CN110174056A - 一种物体体积测量方法、装置及移动终端 - Google Patents
一种物体体积测量方法、装置及移动终端 Download PDFInfo
- Publication number
- CN110174056A CN110174056A CN201910527540.8A CN201910527540A CN110174056A CN 110174056 A CN110174056 A CN 110174056A CN 201910527540 A CN201910527540 A CN 201910527540A CN 110174056 A CN110174056 A CN 110174056A
- Authority
- CN
- China
- Prior art keywords
- under test
- object under
- edge contour
- extended area
- region
- 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
Classifications
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种物体体积测量方法,包括:获取待测物体的深度图像;根据所述深度图像对待测物体进行粗定位,获得所述待测物体的边缘轮廓区域;扩展所述边缘轮廓区域获得扩展区域,所述扩展区域对应于所述待测物体的支撑面;根据所述边缘轮廓区域和所述扩展区域获取所述待测物体的长度、宽度和高度;使用所述长度、宽度和高度计算所述待测物体的体积。本发明的物体体积测量方法可以快速、准确的测量待测物体的体积,有利于物流打包过程的自动化。
Description
技术领域
本发明主要涉及智能物流领域,尤其涉及一种物体体积测量方法及装置。
背景技术
在现代物流高速发展的今天,包裹的数量与日俱增,为了实现物流过程的自动化,需要比较便捷的测量包裹的尺寸信息,以便于高效的打包和装箱。对包裹尺寸的测量一般使用手工测量,效率较低而且误差大。目前用于自动测量包裹尺寸的设备成本比较高;一些设备需要将包裹固定在特定的载物台才能准确测量,不利于在某些需要灵活移动的场合使用,如快递上门取件时;一些基于图像处理技术的包裹尺寸测量方法计算复杂,不能实时处理,不利于提高物流过程的效率。
发明内容
本发明要解决的技术问题是提供一种可以快速并且便携的测量物体体积的方法、装置和移动终端。
为解决上述技术问题,本发明提供了一种物体体积测量方法,包括:获取待测物体的深度图像;根据所述深度图像对待测物体进行粗定位,获得所述待测物体的边缘轮廓区域;扩展所述边缘轮廓区域获得扩展区域,所述扩展区域对应于所述待测物体的支撑面;根据所述边缘轮廓区域和所述扩展区域获取所述待测物体的长度、宽度和高度;使用所述长度、宽度和高度计算所述待测物体的体积。
在本发明的一实施例中,获取待测物体的深度图像的步骤之后还包括:对所述深度图像的丢失数据进行修复。
在本发明的一实施例中,使用插值算法根据所述丢失数据的邻域数据对所述丢失数据进行修复。
在本发明的一实施例中,根据所述深度图像对待测物体进行粗定位的步骤包括:对所述深度图像进行二值化或边缘检测,通过轮廓跟踪获得所述待测物体的边缘轮廓区域。
在本发明的一实施例中,根据所述边缘轮廓区域和所述扩展区域获取所述待测物体的长度、宽度和高度的步骤包括:若所述待测物体为规则物体,对待测物体的边缘轮廓区域进行细定位,获得所述待测物体的细定位区域;对所述细定位区域根据世界坐标和像素坐标的转换关系计算出所述待测物体的长度和宽度;采用平面拟合算法分别对所述细定位区域和扩展区域进行平面拟合得到待测物体的上表面和下表面;所述高度为所述上表面和所述下表面之间的距离。
在本发明的一实施例中,根据所述边缘轮廓区域和所述扩展区域获取所述待测物体的长度、宽度和高度的步骤包括:若所述待测物体为不规则物体,对所述边缘轮廓区域根据世界坐标和像素坐标的转换关系计算出所述待测物体的长度和宽度;采用平面拟合算法对所述扩展区域进行平面拟合得到待测物体的下表面;所述高度为所述边缘轮廓区域内极小值点和所述下表面之间的距离。
在本发明的一实施例中,所述平面拟合算法为随机抽样一致算法。
在本发明的一实施例中,还包括将所述边缘轮廓区域内的深度数据与阈值进行比较,剔除大于所述阈值的深度数据。
在本发明的一实施例中,还包括显示所述边缘轮廓区域、所述扩展区域以及所述待测物体的体积。
在本发明的一实施例中,采用结构光或飞行时间获取待测物体的深度图像。
在本发明的一实施例中,所述边缘轮廓区域和所述扩展区域具有相同的区域轮廓形状。
在本发明的一实施例中,所述扩展区域小于所述深度图像的区域。
在本发明的一实施例中,获取待测物体的深度图像之后按照一压缩比例对获取深度图像的长度和宽度进行压缩,根据所述边缘轮廓区域和所述扩展区域获取所述待测物体的长度和宽度之后按照一恢复比例对所述待测物体的长度和宽度进行恢复,所述压缩比例与所述恢复比例之积为1。
为解决上述技术问题,本发明还提供了一种物体体积测量装置,包括:图像获取模块,获取待测物体的深度图像;粗定位模块,根据所述深度图像对待测物体进行粗定位,获得所述待测物体的边缘轮廓区域,所述边缘轮廓区域对应于所述待测物体的上表面;扩展模块,扩展所述边缘轮廓区域获得扩展区域,所述扩展区域对应于所述待测物体的支撑面;参数确定模块,根据所述边缘轮廓区域和所述扩展区域获取所述待测物体的长度、宽度和高度;体积计算模块,使用所述长度、宽度和高度计算所述待测物体的体积。
为解决上述技术问题,本发明还提供了一种移动终端,包括如上所述的物体体积测量装置。
