CN110940273A - 一种基于卡尔曼滤波的物体体积估测方法 - Google Patents
一种基于卡尔曼滤波的物体体积估测方法 Download PDFInfo
- Publication number
- CN110940273A CN110940273A CN201911295761.3A CN201911295761A CN110940273A CN 110940273 A CN110940273 A CN 110940273A CN 201911295761 A CN201911295761 A CN 201911295761A CN 110940273 A CN110940273 A CN 110940273A
- Authority
- CN
- China
- Prior art keywords
- bounding box
- image sensor
- image
- images
- depth data
- 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.)
- Granted
Links
Images
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
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/593—Depth or shape recovery from multiple images from stereo images
-
- 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)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于卡尔曼滤波的物体体积估测方法,包括以下步骤:1)在运输轨道的上方安装第一个图像传感器,在运输轨道前端安装第二个图像传感器;2)物体在运输轨道上进行的过程中,通过双目传感器实时采集运输轨道及其上物体的图像,识别采集到的图像中的物体,得物体在该图像中的包围盒区域,并根据物体在该图像中的包围盒区域计算物体的包围盒参数,同时计算双目传感器检测物体的深度数据;3)将步骤2)得到的物体的包围盒参数及深度数据作为系统估计的状态输入到卡尔曼滤波器中,并根据卡尔曼滤波器的输出结果计算物体的体积,该方法能够较为准确估计物体的体积,且成本较低。
Description
技术领域
本发明属于图像处理领域,涉及一种基于卡尔曼滤波的物体体积估测方法。
背景技术
目前物流行业蓬勃发展,如何提升仓库作业效率、节省人力成本成为物流业非常重要的竞争力指标。为提高物流行业的工作效率,物流企业都纷纷使用体积测量设备,体积测量设备大大提高了工作效率,降低了人工成本。
异方科技有限公司专注于货物测量领域,其自主研发的Goodscan 系列产品,可快速准确地获取货物“重量+体积+条码”等信息,提升效率。该系列产品使用了一个或多个深度传感器并基于3D视觉测量的原理对物体体积进行测量,然而这样会增加检测的成本。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供了一种基于卡尔曼滤波的物体体积估测方法,该方法能够较为准确估计物体的体积,且成本较低。
为达到上述目的,本发明所述的基于卡尔曼滤波的物体体积估测方法包括以下步骤:
1)在运输轨道的上方安装第一个图像传感器,其中,第一个图像传感器的光轴及图像采集方向垂直于被测物体的运动平面,安装第二个图像传感器,第二个图像传感器的光轴与被测物体的运动平面保持水平,且第一个图像传感器的光轴与第二图像传感器的光轴保持正交,第一个图像传感器与第二个图像传感器组成双目传感器;
2)物体在运输轨道上进行的过程中,通过双目传感器实时采集运输轨道及其上物体的图像,识别采集到的图像中的物体,得物体在该图像中的包围盒区域,并根据物体在该图像中的包围盒区域计算物体的包围盒参数,同时计算双目传感器检测物体的深度数据;
3)将步骤2)得到的物体的包围盒参数及深度数据作为系统估计的状态输入到卡尔曼滤波器中,并根据卡尔曼滤波器的输出结果计算物体的体积。
根据物体在第一个图像传感器采集到的图像中的包围盒区域计算物体的长度及宽度,根据物体在第二个图像传感器采集到的图像中的包围盒区域计算物体的宽度及高度。
对第一个图像传感器及第二个图像传感器采集到的图像进行双目视差及深度数据计算,并将平均深度数据作为本张图像中物体距离该传感器的距离。
步骤2)的具体操作为:
21)设置标识位及缓存空间,其中,所述标识位用于表示是否在图像中识别出物体且正在跟踪该物体,该缓存空间用于保存检测得到的物体的包围盒参数及深度数据;
