CN111932576B - 一种基于深度相机的物体边界测量方法和装置 - Google Patents

一种基于深度相机的物体边界测量方法和装置 Download PDF

Info

Publication number
CN111932576B
CN111932576B CN202010680384.1A CN202010680384A CN111932576B CN 111932576 B CN111932576 B CN 111932576B CN 202010680384 A CN202010680384 A CN 202010680384A CN 111932576 B CN111932576 B CN 111932576B
Authority
CN
China
Prior art keywords
depth
pixel
coordinates
camera
depth camera
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
Application number
CN202010680384.1A
Other languages
English (en)
Other versions
CN111932576A (zh
Inventor
黄敏
裘昊天
张晓林
李嘉茂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Institute of Microsystem and Information Technology of CAS
Original Assignee
Shanghai Institute of Microsystem and Information Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Institute of Microsystem and Information Technology of CAS filed Critical Shanghai Institute of Microsystem and Information Technology of CAS
Priority to CN202010680384.1A priority Critical patent/CN111932576B/zh
Publication of CN111932576A publication Critical patent/CN111932576A/zh
Application granted granted Critical
Publication of CN111932576B publication Critical patent/CN111932576B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明涉及一种基于深度相机的物体边界测量方法和装置，其中方法包括：通过深度相机获取被测物体在空间中发生空间变化前后的两张深度图；将两张深度图相减得到深度差值图，根据深度差值图得到被测物体的像素区域；通过所述深度相机内参和外参以及所述像素区域提取物体边界。本发明能够在环境复杂，干扰物较多的场景中精确分割出被测区域。

