CN114049352A - 一种应用于自助行李托运的行李托盘快速检测方法 - Google Patents

一种应用于自助行李托运的行李托盘快速检测方法 Download PDF

Info

Publication number
CN114049352A
CN114049352A CN202210024389.8A CN202210024389A CN114049352A CN 114049352 A CN114049352 A CN 114049352A CN 202210024389 A CN202210024389 A CN 202210024389A CN 114049352 A CN114049352 A CN 114049352A
Authority
CN
China
Prior art keywords
tray
dimensional
point cloud
luggage
points
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
Application number
CN202210024389.8A
Other languages
English (en)
Other versions
CN114049352B (zh
Inventor
李政
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.)
Avic Yuanchuang Tianjin Intelligent Equipment Co ltd
Original Assignee
Avic Yuanchuang Tianjin Intelligent Equipment Co ltd
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 Avic Yuanchuang Tianjin Intelligent Equipment Co ltd filed Critical Avic Yuanchuang Tianjin Intelligent Equipment Co ltd
Priority to CN202210024389.8A priority Critical patent/CN114049352B/zh
Publication of CN114049352A publication Critical patent/CN114049352A/zh
Application granted granted Critical
Publication of CN114049352B publication Critical patent/CN114049352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
    • 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
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30112—Baggage; Luggage; Suitcase
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose

Landscapes

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

Abstract

本发明涉及民用航空技术领域，具体涉及一种应用于自助行李托运的行李托盘快速检测方法，包括如下步骤：对空的行李托盘进行三维成像，得到托盘三维点云，并建立托盘点云模型、三维骨架模型和二维线框模型；对放置有行李的行李托盘进行三维成像，得到待测场景点云，并纵向分割所述待测场景点云，得到行李托盘的边框的三维带状点云和二维带状点集；采用基于点线引力势能的自适应迭代优化算法，求出初始配准位姿；根据所述初始配准位姿，从所述三维骨架模型与所述三维带状点云中筛选出对应点，得到托盘粗位姿；在所述托盘粗位姿的约束下，采用局部点云配准算法，得到托盘精确位姿。该检测方法提升了行李托盘的检测精度。