22)初始化标识位为不跟踪,并将缓存空间清空;
23)开启双目图像传感器进行图像采集;
24)将物体作为目标,识别双目图像传感器采集到的图像中的目标,得目标的数目及各目标对应的包围盒参数;
25)当目标数目为零,且标识位为未在跟踪,则转至步骤23);
当目标数目为零,标识位为正在跟踪,则将缓冲空间中的包围盒参数及深度数据输出,然后转至步骤22);
当目标数目大于零,且标识位为未在跟踪,则设定标识位为正在跟踪,并计算图像的深度数据并取均值,然后将该均值及包围盒参数存入到缓存空间内,然后转至步骤23);
当目标数目大于零,且标识位为正在跟踪,则计算图像的深度数据并取均值,然后将该均值及包围盒参数存入到缓存空间内,然后转至步骤23)。
还包括固定支架,其中,固定支架为┏形结构,其中,第一个图像传感器位于固定架的顶部,第二个图像传感器位于固定架的侧面。
计算机通过双目传感器实时采集运输轨道及其上物体的图像,识别采集到的图像中的物体,得物体在该图像中的包围盒区域,并根据物体在该图像中的包围盒区域计算物体的包围盒参数,同时计算双目传感器检测物体的深度数据,然后将物体的包围盒参数及深度数据作为系统估计的状态输入到卡尔曼滤波器中,并根据卡尔曼滤波器的输出结果计算物体的体积。
本发明具有以下有益效果:
本发明所述的基于卡尔曼滤波的物体体积估测方法在具体操作时,通过两个图像传感器进行图像采集,其中,第一个图像传感器的光轴及图像采集方向垂直于被测物体的运动平面,第二个图像传感器的光轴与被测物体的运动平面保持水平,且第一个图像传感器的光轴与第二图像传感器的光轴保持正交,通过双目传感器实时采集运输轨道及其上物体的图像,同时计算双目传感器检测物体的深度数据;然后利用卡尔曼滤波器对物体的包围盒参数及深度数据进行卡尔曼滤波处理,以提高测量的精准度,操作方便,同时避免使用深度传感器,检测的成本较低。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明中图像传感器的安装位置图;
图2为本发明的流程图;
图3为本发明中卡尔曼滤波的流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
首先对本发明需要涉及到的名词进行解释:
图像处理:用计算机对图像进行分析,以达到所需结果的技术,又称影像处理,图像处理一般指数字图像处理,数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组,该数组的元素称为像素,其值称为灰度值,图像处理技术一般包括图像压缩,增强和复原,匹配、描述和识别3个部分。
双目立体视觉(Binocular Stereo Vision):双目立体视觉是机器视觉的一种重要形式,它是基于视差原理并利用成像设备从不同的位置获取被测物体的两幅图像,通过计算图像对应点间的位置偏差,来获取物体三维几何信息的方法。
双目立体视觉匹配:双目相机拍摄同一场景的左、右两幅视点图像,立体视觉匹配算法通过提取两张图像中的特征点同时进行特征点的匹配,找到左右图像中的相同点,进而计算双目视差获取深度图。SGM (Semi-Global Matching)算法就是一种高效的立体视觉匹配算法。
滤波:滤波是将信号中特定波段频率滤除的操作,是抑制和防止干扰的一项重要措施。是根据观察某一随机过程的结果,对另一与之有关的随机过程进行估计的概率理论与方法。数据滤波是去除噪声还原真实数据的一种数据处理技术。
卡尔曼滤波(Kalman Filtering):一种利用线性系统状态方程,通过系统输入输出观测数据,对系统状态进行最优估计的算法。
高斯噪声:概率密度函数服从高斯分布(即正态分布)的一类噪声。
目标检测(Object Detection):目标检测是一种用于处理图像或者视频的计算机视觉技术,能够将感兴趣的目标实例从图像或视频帧中识别并定位出来。
包围盒(Bounding Box):目标检测任务的输出,是图像上的一个矩阵区域,该矩阵区域包含了检测目标的绝大部分内容。
参考图1及图2,本发明所述的基于卡尔曼滤波的物体体积估测方法包括以下步骤:
1)在运输轨道的上方安装第一个图像传感器,其中,第一个图像传感器的光轴及图像采集方向垂直于被测物体的运动平面,安装第二个图像传感器,第二个图像传感器的光轴与被测物体的运动平面保持水平,且第一个图像传感器的光轴与第二图像传感器的光轴保持正交,第一个图像传感器与第二个图像传感器组成双目传感器;
2)物体在运输轨道上进行的过程中,通过双目传感器实时采集运输轨道及其上物体的图像,识别采集到的图像中的物体,得物体在该图像中的包围盒区域,并根据物体在该图像中的包围盒区域计算物体的包围盒参数,同时计算双目传感器检测物体的深度数据;
