CN116843742A - 一种针对装载黑色煤车辆的点云配准后堆料体积的计算方法及系统 - Google Patents

一种针对装载黑色煤车辆的点云配准后堆料体积的计算方法及系统 Download PDF

Info

Publication number
CN116843742A
CN116843742A CN202310812686.3A CN202310812686A CN116843742A CN 116843742 A CN116843742 A CN 116843742A CN 202310812686 A CN202310812686 A CN 202310812686A CN 116843742 A CN116843742 A CN 116843742A
Authority
CN
China
Prior art keywords
point cloud
point
points
vehicle
carriage
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
CN202310812686.3A
Other languages
English (en)
Other versions
CN116843742B (zh
Inventor
钱闯
谢欣然
叶子璇
宁思琪
李英
刘姗栩
邵逸宾
刘梓仪
郁梓涵
卢睿仪
胡军楠
王朝伟
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Publication of CN116843742A publication Critical patent/CN116843742A/zh
Application granted granted Critical
Publication of CN116843742B publication Critical patent/CN116843742B/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
    • G06T7/60—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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/30—Polynomial surface description
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种针对装载黑色煤车辆的点云配准后堆料体积的计算方法及系统，包括使用相机或多重二维激光获得目标物体的三维点云模型，对三维点云模型进行三维曲面重建，将离散的三维点云模型复原为连续表面轮廓的三维模型，根据三维模型的数据结合体积积分公式即可以求出目标物体的体积。本发明体积计算方法与点云匹配技术相结合，将空车和装载货物的点云图相匹配，能够更加方便地求出货车内装载的体积不规则货物的体积。

