表面，得到含有完整的待测货物的两相邻面的三维点云场景图，若能，则进入步骤S9；若不能，则进入步骤S8；

S8：判断是否还有未用作拟合的含有待测货物的三维点云场景图，若有，则从未用作拟合的含有待测货物的三维点云场景图中任意选取一幅含有待测货物的三维点云场景图，利用迭代最近点算法，将该三维点云场景图的点云拟合到基准点云下，返回步骤S7；若无，则移动深度相机对准待测货物的两相邻面中不能拟合的表面区域，利用深度相机采集新的含有待测货物的三维点云场景图，返回步骤S3；所述步骤S6至S8的判断，是在人为粗略采集含有待测货物的三维点云场景图后，判断是否能精确复现待测货物表面(相邻面中一面的深度和另一面的面积)。

S9：对含有完整的待测货物的两相邻面的三维点云场景图进行降采样处理，得到降采样处理后的三维点云场景图；

S10：利用随机抽样一致性算法对降采样处理后的深度图像进行图像分割，得到只包含有待测货物的两相邻面图像区域的三维点云场景图，得到相邻面中一面的深度和另一面的面积的三维点云场景图，具体地，所述步骤S10包括：

S101：设定最大迭代次数Ⅰ为T₁；

S102：

a.设定随机抽样一致性算法(RANSAC)分割的模型为平面模型；设定最大迭代次数Ⅱ为T₂；

b.在降采样处理后的深度图像中点云中随机选取一些点为平面模型内群；

c.把剩余没有选中的点带入平面模型，根据点与平面的距离小于2cm的条件，计算该点是否属于某个内群；

d.记下内群数量；

e.重复步骤b到d，直到达到最大迭代次数ⅡT₂；

f.比较每个内群中点的数量，数量最多的内群就是我们想要的平面模型；

g.将平面模型从输入点云中滤除，保留剩下的点云；

S102：重复步骤S102，直到达到最大迭代次数ⅠT₁；

S103：根据相机拍摄时相对地面的高度h’cm,利用直通滤波设定高度方向上的感兴趣区域条件h1≤H≤h2，即将不满足感兴趣区域条件的深度图像区域剔除，h1和h2的设置需保证待测货物区域不被删除的前提下最大限度的删除掉背景区域。

S104：将步骤S102中设计的RANSAC分割模型替换成圆柱状模型，最后保留分割出的柱状点云，虽然待测货物是矩形结构，但是RANSAC算法主要是针对柱状物进行分割，将矩形近似为柱状物，可实现RANSAC算法分割。

S11：找到经过图像分割后的三维点云场景图中待测货物的两相邻面中另一个面的点云的最小包围盒坐标，利用最下包围盒的四个顶点坐标计算得到待测货物的两相邻面中另一个面的表面面积S，再将S与待测货物的两相邻面中其中一个面的深度尺寸h相乘，得到被测货物的初始体积V₀；本实施例中，所述最小包围盒坐标采用现有的软件或方法找寻得到，在此不赘述。

S12：利用校正比值K校正初始体积V₀，得到最终的被测货物体积V，其中，校正公式为：

V＝K³V₀ (1)

通过上述方法，有效解决了对中大型的物流存储柜、货运集装箱等货物箱体的体积测量问题，易于实时和布置，测量快速准确，有效替代手工测量，提高了测量效率。现有的利用深度相机测量物体体积的方法，仅能测量小型物体(长度尺寸在1m以下)，例如小型的快递包裹等，而中大型货物的长度尺寸往往能达到20m以上，市场上主流的深度相机的测量距离一般在4.5m到5m左右，根本不能测量中大型货物的体积，因此，本申请通过将不同的深度图像拟合到同一基准点云下，可以精确测量中大型货物的体积。

所述步骤S8中利用迭代最近点(ICP，Iterative Closest Point)算法，将该三维点云场景图的点云拟合到基准点云下具体包括：

S81：利用kd-tree数据结构分别搜索在半径为acm范围内点云Q₁和点云Q_k邻近的三维点云法线集合N₁和N_k；其中，Q₁为步骤S6中选取出来一幅含有待测货物中两相邻面的公共边完整图像或部分图像的三维点云场景图的点云，Q_k为步骤S8中从未用作拟合的含有待测货物的三维点云场景图中任意选取一幅含有待测货物的三维点云场景图的点云；kd-tree，又称k-d树，k-dimensional树的简称，是一种分割k维数据空间的数据结构。

