CN117953041A - 一种基于深度相机的最小矩形包确定装置 - Google Patents

一种基于深度相机的最小矩形包确定装置 Download PDF

Info

Publication number
CN117953041A
CN117953041A CN202410110943.3A CN202410110943A CN117953041A CN 117953041 A CN117953041 A CN 117953041A CN 202410110943 A CN202410110943 A CN 202410110943A CN 117953041 A CN117953041 A CN 117953041A
Authority
CN
China
Prior art keywords
plane
point
depth
distance
unit
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
Application number
CN202410110943.3A
Other languages
English (en)
Inventor
周响南
黄龙祥
汤伟杰
姚想
汪博
朱力
吕方璐
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.)
Chongqing Guangjian Aoshen Technology Co ltd
Shenzhen Guangjian Technology Co Ltd
Original Assignee
Chongqing Guangjian Aoshen Technology Co ltd
Shenzhen Guangjian Technology 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 Chongqing Guangjian Aoshen Technology Co ltd, Shenzhen Guangjian Technology Co Ltd filed Critical Chongqing Guangjian Aoshen Technology Co ltd
Priority to CN202410110943.3A priority Critical patent/CN117953041A/zh
Publication of CN117953041A publication Critical patent/CN117953041A/zh
Pending legal-status Critical Current

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
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G06T7/85—Stereo camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20156—Automatic seed setting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

一种基于深度相机的最小矩形包确定装置，包括：获取模块，用于获得目标区域的点云数据；托盘标定模块，用于检测所述点云数据中的托盘平面，标定深度相机到所述托盘平面的距离；目标对象分割模块，用于识别出目标对象的初始范围；体积测量模块，用于使用点云信息，在所述初始范围内计算目标对象与所述托盘平面的最大距离，从而得到最小矩形包的体积。本发明只使用深度相机提供的点云，不需要使用其他设备，成本低廉，使用方便，且精度较高。

Description

一种基于深度相机的最小矩形包确定装置
技术领域
本发明涉及体积测量技术领域，具体地，涉及一种基于深度相机的最小矩形包确定装置。
背景技术