Description

一种针对装载黑色煤车辆的点云配准后堆料体积的计算方法 及系统
技术领域
本发明涉及固体体积测量技术领域，具体的说是一种针对装载黑色煤车辆的点云配准后堆料体积的计算方法及系统。
背景技术
随着工程测量服务领域的快速发展，现今对于进出散堆原料的测量成为企业一大难点。堆料体积的测量方法对于运输行业在提高运输效率，降低损耗方面有着重要意义。现今测量堆料体积的主要方法是激光，CCD，超声波等方法测量。
激光体积测量设备体积整体较小，不占用较大的空间，且方便携带，测量距离远，在检测的时候也具有较高的准确度，不容易出现误差现象，设备价格相比其他体积测量设备来讲价格偏贵，后期维护成本较高。
CCD检测精度高、处理速度快，抗干扰能力强、运转安全稳定等优势，但是对相机要求高，不同种类的光源稳定性，机器视觉软件，环境因素对于CCD影响大。
超声波测量成本较低，检测简单方便，测量距离远，传播距离误差容易受到空气密度，温度干扰干扰，测量误差较大。
发明内容
为了解决堆料体积测量的方法误差大、效率低所造成的车载运输堆料成本，质量难以估计的问题，本发明的目的在于提供了一种针对装载黑色煤车辆的点云配准后堆料体积的计算方法及系统，既适合于测量规则物体又适合于测量不规则物体，应用的范围更加广泛，在测量量大且体积不规则的物体上具有一定的优势。
为进一步实现上述目的，本发明采用以下技术方案：一种针对装载黑色煤车辆的点云配准后堆料体积的计算方法，包括以下步骤：
S01.通过激光扫描雷达得到空载状态和装载状态下车辆的三维点云数据K和Z，分别作为源点云和目标点云，通过摄像头获取装载状态下车辆俯视图像；
S02.处理源点云数据，确定空载状态下车厢的顶点坐标；
S03.将源点云和目标点云配准，确定目标点云中车厢的顶点坐标；
S04.从装载状态下车辆俯视图像中定位车厢并计算车厢面积S；
S05.将源点云和目标点云中车厢顶点坐标围成的矩形区域内的三维点云数据选出，并分别进行三维曲面重建，得到空载车厢及装载车厢的连续表面轮廓三维模型；
S06.根据公式计算空载车厢及装载车厢的连续表面轮廓三维模型的体积：
式中，Vempty为空载车厢的连续表面轮廓三维模型的体积，Vloading为装载车厢的连续表面轮廓三维模型的体积，zempty为源点云中选出点云的高程坐标z的均值，zloading为目标点云中选出点云的高程坐标zi’，dxdy为各点云投影至地面平面时对应的面积，dxdy的积分为步骤S04中车厢面积S，ΔV指二者体积差。
具体的，步骤S02包括：
A1.将所获取的源点云投影至地面得到平面点云；
A2.利用alpha-shapes算法处理该平面点云来提取表征车辆顶部轮廓的轮廓点云；
A3.根据所述轮廓点云中间是否有大于预设阈值的间隙判断所述车辆是半挂式车辆还是连体式车辆；若所述轮廓点云中间有大于阈值的间隙，则所述车辆为半挂式车辆；反之，所述车辆为连体式车辆；
A4.随后采用ransac算法对轮廓点云进行直线模型拟合，求取与车辆的顶部轮廓相匹配的至少两组相互垂直的直线模型，求取至少两组相互垂直的直线模型的至少三个交点坐标；
A5.若所述车辆为半挂式车辆，则根据所述至少三个交点坐标获取所述车辆的车厢顶点坐标；或者，
若所述车辆为连体式车辆，则根据所述至少三个交点坐标计算所述车辆的测量形状数据，查询数据库中是否存在与所述测量形状数据相匹配的连体式车型，若存在，则获取该车型的车厢占整车比，根据所述至少三个交点坐标及所述车厢占整车比计算所述车辆的车厢顶点坐标。
具体的，步骤A4包括：
R1.随机在所述轮廓点云中抽取两个点数据，计算该两个点数据对应的直线模型，并在所述轮廓点云中筛选出该直线模型的所有内点；所述内点是指所述轮廓点云中到所述直线模型的距离小于预设距离阈值的点；
R2.判断该直线模型的内点数量是否大于预设个数阈值；
R3.若小于或等于所述预设个数阈值，则删除该直线模型，并返回所述随机在所述轮廓点云中抽取两个点数据，计算该两个点数据对应的直线模型，并在所述轮廓点云中筛选出该直线模型的所有内点的步骤；
R4.若大于预设个数阈值，则记录该直线模型，并将该直线模型对应的内点从所述轮廓点云中去除后，循环执行上述流程直至获取至少两组相互垂直的直线模型，并求取所述至少两组相互垂直的直线模型的至少三个交点坐标。
具体的，步骤S03包括：
B1.利用ISS算法提取源点云和目标点云的关键点；
B2.在关键点的邻域构建局部坐标系，统计邻域点和查询点法向量的夹角余弦值并计入直方图中；然后将高维直方图特征转化为BSHOT描述子；
B3.在源点云的ISS关键点和目标点云的ISS关键点中，基于源点云的BSHOT特征描述子和目标点云的BSHOT特征描述子，获得基于BSHOT特征描述子的最佳匹配，形成源点云和目标点云的局部点云数据的匹配点对；
B4.采用随机采样一致性算法去除误匹配点对，得到源点云配准到目标点云的初始变换矩阵；
B5.根据初始变换矩阵.将原始的源点云中的车厢顶点坐标转化到目标点云的坐标系中，得到目标点云的坐标系中的车厢顶点坐标。
进一步的，步骤B1包括：
对点云数据P中的任一查询点pi构建局部参考坐标系，并将ri视为搜索半径，统计每个查询点pi在半径为ri的球形邻域内的所有点pj，并计算其权值：
式中，pi的原始坐标为(xi,yi,zi)i＝1，2，…m；ωij为每个查询点在半径为一定的球形区域内各点的权值，Pi为点云数据中的任一查询点，ri为搜索半径，pj为每个查询点pi在半径为ri的球形邻域内所有点；
随后利用ri范围内的所有邻域点pj计算查询点pi的加权协方差矩阵；
式中，C(pi)为一定半径范围内邻域点计算查询点的加权协方差矩阵；
根据查询点pi的加权协方差矩阵计算特征值和特征向量/>并将特征值按降序排列，设定两个小于1的阈值ε1ε2，若满足/>则查询点pi为ISS关键点；
进一步的，步骤B2包括：
求解邻域协方差矩阵：
式中，M为邻域协方差矩阵，r为邻域半径，di为邻域点qi到关键点q的欧氏距离；
通过对协方差矩阵M求解可得特征值及特征值对应的特征向量，将特征值按从大到小排序可得λ1＞λ2＞λ3，其对应的特征向量v1，v2，v3，分别对应于局部参考坐标系的x+，y+，z+方向；
以局部参考坐标系为基准建立关键点的球形邻域，沿球的径向、经度、纬度方向分别划分为2，8，2个部分，则整个球形邻域被划分为32个子空间；