S82：初始化N₁和N_k中法线二范数距离判断阈值d和方向阈值φ；本实施例中，d＝5cm，φ＝5°。

S83：遍历N₁和N_k中所有的法线，找到满足n_1i和n_kj的距离小于d且n_1i和n_kj的夹角小于φ的所有的n_1i和n_kj，其中，n_1i表示点云Q₁中第i个法线，n_kj表示点云Q_k中第j个法线；同时满足两个阈值判断条件的所有的n_1i和n_kj对应的点云Q₁和点云Q_k中的两个点是一对成功匹配的三维特征点对，即这两个点是含有待测货物的三维点云场景图上的同一点；

S84：根据成功匹配的三维特征点对，利用奇异值分解算法，得到欧式变换矩阵；

S85：利用欧式变换矩阵，将属于点云Q_k中的点拟合变换到点云Q₁的坐标下，即基准点云下。

所述步骤S84具体包括步骤：

S841：设定各匹配的三维特征点的误差项为：

e_i＝p_i-(R×q_i+t) (2)

其中，e_i表示第i个成功匹配的三维特征点对的误差项；p_i表示第i个成功匹配的三维特征点对中属于点云Q₁的点，q_i表示第i个成功匹配的三维特征点对中属于点云Q_k的点，欧式变换矩阵为T(R，t)，R表示旋转矩阵，t表示平移向量；

S842：根据误差项构建最小二乘问题min_(R,t)J，所述最小二乘问题min_(R,t)J为使误差项平方和最小的T(R，t)，具体为：

其中，||||₂表示二范数运算；

S843：计算成功匹配的三维特征点对中属于点云Q₁的点的质心p，计算公式为：

计算成功匹配的三维特征点对中属于点云Q_k的点的质心q，计算公式为：

其中，n表示成功匹配的三维特征点对总数量；

S844：将质心p和质心q带入(3)式，具体如下：

由上式变换得到R的最优解R*和t的最优解t*，所述R*为：

其中，表示使得f(R)取得最大值所对应变量R的值，P_i＝p_i-p，Q_i＝q_i-q；在公式(5-1)中

所述t^*为：

t^*＝p-Rq (5-2)

S845：展开f(R)，具体如下：

(6-1)式右边第一项与R无关，第二项R^TR＝I与R无关，因此可将(6-1)式优化为：

设定由于W是3×3的矩阵，对W进行奇异值分解，得到：

W＝U∑V^T (6-3)

其中，∑为奇异值组成的对角矩阵，对角线元素从大到小排列，而U和V为对角矩阵，当W满稚时，R为R＝UV^T，得到R，再将R带入(5-2)式，得到t，从而得到欧式变换矩阵T(R，t)。

所述步骤S85具体为：

令点云Q_k与欧式变换矩阵相乘，将属于点云Q_k中的点拟合变换到基准点云下。本实施例中，所述点云Q_k并不一定只包含一个点云，在实际操作中往往包括若干子点云，同理，所述点云Q₁并不一定只包含一个点云，在实际操作中往往包括若干子点云。

点云Q_k包括子点云Q_k1，Q_k2，……，Q_kn’，n’表示点云Q_k的子点云的总数量，则将属于点云Q_k中的点拟合变换到基准点云下，具体如下：

Q_k11＝Q_k1×T(R，t)；

Q_k12＝Q_k1×T(R，t)；

……

Q_k1n’＝Q_k1×T(R，t)；

其中，Q_k11，Q_k12，……，Q_k1n’表示子点云Q_k1，Q_k2，……，Q_kn’拟合变换到基准点云的点云。

所述步骤S9具体包括：将含有完整的待测货物的两相邻面的三维点云场景图经过体素滤波得到三维体素栅格图，然后将三维体素栅格图中每个体素用该体素自身的重心来替代，得到降采样处理后的三维点云场景图；其中，体素自身的重心是指该体素内所有点的重心。这样该体素内所有点都用一个重心点来最终表示，对于所有体素处理后得到的过滤后的点云。针对单幅点数量为307200的深度图像，经过降采样后点数量为32000到36000。

步骤S91中三维体素栅格图中的体素在X、Y、Z三个坐标轴方向上设置叶子节点大小为1厘米。

所述步骤S10具体包括步骤：

S101：利用随机抽样一致性算法分割提取出降采样处理后的三维点云场景图中的待测货物的两相邻面图像区域的点云，得到三维点云场景图A；其中，随机抽样一致性算法的点云分割阈值ξ的取值范围为：2厘米≤ξ≤5厘米；本实施例中，ξ＝2厘米