Description

一种基于深度相机的物体边界测量方法和装置
技术领域
本发明涉及计算机视觉技术领域，特别是涉及一种基于深度相机的物体边界测量方法和装置。
背景技术
对物体边界的测量技术在工业，物流等领域应用十分广泛。比如自动叉车AGV(Automated Guided Vehicle)作为现代制造系统中的物料传送设备已经得到了在制造、仓储等行业广泛应用。自动叉车避障和路径规划需要自身的边界与障碍物或者路径进行对比，而由于叉车搬运的物体形状大小不一，自身边界难以确定，从而带来困难。因此，需要快速测量出物体边界。在物流领域，在包裹运输过程中，需要对其进行快速测量，而该测量工作仍大多采用人工测量，效率低下。在工业领域，对传送带上物体边界测量也有大量应用。
经过专利检索，通常对物体的边界测量通常是在没有其他干扰物的情况下，根据深度图中物体和背景的深度值不同来分离物体和背景。但当环境背景复杂，干扰物较多时，将被测物体从背景中分割出来较为困难。
发明内容
本发明所要解决的技术问题是提供一种基于深度相机的物体边界测量方法和装置，能够在环境复杂，干扰物较多的场景中精确分割出被测区域。
本发明解决其技术问题所采用的技术方案是：提供一种基于深度相机的物体边界测量方法，包括以下步骤：
(1)通过深度相机获取被测物体在空间中发生空间变化前后的两张深度图，其中，所述深度图包括被测物体的深度信息；
(2)将两张深度图相减得到深度差值图，根据深度差值图得到被测物体的像素区域；
(3)通过所述深度相机内参和外参以及所述像素区域提取物体边界。
所述步骤(1)中被测物体在空间中发生空间变化是指获取到的两张深度图中被测物体所在像素区域的深度发生变化。
所述步骤(2)中的深度差值图反映了被测物体和背景环境的深度变化，通过被测物体深度变化与背景深度变化的不同来区分深度图中的被测物体和背景。
所述步骤(2)中根据深度差值图得到被测物体的像素区域具体为：遍历深度差值图的像素，将像素与阈值比较，实现二值化处理，并将大于阈值的像素区域作为被测物体的备选像素区域；通过区域联通算法将备选区域划分为若干连通区域；通过连通区域的特征选出被测物体的像素区域。
所述连通区域的特征为所述连通区域中心与图像中心的相对距离、或所述连通区域质心与图像质心的相对距离、或所述连通区域的面积。
所述步骤(3)具体为：通过遍历被测物体的像素区域内每一个像素的深度值，通过所述深度相机的内参计算位于像素在相机坐标系下的坐标；通过所述深度相机的外参计算出像素在地面坐标系下的坐标，得到所有像素点在地面坐标系下的坐标，并找到所有坐标中的横坐标和纵坐标的最大值与最小值，横坐标最大值与最小值的差值表示物体的长度，纵坐标最大值与最小值表示物体的宽度。
本发明解决其技术问题所采用的技术方案是：还提供一种基于深度相机的物体边界测量装置，包括深度相机、控制单元和计算单元，所述深度相机用于获取被测物体的深度图，其中，所述深度图包括被测物体的深度信息；所述控制单元用于在被测物体在空间中发生空间变化前后向所述深度相机发出拍摄的控制信号；所述计算单元包括像素区域提取部分和物体边界计算部分，所述像素区域提取部分用于将两张深度图相减得到深度差值图，根据深度差值图得到被测物体的像素区域；所述物体边界计算部分用于通过所述深度相机内参和外参以及所述像素区域提取物体边界。
所述像素区域提取部分通过遍历深度差值图的像素，将像素与阈值比较，实现二值化处理，并将大于阈值的像素区域作为被测物体的备选像素区域；通过区域联通算法将备选区域划分为若干连通区域；通过连通区域的特征选出被测物体的像素区域。
所述连通区域的特征为所述连通区域中心与图像中心的相对距离、或所述连通区域质心与图像质心的相对距离、或所述连通区域的面积。
所述物体边界计算部分通过遍历被测物体的像素区域内每一个像素的深度值，通过所述深度相机的内参计算位于像素在相机坐标系下的坐标；通过所述深度相机的外参计算出像素在地面坐标系下的坐标，得到所有像素点在地面坐标系下的坐标，并找到所有坐标中的横坐标和纵坐标的最大值与最小值，横坐标最大值与最小值的差值表示物体的长度，纵坐标最大值与最小值表示物体的宽度。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明通过获取物体空间变化前后的深度图，并将两张深度图做差得到深度差值图，根据物体与背景差值不同，得到物体的像素区域。本发明能够在环境复杂，干扰物较多的场景中精确分割出被测物体在深度图中的区域，从而得到被测物体的边界。
附图说明
图1是本发明的流程图；
图2是本发明的结构示意图；
图3是本发明实施例1的流程图；
图4是本发明实施例2的结构示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于深度相机的物体边界测量方法，如图1所示，包括以下步骤：
(1)通过深度相机获取被测物体在空间中发生空间变化前后的两张深度图，其中，所述深度图包括被测物体的深度信息。
(2)将两张深度图相减得到深度差值图，根据深度差值图得到被测物体的像素区域。
其中，深度差值图反应了被测物体和背景环境的深度变化，通过被测物体深度变化与背景深度变化的不同来区分深度图中的被测物体和背景。
本步骤中，根据深度差值图得到被测物体的像素区域具体为：遍历深度差值图的像素，将像素与阈值比较，实现二值化处理，并将大于阈值的像素区域作为被测物体的备选像素区域；通过区域联通算法将备选区域划分为若干连通区域；通过连通区域的特征选出被测物体的像素区域。
对于背景固定的场景，可以将背景深度图保存，将被测物体存在的深度图与背景深度图相减，得到物体相对于背景的深度。不同的物体可用同一张背景深度图计算而不需要拍摄两次深度图。
(3)通过所述深度相机内参和外参以及所述像素区域提取物体边界。具体为：通过遍历被测物体的像素区域内每一个像素的深度值，通过所述深度相机的内参计算位于像素在相机坐标系下的坐标；通过所述深度相机的外参计算出像素在地面坐标系下的坐标，得到所有像素点在地面坐标系下的坐标，并找到所有坐标中的横坐标和纵坐标的最大值与最小值，横坐标最大值与最小值的差值表示物体的长度，纵坐标最大值与最小值表示物体的宽度。