体积测量是指对目标对象进行测量，获取目标对象的体积信息，目标对象可以是各种快递件、生活物品等，这些大部分目标对象是非规则体，获取体积比较困难。体积测量应用广泛，可以用于工业自动化、快递等领域，可以节省大量的人力物力，提高生产效率，发挥着重要作用。体积测量可以使用多种设备，如双目RGB相机、激光雷达、深度相机(TOF、结构光)等，为了测得精确的体积，需要针对每种设备采取不同的算法。
在现有技术中，在采用无接触对非规则体积进行测量时，常常需要对深度相机采用固定的位置，对每个像素点的深度值进行估算，从而求和得到总体体积。比如，某专利公开了：系统包括深度相机，深度相机安装在仓库的正中央上方，所述仓库用于堆放所述不规则堆料，所述方法包括:根据预设规则将所述仓库的地面分成多个测量区域501:获取仓储设施的高度h1(相当于深度相机到地面的垂直距离)，基于所述激光传感器分别测量每个所述测量区域的堆面中心点到深度相机的测量距离Di，确定每个测量区域的堆料高度Hi，Hi＝h1-Di，根据所述堆料高度以及所述测量区域对应的长度及宽度，分别确定每个测量区域对应的堆料体积Vi，根据所述每个测量区域对应的堆料体积确定所述不规则堆料的体积，体积为与每一个图像单元对应的单元体积的总和。
在物流等领域，常常需要根据目标对象的大小选择合适的包装。而现有技术中并没有可以利用深度相机直接确定包装体积的技术方案。
以上背景技术内容的公开仅用于辅助理解本发明的发明构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。
发明内容
为此，本发明对非规则目标对象获得点云数据，检测点云数据中的托盘平面，进而识别出目标对象的初始范围，并在初始范围内计算最小矩形包的体积，只使用深度相机提供的点云，不需要使用其他设备，成本低廉，使用方便，且精度较高。
第一方面，本发明提供一种基于深度相机的最小矩形包确定装置，其特征在于，包括：
获取模块，用于获得目标区域的点云数据；
托盘标定模块，用于检测所述点云数据中的托盘平面，标定深度相机到所述托盘平面的距离；
目标对象分割模块，用于识别出目标对象的初始范围；
体积测量模块，用于使用点云信息，在所述初始范围内计算目标对象与所述托盘平面的最大距离，从而得到最小矩形包的体积。
可选地，所述的一种基于深度相机的最小矩形包确定装置，其特征在于，所述托盘标定模块包括：
第一法线单元，用于在点云数据中，基于KD树计算每个点的k临近点，将所述k临近点作为一个平面计算法线；
候选平面单元，用于通过判断点法线角度、点之间距离以及种子点到当前点之间的距离，将点云聚类为候选平面；
平面融合单元，用于通过点与点之间的临近关系查找相邻点，然后通过判断相邻的所述候选平面之间的法线及中心点之间的关系判断是否是同一平面，并对同一平面进行融合；
距离计算单元，用于将距离深度相机最近的平面作为托盘平面，并计算深度相机到所述托盘平面的距离。
可选地，所述的一种基于深度相机的最小矩形包确定装置，其特征在于，所述候选平面单元包括：
标记子单元，用于选择一个点为种子点，并获得第一距离内的多个点为当前点；
差值选择子单元，用于根据所述当前点的法线角度和所述种子点的法线角度的差值，得到所述差值小于第一角度的所述当前点；执行夹角计算子单元或距离计算子单元；
夹角计算子单元，用于如果所述当前点与所述种子点的连线与所述种子点的法线夹角在第一夹角范围内，则将所述当前点与所述种子点聚类为候选平面；其中，所述第一夹角范围包括直角；执行重置子单元；
距离计算子单元，用于如果所述当前点的法线平面与所述种子点的法线平面的距离在第一预设距离内，则将所述当前点与所述种子点聚类为候选平面；执行重置子单元；
重置子单元，用于将所述候选平面上的所述当前点置为种子点，并执行标记子单元，直至所述候选平面上的点不再增加。
可选地，所述的一种基于深度相机的最小矩形包确定装置，其特征在于，所述平面融合单元包括：
平面子单元，用于计算点与点之间的临近关系，得到相邻点，进而得到相邻点所属的第一候选平面和第二候选平面；
法线子单元，用于计算所述第一候选平面上多个点的中心点，得到第一中心点及其第一法线方向，计算所述第二候选平面上多个点的中心点，得到第二中心点及其第二法线方向；