Description

一种应用于自助行李托运的行李托盘快速检测方法
技术领域
本发明涉及民用航空技术领域，具体涉及一种应用于自助行李托运的行李托盘快速检测方法。
背景技术
自助托运行李系统将机场值机员从繁重的值机服务中解放出来，显著提高了机场运行效率和服务质量。该系统需自动检测旅客自行投放行李的形态，包括行李件数、尺寸、形状和类型，以及软包是否加装托盘、托盘内的行李件数等等。错误的行李形态检测结果，可能导致超规行李进入行李分拣系统，造成行李破损、丢失，严重时会卡塞行李分拣系统，造成机场瘫痪。其中，行李托盘的检测是一项必要的任务。在开放的行李投放区中，在旅客自助操作条件下，环境光照复杂，行李种类繁多，行李投放位置不确定，会造成基于二维图像分析的目标检测方法不可靠。采用激光三维点云分析，可以获得更为可靠的空间信息和稳定的形态检测结果。从自助行李托运检测场景的三维点云中，考虑已装载行李的遮挡影响，判断是否已加装托盘，并提取托盘点云，是行李形态检测的关键内容，是实现自助行李托运系统无人值守运行的必要保证。
现有的三维目标检测方法，一般先从三维点云中提取目标的局部或全局特征，与场景特征进行匹配，根据匹配的评价结果判断场景中是否存在该目标。然后，通过三维点云配准或位姿聚类，确定目标的精确位姿，并标记出目标点云。民航行李托运时已装载行李的托盘，仅露出托盘边框，有时边框也存在大面积被遮挡的情况，而且受成本限制，传感器获取的三维目标点云精度不高，造成传统的三维目标检测方法性能达不到实用要求。
因此，亟需提出一种行李托盘的检测方法，提升行李托盘的检测精度，并且能够在行李托盘被大面积遮挡的情况下完成检测。
发明内容
解决的技术问题
针对现有技术所存在的上述缺点，本发明提供了一种应用于自助行李托运的行李托盘快速检测方法，该检测方法提升了行李托盘的检测精度，并且能够在行李托盘被大面积遮挡的情况下完成检测。
技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
本发明提供了一种应用于自助行李托运的行李托盘快速检测方法，包括如下步骤：
S1、对空的行李托盘进行三维成像，得到托盘三维点云，并基于所述托盘三维点云建立行李托盘的托盘点云模型、三维骨架模型和二维线框模型；
S2、对放置有行李的行李托盘进行三维成像，得到待测场景点云，并纵向分割所述待测场景点云，得到托盘边框疑似点云，采用带状点云提取算法，从托盘边框疑似点云中提取放置有行李的行李托盘的边框的三维带状点云和二维带状点集；
S3、采用基于点线引力势能的自适应迭代优化算法，实现所述二维带状点集与所述二维线框模型的配准，并求出初始配准位姿；
S4、根据所述初始配准位姿，从所述三维骨架模型与所述三维带状点云中筛选出对应点，求解二次变换矩阵，得到托盘粗位姿；
S5、在所述托盘粗位姿的约束下，采用局部点云配准算法，得到托盘精确位姿，完成托盘点云的准确检测。
进一步地，步骤S1具体包括：
对空的行李托盘进行三维成像，忽略行李托盘底部，得到所述托盘三维点云；
从所述托盘三维点云中手工选取行李托盘的上表面点云，得到所述三维骨架模型；
将所述三维骨架模型映射到水平面，得到所述二维线框模型。
进一步地，将所述空的行李托盘底面放置于水平面，建立三维立体坐标系，将所述空的行李托盘的边框高度方向为z轴方向，且边框高度为h，然后进行三维成像，得到所述待测场景点云；
从所述待测场景点云上截取z = 0至z = h范围内所有点，组成所述托盘边框疑似点云；
对所述托盘边框疑似点云的每一个点
Figure 940462DEST_PATH_IMAGE001
，共有n个点，搜索其半径为r的邻域范围内的点
Figure 896917DEST_PATH_IMAGE002
，并统计由x,y坐标组成的二维点集
Figure 965236DEST_PATH_IMAGE003
：
Figure 789973DEST_PATH_IMAGE004
；
构建点
Figure 768293DEST_PATH_IMAGE005
及其邻域点
Figure 676075DEST_PATH_IMAGE002
的x,y坐标的协方差矩阵
Figure 44739DEST_PATH_IMAGE006
：
Figure 17375DEST_PATH_IMAGE007
；
计算协方差矩阵
Figure 850201DEST_PATH_IMAGE006
的特征值
Figure 397726DEST_PATH_IMAGE008
、
Figure 253687DEST_PATH_IMAGE009
，引入系数
Figure 420226DEST_PATH_IMAGE010
：
Figure 310821DEST_PATH_IMAGE011
；
其中，