本发明的实施方式还涉及一种基于深度相机的物体边界测量装置，如图2所示，包括深度相机、控制单元和计算单元，所述深度相机用于获取被测物体的深度图，其中，所述深度图包括被测物体的深度信息；所述控制单元用于在被测物体在空间中发生空间变化前后向所述深度相机发出拍摄的控制信号；所述计算单元包括像素区域提取部分和物体边界计算部分，所述像素区域提取部分用于将两张深度图相减得到深度差值图，根据深度差值图得到被测物体的像素区域；所述物体边界计算部分用于通过所述深度相机内参和外参以及所述像素区域提取物体边界。
其中，所述像素区域提取部分通过遍历深度差值图的像素，将像素与阈值比较，实现二值化处理，并将大于阈值的像素区域作为被测物体的备选像素区域；通过区域联通算法将备选区域划分为若干连通区域；通过连通区域的特征选出被测物体的像素区域。物体边界计算部分通过遍历被测物体的像素区域内每一个像素的深度值，通过所述深度相机的内参计算位于像素在相机坐标系下的坐标；通过所述深度相机的外参计算出像素在地面坐标系下的坐标，得到所有像素点在地面坐标系下的坐标，并找到所有坐标中的横坐标和纵坐标的最大值与最小值，横坐标最大值与最小值的差值表示物体的长度，纵坐标最大值与最小值表示物体的宽度。
下面通过几个具体的实施例来进一步说明本发明。
实施例1：
一种叉车货物边界测量系统，该系统硬件组成主要为：一台叉车，一台计算机，一台深度相机。叉车叉到物体后将货物抬升一定高度。计算机控制深度相机在货物空间变化前后拍摄深度图，并进行数据处理和计算。深度相机通过传感器获取深度信息。由此可见，本实施例中计算机集成了控制单元和计算单元。
如图3所示，本实施例提供了一种叉车货物边界测量方法，包括以下步骤：
步骤一、获取货物升降前后的深度图，深度图包括被测货物的深度信息。
货物升降前后的深度图指的是通过拍摄物体空间变化前和空间变化后的状态，获取物体相对于相机的深度值。在本实施例中，具体的：
叉车叉取货物后，计算机发出信号控制深度相机拍摄深度图，叉车抬升物体，计算机再次控制深度相机拍摄深度图。对于两张深度图同一位置的像素，抬升前的深度值为hij1，抬升后深度值为hij2。
步骤二、根据货物与背景差值不同，得到货物的像素区域。
通过深度差值得到货物的像素区域指的是通过对两张深度图做差，得到深度差值图并分割出物体所在的像素区域。具体的：
(1)对前后两张深度图做差，对于同一位置的像素Δhij＝hij2-hij1，Δhij为该像素前后深度差。
(2)遍历像素，对差值进行二值化处理，即将小于阈值的像素置为0，大于阈值的像素置为255。阈值大小由空间变化高度决定。大于阈值的区域为被测货物的备选像素区域。
(3)通过区域联通算法将备选像素区域划分为几个连通区域，去除面积过小的区域，计算剩下的区域的质心Mi(xi,yi)与图像质心Mc(xc,yc)的距离，将距离最近的作为正确像素区域。
步骤三、通过相机内参、外参和像素区域，根据相机的成像原理获取货物边界。具体的：
(1)通过遍历像素区域内每一个像素的深度值d，通过相机的内参K计算位于(u,v)像素在相机坐标系下的坐标Pc(xc,yc,zc)，即：
(2)通过外参Twc计算出该像素在地面坐标系下的坐标Pw(xw,yw,zw)，其中，Pw＝Twc*Pc
外参指的是相机相对于地面的旋转矩阵Twc，在本实施例中，获取旋转矩阵的方法是通过将ArUco码平行相机贴于地面上，通过相机拍摄ArUco码，计算相机相对ArUco码的位姿，得到旋转矩阵Twc。该步骤只需在初始化时执行一次，若相机与地面位姿没有发生变化，则无需重复执行，否则需要重新标定。
(3)基于所有像素点对应的空间坐标建立点云，去除离群点，遍历点云，找到x,y坐标的最大值与最小值xmin，xmax，ymin，ymax。被测物体的长度length和宽度width为对应最大最小值之差，即length＝xmax-xmin，width＝ymax-ymin。
实施例2：
如图4所示，本实施例提供了一种传送带箱体体积检测系统，该系统包括：
箱体检测单元，该单元主要由一对激光发射管和激光接收管组成，用于检测是否有箱体经过，其作为深度信息获取单元的控制单元。
深度信息获取单元，通过接受箱体检测单元所发出的信号，来获取深度信息。该单元有一台深度相机组成，平行安装与传送带上方，拍摄箱体的俯视图。
体积计算单元，通过深度差值得到物体的像素区域，以及通过相机内参、外参和像素区域获取物体边界。
本实施例提供了一种传送带箱体体积检测方法，具体为：
步骤一、获取箱体经过激光发射管前后的深度图。
(1)当箱体从传送带上经过时，激光发射管发射的激光被箱体遮挡，发出第一次深度图采集信号，得到深度图一。
(2)当激光接收管再次接受到激光信号时代表箱体已经通过发射管与接收管所组成的线段，再次发出深度图采集信号，得到深度图二。在此时所拍摄的深度图中，箱体所在的像素区域不会与第一张深度图所在的像素区域重叠。
步骤二、根据深度差值图，得到箱体的像素区域。
将深度图二与深度图一的像素值相减，得到深度差值图，由于箱体距离相机的距离小于传送带，深度较小，所以在深度差值图上会产生两块差值不为0的区域，一块深度差值小于0，另一块大于0，而背景所在像素差值为0。小于0的像素区域为深度图二箱体所在像素区域，大于0的像素区域为深度一箱体所在像素区域。
步骤三、通过相机内参、外参和像素区域，根据相机的成像原理获取箱体体积。
选择一组深度图与箱体像素区域，遍历该深度图的像像素区域，获取深度平均值h。箱体高度H为传送带到相机的距离h0减去深度平均值。物体长度L和宽度W计算方法与实施例1的步骤三相似。计算箱体体积V＝L*W*H。
实施例3：
本发明实施例三与实施例二相似，区别在于获得深度差值的方法不同，本实施例将传送带上没有箱体的深度图作为背景深度图，该深度图保持不变。每当箱体检测单元发出信号时拍摄箱体深度图，每次测量只需要拍摄一次。将箱体深度图与背景深度图相减获得箱体相对于背景的深度差值。由于背景没有变化，而箱体所在的区域深度值发生改变，因此可以得到箱体的像素区域。
不难发现，本发明通过获取物体空间变化前后的深度图，并将两张深度图做差得到深度差值图，根据物体与背景差值不同，得到物体的像素区域。本发明能够在环境复杂，干扰物较多的场景中精确分割出被测物体在深度图中的区域，从而得到被测物体的边界。