与现有技术相比,本发明通过对待测物体的深度图像进行分析和处理,选取一定范围的深度图像来计算待测物体的体积,减少了运算量,提高了计算速度,可以实现对待测物体体积的实时测量,提高了物体体积测量的效率,有利于物流打包过程的自动化;通过对待测物体的深度图像进行压缩,提高了计算速度;本发明利用图像获取模块来获得待测物体的深度图像,并且该图像获取模块可以包括在移动终端中,体积小,具有便携的优点。
附图说明
为让本发明的上述目的、特征和优点能更明显易懂,以下结合附图对本发明的具体实施方式作详细说明,其中:
图1是本发明一实施例的物体体积测量方法的示例性流程图;
图2是本发明一实施例中对待测物体的深度图像进行二值化处理后所获得的二值化图像的示意图;
图3是本发明一实施例中对待测物体进行粗定位的结果示意图;
图4是本发明一实施例中对待测物体进行细定位的结果示意图;
图5是本发明一实施例的物体体积测量装置的示意框图;
图6是根据本发明一实施例的物体体积测量方法所获得的待测物体的三维边界图像的示意图。
具体实施方式
为让本发明的上述目的、特征和优点能更明显易懂,以下结合附图对本发明的具体实施方式作详细说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其它不同于在此描述的其它方式来实施,因此本发明不受下面公开的具体实施例的限制。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本发明对根据本发明的实施例中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在计算设备和/或处理器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
应当理解的是,当单元或模块被描述为“连接”、“耦接”其它单元、模块或块时,其可以指直接连接或耦接,或者与其它单元、模块或块通信,或者可以存在中间的单元、模块或块,除非上下文明确指明其它方式。本文所使用的术语“和/或”可包括一个或多个相关列出项目的任意与所有组合。
本发明中使用了流程图用来说明根据本发明的实施例的方法所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各种步骤。同时,或将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是本发明一实施例的物体体积测量方法的示例性流程图。参考图1所示,该物体体积测量方法包括以下步骤:
步骤110,获取待测物体的深度图像。
在本步骤中,可以使用深度相机对待测物体进行拍摄,从而可以获得包含待测物体深度信息的深度图像。还可以使用具有深度相机采集模块的设备来采集待测物体的深度图像。对于本发明的实施例来说,在本步骤所获得的待测物体的深度图像中,需要用到该深度图像中的深度数据来计算待测物体的体积。
在本步骤中可以使用的深度相机可以包括本领域技术人员可以想到的任何深度相机。例如但不限于基于双目立体视觉的深度相机、基于机构光原理的深度相机和基于飞行时间(TOF)的深度相机等。在本发明的优选实施例中,采用结构光或飞行时间的方法来获取待测物体的深度图像,也就是说可以采用基于结构光和飞行时间的深度相机获得待测物体的深度图像。这样,可以仅使用一台相机即可获得所需的待测物体的深度图像,简单便携。
在使用深度相机对待测物体进行拍摄时,该深度相机的拍摄角度,以及其与待测物体之间的距离,应使深度相机可以获得待测物体的完整深度图像。例如,应避免以仰视的角度对待测物体进行拍摄。优选地,待测物体应位于深度相机的垂直正下方以及与正下方不超过45度的位置。从该深度图像中可以获得待测物体的关键参数,例如长度、宽度和高度等,从而可以根据这些关键参数获得待测物体的体积。
在本步骤中,该待测物体除其下表面外应与其他物体隔离,避免其他物体过于靠近或接触到待测物体。
在一些实施例中,该待测物体可以是没有进行包装的物体、里面装有物体的包裹、箱子等,该待测物体的形状可以是规则的,也可以是不规则的。
在一些实施例中,在本步骤获取待测物体的深度图像之后,还包括对该深度图像的丢失数据进行修复的步骤。这是由于某些原因,例如深度相机本身的一些缺陷和成像原理等,会导致在所获得的待测物体的深度图像中,某些物体边界处或易反射物体的局部发生深度数据丢失的情况。例如,发生深度数据丢失的部分,其深度数据为零。这些丢失的数据不利于后续的计算,因此,需要对这部分丢失的深度数据进行修复。
在一些实施例中,使用插值算法根据丢失数据的邻域数据对丢失数据进行修复。例如,以丢失数据作为所要处理的当前点,以该当前点的一个邻域(比如5*5)内的平均深度数据值作为当前点的深度数据值。需要说明的是,本实施例不用于限制本发明对丢失的深度数据进行修复的方法。在其他的实施例中,还可以采用其他的方法来对丢失的深度数据进行修复,例如非线性插值等。
步骤120,根据深度图像对待测物体进行粗定位,获得待测物体的边缘轮廓区域。
为了对待测物体进行粗定位,可以对由步骤110所获得的待测物体的深度图像进行二值化或边缘检测,通过轮廓跟踪获得该待测物体的边缘轮廓区域。
图2是本发明一实施例中对待测物体的深度图像进行二值化处理后所获得的二值化图像的示意图。参考图2所示,位于该二值化图像中部的白色图像表示待测物体210的深度图像。该待测物体为箱子状。在该待测物体210周围的图像中,黑色用于表示承载待测物体210的支撑面,例如载物台。在图2中除待测物体210之外的白色部分为噪音。可以理解的是,图2中采用黑白两种颜色来表示二值化之后的深度图像,是为了便于对该待测物体210进行粗定位。在本步骤中,也可以对未经二值化的深度图像直接采用边缘检测的方法来检测待测物体210的边缘轮廓。其中,边缘检测的方法可以是任何本领域技术人员可以想到的边缘检测算法,例如但不限于Roberts边缘检测方法、Laplace边缘检测方法、LOG边缘检测方法、Prewitt边缘检测算子、Canny边缘检测算子等。