如图2所示，所述步骤S11中待测货物的两相邻面中另一个面的表面面积S的计算公式为：

其中，(x₁,y₁)、(x₂,y₂)、(x₃,y₃)和(x₄,y₄)分别步骤S11中得到最下包围盒的四个顶点坐标。

所述步骤S1具体包括步骤：

S11：深度相机采集M个实物的长度，其中，M个实物的真实长度已知；M为正数，且M≥10；

S12：求各个实物真实长度与深度相机采集的该实物的长度的比值；

S13：求步骤S12得到的若干比值的加权平均数，即得到真实景深和深度相机测量景深的校正比值K。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种基于深度图像的中大型货物体积测量方法，其特征在于：包括步骤：

S1：校准深度相机的景深参数，获得真实景深和深度相机测量景深的校正比值K；

S2：利用深度相机对准待测货物中两相邻面的公共边，获取采集含有待测货物的三维点云场景图；该步骤中采集的三维点云场景图包括两相邻面的公共边和两相邻面的图像区域，所述待测货物为矩形箱体；

其中，若存在已采集的含有待测货物的三维点云场景图，则该步骤中采集的三维点云场景图至少有与已采集的含有待测货物的三维点云场景图的其中一张图的待测货物相重叠的部分区域；

S3：判断已采集的含有待测货物的三维点云场景图是否能够拟合出完整的两相邻面的公共边，若能，则进入步骤S4；若不能，则移动深度相机到对准待测货物的两相邻面的公共边不能拟合的区域的位置，返回步骤S2；

S4：判断已采集的含有待测货物的三维点云场景图是否能拟合出待测货物的两相邻面中其中一个面的深度尺寸h，若能，则进入步骤S5；若不能，则移动深度相机到对准两相邻面中其中一个面的深度尺寸不能拟合的区域的位置，利用深度相机采集新的含有待测货物的三维点云场景图，返回步骤S4；其中，该步骤中采集的新的含有待测货物的三维点云场景图与已采集的含有待测货物的三维点云场景图的其中一张图的待测货物相重叠的部分区域；

S5：判断已采集的含有待测货物的三维点云场景图是否能拟合出待测货物的两相邻面中另一个面的完整表面信息，若能，则进入步骤S6，若不能，则移动深度相机对准待测货物的两相邻面中另一个面的不能拟合的表面区域，利用深度相机采集新的含有待测货物的三维点云场景图，返回步骤S5；其中，该步骤中采集的新的含有待测货物的三维点云场景图与已采集的含有待测货物的三维点云场景图的其中一张图的待测货物相重叠的部分区域；

S6：从已经采集到的三维点云场景图中随机选取的一幅含有待测货物中两相邻面的公共边完整图像或部分图像的三维点云场景图的坐标系作为基准点云；

S7：判断当前基座点云是否能完整复现待测货物表面，得到含有完整的待测货物的两相邻面的三维点云场景图，若能，则进入步骤S9；若不能，则进入步骤S8；

S8：判断是否还有未用作拟合的含有待测货物的三维点云场景图，若有，则从未用作拟合的含有待测货物的三维点云场景图中任意选取一幅含有待测货物的三维点云场景图，利用迭代最近点算法，将该三维点云场景图的点云拟合到基准点云下，返回步骤S7；若无，则移动深度相机对准待测货物的两相邻面中不能拟合的表面区域，利用深度相机采集新的含有待测货物的三维点云场景图，返回步骤S3；

S9：对含有完整的待测货物的两相邻面的三维点云场景图进行降采样处理，得到降采样处理后的三维点云场景图；

S10：利用随机抽样一致性算法对降采样处理后的深度图像进行图像分割，得到只包含有待测货物的两相邻面图像区域的三维点云场景图；

S11：找到经过图像分割后的三维点云场景图中待测货物的两相邻面中另一个面的点云的最小包围盒坐标，利用最下包围盒的四个顶点坐标计算得到待测货物的两相邻面中另一个面的表面面积S，再将S与待测货物的两相邻面中其中一个面的深度尺寸h相乘，得到被测货物的初始体积V₀；

S12：利用校正比值K校正初始体积V₀，得到最终的被测货物体积V，其中，校正公式为：

V＝K³V₀ (1)。

2.根据权利要求1所述基于深度图像的中大型货物体积测量方法，其特征在于：所述步骤S8中利用迭代最近点算法，将该三维点云场景图的点云拟合到基准点云下具体包括：

S81：利用kd-tree数据结构分别搜索在半径为acm范围内点云Q₁和点云Q_k邻近的三维点云法线集合N₁和N_k；其中，Q₁为步骤S6中选取出来一幅含有待测货物中两相邻面的公共边完整图像或部分图像的三维点云场景图的点云，Q_k为步骤S8中从未用作拟合的含有待测货物的三维点云场景图中任意选取一幅含有待测货物的三维点云场景图的点云；