Claims (10)

1.一种基于深度相机的物体边界测量方法，其特征在于，包括以下步骤：
(1)通过深度相机获取被测物体在空间中发生空间变化前后的两张深度图，其中，所述深度图包括被测物体的深度信息；
(2)将两张深度图相减得到深度差值图，根据深度差值图得到被测物体的像素区域；
(3)通过所述深度相机内参和外参以及所述像素区域提取物体边界。
2.根据权利要求1所述的基于深度相机的物体边界测量方法，其特征在于，所述步骤(1)中被测物体在空间中发生空间变化是指获取到的两张深度图中被测物体所在像素区域的深度发生变化。
3.根据权利要求1所述的基于深度相机的物体边界测量方法，其特征在于，所述步骤(2)中的深度差值图反映了被测物体和背景环境的深度变化，通过被测物体深度变化与背景深度变化的不同来区分深度图中的被测物体和背景。
4.根据权利要求1所述的基于深度相机的物体边界测量方法，其特征在于，所述步骤(2)中根据深度差值图得到被测物体的像素区域具体为：遍历深度差值图的像素，将像素与阈值比较，实现二值化处理，并将大于阈值的像素区域作为被测物体的备选像素区域；通过区域联通算法将备选区域划分为若干连通区域；通过连通区域的特征选出被测物体的像素区域。
5.根据权利要求4所述的基于深度相机的物体边界测量方法，其特征在于，所述连通区域的特征为所述连通区域中心与图像中心的相对距离、或所述连通区域质心与图像质心的相对距离、或所述连通区域的面积。
6.根据权利要求1所述的基于深度相机的物体边界测量方法，其特征在于，所述步骤(3)具体为：通过遍历被测物体的像素区域内每一个像素的深度值，通过所述深度相机的内参计算位于像素在相机坐标系下的坐标；通过所述深度相机的外参计算出像素在地面坐标系下的坐标，得到所有像素点在地面坐标系下的坐标，并找到所有坐标中的横坐标和纵坐标的最大值与最小值，横坐标最大值与最小值的差值表示物体的长度，纵坐标最大值与最小值表示物体的宽度。
7.一种基于深度相机的物体边界测量装置，其特征在于，包括深度相机、控制单元和计算单元，所述深度相机用于获取被测物体的深度图，其中，所述深度图包括被测物体的深度信息；所述控制单元用于在被测物体在空间中发生空间变化前后向所述深度相机发出拍摄的控制信号；所述计算单元包括像素区域提取部分和物体边界计算部分，所述像素区域提取部分用于将两张深度图相减得到深度差值图，根据深度差值图得到被测物体的像素区域；所述物体边界计算部分用于通过所述深度相机内参和外参以及所述像素区域提取物体边界。
8.根据权利要求7所述的基于深度相机的物体边界测量装置，其特征在于，所述像素区域提取部分通过遍历深度差值图的像素，将像素与阈值比较，实现二值化处理，并将大于阈值的像素区域作为被测物体的备选像素区域；通过区域联通算法将备选区域划分为若干连通区域；通过连通区域的特征选出被测物体的像素区域。
9.根据权利要求8所述的基于深度相机的物体边界测量装置，其特征在于，所述连通区域的特征为所述连通区域中心与图像中心的相对距离、或所述连通区域质心与图像质心的相对距离、或为所述连通区域的面积。
10.根据权利要求7所述的基于深度相机的物体边界测量装置，其特征在于，所述物体边界计算部分通过遍历被测物体的像素区域内每一个像素的深度值，通过所述深度相机的内参计算位于像素在相机坐标系下的坐标；通过所述深度相机的外参计算出像素在地面坐标系下的坐标，得到所有像素点在地面坐标系下的坐标，并找到所有坐标中的横坐标和纵坐标的最大值与最小值，横坐标最大值与最小值的差值表示物体的长度，纵坐标最大值与最小值表示物体的宽度。
CN202010680384.1A 2020-07-15 2020-07-15 一种基于深度相机的物体边界测量方法和装置 Active CN111932576B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010680384.1A CN111932576B (zh) 2020-07-15 2020-07-15 一种基于深度相机的物体边界测量方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010680384.1A CN111932576B (zh) 2020-07-15 2020-07-15 一种基于深度相机的物体边界测量方法和装置