图3是本发明一实施例中对待测物体进行粗定位的结果示意图。参考图3所示,经过对待测物体210进行粗定位之后,获得该待测物体210的边缘轮廓区域310。在此实施例中,还对该边缘轮廓区域310进行拟合得到其外接四边形。在此实时例中,可以用该外接四边形的四个顶点P1、P2、P3和P4来表征待测物体210的粗定位区域。
可以理解的是,图3不用于限定本发明所获得的待测物体210的边缘轮廓区域310的形状和大小。该边缘轮廓区域310可以用其他的任意多边形来进行拟合。
步骤130,扩展边缘轮廓区域获得扩展区域。
在本步骤中,对待测物体210的边缘轮廓区域310进行扩展,获得扩展区域320。参考图3所示,在该实施例中,用一个四边形来表示该扩展区域320。扩展区域320的四个顶点分别是A、B、C和D。
参考图3所示,设该待测物体210的深度图像的水平方向为X、垂直方向为Y,将边缘轮廓区域310在水平方向X上的长度为其长度,将边缘轮廓区域310在垂直方向Y上的长度为其宽度。在本步骤中对边缘轮廓区域310进行扩展的方法可以是在边缘轮廓区域310周围取一外框320作为扩展区域321。如图3所示,该外框320为一矩形框,该外框320所包围的深度图像包含该待测物体210的边缘轮廓区域310。然而,实际上用于后续计算步骤的扩展区域321并不包括其中的边缘轮廓区域310部分的深度数据。也就是说,扩展区域321实际上只包含处于是外框320和边缘轮廓区域310之间的深度数据。
该外框320的面积大于边缘轮廓区域310的面积。在本步骤中,可以根据需要对外框320的位置、形状和大小进行限定。
在一些实施例中,扩展区域321小于整个待测物体210的深度图像的区域。当待测物体210的体积比较大时,具有较大的边缘轮廓区域310,其相应的扩展区域321的面积可能相当于待测物体210的深度图像的面积。在这种情况下,可以通过调整深度相机和待测物体210之间的距离、角度等方式,使待测物体210的边缘轮廓区域310明显小于深度图像的区域,以使其扩展区域321可以小于深度图像的区域。
在其他图未示的实施例中,边缘轮廓区域310和扩展区域321可以具有相同的区域轮廓形状。例如,可以将边缘轮廓区域310在水平方向X和垂直方向Y分别向外扩充一定的范围,例如使边缘轮廓区域310的长度和宽度分别扩充至比原来长1/4倍。也就是说,外框320是对边缘轮廓区域310等比例的放大到原来的1.25倍。此时,边缘轮廓区域310和包含扩展区域321的外框320具有相同的形状。
根据本步骤可以为后续的计算选取有限范围的深度图像,即扩展区域321,并根据边缘轮廓区域310和扩展区域321来计算待测物体210的体积,与使用所获得的整个深度图像来计算待测物体210的体积的方案相比,本发明可以减少物体体积测量方法的运算量,并且提高运算的速度。
在本步骤中所获得的扩展区域321对应于待测物体210的支撑面。如前所述,在获取待测物体210的深度图像时,使待测物体210的边界与其他物体隔离,并且避免其他物体过于靠近或接触到待测物体210。因此,待测物体210的扩展区域321对应于待测物体210的支撑面,如承载台的一部分。
步骤140,根据边缘轮廓区域和扩展区域获取待测物体的长度、宽度和高度。
在本步骤中可以获取用于计算待测物体210体积的关键参数,该关键参数可以包括但不限于待测物体210的长度L、宽度W和高度H等。具体地,本步骤包括下面的步骤:
步骤141,判断待测物体210是否为规则物体。
在本步骤中,可以分别根据边缘轮廓区域310和扩展区域321的深度数据进行平面拟合,再根据所得到拟合平面数和待测物体210的上下表面的关系来判断待测物体210是规则物体还是不规则物体。这里所采用的平面拟合算法可以是本领域技术人员可以想到的任何平面拟合算法。在优选的实施例中,采用随机抽样一致算法(RANSAC,Random SampleConsensus)来执行此步骤。
平面拟合的结果可能获得N个平面,N≥0。当N=0时,则本次体积测量失败。在这种情况下,可以调整待测物体210和深度相机之间的相对位置,包括二者之间的距离、相对角度等,再重新获取待测物体210的深度图像。根据该新的深度图像再执行本发明的上述步骤。
在本发明的实施例中,当分别对边缘轮廓区域310和扩展区域321的深度数据进行平面拟合之后,设由边缘轮廓区域310所获得的拟合平面有N1个,由扩展区域321所获得的拟合平面有N2个。从物理意义上来讲,待测物体210的边缘轮廓区域310的深度数据中主要包括关于待测物体210上表面的深度数据,但是,其中也可能混有不是上表面(例如下表面)的深度数据;扩展区域321的深度数据中主要包括关于待测物体210下表面的深度数据。当N1≥1,并且N2≥1时,分别从该N1和N2个拟合平面中提取拟合点数最多的平面,从而可以从边缘轮廓区域310和扩展区域321各自获得一个拟合平面,设该两个拟合平面分别为R1和R2。从边缘轮廓区域310获得的拟合平面R1可以表示待测物体210的上表面,从扩展区域321获得的拟合平面R2可以表示待测物体210的下表面。这里的拟合点数是指边缘轮廓区域310和扩展区域321中用于该平面拟合的深度数据的个数。
需要说明的是,拟合平面R1和拟合平面R2只用于代表待测物体210的上表面和下表面的位置或深度,并不表示待测物体210实际的上表面和下表面,也不能用于计算待测物体210上表面或下表面的面积。
在本发明的实施例中,由平面拟合算法可以得到拟合平面R1和拟合平面R2所对应的拟合平面方程,根据该两个拟合平面方程可以计算出拟合平面R1和拟合平面R2之间的夹角θ。严格意义上,相互平行的两个平面之间的夹角θ=0。在实际应用中,将该夹角θ与预设角度范围相比,当夹角θ处于该预设角度范围之内时,可以认为这两个平面是相互平行的。例如,设该预设角度范围是“0°-5°”。