方向差值子单元，用于计算所述第一法线方向与所述第二法线方向的差值，如果小于第一角度，执行深度差值子单元；
深度差值子单元，用于计算所述第一中心点和所述第二中心点的深度值的差值，如果在第一预设距离内，则判断为同一平面，并进行融合。
可选地，所述的一种基于深度相机的最小矩形包确定装置，其特征在于，所述目标对象分割模块包括：
坐标转换单元，用于将点云坐标转换到由所述托盘平面及法线构成的转换坐标系下；
重计算单元，用于在所述转换坐标系下，重新计算获得校正点云高度；
投影单元，用于将点云垂直投影到所述托盘平面上，获得初始范围。
可选地，所述的一种基于深度相机的最小矩形包确定装置，其特征在于，所述体积测量模块包括：
点云高度单元，用于计算所述初始范围内的点云距离所述托盘平面的距离值，并去除噪声后获得矩形包的高h；
长宽单元，用于获得所述初始范围的长l和宽w；
矩形包单元，用于将高h、长l和宽w相乘得到最小矩形包的体积。
可选地，所述的一种基于深度相机的最小矩形包确定装置，其特征在于，所述点云高度单元包括：
最大距离子单元，用于遍历所有点云，计算到所述托盘平面的距离h，获得最大距离hmax；
队列子单元，用于将α*hmax作为距离阈值，统计大于所述距离阈值的距离h，获得n个数据，并排序构成队列；其中，α是系数，介于[0.6，0.95]之间；
高度确认子单元，用于将队列n中位于第β*n个的数作为高h；其中，β是系数，介于(0，1)之间。
可选地，所述的一种基于深度相机的非规则体积测量装置，其特征在于，所述体积测量模块包括：
网格单元，用于在所述初始范围内，将空间分成均匀的多个网格；
第一高度单元，用于计算每个所述网格的深度均值，然后使用深度相机到托盘的距离减去所述深度均值作为所述网格的深度值，得到所述网格的高；
体积计算单元，用于筛选出最大的所述网格的高，作为所述目标对象的高，结合所述初始范围的长和宽，计算得到最小矩形包的体积。
可选地，所述的一种基于深度相机的非规则体积测量装置，其特征在于，在计算每个所述网格的深度均值时，包括：
第一阈值单元，用于判断每个所述网格中点云的数量是否大于第一阈值；如果大于所述第一阈值，将所述网格标记为有效网格，执行深度均值单元，否则，执行第二阈值单元；
深度均值单元，用于统计所述网格中每个点的深度值，并取平均值，并根据深度相机的夹角，计算得到所述网格的深度均值；
第二阈值单元，用于判断所述网格的相邻网格中的所述有效网格的数量是否大于第二阈值，如果大于所述第二阈值，则将所述有效网格的深度均值的平均值作为所述网格的深度均值，否则，将所述网格的深度均值置为零。
可选地，所述的一种基于深度相机的非规则体积测量装置，其特征在于，所述体积测量模块包括：
网格单元，用于在所述初始范围内，将空间分成均匀的多个网格；
表面确认单元，用于确认所述网格的上表面和下表面；所述上表面和所述下表面之间为所述网格的实体部分；
第二高度单元，用于计算所述上表面的第一深度均值和所述下表面的第二深度均值，并相减得到所述网格的高；
体积计算单元，用于筛选出最大的所述网格的高，作为所述目标对象的高，结合所述初始范围的长和宽，计算得到最小矩形包的体积。
与现有技术相比，本发明具有如下的有益效果：
本发明利用深度相机获取的点云数据进行测量，并且对于深度相机的安装角度及目标对象的放置区域均没有要求，并且不需要使用其他设备，具有成本低廉，使用方便的特点。
本发明在点云数据中检测出托盘平面，与目标对象的初始范围，再进行体积计算，使得体积计算更加准确适用各类测量场景，既适用于目标对象直接放置于地面的场景，又适用于目标对象被托举的场景。
本发明利用点云数据计算最小矩形包的体积，相比于先计算目标对象的体积，再确定最小矩形包的体积，计算更加简单、高效，对算力需求低，能够应用于成本更低的芯片上。
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，还可以根据提供的附图获得其他的附图。通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例中一种基于深度相机的最小矩形包确定装置的结构示意图；