3)将步骤2)得到的物体的包围盒参数及深度数据作为系统估计的状态输入到卡尔曼滤波器中,并根据卡尔曼滤波器的输出结果计算物体的体积。
另外,本发明将第一个图像传感器及第二个图像传感器安装于固定支架上,其中,固定支架为┏形结构,其中,第一个图像传感器位于固定架的顶部,第二个图像传感器位于固定架的侧面。另外步骤2)及步骤3)在计算机中完成。
需要说明的是,根据物体在第一个图像传感器采集到的图像中的包围盒区域计算物体的长度及宽度,根据物体在第二个图像传感器采集到的图像中的包围盒区域计算物体的宽度及高度。
对第一个图像传感器及第二个图像传感器采集到的图像进行双目视差及深度数据计算,并将平均深度数据作为本张图像中物体距离该传感器的距离,步骤2)的具体操作为:
21)设置标识位及缓存空间,其中,所述标识位用于表示是否在图像中识别出物体且正在跟踪该物体,该缓存空间用于保存检测得到的物体的包围盒参数及深度数据;
22)初始化标识位为不跟踪,并将缓存空间清空;
23)开启双目图像传感器进行图像采集;
24)将物体作为目标,识别双目图像传感器采集到的图像中的目标,得目标的数目及各目标对应的包围盒参数;
25)当目标数目为零,且标识位为未在跟踪,则转至步骤23);
当目标数目为零,标识位为正在跟踪,则将缓冲空间中的包围盒参数及深度数据输出,然后转至步骤22);
当目标数目大于零,且标识位为未在跟踪,则设定标识位为正在跟踪,并计算图像的深度数据并取均值,然后将该均值及包围盒参数存入到缓存空间内,然后转至步骤23);
当目标数目大于零,且标识位为正在跟踪,则计算图像的深度数据并取均值,然后将该均值及包围盒参数存入到缓存空间内,然后转至步骤23)。
具体的,参考图3,卡尔曼滤波器对数据进行处理的具体过程为:
测量物体的基本原理是根据图像中的物体占图像区域的大小计算物体的尺寸,当物体离图像传感器的距离一定时,物体所占区域越大,则认为物体的截面积越大。同一个物体,物体沿着光轴的方向离开传感器的距离越远,则所占的图像区域面积也就越小。因此,只需要获取物体在图像中的区域以及物体的深度数据就可以通过比对标准物体,利用几何比例关系估计尺寸,该几何比例关系的公式表达为:
其中,li表示物体截面的尺寸(长或宽),bi表示对应图像上包围盒的尺寸,zi表示物体的深度,该公式表达了物体界面尺寸与对应图像上包围盒的尺寸以及物体的深度成正比。
使用单个双目传感器俯视测量平面时,物体经过测量区域的过程中,物体的深度可以认为不会发生变化,由此可以计算物体的上表面尺寸,再使用另一个双目传感器从侧面检测,便能获取物体侧面尺寸,结合两者的测量结果便能得到物体的三维尺寸信息。
然而,物体的准确度容易收到传感器采集图像的质量与物体区域识别精度的影响。为了减少它们带来的误差,在物体经过测量区域的过程中采集多组连续图像,使用卡尔曼滤波器进行处理,以滤波后的结果作为最后的估计结果。
系统需要进行估计的参数为物体截面的尺寸向量X,即物体的长宽 (高)X=(L,W)T,图像传感器获得的参数Z包括包围盒的尺寸信息(长与宽)(a,b)与物体的深度z,即Z=(a,b,z)T。
由于物体的尺寸是恒定不变的,系统状态为:
xt=(l w h)T (1)
卡尔曼状态转移方程为:
xt=Fxt-1,F=I2. (2)
向量xt描述的是t时刻系统的状态,即在t时刻系统对物体尺寸的估计值(我们希望它不断逼近物体的真实尺寸X)。由于系统的状态是恒定的,从而状态转移矩阵F为一个单位矩阵。
系统在下个时刻的状态估计由当前状态的后验估计值以及图像传感器的观测值所共同决定的,系统的估计值和图像传感器均有误差,因此为了描述系统状态估计值和真实值的误差,引入系统状态的协方差矩阵 Pt,系统状态转移协方差矩阵(描述状态转移过程中产生的偏差)为Q,根据协方差的性质,前后两个时刻的状态的协方差矩阵满足
Pt=FPt-1FT+Q (3)
图像传感器采集的数据(观测值)Z为:
Z=(a b z)T|t=i
zi=(az bz)T|t=i
根据式(1),得观测值与系统状态之间的关系为:
其中,H为系统状态值到观测值的线性变换矩阵,Z0=(a0,b0,z0)T为标准比对物体的标定参数,(l0,w0)T为物体的实际尺寸,R为图像传感器的观测噪声。
根据卡尔曼滤波所定义的过程,首先进行预测(计算先验状态):
然后更新卡尔曼增益K为:
卡尔曼增益K描述了当系统预测值和传感器观测值均存在误差(高斯噪声)时,估计值与真实值的偏差程度。
得到K后,系统根据观测值纠正估计值,计算系统的后验状态:
采集获得多组图像传感器观测数据后,便可以通过式(4)、式(5)及式(6)迭代求得最优无偏估计。