步骤142,若待测物体210为规则物体,则根据下面的步骤获取待测物体210的长度L、宽度W和高度H。
计算作为规则物体的待测物体210的长度L和宽度W:
在一些实施例中,可以根据图3中所示的待测物体210的粗定位区域来对待测物体210的长度L和宽度W进行估计。例如根据边缘轮廓区域310的四个顶点P1、P2、P3和P4来估计。然而,根据该边缘轮廓区域310所获得的待测物体210的长度L和宽度W并不精确。为了更加准确的对待测物体210的体积进行计算,可以在粗定位区域的基础上进行细定位。具体地,该细定位过程可以按照下面的步骤来执行:
首先,获取该边缘轮廓区域310内的深度数据。
其次,设定一个深度阈值Th,例如Th=5mm。
再次,利用深度阈值Th对边缘轮廓区域310内的深度数据进行过滤,获得过滤后的待测物体210的细定位轮廓区域。
具体地,可以利用边缘轮廓区域310内的深度数据的差异,例如每一个深度数据与该边缘轮廓区域310内的深度数据的均值进行比较。去除比较结果大于深度阈值Th的数据点。
也可以利用边缘轮廓区域310内的深度数据拟合得到一个拟合平面,根据深度阈值Th去除该拟合平面上误差大于深度阈值Th的数据点。
最后,对细定位轮廓区域执行轮廓跟踪和最小外接四边形拟合,得到细定位区域。
图4是本发明一实施例中对待测物体进行细定位的结果示意图。参考图4所示,经过对待测物体210进行细定位之后,获得该待测物体210的细定位轮廓区域410。参考图4所示,用四根白色线条组成的四边形表示细定位轮廓区域410的最小外接四边形。在此实施例中,用细定位轮廓区域410的最小外接四边形的四个顶点P1'、P2'、P3'和P4'来表征待测物体210的细定位区域。
利用该细定位区域,结合深度相机的世界坐标和像素坐标的转换关系计算出待测物体210的长度L和宽度W。该长度L和宽度W近似等于待测物体210实际的长度和宽度。例如,取四个顶点P1'、P2'、P3'和P4'相互之间最长的距离作为待测物体210的长度L,而以次长的距离作为待测物体210的宽度W。
计算作为规则物体的待测物体210的高度H:
在一些实施例中,由于规则物体的拟合平面R1和拟合平面R2相互平行,根据拟合平面R1和拟合平面R2所对应的拟合平面方程可以计算出拟合平面R1和拟合平面R2之间的距离d,并将该距离d作为待测物体210的高度H。
在另一些实施例中,可以根据由细定位过程中所获得的细定位轮廓区域410的深度数据进行平面拟合,获得待测物体210的上表面。可以理解的是,该上表面比由边缘轮廓区域310所拟合获得的上表面更加接近待测物体210的真实上表面。
再根据该上表面和由扩展区域321获得的下表面之间的距离作为待测物体210的高度H。
经过上述步骤可以获得作为规则物体的待测物体210的关键参数,长度L、宽度W和高度H。
步骤143,若待测物体210为不规则物体,则根据下面的步骤获取待测物体210的长度L、宽度W和高度H。
计算作为不规则物体的待测物体210的长度L和宽度W:
与作为规则物体的待测物体210不同的是,可以根据图3所示的待测物体210的粗定位区域来对作为不规则物体的待测物体210的长度L和宽度W进行估计。具体地,在本步骤中,对根据步骤120所获得的待测物体210的粗定位区域,即该边缘轮廓区域310的外界四边形的四个顶点P1、P2、P3和P4,结合深度相机的世界坐标和像素坐标的转换关系计算出待测物体210的长度L和宽度W。
计算作为不规则物体的待测物体210的高度H:
若经过步骤142中所述的平面拟合算法之后,从边缘轮廓区域310和扩展区域321所获得的拟合平面R1和拟合平面R2相互之间不平行,则判断待测物体210为不规则物体。此时,计算边缘轮廓区域310中的深度数据的极小值点。可以理解的是,该极小值点表征在边缘轮廓区域310中距离深度相机最近的点,也就是待测物体210的最高点。计算该极小值点与扩展区域321的拟合平面R2之间的距离d,将该距离d作为待测物体210的高度H。
由于在现代物流运输中,往往采用长方体形状的箱体来装盛包裹。因此,对于不规则物体来说,需要提供稍大于其体积的箱体,以保证该不规则物体可以完全放入该箱体中。根据本步骤所计算出来的不规则物体的关键参数,长度L、宽度W和高度H,可以为该不规则物体匹配合适的箱体,避免箱体过小而增加装箱的工作量,可以提高箱体匹配的效率。
在一些实施例中,在步骤110获取待测物体的深度图像之后,还可以按照一定的压缩比例对所获取的深度图像的长度和宽度进行压缩。进行图像压缩的方法可以是图像处理领域的任何图像压缩的方法。这样,在后续的步骤120、130和140中所处理的图像对象是压缩后的深度图像。在步骤140根据边缘轮廓区域和扩展区域获取待测物体210的长度和宽度之后,按照一恢复比例对待测物体210的长度和宽度进行恢复,并且压缩比例与恢复比例之积为1,使恢复后的待测物体210的长度和宽度相当于从压缩前的深度图像而获得的数值,这些数值接近或等于待测物体的实际值。再将恢复后的待测物体210的长度和宽度用于计算待测物体210的体积。例如,在获取待测物体的深度图像之后,使压缩比例为1/2,即按照1/2的压缩比例将深度图像的长度和宽度都压缩至原来的1/2;在根据边缘轮廓区域和扩展区域获取待测物体210的长度和宽度之后,使恢复比例为2,即使待测物体210的长度和宽度都乘以2,从而恢复到接近或等于待测物体实际大小的数值。这些实施例的有益效果是可以提高计算速度,加快物体体积测量的整体速度。
需要说明的是,根据压缩后的深度图像所获得的待测物体210的高度相当于待测物体210的实际高度,并不受深度图像压缩的影响。因此,在计算待测物体210的体积时,不需要步骤140中所获得的待测物体210的高度进行恢复操作。
步骤150,使用长度、宽度和高度计算待测物体的体积。