图2为本发明实施例中一种目标对象放置示意图；
图3为本发明实施例中一种托盘标定模块的结构示意图；
图4为本发明实施例中一种候选平面单元的结构示意图；
图5为本发明实施例中一种平面融合单元的结构示意图；
图6为本发明实施例中一种目标对象分割模块的结构示意图；
图7为本发明实施例中一种深度相机与目标对象位置关系示意图；
图8为本发明实施例中一种体积测量模块的结构示意图；
图9为本发明实施例中一种计算每个所述网格的深度均值的结构示意图；
图10为本发明实施例中另一种体积测量模块的结构示意图；
图11为本发明实施例中一种深度相机与目标对象的计算关系示意图；
图12为本发明实施例中另一种点云高度单元的结构示意图；
图13为本发明实施例中一种高度选取示意图；
图14为本发明实施例中一种另一种体积测量模块的结构示意图；
图15为本发明实施例中一种表面确认单元的结构示意图；以及
图16为本发明实施例中一种第二高度单元的结构示意图。
1--地面；
2--托盘；
3--目标对象；
4--深度相机；
o--相机镜头中心；
l--最小闭包的长；
z--相机到托盘的距离；
f--相机的焦距；
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例提供的一种基于深度相机的最小矩形包确定深度模组的方法，旨在解决现有技术中存在的问题。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
本发明对非规则目标对象获得点云数据，检测点云数据中的托盘平面，进而识别出目标对象的初始范围，并在初始范围内计算目标对象的体积，只使用深度相机提供的点云，不需要使用其他设备，成本低廉，使用方便，且精度较高。
图1为本发明实施例中一种基于深度相机的最小矩形包确定装置的结构示意图。
如图1所示，本发明实施例中一种基于深度相机的最小矩形包确定装置包括：
获取模块，用于获得目标区域的点云数据。
具体地说，从深度相机获取目标区域的点云数据。点云数据既可以是由一台深度相机获取的，又可以是由两台或更多台深度相机获取的点云融合后获得的。点云数据既可以从深度相机直接获取，也可以由深度相机获取后存入平台中，再进行获取。点云数据是由三维空间中的点组成的数据集，每个点都有一个对应的坐标(x,y,z)。通过深度相机的传感器，可以捕捉到场景中所有目标对象的三维信息，并将其转换为点云数据。
托盘标定模块，用于检测所述点云数据中的托盘平面，标定深度相机到所述托盘平面的距离。
具体地说，检测托盘所在的平面，以及确定深度相机到托盘的距离，用于后续分割目标对象，这里的托盘一般是指放置于水平的地面的平面，也可以是地面。如图2所示，目标对象位于托盘上。在图2中，托盘的面积大于目标对象的面积。在部分实施例中，托盘的面积小于目标对象的面积。当然，目标对象也可以直接位于地面上。检测点云数据中的托盘平面。首先，对点云数据进行预处理，例如去除噪声、滤波等，以减少干扰因素。然后，我们可以使用一些算法(如RANSAC、ICP等)来检测点云数据中的平面。检测到的平面通常具有一个法向量和一个距离参数，表示该平面与相机之间的距离。通过计算这个距离参数来标定深度相机到托盘平面的距离。
目标对象分割模块，用于识别出目标对象的初始范围。
具体地说，通过分析点云数据来实现。首先，确定目标对象在点云数据中的分布范围，可以通过计算点云数据的边界框来实现。然后，根据目标对象的形状和大小，进一步缩小搜索范围，以便更准确地定位目标对象。将点云数据投影到二维平面上，例如图像平面，作为初始范围。
体积测量模块，用于使用点云信息，在所述初始范围内计算目标对象与所述托盘平面的最大距离，从而得到最小矩形包的体积。