Publications (2)

Publication Number Publication Date
CN111932576A CN111932576A (zh) 2020-11-13
CN111932576B true CN111932576B (zh) 2023-10-31

Family

ID=73312447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010680384.1A Active CN111932576B (zh) 2020-07-15 2020-07-15 一种基于深度相机的物体边界测量方法和装置

Country Status (1)

Country Link
CN (1) CN111932576B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581454A (zh) * 2020-12-23 2021-03-30 中原动力智能机器人有限公司 一种基于深度相机的井盖缺失检测方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010057105A (ja) * 2008-08-29 2010-03-11 Tokyo Institute Of Technology オブジェクトの３次元追跡方法およびシステム
CN104036483A (zh) * 2013-03-06 2014-09-10 北京三星通信技术研究有限公司 图像处理系统和图像处理方法
CN104915952A (zh) * 2015-05-15 2015-09-16 中国科学院上海微系统与信息技术研究所 一种深度图像中基于多叉树的局部凸出对象提取方法
CN105530503A (zh) * 2014-09-30 2016-04-27 光宝科技股份有限公司 深度图建立方法与多镜头相机系统
WO2017067390A1 (zh) * 2015-10-20 2017-04-27 努比亚技术有限公司 图像中弱纹理区域的深度信息获取方法及终端
CN107169933A (zh) * 2017-04-14 2017-09-15 杭州光珀智能科技有限公司 一种基于tof深度相机的边缘反射像素校正方法
CN109472822A (zh) * 2018-12-29 2019-03-15 上海大学 基于深度图像处理的物体尺寸测量方法
CN109658433A (zh) * 2018-12-05 2019-04-19 青岛小鸟看看科技有限公司 图像背景建模和前景提取方法、装置和电子设备
CN109801333A (zh) * 2019-03-19 2019-05-24 北京华捷艾米科技有限公司 体积测量方法、装置、系统及计算设备
CN110017773A (zh) * 2019-05-09 2019-07-16 福建（泉州）哈工大工程技术研究院 一种基于机器视觉的包裹体积测量方法
CN110390681A (zh) * 2019-07-17 2019-10-29 海伯森技术（深圳）有限公司 一种基于深度相机的深度图物体轮廓快速提取方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2184713A1 (en) * 2008-11-04 2010-05-12 Koninklijke Philips Electronics N.V. Method and device for generating a depth map
JP2015012429A (ja) * 2013-06-28 2015-01-19 株式会社Ｊｖｃケンウッド 画像処理装置、画像処理方法および画像処理プログラム
KR20190089791A (ko) * 2019-07-11 2019-07-31 엘지전자 주식회사 삼차원 어라운드 뷰 제공 장치 및 방법