本步骤中利用由待测物体210的深度图像所获得的待测物体210的长度L、宽度W和高度H来计算该待测物体210的体积。如前所述,在现代物流运输中,往往采用长方体形状的箱体来装盛包裹。因此,无论待测物体210为规则物体或不规则物体,根据由上述步骤所获得的待测物体210的长度L、宽度W和高度H计算待测物体210的体积V,即V=L*W*H。
进一步地,可以根据该待测物体210的体积V来为待测物体210匹配合适的箱体,实现箱体匹配的自动化,从而提高装箱效率。通常,箱体的长度、宽度和高度应与待测物体210的长度L、宽度W和高度H匹配。
图5是本发明一实施例的物体体积测量装置的示意框图。参考图5所示,本发明的物体体积测量装置500包括图像获取模块510、粗定位模块520、扩展模块530、参数确定模块540和体积计算模块550。各个模块之间可以根据需要,通过有线或无线的方式相互连接。
其中,图像获取模块510可以获取待测物体210的深度图像。该图像获取模块510可以执行如图1中所示的步骤110的方法。因此,关于步骤110的说明部分可用于说明图像获取模块510。在一些实施例中,图像获取模块510可以是深度相机;在另一些实施例中,图像获取模块510可以是具有深度相机采集模块的设备。
粗定位模块520可以根据由图像获取模块510所获得的深度图像对待测物体210进行粗定位,获得待测物体210的边缘轮廓区域。该粗定位模块520可以执行如图1中所示的步骤120的方法。因此,关于步骤120的说明可用于说明粗定位模块520。
扩展模块530可以扩展边缘轮廓区域获得扩展区域,该扩展区域对应于待测物体210的支撑面,且该扩展区域小于深度图像的区域。该扩展模块530可以执行如图1中所示的步骤130的方法。因此,关于步骤130的说明可用于说明扩展模块530。
参数确定模块540可以根据边缘轮廓区域和扩展区域获取待测物体210的长度、宽度和高度。该参数确定模块540可以执行如图1中所示的步骤140的方法。因此,关于步骤140的说明可用于说明参数确定模块540。
体积计算模块550可以使用该长度、宽度和高度计算待测物体210的体积。该体积计算模块550可以执行如图1中所示的步骤150的方法。因此,关于步骤150的说明可用于说明体积计算模块550。
本发明还包括一种移动终端,该移动终端包括如图5所示的物体体积测量装置500,可以方便快捷的对待测物体210的体积进行测量。本发明对该移动终端的类型不做限制,可以包括现有的任何一种类型的移动终端。
图6是根据本发明一实施例的物体体积测量方法所获得的待测物体的三维边界图像的示意图。参考图6所示,根据前述的物体体积测量方法,可以在该三维边界图像中将待测物体210的三维边界标记出来,并标记出相应的长度值、宽度值和高度值,以直观的显示该物体体积测量所得的结果。图6中的示例以毫米(mm)为单位来显示所获得的待测物体210的长度L、宽度W和高度H。在其他的实施例中,也可以采用其他的度量单位。
参考图3、图4和图6所示,在一些实施例中,本发明的物体体积测量方法还包括显示边缘轮廓区域310、扩展区域321以及待测物体210的体积。这里的待测物体210的体积可以用待测物体210的长度L、宽度W和高度H来表示,和/或用其体积V来表示。
在一些实施例中,本发明的物体体积测量装置500中还可以包括一显示模块(图未示)。该显示模块可以显示在本发明的物体体积测量方法中所获得的待测物体210的深度图像,以及根据该深度图像所获得的待测物体210的边缘轮廓区域310、扩展区域321、粗定位区域、细定位区域和待测物体210的体积等。
虽然本发明已参照当前的具体实施例来描述,但是本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,在没有脱离本发明精神的情况下还可作出各种等效的变化或替换,因此,只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本申请的权利要求书的范围内。
Claims (15)
1.一种物体体积测量方法,包括:
获取待测物体的深度图像;
根据所述深度图像对待测物体进行粗定位,获得所述待测物体的边缘轮廓区域;
扩展所述边缘轮廓区域获得扩展区域,所述扩展区域对应于所述待测物体的支撑面;
根据所述边缘轮廓区域和所述扩展区域获取所述待测物体的长度、宽度和高度;
使用所述长度、宽度和高度计算所述待测物体的体积。
2.如权利要求1所述的物体体积测量方法,其特征在于,获取待测物体的深度图像的步骤之后还包括:对所述深度图像的丢失数据进行修复。
3.如权利要求2所述的物体体积测量方法,其特征在于,使用插值算法根据所述丢失数据的邻域数据对所述丢失数据进行修复。
4.如权利要求1所述的物体体积测量方法,其特征在于,根据所述深度图像对待测物体进行粗定位的步骤包括:对所述深度图像进行二值化或边缘检测,通过轮廓跟踪获得所述待测物体的边缘轮廓区域。
5.如权利要求1所述的物体体积测量方法,其特征在于,根据所述边缘轮廓区域和所述扩展区域获取所述待测物体的长度、宽度和高度的步骤包括:
若所述待测物体为规则物体,对待测物体的边缘轮廓区域进行细定位,获得所述待测物体的细定位区域;
对所述细定位区域根据世界坐标和像素坐标的转换关系计算出所述待测物体的长度和宽度;
采用平面拟合算法分别对所述细定位区域和扩展区域进行平面拟合得到待测物体的上表面和下表面;
所述高度为所述上表面和所述下表面之间的距离。
6.如权利要求1所述的物体体积测量方法,其特征在于,根据所述边缘轮廓区域和所述扩展区域获取所述待测物体的长度、宽度和高度的步骤包括:
若所述待测物体为不规则物体,对所述边缘轮廓区域根据世界坐标和像素坐标的转换关系计算出所述待测物体的长度和宽度;
采用平面拟合算法对所述扩展区域进行平面拟合得到待测物体的下表面;