统计子空间内各邻域点qi与关键点q法向量间的夹角余弦值cosθ并计入11维直方图，再组合32个子空间的直方图，构成352维的SHOT高维直方图；
将其编码为352维的二进制描述子，对应值被编码为BSHOT描述子，BSHOT描述子通过迭代方式将SHOT描述子由十进制编码为二进制。
进一步的，步骤B4包括：
假设模型的初始状态至少含3个局内点，局内点在数据中的占比
ε＝ni/N
式中，ε为局内点在数据中的占比，ni为局内点数，N为局内点和局外点之和；
若以(1-ε)k表示经k次迭代计算后模型至少采样到一个局外点的概率，则局内点的采样概率P＝1-(1-ε)k，P越接近1表示模型中局内点数量最多，在保证一定置信度下迭代结束后估计出最优的模型参数；
剔除错误的对应点后，利用初始变换矩阵M将源点云转换到以目标点云为标准的坐标系中，两片点云之间的变换关系为：
式中，(xi′,yi′,zi′)为目标点云上的点，(xi,yi,zi)为源点云上与目标点云对应的点，m0-m11表示上文得到的邻域协方差矩阵中各数。
具体的，步骤S04包括：
D1.图像预处理：
识别前按车道宽度切割出车道部分，把切割车道后的图片转换为灰度图像，对此部分进行车厢识别；
D2.车厢位置识别：
E1.二值图像的获取：
利用迭代法求取阈值点；
求出图像的最大灰度值和最小灰度值，分别记为ZMAX和ZMIN，令初始阈值TK＝(ZMAX+ZMIN)/2；
根据阈值TK将图像分割为前景和背景，分别求出二者的平均灰度值ZO和ZB，求出显得阈值TK1＝(ZO+ZB)/2；
若TK＝TK1，则所得为阈值，否则将TK1赋值给TK，重新计算平均灰度值，按上述步骤进行迭代计算；
E2.边缘的获取：
采用4邻域法从所得的二值图像中获取车厢边缘；
按顺序取下一个像素点，如果此像素点为黑色像素点则进行下一步，否则重复去下一个像素的点；
所得黑色像素点如果上下左右四个相邻的像素点同时也是黑色像素点，则将该像素点置为白色，否则依旧是重新选择像素点。
E3.车厢坐标确定：
寻找两条长边车厢边缘时，把图片从中间分为左右两部分；
在左半部分中利用本列点数之和与相邻两列点数之和相加得到每列及其相邻两列的边缘点数之和；
得到的最大点数之和所在的列是车厢上边缘所在列，记为L1，采用同样方法可以得到车厢右边缘所对应的列，记为L2，以及短边车厢边缘所在行，分别记为L1、L2，即可确定车厢四点在切割图像中的坐标；
再对其进行坐标转换即可得到其原俯视图片中的坐标值；
根据车厢四点转换后的坐标值计算其在原俯视图片中的像素占整幅图片的像素比值，再根据像素比值及俯视图像对应的被摄地面实际面积的乘积计算车厢四点的平面内面积S，被摄地面实际面积通过拉尺标记被摄地面的边界长度后求出。
具体的，步骤S01中，通过激光扫描雷达得到空载状态和装载状态下车辆的三维点云数据K和Z，具体包括：
通过横向激光扫描雷达得到横向激光扫描雷达所在龙门架正下方投影区域覆盖到的车辆的横截面点云图像，通过纵向激光扫描雷达测量在两帧横截面点云图像采集时间内平移的距离和偏移量，根据纵向扫描获取的平移的距离和偏移量，将不同时间获取的横截面点云图像进行点云图像拼接，获得整辆车体点云图像。
具体的，包括以下步骤
(1)空载状态或装载状态下车辆沿直线缓慢前进依次经过后/前龙门架之间的区域；
(2)在前龙门架上两侧的激光雷达同时分别对车辆左右两侧进行扫描，将获得的前龙门架正下方的帧点云作为横截面点云切片，在后龙门架上的激光雷达同时扫描车辆的后侧，获得后侧点云图，记录以上每帧点云的扫描时间，将获得的当前帧点云作为基准点云，将获得的新一帧点云作为待配准点云，直至前龙门架上的激光雷达扫描完车辆；
(3)计算从待配准点云变换至基准点云的最优变换矩阵，获得每次配准后待配准点云相对基准点云的水平平移距离和左右偏移量；
(4)将扫描时间相同的横截面点云切片与后侧点云图的帧点云配对，并使与后侧点云图对应的所述水平平移距离和左右偏移量，与所述横截面点云切片配对；
(5)将第i帧横截面点云切片的坐标按对应的所述水平平移距离和左右偏移量转换添加到第i+1帧横截面点云切片中，更新第i+1帧横截面点云切片；
(6)重复步骤(5)，直至所有的横截面点云切片的坐标均转换添加到最后一帧横截面点云切片中，获得空载状态或装载状态下车辆的三维点云数据K和Z。
进一步的，所述步骤(1)中，为了使车辆保持直线缓慢前进，车辆沿地标直线前进，时速不高于10km/h。
进一步的，所述步骤(3)中，计算待配准点云变换至基准点云的最优变换矩阵的方法具体包括：
(3.1)NDT算法进行粗配准：
首先确定单元格分辨率大小，将基准点云中的点云数据划分为若干个网格数据，并采用高斯函数模型近似地表示每个网格内的点云数据量，其表达式为：
网格数据中：
式中，P(x)表示每个网格内的点云数据量，xi为每个网格中的点，C为每个网格单元的协方差矩阵，u为每个网格的均值向量，c为常量，n为每个网格中点的数量；
随后根据旋转矩阵R和平移向量t的初始值，将待配准点云中的点x转换到基准点云坐标下：
x’＝Rx+t
式中，x’表示待配准点云中每个点在基准点云坐标下的投影点，对每个投影点求解概率分布并求和：
式中，S(p)为每个投影点求解概率分布之和，xi’表示待配准点云中第i个点在基准点云坐标下的投影点，p为单个投影点概率分布；
采用牛顿迭代优化法对目标函数是s(p)优化求解，得到位姿旋转矩阵R和平移向量t；以上步骤进行循环直至满足收敛条件，最后输出粗配准环节的最佳变换矩阵；
(3.2)ICP算法进行精配准：
将NDT算法输出的变换矩阵作为ICP精配准的位姿初始值，通过两帧点云数据中点到点的对应关系建立目标函数，采用非线性最小二乘法求解该目标函数，其模型表示为：
minS(x)＝fT(x)f(x)＝||f(x)||2
其中，f(x)＝(f1(x),f2(x),…,fm(x))T，x＝(x1,x2,…,xn)T。
假设空间中两帧三维点云为基准点云A(x,y,z)和待配准点云B(x,y,z)，两点云重叠去O(x,y,z),选取待配准点云中任意一点Q(xq,yq,zq)，找到其基准点云中的对应点P(xp,yp,zp)，用空间变换模型描述两幅点云的转换关系为：
其中，m为两个三维坐标系之间的比例转换系数，tx,ty,tz表示点云进行空间变换时X，Y，Z轴方向的平移分量，ψ，ω，κ为坐标转换时绕X，Y，Z轴旋转的角度参数；
计算点云配准后两点之间的欧式距离平方和为：
D＝(xq-xp)2+(yq-yp)2+(zq-zp)2