Figure 779980DEST_PATH_IMAGE012
表示点
Figure 919974DEST_PATH_IMAGE005
的坐标，
Figure 562308DEST_PATH_IMAGE013
表示点
Figure 494361DEST_PATH_IMAGE002
的坐标；
设定阈值ε，遍历点云，提取点
Figure 196738DEST_PATH_IMAGE005
中
Figure 89608DEST_PATH_IMAGE014
对应的所有点，组成所述三维带状点云，并去除所述三维带状点云的z轴坐标值，得到所述二维带状点集。
进一步地，步骤S3还用于判定放置有行李的行李托盘是否被行李完全遮挡，具体包括：
设定阈值E min，采用所述自适应迭代优化算法迭代完成后，若|E|>E min，则判定行李托盘未被完全遮挡，反之，则判定被完全遮挡；其中，|E|表示势能数值。
进一步地，步骤S4具体包括：
从所述三维带状点云中搜索与所述三维骨架模型中的点距离最近的点，同时从所述三维骨架模型中搜索与所述三维带状点云距离最近的点，若搜索到的点互为对应点，且距离小于设定阈值，则为一对对应点，提取所有对应点组成对应点集；
进行二次变换矩阵的求解：设定最大迭代次数，每次迭代过程中，从所述对应点集中随机选取若干组对应点，进行估计变换，对于其他每组对应点，计算其与估计变换后的所述若干组对应点之间的距离，若距离小于给定阈值，则称该组对应点为内点；统计每次变换对应的内点数目，直至达到迭代次数上限，迭代完成后，内点数目最多的变换为所述三维骨架模型的最佳变换，利用SVD对最佳变换的内点求解得到二次变换矩阵，完成三维骨架配准，得到所述托盘粗位姿。
进一步地，步骤S5具体包括：
在所述托盘粗位姿的约束下，设定距离阈值，提取所述托盘三维点云和所述待测场景点云的重叠区域，对重叠区域应用ICP算法，经过配准，得到托盘的精确位姿。
有益效果
本发明提供的应用于自助行李托运的行李托盘快速检测方法，该检测方法提升了行李托盘的检测精度，并且能够在行李托盘被大面积遮挡的情况下完成检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的应用于自助行李托运的行李托盘快速检测方法步骤示意图；
图2为本发明一实施例提供的应用于自助行李托运的行李托盘快速检测方法流程框图；
图3（a）、图3（b）、图3（c）为本发明一实施例提供的应用于自助行李托运的行李托盘快速检测方法步骤S1示意图；
图4、图5（a）、图5（b）为本发明一实施例提供的应用于自助行李托运的行李托盘快速检测方法步骤S2示意图；
图6、图7为本发明一实施例提供的应用于自助行李托运的行李托盘快速检测方法步骤S3示意图；
图8（a）和图8（b）为本发明一实施例提供的应用于自助行李托运的行李托盘快速检测方法步骤S4示意图；
图9为本发明一实施例提供的应用于自助行李托运的行李托盘快速检测方法步骤S5示意图；
图10（a）、图10（b）、图10（c）、图10（d）、图10（e）、图10（f）为本发明一实施例提供的应用于自助行李托运的行李托盘快速检测方法试验示例示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1和图2，本发明一实施例提供了一种应用于自助行李托运的行李托盘快速检测方法，包括如下步骤：
S1、对空的行李托盘进行三维成像，得到托盘三维点云，并基于所述托盘三维点云建立行李托盘的托盘点云模型、三维骨架模型和二维线框模型；
S2、对放置有行李的行李托盘进行三维成像，得到待测场景点云，并纵向分割所述待测场景点云，得到托盘边框疑似点云，采用带状点云提取算法，从托盘边框疑似点云中提取放置有行李的行李托盘的边框的三维带状点云和二维带状点集；
S3、采用基于点线引力势能的自适应迭代优化算法，实现所述二维带状点集与所述二维线框模型的配准，并求出初始配准位姿；
S4、根据所述初始配准位姿，从所述三维骨架模型与所述三维带状点云中筛选出对应点，求解二次变换矩阵，得到托盘粗位姿；
S5、在所述托盘粗位姿的约束下，采用局部点云配准算法，得到托盘精确位姿，完成托盘点云的准确检测。
在本实施例中，对于步骤S1，具体地：
对空的行李托盘进行三维成像，忽略行李托盘底部，得到所述托盘三维点云，如图3（a）所示；
从所述托盘三维点云中手工选取行李托盘的上表面点云，得到所述三维骨架模型，如图3（b）所示；
将提取到的三维骨架模型映射到水平面，形成二维线框模型，如图3(c)所示。
在本实施例中，对于步骤S2，具体地：
对放置有行李的行李托盘进行三维成像，得到待测场景点云，如图4所示。纵向分割所述待测场景点云，得到托盘边框疑似点云。采用带状点云提取算法，从托盘边框疑似点云得到场景托盘边框三维带状点云和二维带状点集。已知托盘边框高度(h=200mm)，且托盘垂直放置于水平面上，建立立体坐标系，高度方向垂直于水平面，从点云截取z = 0至z = h范围内所有点，组成待测场景托盘边框疑似点云，完成目标区域预分割。