所述高度为所述边缘轮廓区域内极小值点和所述下表面之间的距离。
7.如权利要求5或6所述的物体体积测量方法,其特征在于,所述平面拟合算法为随机抽样一致算法。
8.如权利要求1所述的物体体积测量方法,其特征在于,还包括将所述边缘轮廓区域内的深度数据与阈值进行比较,剔除大于所述阈值的深度数据。
9.如权利要求1所述的物体体积测量方法,其特征在于,还包括显示所述边缘轮廓区域、所述扩展区域以及所述待测物体的体积。
10.如权利要求1所述的物体体积测量方法,其特征在于,采用结构光或飞行时间获取待测物体的深度图像。
11.如权利要求1所述的物体体积测量方法,其特征在于,所述边缘轮廓区域和所述扩展区域具有相同的区域轮廓形状。
12.如权利要求1所述的物体体积测量方法,其特征在于,所述扩展区域小于所述深度图像的区域。
13.如权利要求1所述的物体体积测量方法,其特征在于,获取待测物体的深度图像之后按照一压缩比例对获取深度图像的长度和宽度进行压缩,根据所述边缘轮廓区域和所述扩展区域获取所述待测物体的长度和宽度之后按照一恢复比例对所述待测物体的长度和宽度进行恢复,所述压缩比例与所述恢复比例之积为1。
14.一种物体体积测量装置,包括:
图像获取模块,获取待测物体的深度图像;
粗定位模块,根据所述深度图像对待测物体进行粗定位,获得所述待测物体的边缘轮廓区域,所述边缘轮廓区域对应于所述待测物体的上表面;
扩展模块,扩展所述边缘轮廓区域获得扩展区域,所述扩展区域对应于所述待测物体的支撑面;
参数确定模块,根据所述边缘轮廓区域和所述扩展区域获取所述待测物体的长度、宽度和高度;
体积计算模块,使用所述长度、宽度和高度计算所述待测物体的体积。
15.一种移动终端,包括如权利要求14所述的物体体积测量装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910527540.8A CN110174056A (zh) | 2019-06-18 | 2019-06-18 | 一种物体体积测量方法、装置及移动终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910527540.8A CN110174056A (zh) | 2019-06-18 | 2019-06-18 | 一种物体体积测量方法、装置及移动终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110174056A true CN110174056A (zh) | 2019-08-27 |
Family
ID=67698376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910527540.8A Pending CN110174056A (zh) | 2019-06-18 | 2019-06-18 | 一种物体体积测量方法、装置及移动终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110174056A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110726996A (zh) * | 2019-11-25 | 2020-01-24 | 歌尔股份有限公司 | 深度模组测距方法、深度相机及移动终端 |
CN110910445A (zh) * | 2019-11-26 | 2020-03-24 | 深圳市丰巢科技有限公司 | 一种物件尺寸检测方法、装置、检测设备及存储介质 |
CN111178250A (zh) * | 2019-12-27 | 2020-05-19 | 深圳市越疆科技有限公司 | 物体识别定位方法、装置及终端设备 |
CN111308484A (zh) * | 2019-11-26 | 2020-06-19 | 歌尔股份有限公司 | 深度模组测距方法、装置、深度相机及移动终端 |
CN112070736A (zh) * | 2020-09-01 | 2020-12-11 | 上海电机学院 | 一种结合目标检测和深度计算的物体体积视觉测量方法 |
CN112815837A (zh) * | 2020-12-31 | 2021-05-18 | 杭州荣旗科技有限公司 | 一种测量非规则物体体积的方法 |
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 |
CN112902836A (zh) * | 2019-12-03 | 2021-06-04 | 阿丹电子企业股份有限公司 | 箱体的体积测量装置及体积测量方法 |
CN113124753A (zh) * | 2021-04-19 | 2021-07-16 | 北京麦哲科技有限公司 | 一种体积测量方法和装置 |
CN113340531A (zh) * | 2021-06-03 | 2021-09-03 | 青岛大志美德电气有限公司 | 一种配电箱密封性试验装置及试验方法 |
CN114076569A (zh) * | 2020-08-20 | 2022-02-22 | 准时达国际供应链管理有限公司 | 体积测量方法、装置、边缘服务器及存储介质 |
CN115410135A (zh) * | 2022-11-01 | 2022-11-29 | 中国民航大学 | 自主式搬运的航空行李特征感知重构方法、系统及其应用 |
WO2023279289A1 (en) * | 2021-07-07 | 2023-01-12 | Qualcomm Incorporated | Processing image data using multi-point depth sensing system information |