另外,单个图像传感器数据过滤的过程为:
a)初始化状态转移矩阵F、状态协方差P、线性观测矩阵H、初始状态x、状态转移协方差Q以及高斯噪声R;
b)若不存在下一组观测数据,输出x,滤波过程结束;
否则,Z=(a,b,z)为当前观测值,z=(az,bz);
c)根据式(4)进行系统状态预测;
d)根据式(5)进行卡尔曼增益计算;
e)综合观测值,根据式(6)计算更新系统后验状态估计,保存系统状态x。
滤波最后的输出为物体截面的尺寸x=(l,h),对设置于测量平面上方和侧面的图像传感器同时处理便得到最后的结果。
实施例一
本实施例中系统硬件部分采用四个768*640分辨率的彩色摄像头分别制成两组双目相机固定在合金制伸缩支架上,支架的臂长为1米。支架布设在传输速度为0.2米/秒的传送带的侧面。上方相机距传送带平面的高度为0.8米,侧面相机高度为0.2米。两组相机均使用USB接口连接在一台安装有64位Linux操作系统的计算机上,计算机上保存着测量系统的标定信息并且运行着测量系统的各个软件模块,其中,设置图像采样器的采集频率为24Hz,深度计算时使用的立体匹配算法为SGM算法,目标检测时使用YOLOv3模型,检测盒式目标物体,卡尔曼滤波器的状态转移协方差设定为1.0*10-3I2,观测噪声设定为方差为0.05的高斯噪声。以下描述的是系统完整的运行过程。
首先将0.3*0.3*0.4米的标准方盒放上传送带,方盒缓缓通过测量区域。在方盒通过测量区域的2秒内,每个双目相机约采集48张识别出目标物体的图像并计算出对应的深度数据和包围盒参数,以形成48个 (包围盒长度,包围盒宽度,物体深度)的三元组。对这48个三元组序列进行卡尔曼滤波得到最优的三元组(包围盒长度,包围盒宽度,物体深度),再在计算机上记录两组双目相机的最优的三元组以及对应方盒的真实尺寸,标定结束。
测量过程与标定过程类似,不同的在于估计目标物体真实体积时,需要加载标定数据,根据标定数据按照几何关系计算出目标物体尺寸。最后目标物体的尺寸信息会展示在系统的界面上。
需要说明的是,对于前述的方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明所必需的。
最后应说明的是:以上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精神和范围。
Claims (6)
1.一种基于卡尔曼滤波的物体体积估测方法,其特征在于,包括以下步骤:
1)在运输轨道的上方安装第一个图像传感器,其中,第一个图像传感器的光轴及图像采集方向垂直于被测物体的运动平面,安装第二个图像传感器,第二个图像传感器的光轴与被测物体的运动平面保持水平,且第一个图像传感器的光轴与第二图像传感器的光轴保持正交,第一个图像传感器与第二个图像传感器组成双目传感器;
2)物体在运输轨道上进行的过程中,通过双目传感器实时采集运输轨道及其上物体的图像,再识别采集到的图像中的物体,得物体在该图像中的包围盒区域,并根据物体在该图像中的包围盒区域计算物体的包围盒参数,同时计算双目传感器检测物体的深度数据;
3)将步骤2)得到的物体的包围盒参数及深度数据作为系统估计的状态输入到卡尔曼滤波器中,并根据卡尔曼滤波器的输出结果计算物体的体积。
2.根据权利要求1所述的基于卡尔曼滤波的物体体积估测方法,其特征在于,根据物体在第一个图像传感器采集到的图像中的包围盒区域计算物体的长度及宽度,根据物体在第二个图像传感器采集到的图像中的包围盒区域计算物体的宽度及高度。
3.根据权利要求1所述的基于卡尔曼滤波的物体体积估测方法,其特征在于,对第一个图像传感器及第二个图像传感器采集到的图像进行双目视差及深度数据计算,并将平均深度数据作为本张图像中物体距离该传感器的距离。
4.根据权利要求3所述的基于卡尔曼滤波的物体体积估测方法,其特征在于,步骤2)的具体操作为:
21)设置标识位及缓存空间,其中,所述标识位用于表示是否在图像中识别出物体且正在跟踪该物体,该缓存空间用于保存检测得到的物体的包围盒参数及深度数据;
22)初始化标识位为不跟踪,并将缓存空间清空;
23)开启双目图像传感器进行图像采集;
24)将物体作为目标,识别双目图像传感器采集到的图像中的目标,得目标的数目及各目标对应的包围盒参数;
25)当目标数目为零,且标识位为未在跟踪,则转至步骤23);
当目标数目为零,标识位为正在跟踪,则将缓冲空间中的包围盒参数及深度数据输出,然后转至步骤22);
当目标数目大于零,且标识位为未在跟踪,则设定标识位为正在跟踪,并计算图像的深度数据并取均值,然后将该均值及包围盒参数存入到缓存空间内,然后转至步骤23);
当目标数目大于零,且标识位为正在跟踪,则计算图像的深度数据并取均值,然后将该均值及包围盒参数存入到缓存空间内,然后转至步骤23)。