对所述托盘边框疑似点云的每一个点
Figure 207736DEST_PATH_IMAGE001
，搜索其半径为r的邻域范围内的点
Figure 807345DEST_PATH_IMAGE002
，并统计由x,y坐标组成的二维点集
Figure 742940DEST_PATH_IMAGE003
：
Figure 60789DEST_PATH_IMAGE004
；
构建点
Figure 497455DEST_PATH_IMAGE005
及其邻域点
Figure 951570DEST_PATH_IMAGE002
的x,y坐标的协方差矩阵
Figure 58066DEST_PATH_IMAGE006
：
Figure 535315DEST_PATH_IMAGE007
；
计算协方差矩阵
Figure 323143DEST_PATH_IMAGE006
的特征值
Figure 959660DEST_PATH_IMAGE008
、
Figure 174741DEST_PATH_IMAGE009
，引入系数
Figure 654133DEST_PATH_IMAGE010
：
Figure 980072DEST_PATH_IMAGE011
；
设定阈值ε，遍历点云，提取点
Figure 471096DEST_PATH_IMAGE005
中
Figure 794761DEST_PATH_IMAGE014
对应的所有点，组成所述三维带状点云，如图5（a）所示，并去除所述三维带状点云的z值，得到所述二维带状点集，如图5（b）所示。
在本实施例中，如图6所示，下方线框为托盘线框模型初始位置，上方线框上的点为提取到的带状点，中间线框为迭代过程中模型的变换轨迹，上方线框为配准后模型位置。迭代完成后，势能数值|E|反映带状点集与线框模型的匹配度，匹配度越高，表明场景包含托盘的几率越大，即托盘没有被遮挡，图7为迭代中势能的变化过程。经过一定的迭代次数，势能逐渐趋近于稳定。设定阈值Emin（Emin>0，按经验取100）,迭代完成后，|E|>Emin，可判定存在托盘，迭代过程旋转角与平移步长的累加，组成初始变换位姿。
在本实施例中，步骤S4具体包括：对所述三维骨架模型中的点，从所述三维带状点云中搜索与之距离最近的点，同时对所述三维带状点云中的点，从所述三维骨架模型中搜索与之距离最近的点，若搜索到的点互为对应点，且距离小于设定阈值，则为一对对应点，提取所有对应点组成对应点集；
进行二次变换矩阵的求解：设定最大迭代次数，每次迭代过程中，从所述对应点集中随机选取若干组对应点，进行估计变换，对于其他每组对应点，计算其与估计变换后的所述若干组对应点之间的距离，若距离小于给定阈值，则称该组对应点为内点；统计每次变换对应的内点数目，直至达到迭代次数上限，迭代完成后，内点数目最多的变换为所述三维骨架模型的最佳变换，如图8（a）所示，再利用SVD对最佳变换的内点求解得到二次变换矩阵，完成三维骨架配准，得到所述托盘粗位姿，如图8（b）所示。
在本实施例中，步骤S5具体包括：在所述托盘粗位姿的约束下，设定距离阈值，提取所述托盘三维点云和所述待测场景点云的重叠区域，对重叠区域应用ICP算法，经过配准，得到托盘的精确位姿，如图9所示。
此外，发明人对该方法进行了实验：
实验1：行李托盘遮挡条件下实验结果
选取行李托盘缺失程度不同的点云进行实验分析，实验结果如图10（a）-图10（f）所示。实验结果表明，本发明对点云缺失、重合率低的行李托盘，有很好的检测结果。
实验2：统计实验
选取多组点云样本统计分析。共选取点云样本480组，其中212组包含托盘，268组不含托盘，按照点云托盘完整度将212组包含托盘的样本分为5类，完整度大于90%有129组，完整度为70%-90%的有39组，完整度50%-70%的有24组，完整度为30%-50%有17组，完整度为10%-30%有3组，结果如表1所示。
表1
Figure 308919DEST_PATH_IMAGE015
实验结果表明，268组无托盘样本全部检测正确，212组含托盘样本有3组检测错误，其中托盘完整度大于50%的样本全部分类正确，完整度为30%-50%的样本有1组检测错误，托盘完整度为10%-30%中有2组检测错误，整体检测准确率为99.375%，包含托盘样本检测准确率约为98.58%，在托盘点缺失大于50%的情况下，检测准确率仍超过94%。
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，并不会使相应技术方案的本质脱离本发明各实施例技术方案的保护范围。