结合两幅点云之间的空间转换关系进行迭代计算可得：
minS(x)＝fT(x)f(x)＝||f(x)||2＝∑D
采用Gauss-Newton算法求解ICP目标函数，迭代求解误差方程，直至得到待配准点云到基准点云之间的最优变换矩阵。
一种所述的针对装载黑色煤车辆的点云配准后堆料体积的计算方法所采用的系统，包括两个龙门架、置于前龙门架上的横向激光扫描雷达、置于后龙门架上的纵向激光扫描雷达和摄像头、置于两个龙门架之间的地磅。
具体的，两个所述龙门架安装在煤场地入口处，相距20m左右，车辆位于两龙门架之间；
所述摄像头安装在车辆进入煤场地行驶方向的龙门架上，置于此龙门架顶部中间位置，朝向另一龙门架，用于识别车牌；
所述纵向激光扫描雷达与摄像头安装在后龙门架上朝向前龙门架，两个横向激光扫描雷达安装在前龙门架的上方横梁的两端。
与现有技术相比，本发明至少具有如下的有益效果：本发明解决了大堆料在收方过程中人工量方耗时耗力且精度低、砂子(杂质)含水率测量误差大，进而导致亏方和引起供需方纠纷问题。通过求取满载和空载的点云差来计算堆料体积。与使用体积公式来计算体积的方式相比，本计算方法既适合于测量规则物体又适合于测量不规则物体(此处规则物体可指摆放整齐的煤堆料，如摆放成近乎长方体等规则形状，不规则物体则指杂乱摆放的煤堆料)，应用的范围更加广泛，在测量量大且体积不规则的物体上具有一定的优势。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明系统搭建示意图；
图2为纵向激光扫描雷达测距结果示意图；
图3为车辆点云图像重建结果示意图；
图4为本发明车辆定位流程图；
图5为车厢装载区域黑色区域边缘图；
图6为源点云和目标点云配准算法流程图；
图7为本发明方法工作流程图；
图8为BSHOT空间结构。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施示例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
一种针对装载黑色煤车辆的点云配准后堆料体积的计算系统，包括两个龙门架、分别置于两个龙门架上的激光扫描雷达、摄像头以及置于两个龙门架之间的地磅，其中：
两个龙门架安装在煤场地入口处，相距20m左右，车辆位于两龙门架之间；激光扫描雷达包括一个纵向激光扫描雷达和两个横向激光扫描雷达，一个纵向激光扫描雷达居中安装在靠近车尾的龙门架上，用于纵向扫描车辆后侧进行测距；两个横向激光扫描雷达安装在靠近车头的龙门架上，用于横向扫描车辆两侧及上方；
摄像头安装在靠近车头的龙门架上，位于两横向激光扫描雷达中间，朝向另一龙门架，用于识别车辆前侧及俯视图像，并可以从图像中获取车辆车牌信息。
一种针对装载黑色煤车辆的点云配准后堆料体积的计算方法，如图1，包括以下步骤：
1、前期准备：
1)摄像头获取车辆前侧及俯视图像；
2)根据前后龙门架上的激光扫描雷达扫描得到的点云帧建模，得到车辆的三维点云数据；
其中，横向激光扫描雷达得到龙门架正下方投影区域覆盖到的车辆的横截面点云图像，通过纵向激光扫描雷达测量在两帧横截面点云图像采集时间内沿纵向平移的距离和偏移量，根据纵向扫描获取的平移的距离和偏移量，将不同时间获取的横截面点云图像进行平移和偏移，拼接点云图像，获得整辆车体点云图像。
具体过程包括：
(1.1)如图1，车辆沿直线缓慢前进依次经过后/前龙门架之间的区域；
为了使车辆保持直线缓慢匀速前进，车辆沿地标直线前进，时速不高于10km/h；
(1.2)在前龙门架上两侧的激光雷达同时分别对车辆左右两侧进行扫描，将获得的前龙门架正下方的帧点云作为横截面点云切片，在后龙门架上的激光雷达同时扫描车辆的后侧，获得后侧点云图，记录以上每帧点云的扫描时间，将获得的当前帧点云作为基准点云，将获得的新一帧点云作为待配准点云，直至前龙门架上的激光雷达扫描完车辆；
(1.3)计算从待配准点云变换至基准点云的最优变换矩阵，获得每次配准后待配准点云相对基准点云的水平平移距离和左右偏移量；
(1.4)将扫描时间相同的横截面点云切片与后侧点云图的帧点云配对，并使与后侧点云图对应的所述水平平移距离和左右偏移量，与所述横截面点云切片配对；
(1.5)将第i帧横截面点云切片的坐标按对应的所述水平平移距离和左右偏移量转换添加到第i+1帧横截面点云切片中，更新第i+1帧横截面点云切片；
(1.6)重复步骤(1.5)，直至所有的横截面点云切片的坐标均转换添加到最后一帧横截面点云切片中，获得整辆车体点云图像，如图3所示。
步骤(1.3)中的计算步骤包括：
(1.3.1)NDT算法进行粗配准：
首先需要确定单元格分辨率大小，将基准点云图中的点云数据划分为若干个网格数据，并采用高斯函数模型近似地表示每个网格内的点云数据量，其表达式为：
网格数据中：
式中，P(x)表示每个网格内的点云数据量，xi为每个网格中的点，C为每个网格单元的协方差矩阵，u为每个网格的均值向量，c为常量，n为每个网格中点的数量。
随后根据旋转矩阵R和平移向量t的初始值，将左右侧的待配准点云中的点x转换到基准点云图坐标下：
x’＝Rx+t
式中，x’表示待配准点云中每个点在基准点云坐标下的投影点，接下来对每个投影点求解概率分布并求和：
式中，S(p)为每个投影点求解概率分布之和，xi’表示待配准点云中第i个点在基准点云坐标下的投影点，p为单个投影点概率分布；
然后再采用牛顿迭代优化法对目标函数s(p)优化求解，得到变换矩阵：位姿旋转矩阵R和平移向量t。以上步骤进行循环直至满足收敛条件，最后输出粗配准环节的最佳位姿旋转矩阵R和平移向量t。
(1.3.2)ICP算法进行精配准：
将NDT算法输出的变换矩阵作为ICP精配准的位姿初始值，然后通过待配准点云的点到基准点云图的点的对应关系建立目标函数，然后采用非线性最小二乘法求解该目标函数，其模型表示为：
minS(x)＝fT(x)f(x)＝||f(x)||2
其中，f(x)＝(f1(x),f2(x),…,fm(x))T，x＝(x1,x2,…,xn)T。
假设空间中基准点云的点为A(x,y,z)和待配准点云的点为B(x,y,z)，两点云重叠去O(x,y,z),选取左侧的待配准点云中任意一点Q(xq,yq,zq)，找到其基准点云中的对应点P(xp,yp,zp)，用空间变换模型描述两幅点云的转换关系为：