CN116681751A (zh) * | 2023-07-27 | 2023-09-01 | 深圳市平方科技股份有限公司 | 一种吊装石材体积识别方法、装置及终端 |
EP4239580A1 (en) * | 2022-03-04 | 2023-09-06 | Nomura Research Institute, Ltd. | Measurement system |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004219255A (ja) * | 2003-01-15 | 2004-08-05 | Matsushita Electric Ind Co Ltd | サイズ測定装置、方法および測定プログラム |
WO2010132162A2 (en) * | 2009-05-13 | 2010-11-18 | Applied Vision Corporation | System and method for dimensioning objects using stereoscopic imaging |
CN107388960A (zh) * | 2016-05-16 | 2017-11-24 | 杭州海康机器人技术有限公司 | 一种确定物体体积的方法及装置 |
CN108413864A (zh) * | 2017-02-10 | 2018-08-17 | 菜鸟智能物流控股有限公司 | 物体尺寸测量方法及相关设备 |
CN108627092A (zh) * | 2018-04-17 | 2018-10-09 | 南京阿凡达机器人科技有限公司 | 一种包裹体积的测量方法、系统、储存介质及移动终端 |
CN109029253A (zh) * | 2018-06-29 | 2018-12-18 | 南京阿凡达机器人科技有限公司 | 一种包裹体积测量方法、系统、储存介质及移动终端 |
-
2019
- 2019-06-18 CN CN201910527540.8A patent/CN110174056A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004219255A (ja) * | 2003-01-15 | 2004-08-05 | Matsushita Electric Ind Co Ltd | サイズ測定装置、方法および測定プログラム |
WO2010132162A2 (en) * | 2009-05-13 | 2010-11-18 | Applied Vision Corporation | System and method for dimensioning objects using stereoscopic imaging |
CN107388960A (zh) * | 2016-05-16 | 2017-11-24 | 杭州海康机器人技术有限公司 | 一种确定物体体积的方法及装置 |
CN108413864A (zh) * | 2017-02-10 | 2018-08-17 | 菜鸟智能物流控股有限公司 | 物体尺寸测量方法及相关设备 |
CN108627092A (zh) * | 2018-04-17 | 2018-10-09 | 南京阿凡达机器人科技有限公司 | 一种包裹体积的测量方法、系统、储存介质及移动终端 |
CN109029253A (zh) * | 2018-06-29 | 2018-12-18 | 南京阿凡达机器人科技有限公司 | 一种包裹体积测量方法、系统、储存介质及移动终端 |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110726996A (zh) * | 2019-11-25 | 2020-01-24 | 歌尔股份有限公司 | 深度模组测距方法、深度相机及移动终端 |
CN110726996B (zh) * | 2019-11-25 | 2021-11-26 | 歌尔光学科技有限公司 | 深度模组测距方法、深度相机及移动终端 |
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 |
CN111308484A (zh) * | 2019-11-26 | 2020-06-19 | 歌尔股份有限公司 | 深度模组测距方法、装置、深度相机及移动终端 |
CN110910445A (zh) * | 2019-11-26 | 2020-03-24 | 深圳市丰巢科技有限公司 | 一种物件尺寸检测方法、装置、检测设备及存储介质 |
CN111308484B (zh) * | 2019-11-26 | 2022-03-22 | 歌尔光学科技有限公司 | 深度模组测距方法、装置、深度相机及移动终端 |
CN112902836A (zh) * | 2019-12-03 | 2021-06-04 | 阿丹电子企业股份有限公司 | 箱体的体积测量装置及体积测量方法 |
CN112902836B (zh) * | 2019-12-03 | 2022-08-02 | 阿丹电子企业股份有限公司 | 箱体的体积测量装置及体积测量方法 |
CN111178250A (zh) * | 2019-12-27 | 2020-05-19 | 深圳市越疆科技有限公司 | 物体识别定位方法、装置及终端设备 |
CN111178250B (zh) * | 2019-12-27 | 2024-01-12 | 深圳市越疆科技有限公司 | 物体识别定位方法、装置及终端设备 |
CN114076569B (zh) * | 2020-08-20 | 2024-05-03 | 准时达国际供应链管理有限公司 | 体积测量方法、装置、边缘服务器及存储介质 |