Claims (6)

1.一种应用于自助行李托运的行李托盘快速检测方法，其特征在于，包括如下步骤：
S1、对空的行李托盘进行三维成像，得到托盘三维点云，并基于所述托盘三维点云建立行李托盘的托盘点云模型、三维骨架模型和二维线框模型；
S2、对放置有行李的行李托盘进行三维成像，得到待测场景点云，并纵向分割所述待测场景点云，得到托盘边框疑似点云，采用带状点云提取算法，从托盘边框疑似点云中提取放置有行李的行李托盘的边框的三维带状点云和二维带状点集；
S3、采用基于点线引力势能的自适应迭代优化算法，实现所述二维带状点集与所述二维线框模型的配准，并求出初始配准位姿；
S4、根据所述初始配准位姿，从所述三维骨架模型与所述三维带状点云中筛选出对应点，求解二次变换矩阵，得到托盘粗位姿；
S5、在所述托盘粗位姿的约束下，采用局部点云配准算法，得到托盘精确位姿，完成托盘点云的准确检测。
2.根据权利要求1所述的应用于自助行李托运的行李托盘快速检测方法，其特征在于，步骤S1具体包括：
对空的行李托盘进行三维成像，忽略行李托盘底部，得到所述托盘三维点云；
从所述托盘三维点云中手工选取行李托盘的上表面点云，得到所述三维骨架模型；
将所述三维骨架模型映射到水平面，得到所述二维线框模型。
3.根据权利要求1所述的应用于自助行李托运的行李托盘快速检测方法，其特征在于，步骤S2具体包括：
将所述空的行李托盘底面放置于水平面，建立三维立体坐标系，将所述空的行李托盘的边框高度方向为z轴方向，且边框高度为h，然后进行三维成像，得到所述待测场景点云；
从所述待测场景点云上截取z = 0至z = h范围内所有点，组成所述托盘边框疑似点云；
对所述托盘边框疑似点云的每一个点
Figure 105112DEST_PATH_IMAGE001
，共有n个点，搜索其半径为r的邻域范围内的点
Figure 81159DEST_PATH_IMAGE002
，并统计由x,y坐标组成的二维点集
Figure 289372DEST_PATH_IMAGE003
：
Figure 464002DEST_PATH_IMAGE004
；
构建点
Figure 799168DEST_PATH_IMAGE005
及其邻域点
Figure 934614DEST_PATH_IMAGE002
的x,y坐标的协方差矩阵
Figure 13429DEST_PATH_IMAGE006
：
Figure 776986DEST_PATH_IMAGE007
；
计算协方差矩阵
Figure 470004DEST_PATH_IMAGE008
的特征值
Figure 155063DEST_PATH_IMAGE009
、
Figure 834306DEST_PATH_IMAGE010
，引入系数
Figure 921211DEST_PATH_IMAGE011
：
Figure 535863DEST_PATH_IMAGE012
；
其中，
Figure 504956DEST_PATH_IMAGE013
表示点
Figure 925573DEST_PATH_IMAGE005
的坐标，
Figure 53935DEST_PATH_IMAGE014
表示点
Figure 901805DEST_PATH_IMAGE002
的坐标；
设定阈值ε，遍历点云，提取点
Figure 623774DEST_PATH_IMAGE005
中
Figure 254606DEST_PATH_IMAGE015
对应的所有点，组成所述三维带状点云，并去除所述三维带状点云的z轴坐标值，得到所述二维带状点集。
4.根据权利要求1所述的应用于自助行李托运的行李托盘快速检测方法，其特征在于，步骤S3还用于判定放置有行李的行李托盘是否被行李完全遮挡，具体包括：
设定阈值E min，采用所述自适应迭代优化算法迭代完成后，若|E|>E min，则判定行李托盘未被完全遮挡，反之，则判定被完全遮挡；其中，|E|表示势能数值。
5.根据权利要求1所述的应用于自助行李托运的行李托盘快速检测方法，其特征在于，步骤S4具体包括：
从所述三维带状点云中搜索与所述三维骨架模型中的点距离最近的点，同时从所述三维骨架模型中搜索与所述三维带状点云距离最近的点，若搜索到的点互为对应点，且距离小于设定阈值，则为一对对应点，提取所有对应点组成对应点集；
进行二次变换矩阵的求解：设定最大迭代次数，每次迭代过程中，从所述对应点集中随机选取若干组对应点，进行估计变换，对于其他每组对应点，计算其与估计变换后的所述若干组对应点之间的距离，若距离小于给定阈值，则称该组对应点为内点；统计每次变换对应的内点数目，直至达到迭代次数上限，迭代完成后，内点数目最多的变换为所述三维骨架模型的最佳变换，利用SVD对最佳变换的内点求解得到二次变换矩阵，完成三维骨架配准，得到所述托盘粗位姿。
6.根据权利要求5所述的应用于自助行李托运的行李托盘快速检测方法，其特征在于，步骤S5具体包括：
在所述托盘粗位姿的约束下，设定距离阈值，提取所述托盘三维点云和所述待测场景点云的重叠区域，对重叠区域应用ICP算法，经过配准，得到托盘的精确位姿。
CN202210024389.8A 2022-01-11 2022-01-11 一种应用于自助行李托运的行李托盘快速检测方法 Active CN114049352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210024389.8A CN114049352B (zh) 2022-01-11 2022-01-11 一种应用于自助行李托运的行李托盘快速检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210024389.8A CN114049352B (zh) 2022-01-11 2022-01-11 一种应用于自助行李托运的行李托盘快速检测方法