其中，m为两个三维坐标系之间的比例转换系数，tx,ty,tz表示点云进行空间变换时X，Y，Z轴方向的平移分量，ψ，ω，κ为坐标转换时绕X，Y，Z轴旋转的角度参数。
计算点云配准后两点之间的欧式距离平方和为：
D＝(xq-xp)2+(yq-yp)2+(zq-zp)2
结合两幅点云之间的空间转换关系进行迭代计算可得：
minS(x)＝fT(x)f(x)＝||f(x)||2＝∑D
随后，采用Gauss-Newton算法求解ICP目标函数，迭代求解误差方程，直至得到待配准点云到基准点云之间的最优变换矩阵，如图2所示。上述前期准备中获得整辆车体点云图像仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，采用任何方式获得的整辆车体点云图像均能用于后续的处理步骤。
2、车厢定位：
由于车辆在不同的时间段受不同环境的影响不同，周围的钢架结构以及汽车自身产生的阴影位置和强度也各不相同，摄像头获得现场俯视图中识别出车辆俯视图中车厢边缘的难度会增加。但是由于车厢所装的煤具有黑色不变性，煤所在的矩形区域在灰度值上与周围有较大差别，因此可以利用区域分割法识别出车厢位置，如图4所示。
2.1)图像预处理：
为减少识别误差和计算量，识别前按车道宽度切割出车道部分，然后把切割车道后的图片转换为灰度图像，对此部分进行车厢识别。
2.2)车厢位置识别：
灰度图像中，整个车厢与周围场景在灰度上有较大差别，因此主要采用阈值分割法进行分割。
2.21)二值图像的获取：
利用迭代法求取阈值点。
首先求出图像的最大灰度值和最小灰度值，分别记为ZMAX和ZMIN，令初始阈值TK＝(ZMAX+ZMIN)/a，a为取中系数，a的初始值设置为2；
然后根据阈值TK将图像分割为前景和背景，分别求出二者的平均灰度值ZO和ZB，求出显得阈值TK1＝(ZO+ZB)/a；
若TK＝TK1，则所得为阈值，否则将TK1赋值给TK，重新计算平均灰度值，按上述步骤进行迭代计算。
同时，为得到效果更好的图像，利用整个矩形车厢面积(黑色部分)占整幅图片的比值更新迭代法的取中系数a。据此可求取二值图像。这里得到的二值图像中还有许多孤立的噪声区域，但车厢面积基本是连续的黑色区域，并且其面积是所有孤立黑色区域中面积最大的。
据此统计切割车道后灰度图片转化为二值图片中所有孤立黑色区域的黑色像素数，保留像素数最大的黑色区域，即为车厢所载区域，其他较小区域从图像中删除然后填充黑色区域中的空洞即可得到最后图像。
2.22)边缘的获取：
采用4邻域法从前面所得的二值图像中获取车厢边缘。
首先按顺序取下一个像素点，如果此像素点为黑色像素点则进行下一步，否则重复取下一个像素的点；
所得黑色像素点如果上下左右四个相邻的像素点同时也是黑色像素点，则将该像素点的像素置为白色，否则依旧是重新选择像素点。
得到车厢的边界图片如图5。
2.23)车厢坐标确定
由于一些噪声在前几步中未被去除，和车厢以及镜头一起变形，所以获得的边界图片不是严格的矩形区域，车厢边缘四边并非在严格的四条直线上，但是基本表达了矩形的轮廓，并且可以观测到车厢边缘的每条边基本分布在相邻的三行或三列上，因此可以根据这一边缘特征采用统计方法确定出车厢的四个角点的坐标。
寻找两条长边车厢边缘时，首先把图片从中间分为左右两部分。在左半部分中利用本列点数之和与相邻两列点数之和相加得到每列及其相邻两列的边缘点数之和。得到的最大点数之和所在的列应该是车厢上边缘所在列(记为L1)；
采用同样方法可以得到车厢右边缘所对应的列(记为L2)，以及短边车厢边缘所在行(分别记为H1、H2)；
随后即可确定车厢上端面四点在切割图像中的坐标，再对其进行坐标转换即可得到其在640*480的原图片中的坐标值。根据四个角点转换后的坐标值计算其在原图片中的像素占整幅图片的像素比值，再根据像素比值及俯视图像对应的被摄地面实际面积的乘积计算车厢四个角点的平面内面积S。拉尺标记被摄地面的边界长度后可求出被摄地面实际面积。
3、三维重建：
3.1)通过激光扫描雷达得到空载状态和装载状态下车辆的三维点云数据K和Z，分别作为源点云和目标点云，从源点云中确定车厢的顶点坐标(xi,yi,zi)，其中，源点云即步骤1获得的整辆车体点云图像；3.2)将源点云和目标点云配准，确定目标点云中车厢的顶点坐标(x′i,y′i,z′i)；
从源点云中确定车厢位置的方法如下：
将所获取的三维点云数据投影至地面得到平面点云，利用alpha-shapes算法处理该平面点云来提取表征车辆顶部轮廓的轮廓点云，确定轮廓点云中的各个点云之间的间隔距离，根据各个点云之间的间隔距离判断该车辆为半挂式车辆，或连体式车辆；半挂式车辆为车头和车厢分开一段距离这一类型的车辆，即轮廓点云中各点云之间的间距大于预设距离。连体式车辆为车头和车厢连在一起的类型的车辆，即轮廓点云中各点云之间的间距不大于预设距离。
具体的，地面是X轴与Y轴所成的XY平面，Z轴是高度方向。
Alpha-shapes算法是从离散的空间点集S(Point Sets)内的一堆无序的点中获取大致轮廓的方法，具体可通过半径为Alpha的滚动圆在空间点集S外滚动，滚动圆在滚动中碰到的点即为空间点集S的轮廓点，将所有的轮廓点进行连接，即可得到空间点集S的轮廓线。其中，alpha-shapes算法的精细度由半径alpha决定，半径alpha可根据调试结果和扫描仪分辨率设定。
随后采用ransac算法对轮廓点云进行直线模型拟合，求取与车辆的顶部轮廓相匹配的至少两组相互垂直的直线模型，求取至少两组相互垂直的直线模型的至少三个交点坐标。
具体包括：步骤R1，随机在轮廓点云中抽取两个点数据，计算该两个点数据对应的直线模型，并在轮廓点云中筛选出该直线模型的所有内点；内点是指所述轮廓点云中到直线模型的距离小于预设距离阈值的点；预设距离阈值根据技术人员设定；
步骤R2，判断该直线模型的内点数量是否大于预设个数阈值；
步骤R3，若小于或等于预设个数阈值，则删除该直线模型，并返回所述随机在轮廓点云中抽取两个点数据，计算该两个点数据对应的直线模型，并重复在轮廓点云中筛选出该直线模型的所有内点的步骤；
步骤R4，若大于预设个数阈值，则记录该直线模型，并将该直线模型对应的内点从轮廓点云中去除后，循环执行上述流程直至获取至少两组相互垂直的直线模型，基于两组直线模型集合求交点坐标；
若检测到交点坐标的数量小于预设个数，预设个数为三个，则将所有轮廓点云重新传输至ransac算法，循环执行步骤R1～R4，获取至少两组相互垂直的直线模型，基于两组直线模型集合求交点坐标，直至交点坐标数量不小于预设个数。