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010057105A (ja) * 2008-08-29 2010-03-11 Tokyo Institute Of Technology オブジェクトの３次元追跡方法およびシステム
CN104036483A (zh) * 2013-03-06 2014-09-10 北京三星通信技术研究有限公司 图像处理系统和图像处理方法
CN105530503A (zh) * 2014-09-30 2016-04-27 光宝科技股份有限公司 深度图建立方法与多镜头相机系统
CN104915952A (zh) * 2015-05-15 2015-09-16 中国科学院上海微系统与信息技术研究所 一种深度图像中基于多叉树的局部凸出对象提取方法
WO2017067390A1 (zh) * 2015-10-20 2017-04-27 努比亚技术有限公司 图像中弱纹理区域的深度信息获取方法及终端
CN107169933A (zh) * 2017-04-14 2017-09-15 杭州光珀智能科技有限公司 一种基于tof深度相机的边缘反射像素校正方法
CN109658433A (zh) * 2018-12-05 2019-04-19 青岛小鸟看看科技有限公司 图像背景建模和前景提取方法、装置和电子设备
CN109472822A (zh) * 2018-12-29 2019-03-15 上海大学 基于深度图像处理的物体尺寸测量方法
CN109801333A (zh) * 2019-03-19 2019-05-24 北京华捷艾米科技有限公司 体积测量方法、装置、系统及计算设备
CN110017773A (zh) * 2019-05-09 2019-07-16 福建（泉州）哈工大工程技术研究院 一种基于机器视觉的包裹体积测量方法
CN110390681A (zh) * 2019-07-17 2019-10-29 海伯森技术（深圳）有限公司 一种基于深度相机的深度图物体轮廓快速提取方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Occlusion Detection and Localization from Kinect Depth Images";Fatema Tuz Zohra等;《2016 International Conference on Cyberworlds (CW)》;全文 *
"RGB-D图像的显著目标检测方法研究及其应用";邵婷;《中国优秀硕士学位论文全文数据库 信息科技辑》;全文 *
基于深度图像的猪体尺检测系统;李卓;杜晓冬;毛涛涛;滕光辉;;猪业观察(04);全文 *

Also Published As

Publication number Publication date
CN111932576A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
US10614319B2 (en) Pallet localization systems and methods
CN110837814B (zh) 车辆导航方法、装置及计算机可读存储介质
CN111461107A (zh) 用于识别感兴趣区的材料搬运方法、装置和系统
KR101095579B1 (ko) 모노 비전 기반의 팔레트 위치 및 자세 측정 방법
CN109801333B (zh) 体积测量方法、装置、系统及计算设备
CN105431370A (zh) 用于使用集装箱起重机将集装箱自动地卸货在卸货目标上的方法和系统
US20220189055A1 (en) Item detection device, item detection method, and industrial vehicle
CN113375566B (zh) 物体尺寸的精确测量方法及系统
WO2022121460A1 (zh) Agv智能叉车及地堆库存区域站台状态的检测方法、装置
US20210041564A1 (en) Position and posture estimation apparatus
CN107067439B (zh) 一种基于车头检测的集装箱卡车定位与引导方法
CN111814739B (zh) 快递包裹体积的检测方法、装置、设备及存储介质
KR20180098945A (ko) 고정형 단일 카메라를 이용한 차량 속도 감지 방법 및 장치
CN111932576B (zh) 一种基于深度相机的物体边界测量方法和装置
CN111767780A (zh) 一种ai与视觉结合的智能集卡定位方法和系统
CN114066997B (zh) 一种基于双目视觉和对称性的偏移量检测方法
CN112258452A (zh) 堆叠物体的物体数量检测方法、装置及系统
CN114170521B (zh) 一种叉车托盘对接识别定位方法
JPWO2020090897A1 (ja) 位置検出装置、位置検出システム、遠隔制御装置、遠隔制御システム、位置検出方法、及びプログラム
US20210090260A1 (en) Deposit detection device and deposit detection method
KR20110069205A (ko) 컨테이너 하역 시스템의 컨테이너 위치 및 거리 측정 장치 및 그 방법
CN116309882A (zh) 一种面向无人叉车应用的托盘检测和定位方法及系统
CN116580092A (zh) 基于自动识别快件体积的快件装载方法及系统
CN115100271A (zh) 取货高度的检测方法、装置、计算机设备和存储介质
CN111292261A (zh) 一种基于多传感器融合的集装箱检测及锁定方法

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