Publications (2)

Publication Number Publication Date
CN114049352A true CN114049352A (zh) 2022-02-15
CN114049352B CN114049352B (zh) 2022-05-06

Family

ID=80213581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210024389.8A Active CN114049352B (zh) 2022-01-11 2022-01-11 一种应用于自助行李托运的行李托盘快速检测方法

Country Status (1)

Country Link
CN (1) CN114049352B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114373060A (zh) * 2022-03-23 2022-04-19 超节点创新科技(深圳)有限公司 行李模型生成方法与设备
CN117037127A (zh) * 2023-10-07 2023-11-10 四川省机场集团有限公司成都天府国际机场分公司 一种基于行李类型的托盘分配方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107507167A (zh) * 2017-07-25 2017-12-22 上海交通大学 一种基于点云平面轮廓匹配的货物托盘检测方法及系统
CN110705552A (zh) * 2019-10-11 2020-01-17 沈阳民航东北凯亚有限公司 行李托盘识别方法及装置
CN111353985A (zh) * 2020-03-02 2020-06-30 电子科技大学 一种基于深度相机的机场自助托运行李的检测方法
CN111598063A (zh) * 2020-07-22 2020-08-28 北京纳兰德科技股份有限公司 一种行李类别的确定方法及装置
CN111783569A (zh) * 2020-06-17 2020-10-16 天津万维智造技术有限公司 一种自助托运系统的行李规格检测与人包信息绑定方法
CN111899258A (zh) * 2020-08-20 2020-11-06 广东机场白云信息科技有限公司 自助托运行李规格检测方法
CN111950304A (zh) * 2020-07-05 2020-11-17 中国船舶重工集团公司第七一三研究所 行李托盘的时空追踪绑定系统和方法
CN112001972A (zh) * 2020-09-25 2020-11-27 劢微机器人科技(深圳)有限公司 托盘位姿定位方法、装置、设备及存储介质
CN113418467A (zh) * 2021-06-16 2021-09-21 厦门硅谷动能信息技术有限公司 基于ToF点云数据检测一般及黑色行李尺寸的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107507167A (zh) * 2017-07-25 2017-12-22 上海交通大学 一种基于点云平面轮廓匹配的货物托盘检测方法及系统
CN110705552A (zh) * 2019-10-11 2020-01-17 沈阳民航东北凯亚有限公司 行李托盘识别方法及装置
CN111353985A (zh) * 2020-03-02 2020-06-30 电子科技大学 一种基于深度相机的机场自助托运行李的检测方法
CN111783569A (zh) * 2020-06-17 2020-10-16 天津万维智造技术有限公司 一种自助托运系统的行李规格检测与人包信息绑定方法
CN111950304A (zh) * 2020-07-05 2020-11-17 中国船舶重工集团公司第七一三研究所 行李托盘的时空追踪绑定系统和方法
CN111598063A (zh) * 2020-07-22 2020-08-28 北京纳兰德科技股份有限公司 一种行李类别的确定方法及装置
CN111899258A (zh) * 2020-08-20 2020-11-06 广东机场白云信息科技有限公司 自助托运行李规格检测方法
CN112001972A (zh) * 2020-09-25 2020-11-27 劢微机器人科技(深圳)有限公司 托盘位姿定位方法、装置、设备及存储介质
CN113418467A (zh) * 2021-06-16 2021-09-21 厦门硅谷动能信息技术有限公司 基于ToF点云数据检测一般及黑色行李尺寸的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
位园园: "基于三维形态分析的航空行李分类研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
翁博文: "基于神经网络的航空行李点云检测方法研究", 《电子世界》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114373060A (zh) * 2022-03-23 2022-04-19 超节点创新科技(深圳)有限公司 行李模型生成方法与设备
CN117037127A (zh) * 2023-10-07 2023-11-10 四川省机场集团有限公司成都天府国际机场分公司 一种基于行李类型的托盘分配方法
CN117037127B (zh) * 2023-10-07 2023-12-12 四川省机场集团有限公司成都天府国际机场分公司 一种基于行李类型的托盘分配方法