具体地说，利用初始范围可以获得目标对象的长和宽。在点云信息中，计算点云到托盘平面的距离，可以得到目标对象的高。由于目标对象可以为规则结构，也可以为非规则结构，因此需要对所有点云全部进行计算。在去除噪声点云后，将最大的距离作为高，从而可以计算最小矩形包的体积。在去除噪声时，可以采用两种方案。第一种是将初始范围划分为多个面积相等的网格，并对每个网格的表面进行聚类，筛选出真正的表面，从而筛选出其中最大的高度作为最大距离。具体的表面聚类及筛选过程参见后续部分的内容。这种方案可以获得非常准确的最小矩形包体积。第二种是将所有点云距离托盘平面的高度进行排序，根据点云的特性，选择一定百分比的距离值作为最小矩形包的高。这种方案具有计算简单、运行高效的特点，尤其适用于目标对象的类型较为固定的场景。
图3为本发明实施例中一种托盘标定模块的结构示意图。如图3所示，本发明实施例中一种托盘标定模块包括：
第一法线单元，用于在点云数据中，基于KD树计算每个点的k临近点，将所述k临近点作为一个平面计算法线。
具体地说，对点云数据进行预处理，例如去除噪声、滤波等，以减少干扰因素。然后，使用KD树算法来查找每个点的k临近点。KD树是一种用于存储和搜索多维空间中的点的数据结构，它可以有效地减少搜索范围，提高搜索效率。通过查找每个点的k临近点，我们可以将这些临近点作为一组，计算这组点的法线。
候选平面单元，用于通过判断点法线角度、点之间距离以及种子点到当前点之间的距离，将点云聚类为候选平面。
具体地说，根据计算出的法线来判断哪些点属于同一个平面。通过比较不同点的法线角度、点之间的欧氏距离以及种子点到当前点的距离来实现这一点。具体来说，如果一个点的法线与另一个点的法线夹角小于某个阈值(如30度)，并且这两个点之间的距离小于某个阈值(如0.1米)，则认为这两个点属于同一个平面。同时，还需要考虑种子点到当前点的距离，以确保聚类结果的稳定性。
平面融合单元，用于通过点与点之间的临近关系查找相邻点，然后通过判断相邻的所述候选平面之间的法线及中心点之间的关系判断是否是同一平面，并对同一平面进行融合。
具体地说，在完成初步聚类后，我们还需要进一步优化聚类结果。可以通过查找相邻的候选平面之间的法线及中心点之间的关系来判断它们是否属于同一个平面。具体来说，如果两个候选平面的法线夹角小于某个阈值(如10度)，并且它们的中心点之间的距离小于某个阈值(如0.05米)，则认为这两个候选平面属于同一个平面。对于属于同一个平面的候选平面，将它们进行融合。
距离计算单元，用于将距离深度相机最近的平面作为托盘平面，并计算深度相机到所述托盘平面的距离。
具体地说，确定托盘平面的位置和深度相机到托盘平面的距离。可以通过比较所有候选平面与深度相机之间的距离来实现这一点。具体来说，计算每个候选平面与深度相机之间的欧氏距离，然后将距离最小的候选平面作为托盘平面。同时，我们还可以计算深度相机到托盘平面的距离。
本实施例通过基于KD树的最近邻搜索，可以在O(logn)的时间复杂度内找到每个点的k临近点，这比全局搜索的方法效率更高。本实施例不仅考虑了点之间的几何关系(如距离和法线夹角)，还引入了种子点到当前点的距离，这有助于提高聚类结果的准确性。本实施例采用了多层次的处理策略，包括数据去噪、关键点提取等预处理步骤，可以有效地处理原始采集的点云数据中可能包含的噪声和散列点等问题。本实施例不仅可以识别和融合同一平面的点云，还可以将距离深度相机最近的平面作为托盘平面，并计算深度相机到所述托盘平面的距离。
图4为本发明实施例中一种候选平面单元的结构示意图。如图4所示，本发明实施例中一种候选平面单元包括：
标记子单元，用于选择一个点为种子点，并获得第一距离内的多个点为当前点。
具体地说，在点云数据中选择一个点作为种子点。这个点可以是任意一个点，但通常会选择一个具有代表性或者明显特征的点作为种子点。然后，使用KD树算法来查找距离种子点最近的多个点，这些点被称为当前点。第一距离是预设的值。
差值选择子单元，用于根据所述当前点的法线角度和所述种子点的法线角度的差值，得到所述差值小于第一角度的所述当前点；执行夹角计算子单元或距离计算子单元。
具体地说，计算每个当前点的法线角度与种子点的法线角度之间的差值。如果这个差值小于某个阈值(如10度)，则认为这两个点属于同一个平面。然后，选择执行夹角计算子单元或距离计算子单元。需要说明的是，夹角计算子单元和或距离计算子单元是功能相同的，在具体执行时，可以仅执行其中一个。