S82：初始化N₁和N_k中法线二范数距离判断阈值d和方向阈值φ；

S83：遍历N₁和N_k中所有的法线，找到满足n_1i和n_kj的距离小于d且n_1i和n_kj的夹角小于φ的所有的n_1i和n_kj，其中，n_1i表示点云Q₁中第i个法线，n_kj表示点云Q_k中第j个法线；同时满足两个阈值判断条件的所有的n_1i和n_kj对应的点云Q₁和点云Q_k中的两个点是一对成功匹配的三维特征点对，即这两个点是含有待测货物的三维点云场景图上的同一点；

S84：根据成功匹配的三维特征点对，利用奇异值分解算法，得到欧式变换矩阵；

S85：利用欧式变换矩阵，将属于点云Q_k中的点拟合变换到点云Q₁的坐标下，即基准点云下。

3.根据权利要求2所述基于深度图像的中大型货物体积测量方法，其特征在于：所述步骤S84具体包括步骤：

S841：设定各匹配的三维特征点的误差项为：

e_i＝p_i-(R×q_i+t) (2)

其中，e_i表示第i个成功匹配的三维特征点对的误差项；p_i表示第i个成功匹配的三维特征点对中属于点云Q₁的点，q_i表示第i个成功匹配的三维特征点对中属于点云Q_k的点，欧式变换矩阵为T(R，t)，R表示旋转矩阵，t表示平移向量；

S842：根据误差项构建最小二乘问题min_(R,t)J，所述最小二乘问题min_(R,t)J为使误差项平方和最小的T(R，t)，具体为：

其中，|| ||₂表示二范数运算；

S843：计算成功匹配的三维特征点对中属于点云Q₁的点的质心p，计算公式为：

计算成功匹配的三维特征点对中属于点云Q_k的点的质心q，计算公式为：

其中，n表示成功匹配的三维特征点对总数量；

S844：将质心p和质心q带入(3)式，变换得到R的最优解R^*和t的最优解t^*，所述R^*为：

其中，表示使得f(R)取得最大值所对应变量R的值，P_i＝p_i-p，Q_i＝q_i-q；在公式(5-1)中

所述t^*为：

t^*＝p-Rq (5-2)

S845：展开f(R)，具体如下：

(6-1)式右边第一项与R无关，第二项R^TR＝I与R无关，因此可将(6-1)式优化为：

设定由于W是3×3的矩阵，对W进行奇异值分解，得到：

W＝U∑V^T (6-3)

其中，∑为奇异值组成的对角矩阵，对角线元素从大到小排列，而U和V为对角矩阵，当W满稚时，R为R＝UV^T，得到R，再将R带入(5-2)式，得到t，从而得到欧式变换矩阵T(R，t)。

4.根据权利要求2所述基于深度图像的中大型货物体积测量方法，其特征在于：所述步骤S85具体为：

令点云Q_k与欧式变换矩阵相乘，将属于点云Q_k中的点拟合变换到基准点云下。

5.根据权利要求1所述基于深度图像的中大型货物体积测量方法，其特征在于：所述步骤S9具体包括：将含有完整的待测货物的两相邻面的三维点云场景图经过体素滤波得到三维体素栅格图，然后将三维体素栅格图中每个体素用该体素自身的重心来替代，得到降采样处理后的三维点云场景图；其中，体素自身的重心是指该体素内所有点的重心。

6.根据权利要求5所述基于深度图像的中大型货物体积测量方法，其特征在于：步骤S91中三维体素栅格图中的体素在X、Y、Z三个坐标轴方向上设置叶子节点大小为1厘米。

7.根据权利要求1所述基于深度图像的中大型货物体积测量方法，其特征在于：所述步骤S10具体包括步骤：

S101：利用随机抽样一致性算法分割提取出降采样处理后的三维点云场景图中的待测货物的两相邻面图像区域的点云，得到三维点云场景图A；其中，随机抽样一致性算法的点云分割阈值ξ的取值范围为：2厘米≤ξ≤5厘米。

8.根据权利要求1所述基于深度图像的中大型货物体积测量方法，其特征在于：所述步骤S11中待测货物的两相邻面中另一个面的表面面积S的计算公式为：

其中，(x₁,y₁)、(x₂,y₂)、(x₃,y₃)和(x₄,y₄)分别步骤S11中得到最下包围盒的四个顶点坐标。

9.根据权利要求1所述基于深度图像的中大型货物体积测量方法，其特征在于：所述步骤S1具体包括步骤：

S11：深度相机采集M个实物的长度，其中，M个实物的真实长度已知；M为正数，且M≥10；

S12：求各个实物真实长度与深度相机采集的该实物的长度的比值；

S13：求步骤S12得到的若干比值的加权平均数，即得到真实景深和深度相机测量景深的校正比值K。