Also Published As

Publication number Publication date
CN114049352B (zh) 2022-05-06

Similar Documents

Publication Publication Date Title
CN114049352B (zh) 一种应用于自助行李托运的行李托盘快速检测方法
CN109711288B (zh) 基于特征金字塔和距离约束fcn的遥感船舶检测方法
CN107871124B (zh) 一种基于深度神经网络的遥感图像目标检测方法
CN108898047B (zh) 基于分块遮挡感知的行人检测方法及系统
CN109784203B (zh) 基于分层传播和激活的弱监督x光图像违禁品检查方法
CN112101278A (zh) 基于k近邻特征提取和深度学习的宅基地点云分类方法
CN111612784A (zh) 一种基于分类优先yolo网络的钢板表面缺陷检测方法
CN112883820B (zh) 基于激光雷达点云的道路目标3d检测方法及系统
CN104899892B (zh) 一种快速的星图图像星点提取方法
CN103268481A (zh) 一种复杂背景图像中的文本提取方法
CN110263795B (zh) 一种基于隐式形状模型与图匹配的目标检测方法
CN110309843B (zh) 一种电力设备图像中多类部件的自动识别方法
CN115546202B (zh) 一种用于无人叉车的托盘检测与定位方法
CN112183301A (zh) 一种建筑物楼层智能识别方法及装置
CN110147749B (zh) 一种民航丢失行李辅助找回方法
CN113807231B (zh) 基于unet下采样卷积神经网络的x光违禁物检测方法
CN109359680B (zh) 爆破岩块自动识别和块度特征提取方法及装置
CN114119644A (zh) 一种基于边缘特征的模板匹配方法
CN105844290B (zh) 匹配图像中多个相同对象的方法及装置
CN112581519B (zh) 一种放射性废物包识别定位方法与装置
CN110689568A (zh) 一种基于深度图像的立方物体体积的精确计算方法
CN117036971A (zh) 自适应局部空谱一致下的机载LiDAR数据建筑物提取方法
US10663407B2 (en) Method of examining locations in a wafer with adjustable navigation accuracy and system thereof
CN115657049A (zh) 一种隧道车载激光雷达定位纠偏方法及系统
CN114092419A (zh) 一种基于地表点位的点云空间位置质量自动检查方法

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