5.根据权利要求1所述的基于卡尔曼滤波的物体体积估测方法,其特征在于,还包括固定支架,其中,固定支架为┏形结构,其中,第一个图像传感器位于固定架的顶部,第二个图像传感器位于固定架的侧面。
6.根据权利要求1所述的基于卡尔曼滤波的物体体积估测方法,其特征在于,计算机通过双目传感器实时采集运输轨道及其上物体的图像,识别采集到的图像中的物体,得物体在该图像中的包围盒区域,并根据物体在该图像中的包围盒区域计算物体的包围盒参数,同时计算双目传感器检测物体的深度数据,然后将物体的包围盒参数及深度数据作为系统估计的状态输入到卡尔曼滤波器中,并根据卡尔曼滤波器的输出结果计算物体的体积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911295761.3A CN110940273B (zh) | 2019-12-16 | 2019-12-16 | 一种基于卡尔曼滤波的物体体积估测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911295761.3A CN110940273B (zh) | 2019-12-16 | 2019-12-16 | 一种基于卡尔曼滤波的物体体积估测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110940273A true CN110940273A (zh) | 2020-03-31 |
CN110940273B CN110940273B (zh) | 2021-08-17 |
Family
ID=69911505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911295761.3A Active CN110940273B (zh) | 2019-12-16 | 2019-12-16 | 一种基于卡尔曼滤波的物体体积估测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110940273B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5719678A (en) * | 1994-07-26 | 1998-02-17 | Intermec Corporation | Volumetric measurement of a parcel using a CCD line scanner and height sensor |
CN102322826A (zh) * | 2011-05-24 | 2012-01-18 | 上海瑞伯德智能系统科技有限公司 | 一种物体三维表面数据的改进的测量方法 |
CN103630074A (zh) * | 2013-11-29 | 2014-03-12 | 北京京东尚科信息技术有限公司 | 一种测量物体最小包装体积的方法和装置 |
CN105277120A (zh) * | 2014-06-25 | 2016-01-27 | 财团法人工业技术研究院 | 物体测量系统及方法 |
CN206989889U (zh) * | 2017-05-03 | 2018-02-09 | 新石器龙码(北京)科技有限公司 | 一种基于双目立体视觉测量静态物体体积的装置 |
CN109000563A (zh) * | 2018-07-19 | 2018-12-14 | 工极(北京)智能科技有限公司 | 基于单目摄像头组合的智能三维立体测量仪 |
-
2019
- 2019-12-16 CN CN201911295761.3A patent/CN110940273B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5719678A (en) * | 1994-07-26 | 1998-02-17 | Intermec Corporation | Volumetric measurement of a parcel using a CCD line scanner and height sensor |
CN102322826A (zh) * | 2011-05-24 | 2012-01-18 | 上海瑞伯德智能系统科技有限公司 | 一种物体三维表面数据的改进的测量方法 |
CN103630074A (zh) * | 2013-11-29 | 2014-03-12 | 北京京东尚科信息技术有限公司 | 一种测量物体最小包装体积的方法和装置 |