CN114076569A (zh) * | 2020-08-20 | 2022-02-22 | 准时达国际供应链管理有限公司 | 体积测量方法、装置、边缘服务器及存储介质 |
CN112070736A (zh) * | 2020-09-01 | 2020-12-11 | 上海电机学院 | 一种结合目标检测和深度计算的物体体积视觉测量方法 |
CN112070736B (zh) * | 2020-09-01 | 2023-02-24 | 上海电机学院 | 一种结合目标检测和深度计算的物体体积视觉测量方法 |
CN112815837A (zh) * | 2020-12-31 | 2021-05-18 | 杭州荣旗科技有限公司 | 一种测量非规则物体体积的方法 |
CN113124753A (zh) * | 2021-04-19 | 2021-07-16 | 北京麦哲科技有限公司 | 一种体积测量方法和装置 |
CN113340531A (zh) * | 2021-06-03 | 2021-09-03 | 青岛大志美德电气有限公司 | 一种配电箱密封性试验装置及试验方法 |
WO2023279289A1 (en) * | 2021-07-07 | 2023-01-12 | Qualcomm Incorporated | Processing image data using multi-point depth sensing system information |
EP4239580A1 (en) * | 2022-03-04 | 2023-09-06 | Nomura Research Institute, Ltd. | Measurement system |
CN115410135A (zh) * | 2022-11-01 | 2022-11-29 | 中国民航大学 | 自主式搬运的航空行李特征感知重构方法、系统及其应用 |
CN115410135B (zh) * | 2022-11-01 | 2023-04-07 | 中国民航大学 | 自主式搬运的航空行李特征感知重构方法、系统及其应用 |
CN116681751A (zh) * | 2023-07-27 | 2023-09-01 | 深圳市平方科技股份有限公司 | 一种吊装石材体积识别方法、装置及终端 |
CN116681751B (zh) * | 2023-07-27 | 2024-03-15 | 深圳市平方科技股份有限公司 | 一种吊装石材体积识别方法、装置及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110174056A (zh) | 一种物体体积测量方法、装置及移动终端 | |
CN108537834B (zh) | 一种基于深度图像的体积测量方法、系统及深度相机 | |
CN110095062B (zh) | 一种物体体积参数测量方法、装置及设备 | |
CN110017773B (zh) | 一种基于机器视觉的包裹体积测量方法 | |
CN106813568B (zh) | 物体测量方法及装置 | |
CN100570275C (zh) | 一种基于图像的体积测量装置及其测量方法 | |
CN109842756A (zh) | 一种镜头畸变矫正和特征提取的方法及系统 | |
CN106969706A (zh) | 基于双目立体视觉的工件检测与三维测量系统及检测方法 | |
CN107607090B (zh) | 建筑物投影纠正方法及装置 | |
CN112686877B (zh) | 基于双目相机的三维房屋损伤模型构建测量方法及系统 | |
US20180108143A1 (en) | Height measuring system and method | |
CN105835507B (zh) | 一种手机盖板玻璃和液晶屏的贴合方法 | |
CN112254633B (zh) | 物体尺寸测量方法、装置和设备 | |
CN110672020A (zh) | 一种基于单目视觉的立木高度测量方法 | |
CN107504917B (zh) | 一种三维尺寸测量方法及装置 | |
CN108510528A (zh) | 一种可见光和红外图像配准融合的方法及装置 | |
CN107705335A (zh) | 标定非共视域线扫激光测距仪和测量相机方位的方法 | |
CN116309880A (zh) | 基于三维重建的物体位姿确定方法、装置、设备及介质 | |
CN110763306A (zh) | 一种基于单目视觉的液位测量系统及方法 | |
CN108876842A (zh) | 一种亚像素边缘角度的测量方法、系统、设备及存储介质 | |
Wang et al. | Automatic reading system for analog instruments based on computer vision and inspection robot for power plant | |
CN110517323A (zh) | 基于机械手单相机多目视觉的三维定位系统及方法 | |
CN110458857A (zh) | 中心对称图元检测方法、装置、电子设备及可读存储介质 | |
CN115615992B (zh) | 一种耐火砖尺寸测量及缺陷检测方法 | |
CN115908581A (zh) | 一种车载相机俯仰角标定方法、装置、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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190827 |