若依据前文所述方法确定车辆为半挂式车辆，则根据所求至少三个交点坐标获取车辆的车厢的顶点坐标；若确定车辆为连体式车辆，则根据所述至少三个交点坐标计算所述车辆的测量形状数据，与数据库中连体式车辆空间尺寸数据进行比对，匹配成功即可获取该车型的车厢占整车比，再根据所述至少三个交点坐标及车厢占整车比计算所述车辆的车厢的顶点坐标，匹配不成功则重新获取空载车辆的三维点云数据再重新进行比对。
3.2)将源点云和目标点云配准，确定目标点云中车厢的顶点坐标(x′i,y′i,z′i)的过程如下：
利用ISS算法提取源点云和目标点云的关键点并在关键点的邻域构建局部坐标系，统计邻域点和查询点法向量的夹角余弦值并计入直方图中；然后将高维直方图特征转化为BSHOT描述子，利用汉明距离匹配对应点对，再采用随机采样一致性(random samplingconsistency，RSC)算法去除误匹配点对，得到源点云配准到目标点云的初始变换矩阵；根据初始变换矩阵.将原始的源点云中的车厢的顶点坐标(xi,yi,zi)转化到目标点云的坐标系中，具体配准流程如图6所示.
3.21)利用ISS算法提取源点云和目标点云的关键点
特征点是图像点云中那些可以通过定义检测标准提取的稳定、独特的点集，其数量远小于原始点数。ISS特征点是一种通过与邻域信息建立联系，并利用特征值之间的关系来表示点特征程度的方法。其主要步骤如下:
ISS算法通过计算各个查询点与邻域范围内所有点的协方差矩阵的特征值，并设定特征值间的比例阈值选取关键点。
设点云P中共有m个点，任意一点pi的原始坐标为(xi,yi,zi)i＝1，2，…m。然后对点云数据P中的任一查询点pi构建局部参考坐标系，并将ri视为搜索半径，统计每个查询点pi在半径为ri的球形邻域内的所有点pj，并计算其权值：
式中，ωij为每个查询点在半径为一定的球形区域内各点的权值，Pi为点云数据中的任一查询点，ri为搜索半径，pj为每个查询点pi在半径为ri的球形邻域内所有点；
随后利用ri范围内的所有邻域点pj计算查询点pi的加权协方差矩阵；
式中，C(pi)为一定半径范围内邻域点计算查询点的加权协方差矩阵；
根据查询点pi的加权协方差矩阵计算特征值和特征向量/>并将特征值按降序排列，设定两个小于1的阈值ε1、ε2，若满足/>则查询点pi为ISS关键点。
3.22)在关键点的邻域构建局部坐标系，统计邻域点和查询点法向量的夹角余弦值并计入直方图中；然后将高维直方图特征转化为BSHOT描述子：
求解邻域协方差矩阵：
其中，M为邻域协方差矩阵，r为邻域半径，di为邻域内每个点qi到关键点q的欧氏距离；
通过对协方差矩阵M求解可得特征值及特征值对应的特征向量，将特征值按从大到小排序可得λ1＞λ2＞λ3，其对应的特征向量v1，v2，v3，分别对应于局部参考坐标系的x+，y+，z+方向。
以局部参考坐标系为基准建立关键点的球形邻域，沿球的径向、经度、纬度方向分别划分为2，8，2个部分，则整个球形邻域被划分为如图8所示的32个子空间；
统计子空间内各邻域点qi与关键点q法向量间的夹角余弦值cosθ并计入11维直方图，再组合32个子空间的直方图，构成352维的SHOT高维直方图；
将其编码为352维的二进制描述子，对应值被编码为BSHOT描述子，BSHOT描述子通过迭代方式将SHOT描述子由十进制编码为二进制。
3.33)在源点云的ISS关键点和目标点云的ISS关键点中，基于源点云的BSHOT特征描述子和目标点云的BSHOT特征描述子，获得基于BSHOT特征描述子的最佳匹配，形成源点云和目标点云的局部点云数据的匹配点对；
3.34)采用RSC算法剔除误匹配点对，并通过随机取样剔除局外点，建立一个仅由局内点数据组成的点集。
假设模型的初始状态至少含3个局内点，局内点在数据中的占比ε＝ni/N
式中，ε为局内点在数据中的占比，ni为局内点数，N为局内点和局外点之和。
若以(1-ε)k表示经k次迭代计算后模型至少采样到一个局外点的概率，则局内点的采样概率P＝1-(1-ε)k，P越接近1表示模型中局内点数量最多，在保证一定置信度下迭代结束后估计出最优的模型参数。
剔除错误的对应点后，利用初始变换矩阵M将源点云转换到以目标点云为标准的坐标系中，两片点云之间的变换关系为：
式中(x′i,y′i,z′i)为目标点云上的车厢顶点，(xi,yi,zi)为源点云上与目标点云对应的点，m0-m11表示上文得到的邻域协方差矩阵中各数。由于变换矩阵M中含有12个与旋转或平移相关的参数，所以至少需要6组对应点通过求解线性方程组得出变换矩阵。
4、体积解算：
查找空载状态下车厢顶点坐标围成的矩形区域内的平面点云，将该平面点云在源点云中对应的三维点云数据qk选出，以车厢顶点坐标围成的矩形区域为源点云底面，并进行三维曲面重建，得到空载车厢的连续表面轮廓三维模型；
将目标点云上的车厢顶点(x′i,y′i,z′i)投影至地面得到的目标平面点云覆盖矩形区域作为目标点云底面，以目标点云底面上方的目标点云进行三维曲面重建，得到装载车厢的连续表面轮廓三维模型；
根据公式计算空载车厢及装载车厢的连续表面轮廓三维模型的体积：
式中，Vempty为空载车厢的连续表面轮廓三维模型的体积，Vloading为装载车厢的连续表面轮廓三维模型的体积，zempty为qk的高程坐标z的均值，zloading为目标点云的点的高程坐标zi’，dxdy为各点云投影至地面平面时对应的面积，dxdy的积分为车厢面积S，ΔV指二者体积差。
对曲面重建后的模型进行微分切片，将车辆三维模型切分为一系列小片段，计算切分得到的每一小片段的真实体积，积分计算后即可得到最终的体积。
应用例：
使用煤场地装载煤料的货车对本发明计算体积的方式进行精度验证，为使人工测量方便并且控制变量使数据更加精准，将车内的煤进行磨平处理，使用本发明系统(纵向激光扫描雷达和横向激光扫描雷达)分别对平厢状态车辆和空车状态车辆扫描五次，将测量结果与人工的精确测量的结果相对比，对比结果表明，计算出的体积误差不超过0.35m3，测量结果单次误差最大为2.3％，累计误差为0.152％，由此说明本发明计算体积的方法所得出的结果精度较高。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解得到的变换或者替换，都应该涵盖在本发明的包含范围之内。