夹角计算子单元，用于如果所述当前点与所述种子点的连线与所述种子点的法线夹角在第一夹角范围内，则将所述当前点与所述种子点聚类为候选平面；其中，所述第一夹角范围包括直角；执行重置子单元。
具体地说，需要判断当前点与种子点的连线与种子点的法线夹角是否在第一夹角范围内。如果在第一夹角范围内，则认为这两个点属于同一个平面，并将它们聚类为候选平面。这里的第一夹角范围可以根据实际情况进行调整，但通常包括直角。完成处理后，执行重置子单元。
距离计算子单元，用于如果所述当前点的法线平面与所述种子点的法线平面的距离在第一预设距离内，则将所述当前点与所述种子点聚类为候选平面；执行重置子单元。
具体地说，需要计算当前点的法线平面与种子点的法线平面之间的距离。如果这个距离在第一预设距离内，则认为这两个点属于同一个平面，并将它们聚类为候选平面。这里的第一预设距离可以根据实际情况进行调整。完成处理后，执行重置子单元。
重置子单元，用于将所述候选平面上的所述当前点置为种子点，并执行标记子单元，直至所述候选平面上的点不再增加。
具体地说，将候选平面上的当前点设置为新的种子点，并重复执行上述子单元，直到候选平面上的点不再增加为止。在重复执行上述子单元时，可以仅执行夹角计算子单元，也可以仅执行距离计算子单元，还可以既执行夹角计算子单元，又执行距离计算子单元。
本实施例通过使用KD树算法，可以在O(logn)的时间复杂度内找到距离种子点最近的多个点，提高了处理效率。本实施例不仅考虑了点之间的几何关系(如距离和法线夹角)，还引入了种子点到当前点的连线与种子点的法线的夹角以及法线平面的距离等条件，可以更准确地判断两个点是否属于同一个平面。本实施例采用了多层次的处理策略，包括数据去噪、关键点提取等预处理步骤，可以有效地处理原始采集的点云数据中可能包含的噪声和散列点等问题。本实施例不仅可以识别和融合同一平面的点云，还可以将距离深度相机最近的平面作为托盘平面，并计算深度相机到所述托盘平面的距离。
图5为本发明实施例中一种平面融合单元的结构示意图。如图5所示，本发明实施例中一种平面融合单元包括：
平面子单元，用于计算点与点之间的临近关系，得到相邻点，进而得到相邻点所属的第一候选平面和第二候选平面。
具体地说，计算点与点之间的临近关系。这可以通过计算每个点与其他所有点之间的距离来实现。然后，将距离最近的两个点视为相邻点，并得到分别归属的第一候选平面和第二候选平面。
法线子单元，用于计算所述第一候选平面上多个点的中心点，得到第一中心点及其第一法线方向，计算所述第二候选平面上多个点的中心点，得到第二中心点及其第二法线方向。
具体地说，计算每个候选平面上多个点的中心点、法线方向等信息。以点云中的点为操作对象，计算第一候选平面上所有点的x、y、z坐标的平均值，得到第一中心点的坐标值，计算第二候选平面上所有点的x、y、z坐标的平均值，得到第二中心点的坐标值。同时，通过计算第一候选平面上所有点的法线向量的平均值得到第一中心点的法线方向，通过计算第二候选平面上所有点的法线向量的平均值得到第二中心点的法线方向。
方向差值子单元，用于计算所述第一法线方向与所述第二法线方向的差值，如果小于第一角度，执行深度差值子单元。
具体地说，需要判断两个候选平面是否平行。这通过比较它们的法线方向来实现。具体来说，我们可以计算两个法线方向之间的夹角，如果这个夹角小于某个阈值(如10度)，则认为这两个候选平面属于同一个平面。完成这一步后，执行深度差值子单元。
深度差值子单元，用于计算所述第一中心点和所述第二中心点的深度值的差值，如果在第一预设距离内，则判断为同一平面，并进行融合。
具体地说，需要确定两个候选平面是否属于同一个平面。这可以通过比较它们的中心点的深度值来实现。具体来说，我们可以计算两个中心点的深度值之间的差值，如果这个差值在第一预设距离内(如0.01米)，则认为这两个候选平面属于同一个平面。对于属于同一个平面的两个候选平面，我们将它们进行融合。