CN105277120A (zh) * | 2014-06-25 | 2016-01-27 | 财团法人工业技术研究院 | 物体测量系统及方法 |
CN206989889U (zh) * | 2017-05-03 | 2018-02-09 | 新石器龙码(北京)科技有限公司 | 一种基于双目立体视觉测量静态物体体积的装置 |
CN109000563A (zh) * | 2018-07-19 | 2018-12-14 | 工极(北京)智能科技有限公司 | 基于单目摄像头组合的智能三维立体测量仪 |
Non-Patent Citations (1)
Title |
---|
宓逸舟: "基于双目视觉的快递包裹体积计量系统", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110940273B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dang et al. | Continuous stereo self-calibration by camera parameter tracking | |
US8355564B2 (en) | Corresponding point searching method and three-dimensional position measuring method | |
CN110796010B (zh) | 一种结合光流法和卡尔曼滤波的视频稳像方法 | |
Thormählen et al. | Keyframe selection for camera motion and structure estimation from multiple views | |
CN107481274B (zh) | 一种三维作物点云的鲁棒性重构方法 | |
CN111795686A (zh) | 一种移动机器人定位与建图的方法 | |
CN110189257B (zh) | 点云获取的方法、装置、系统及存储介质 | |
US11651581B2 (en) | System and method for correspondence map determination | |
JP6061770B2 (ja) | カメラ姿勢推定装置及びそのプログラム | |
CN111383257A (zh) | 一种车厢装卸率确定方法和装置 | |
JP2006252275A (ja) | カメラ運動及び物体形状の復元システム | |
JP2015524946A (ja) | 画像解像度が改善された超解像画像を形成するための方法及び測定装置 | |
CN113642397B (zh) | 一种基于手机视频的物体长度测量方法 | |
CN111428651A (zh) | 一种车辆的障碍信息获取方法、系统及车辆 | |
JP4836065B2 (ja) | エッジトラッキング方法及びそのコンピュータプログラム | |
Paudel et al. | 2D-3D camera fusion for visual odometry in outdoor environments | |
Bhowmick et al. | Mobiscan3D: A low cost framework for real time dense 3D reconstruction on mobile devices | |
CN110940273B (zh) | 一种基于卡尔曼滤波的物体体积估测方法 | |
JP4935769B2 (ja) | 平面領域推定装置及びプログラム | |
CN112614176A (zh) | 一种带式传送机物料体积测量方法、装置及存储介质 | |
Lapandic et al. | Framework for automated reconstruction of 3D model from multiple 2D aerial images | |
CN113295089B (zh) | 一种基于视觉惯性slam的车厢车厢容积率测量方法 | |
CN114399532A (zh) | 一种相机位姿确定方法和装置 | |
Han et al. | Automated three-dimensional measurement method of in situ fish with a stereo camera | |
JP6055307B2 (ja) | 対応点探索装置およびカメラ姿勢推定装置ならびにこれらのプログラム |
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 |