Claims (10)

1.一种针对装载黑色煤车辆的点云配准后堆料体积的计算方法，其特征在于，包括以下步骤：
S01.通过激光扫描雷达得到空载状态和装载状态下车辆的三维点云数据K和Z，分别作为源点云和目标点云，通过摄像头获取装载状态下车辆俯视图像；
S02.处理源点云数据，确定空载状态下车厢的顶点坐标；
S03.将源点云和目标点云配准，确定目标点云中车厢的顶点坐标；
S04.从装载状态下车辆俯视图像中定位车厢并计算车厢面积S；
S05.将源点云和目标点云中车厢顶点坐标围成的矩形区域内的三维点云数据选出，并分别进行三维曲面重建，得到空载车厢及装载车厢的连续表面轮廓三维模型；
S06.根据公式计算空载车厢及装载车厢的连续表面轮廓三维模型的体积：
式中，Vempty为空载车厢的连续表面轮廓三维模型的体积，Vloading为装载车厢的连续表面轮廓三维模型的体积，zempty为源点云中选出点云的高程坐标z的均值，zloading为目标点云中选出点云的高程坐标zi’，dxdy为各点云投影至地面平面时对应的面积，dxdy的积分为步骤S04中车厢面积S，ΔV指二者体积差。
2.根据权利要求1所述的针对装载黑色煤车辆的点云配准后堆料体积的计算方法，其特征在于，步骤S02包括：
A1.将所获取的源点云投影至地面得到平面点云；
A2.利用alpha-shapes算法处理该平面点云来提取表征车辆顶部轮廓的轮廓点云；
A3.根据所述轮廓点云中间是否有大于预设阈值的间隙判断所述车辆是半挂式车辆还是连体式车辆；若所述轮廓点云中间有大于阈值的间隙，则所述车辆为半挂式车辆；反之，所述车辆为连体式车辆；
A4.随后采用ransac算法对轮廓点云进行直线模型拟合，求取与车辆的顶部轮廓相匹配的至少两组相互垂直的直线模型，求取至少两组相互垂直的直线模型的至少三个交点坐标；
A5.若所述车辆为半挂式车辆，则根据所述至少三个交点坐标获取所述车辆的车厢顶点坐标；或者，
若所述车辆为连体式车辆，则根据所述至少三个交点坐标计算所述车辆的测量形状数据，查询数据库中是否存在与所述测量形状数据相匹配的连体式车型，若存在，则获取该车型的车厢占整车比，根据所述至少三个交点坐标及所述车厢占整车比计算所述车辆的车厢顶点坐标。
3.根据权利要求2所述的针对装载黑色煤车辆的点云配准后堆料体积的计算方法，其特征在于，步骤A4包括：
R1.随机在所述轮廓点云中抽取两个点数据，计算该两个点数据对应的直线模型，并在所述轮廓点云中筛选出该直线模型的所有内点；所述内点是指所述轮廓点云中到所述直线模型的距离小于预设距离阈值的点；
R2.判断该直线模型的内点数量是否大于预设个数阈值；
R3.若小于或等于所述预设个数阈值，则删除该直线模型，并返回所述随机在所述轮廓点云中抽取两个点数据，计算该两个点数据对应的直线模型，并在所述轮廓点云中筛选出该直线模型的所有内点的步骤；
R4.若大于预设个数阈值，则记录该直线模型，并将该直线模型对应的内点从所述轮廓点云中去除后，循环执行上述流程直至获取至少两组相互垂直的直线模型，并求取所述至少两组相互垂直的直线模型的至少三个交点坐标。
4.根据权利要求1所述的针对装载黑色煤车辆的点云配准后堆料体积的计算方法，其特征在于，步骤S03包括：
B1.利用ISS算法提取源点云和目标点云的关键点；
B2.在关键点的邻域构建局部坐标系，统计邻域点和查询点法向量的夹角余弦值并计入直方图中；然后将高维直方图特征转化为BSHOT描述子；
B3.在源点云的ISS关键点和目标点云的ISS关键点中，基于源点云的BSHOT特征描述子和目标点云的BSHOT特征描述子，获得基于BSHOT特征描述子的最佳匹配，形成源点云和目标点云的局部点云数据的匹配点对；
B4.采用随机采样一致性算法去除误匹配点对，得到源点云配准到目标点云的初始变换矩阵；
B5.根据初始变换矩阵.将原始的源点云中的车厢顶点坐标转化到目标点云的坐标系中，得到目标点云的坐标系中的车厢顶点坐标。
5.根据权利要求4所述的针对装载黑色煤车辆的点云配准后堆料体积的计算方法，其特征在于，步骤B1包括：
对点云数据P中的任一查询点pi构建局部参考坐标系，并将ri视为搜索半径，统计每个查询点pi在半径为ri的球形邻域内的所有点pj，并计算其权值：
式中，pi的原始坐标为(xi,yi,zi)i＝1，2，…m；ωij为每个查询点在半径为一定的球形区域内各点的权值，Pi为点云数据中的任一查询点，ri为搜索半径，pj为每个查询点pi在半径为ri的球形邻域内所有点；
随后利用ri范围内的所有邻域点pj计算查询点pi的加权协方差矩阵；
式中，C(pi)为一定半径范围内邻域点计算查询点的加权协方差矩阵；
根据查询点pi的加权协方差矩阵计算特征值和特征向量/>并将特征值按降序排列，设定两个小于1的阈值ε1ε2，若满足/>则查询点pi为ISS关键点。
6.根据权利要求4所述的针对装载黑色煤车辆的点云配准后堆料体积的计算方法，其特征在于，步骤B2包括：
求解邻域协方差矩阵：
式中，M为邻域协方差矩阵，r为邻域半径，di为邻域点qi到关键点q的欧氏距离；
通过对协方差矩阵M求解可得特征值及特征值对应的特征向量，将特征值按从大到小排序可得λ1＞λ2＞λ3，其对应的特征向量v1，v2，v3，分别对应于局部参考坐标系的x+，y+，z+方向；
以局部参考坐标系为基准建立关键点的球形邻域，沿球的径向、经度、纬度方向分别划分为2，8，2个部分，则整个球形邻域被划分为32个子空间；
统计子空间内各邻域点qi与关键点q法向量间的夹角余弦值cosθ并计入11维直方图，再组合32个子空间的直方图，构成352维的SHOT高维直方图；
将其编码为352维的二进制描述子，对应值被编码为BSHOT描述子，BSHOT描述子通过迭代方式将SHOT描述子由十进制编码为二进制。
7.根据权利要求4所述的针对装载黑色煤车辆的点云配准后堆料体积的计算方法，其特征在于，步骤B4包括：
假设模型的初始状态至少含3个局内点，局内点在数据中的占比
ε＝ni/N
式中，ε为局内点在数据中的占比，ni为局内点数，N为局内点和局外点之和；
若以(1-ε)k表示经k次迭代计算后模型至少采样到一个局外点的概率，则局内点的采样概率P＝1-(1-ε)k，P越接近1表示模型中局内点数量最多，在保证一定置信度下迭代结束后估计出最优的模型参数；
剔除错误的对应点后，利用初始变换矩阵M将源点云转换到以目标点云为标准的坐标系中，两片点云之间的变换关系为：
式中，(x′i,y′i,z′i)为目标点云上的点，(xi,yi,zi)为源点云上与目标点云对应的点，m0-m11表示上文得到的邻域协方差矩阵中各数。
8.根据权利要求6所述的针对装载黑色煤车辆的点云配准后堆料体积的计算方法，其特征在于，步骤S04包括：
D1.图像预处理：
识别前按车道宽度切割出车道部分，把切割车道后的图片转换为灰度图像，对此部分进行车厢识别；
D2.车厢位置识别：
E1.二值图像的获取：
利用迭代法求取阈值点；
求出图像的最大灰度值和最小灰度值，分别记为ZMAX和ZMIN，令初始阈值TK＝(ZMAX+ZMIN)/2；
根据阈值TK将图像分割为前景和背景，分别求出二者的平均灰度值ZO和ZB，求出显得阈值TK1＝(ZO+ZB)/2；
若TK＝TK1，则所得为阈值，否则将TK1赋值给TK，重新计算平均灰度值，按上述步骤进行迭代计算；
E2.边缘的获取：
采用4邻域法从所得的二值图像中获取车厢边缘；
按顺序取下一个像素点，如果此像素点为黑色像素点则进行下一步，否则重复去下一个像素的点；
所得黑色像素点如果上下左右四个相邻的像素点同时也是黑色像素点，则将该像素点置为白色，否则依旧是重新选择像素点。
E3.车厢坐标确定：
寻找两条长边车厢边缘时，把图片从中间分为左右两部分；
在左半部分中利用本列点数之和与相邻两列点数之和相加得到每列及其相邻两列的边缘点数之和；
得到的最大点数之和所在的列是车厢上边缘所在列，记为L1，采用同样方法可以得到车厢右边缘所对应的列，记为L2，以及短边车厢边缘所在行，分别记为L1、L2，即可确定车厢四点在切割图像中的坐标；
再对其进行坐标转换即可得到其原俯视图片中的坐标值；
根据车厢四点转换后的坐标值计算其在原俯视图片中的像素占整幅图片的像素比值，再根据像素比值及俯视图像对应的被摄地面实际面积的乘积计算车厢四点的平面内面积S，被摄地面实际面积通过拉尺标记被摄地面的边界长度后求出。
9.根据权利要求1所述的针对装载黑色煤车辆的点云配准后堆料体积的计算方法，其特征在于，步骤S01中，通过激光扫描雷达得到空载状态和装载状态下车辆的三维点云数据K和Z，具体包括：
通过横向激光扫描雷达得到横向激光扫描雷达所在龙门架正下方投影区域覆盖到的车辆的横截面点云图像，通过纵向激光扫描雷达测量在两帧横截面点云图像采集时间内平移的距离和偏移量，根据纵向扫描获取的平移的距离和偏移量，将不同时间获取的横截面点云图像进行点云图像拼接，获得整辆车体点云图像。
10.一种根据权利要求1-9中任一所述的针对装载黑色煤车辆的点云配准后堆料体积的计算方法所采用的系统，其特征在于，包括两个龙门架、置于前龙门架上的横向激光扫描雷达、置于后龙门架上的纵向激光扫描雷达和摄像头、置于两个龙门架之间的地磅；
两个所述龙门架安装在煤场地入口处，相距20m左右，车辆位于两龙门架之间；
所述摄像头安装在车辆进入煤场地行驶方向的龙门架上，置于此龙门架顶部中间位置，朝向另一龙门架，用于识别车牌；
所述纵向激光扫描雷达与摄像头安装在后龙门架上朝向前龙门架，两个横向激光扫描雷达安装在前龙门架的上方横梁的两端。
CN202310812686.3A 2023-03-13 2023-07-05 一种针对装载黑色煤车辆的点云配准后堆料体积的计算方法及系统 Active CN116843742B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2023102330537 2023-03-13
CN202310233053 2023-03-13