本实施例通过使用临近关系和中心点等特征，可以在O(n)的时间复杂度内完成候选平面的聚类和融合，提高了处理效率。本实施例不仅考虑了点之间的几何关系(如距离和法线夹角)，还引入了深度值等特征，可以更准确地判断两个候选平面是否属于同一个平面。本实施例采用了多层次的处理策略，包括数据去噪、关键点提取等预处理步骤，可以有效地处理原始采集的点云数据中可能包含的噪声和散列点等问题。本实施例不仅可以识别和融合同一平面的点云，还可以将距离深度相机最近的平面作为托盘平面，并计算深度相机到所述托盘平面的距离。
图6为本发明实施例中一种目标对象分割模块的结构示意图。如图6所示，本发明实施例中一种目标对象分割模块包括：
坐标转换单元，用于将点云坐标转换到由所述托盘平面及法线构成的转换坐标系下。
具体地说，将点云坐标转换到由托盘平面和法线构成的转换坐标系下。如图7所示，深度相机无法做到完全垂直于与托盘平面，点云坐标变换可以排除相机位姿带来的影响，有效提高精度。
将点云转到到二维图形上，使用如下公式：
x＝z*(u-u0)/fx
y＝z*(v-v0)/fy
其中z是深度值，(u0,v0,fx,fy)是相机参数，(u,v)是像素坐标，(x,y,z)是三维坐标，每个像素坐标位置存储的是对应的深度值。
使用相机到托盘的距离zt减去深度图中像素值，如果差值小于阈值则认为是托盘，将像素值置为零，否则认为是目标对象，将差值存入对应像素位置。然后在深度图上寻找目标对象的轮廓，计算轮廓的最小矩形闭包，合并相邻的矩形闭包，合并闭包时检测矩形闭包中心的距离，如果距离小于阈值，则将两个矩形闭包合包含的轮廓并在一起，计算一个新的矩形闭包。最后将面积最大的矩形闭包作为目标对象的范围。
重计算单元，用于在所述转换坐标系下，重新计算获得校正点云高度。
具体地说，在转换坐标系下重新计算每个点的深度值。这可以通过对点的深度值进行计算得到。校正点云高度不同于深度相机测量到的深度值。校正点云高度是点与托盘平面的距离。点云与托盘平面存在夹角，因此无法采用托盘平面与深度相机的距离值减去点云深度值得到，而是要通过角度变换后再进行相减操作，从而可以提升体积的计算精度。
投影单元，用于将点云垂直投影到所述托盘平面上，获得初始范围。
具体地说，在转换坐标系下，将点云垂直投影到所述托盘平面上，得到目标对象在托盘上的垂直投影，即为初始范围。初始范围是目标对象在二维平面上的范围。通过初始范围可以快速获得目标对象的边界。
本实施例将点云坐标转换到由托盘平面和法线构成的转换坐标系下，可以消除点云在深度相机坐标系下的偏移，从而提高深度值的精度。本实施例不仅可以识别和融合同一平面的点云，还可以将距离深度相机最近的平面作为托盘平面，并计算深度相机到所述托盘平面的距离。
图8为本发明实施例中一种体积测量模块的结构示意图。如图8所示，本发明实施例中一种体积测量模块包括：
网格单元，用于在所述初始范围内，将空间分成均匀的多个网格。
具体地说，通过计算初始范围的面积，然后将它们分别划分为面积相等的子区间来实现。在xy平面上进行划分。每个子区间的面积相等，并且位于预设面积区间内。预设面积区域是预先设置的一个范围，用于确定面积大小。预设面积区域与深度相机的测量范围有关。当托盘平面与深度相机越远时，子区间的面积越大。当托盘平面与深度相机越近时，子区间的面积越小。然后，将这些子区间作为网格，并将整个空间划分为n个网格。
第一高度单元，用于计算每个所述网格的深度均值，然后使用深度相机到托盘的距离减去所述深度均值作为所述网格的深度值，得到所述网格的高。
具体地说，通过计算每个网格内所有点的深度值的平均值来实现。具体来说，我们可以遍历每个网格内的所有点，并记录它们的深度值。这里的深度均值并不是简单地对多个点云的深度值进行平均值计算，而是还需要考虑深度相机与托盘平面的夹角，将点云的深度值转换到与托盘平面垂直方向上与深度相机的距离。深度均值是网格上多个点在垂直于托盘平面方向上与深度相机的距离均值。使用深度相机到托盘的距离减去深度均值，得到每个网格的高。
体积计算单元，用于筛选出最大的所述网格的高，作为所述目标对象的高，结合所述初始范围的长和宽，计算得到最小矩形包的体积。
具体地说，将第一高度单元中网格的最大高度作为目标对象的最大高度。使用网格的最大高度与初始范围的长和宽相乘计算最小矩形包的体积(即长×宽×高)。