Publications (2)

Publication Number Publication Date
CN116843742A true CN116843742A (zh) 2023-10-03
CN116843742B CN116843742B (zh) 2024-02-02

Family

ID=88168489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310812686.3A Active CN116843742B (zh) 2023-03-13 2023-07-05 一种针对装载黑色煤车辆的点云配准后堆料体积的计算方法及系统

Country Status (1)

Country Link
CN (1) CN116843742B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117329971A (zh) * 2023-12-01 2024-01-02 海博泰科技(青岛)有限公司 一种基于三维激光雷达的车厢平衡检测方法和系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105201728A (zh) * 2015-09-28 2015-12-30 中国海洋大学 一种水平轴潮流能水轮机组合翼型叶片的设计方法
CN205049180U (zh) * 2015-10-19 2016-02-24 何晓昀 一种公路超限检测系统
CN109029254A (zh) * 2018-07-03 2018-12-18 燕山大学 一种基于点云数据处理的列车车厢载货体积及体密度质量检测方法
US20190019331A1 (en) * 2015-08-01 2019-01-17 Inria Institut National De Recherche En Informatiq Processing of geometric data with isotopic approximation within a tolerance volume
CN112432647A (zh) * 2020-11-09 2021-03-02 深圳市汇川技术股份有限公司 车厢的定位方法、装置、系统及计算机可读存储介质
WO2021197345A1 (zh) * 2020-03-30 2021-10-07 长沙智能驾驶研究院有限公司 一种基于激光雷达的封闭空间内剩余体积的检测方法和装置
CN113625299A (zh) * 2021-07-26 2021-11-09 北京理工大学 基于三维激光雷达的装车物料高度与偏载检测方法及装置
CN113776429A (zh) * 2021-07-21 2021-12-10 武汉市异方体科技有限公司 一种车载物料体积测量方法
CN115423972A (zh) * 2022-08-20 2022-12-02 北京航空航天大学 一种基于车载多激光雷达融合的封闭场景三维重建方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190019331A1 (en) * 2015-08-01 2019-01-17 Inria Institut National De Recherche En Informatiq Processing of geometric data with isotopic approximation within a tolerance volume
CN105201728A (zh) * 2015-09-28 2015-12-30 中国海洋大学 一种水平轴潮流能水轮机组合翼型叶片的设计方法
CN205049180U (zh) * 2015-10-19 2016-02-24 何晓昀 一种公路超限检测系统
CN109029254A (zh) * 2018-07-03 2018-12-18 燕山大学 一种基于点云数据处理的列车车厢载货体积及体密度质量检测方法
WO2021197345A1 (zh) * 2020-03-30 2021-10-07 长沙智能驾驶研究院有限公司 一种基于激光雷达的封闭空间内剩余体积的检测方法和装置
CN112432647A (zh) * 2020-11-09 2021-03-02 深圳市汇川技术股份有限公司 车厢的定位方法、装置、系统及计算机可读存储介质
CN113776429A (zh) * 2021-07-21 2021-12-10 武汉市异方体科技有限公司 一种车载物料体积测量方法
CN113625299A (zh) * 2021-07-26 2021-11-09 北京理工大学 基于三维激光雷达的装车物料高度与偏载检测方法及装置
CN115423972A (zh) * 2022-08-20 2022-12-02 北京航空航天大学 一种基于车载多激光雷达融合的封闭场景三维重建方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HONDA H等: "A three-dimensional vertex dynamics cell model of space-filling polyhedra simulating cell behavior in a cell aggregate", 《JOURNAL OF THEORETICAL BIOLOGY》, vol. 226, no. 4, pages 439 - 453 *
李庆玲等: "一种基于NDT和ICP融合的点云配准算法", 《实验技术与管理》, vol. 39, no. 11, pages 23 - 28 *
杨庆祥等: "汽车煤随机采样系统的车厢定位", 《工业控制计算机》, no. 8, pages 42 *
王帅帅等: "基于ISS-BSHOT特征的ICP点云配准方法", 《扬州大学学报(自然科学版)》, vol. 25, no. 6, pages 51 - 53 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117329971A (zh) * 2023-12-01 2024-01-02 海博泰科技(青岛)有限公司 一种基于三维激光雷达的车厢平衡检测方法和系统
CN117329971B (zh) * 2023-12-01 2024-02-27 海博泰科技(青岛)有限公司 一种基于三维激光雷达的车厢平衡检测方法和系统

Also Published As

Publication number Publication date
CN116843742B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
DE112012005350B4 (de) Verfahren zum Schätzen der Stellung eines Objekts
Xu et al. Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor
CN111723721A (zh) 基于rgb-d的三维目标检测方法、系统及装置
CN109523595B (zh) 一种建筑工程直线棱角间距视觉测量方法
CN111507390A (zh) 一种基于轮廓特征的仓储箱体识别与定位方法
CN110349260B (zh) 一种路面标线自动提取方法及装置
CN104299260A (zh) 一种基于sift和lbp的点云配准的接触网三维重建方法
CN111553409A (zh) 一种基于体素形状描述符的点云识别方法
CN116843742B (zh) 一种针对装载黑色煤车辆的点云配准后堆料体积的计算方法及系统
CN110533774B (zh) 一种基于智能手机的三维模型重建方法
CN110807781A (zh) 一种保留细节与边界特征的点云精简方法
CN114612665B (zh) 基于法向量直方图特征的位姿估计及动态车辆检测方法
CN111783722B (zh) 一种激光点云的车道线提取方法和电子设备
CN111967337A (zh) 一种基于深度学习和无人机影像的管道线变化检测方法
CN115014371A (zh) 一种用于智慧粮库粮食转运车的定位与建图方法、装置及存储介质
CN116452852A (zh) 一种高精度矢量地图的自动生成方法
CN112257721A (zh) 一种基于Fast ICP的图像目标区域匹配方法
CN112734844A (zh) 一种基于正八面体的单目6d位姿估计方法
CN112241964A (zh) 一种用于线结构光非接触测量的光条中心提取方法
Wang Automatic extraction of building outline from high resolution aerial imagery
CN110969650B (zh) 一种基于中心投影的强度图像与纹理序列间的配准方法
CN113409242A (zh) 一种轨交弓网点云智能监测方法
Hu et al. R-CNN based 3D object detection for autonomous driving
Yoruk et al. Efficient object localization and pose estimation with 3D wireframe models
CN112232248A (zh) 一种多线LiDAR点云数据平面特征的提取方法及装置

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