本实施例通过将空间分成均匀的多个网格，可以快速地计算每个网格的高，从而得到目标对象的最大高度。本实施例通过计算每个网格内所有点的深度值的平均值，可以得到更精确的深度值。同时，使用深度相机到托盘的距离减去深度均值作为网格的高，可以消除点云在深度相机坐标系下的偏移，进一步提高深度值的精度。本实施例不仅可以识别和融合同一平面的点云，还可以将距离深度相机最近的平面作为托盘平面，并计算深度相机到所述托盘平面的距离。
图9为本发明实施例中一种计算每个所述网格的深度均值的结构示意图。如图9所示，本发明实施例中一种计算每个所述网格的深度均值包括：
第一阈值单元，用于判断每个所述网格中点云的数量是否大于第一阈值；如果大于所述第一阈值，将所述网格标记为有效网格，执行深度均值单元，否则，执行第二阈值单元。
具体地说，判断每个网格中点云的数量是否大于第一阈值。遍历每个网格内的所有点，并记录它们的数量。然后，我们可以将这些数量与第一阈值进行比较，以确定该网格是否为有效网格。如果该网格中的点数大于第一阈值，则将其标记为有效网格，并执行深度均值单元；否则，跳过该网格，继续处理下一个网格。当所有网格全部标记完成后，对有效网格以外的网格执行第二阈值单元。
深度均值单元，用于统计所述网格中每个点的深度值，并取平均值，并根据深度相机的夹角，计算得到所述网格的深度均值。
具体地说，计算每个有效网格的深度均值。遍历每个有效网格内的所有点，并记录它们的深度值，计算得到平均值。通过计算深度相机与托盘平面的夹角，对平均值进行计算，得到网格与深度相机在托盘平面法线方向上的深度均值。
第二阈值单元，用于判断所述网格的相邻网格中的所述有效网格的数量是否大于第二阈值，如果大于所述第二阈值，则将所述有效网格的深度均值的平均值作为所述网格的深度均值，否则，将所述网格的深度均值置为零。
具体地说，根据相邻网格中有效网格的数量来确定当前网格的深度均值。这可以通过判断当前网格的相邻网格中有效网格的数量是否大于第二阈值来实现。如果相邻网格中有效网格的数量大于第二阈值，则将相邻有效网格的深度均值的平均值作为当前网格的深度均值；否则，将当前网格的深度均值置为零。这样，我们就可以得到最终的每个网格的深度均值。
本实施例计算每个有效网格深度均值，能够有效地消除点云在深度相机坐标系下的偏移，从而提高深度值的精度。
图10为本发明实施例中另一种体积测量模块的结构示意图。如图10所示，本发明实施例中另一种体积测量模块包括：
点云高度单元，用于计算所述初始范围内的点云距离所述托盘平面的距离值，并去除噪声后获得矩形包的高h。
具体地说，计算点云数据中每个点到托盘平面的距离。这可以通过计算点云数据中的每个点与托盘平面上的垂直线的交点之间的距离来实现。然后，对这些距离值进行去噪处理，以消除由于测量误差或噪声导致的异常值。最后，将消除噪声后的距离值作为矩形包的高度h。
长宽单元，用于获得所述初始范围的长l和宽w。
具体地说，由于初始范围是托盘平面上的投影，因此可以在托盘平面上得到初始范围的长度l和宽度w。这里采用计算目标对象最小闭包的长宽，在目标对象分割模块中我们已经计算出了目标对象的范围的闭包，也就是得到了闭包的长和宽，设长和宽分别是lb和wb，但是该闭包是位于图像坐标下的。在目标对象分割模块中将点云进行过旋转，也就是相机平面与托盘平行，相机到托盘的距离已知，那么可以将该闭包投影到托盘平面上，也就是可以算出目标对象的长和宽，公式如下：
l＝zt*lb*dx/f
w＝zt*wb*dy/f
l和w就是最后计算的目标对象的最小闭包的长和宽，zt是相机到托盘的距离，(dx,dy,f)是相机参数，计算l时的原理如图11所示，图中的o表示相机镜头中心，根据相似相似三角形原理即可推出上述公式，计算w时原理类似。
矩形包单元，用于将高h、长l和宽w相乘得到最小矩形包的体积。
具体地说，根据前面计算得到的矩形包的高度h、长度l和宽度w，我们可以将它们相乘得到最小矩形包的体积V＝h*l*w。
本实施例将去除噪声后的点云距离作为有效距离，并获得最大的有效距离作为矩形包的高，再结合初始范围的长和宽，计算得到最小矩形包的体积。
图12为本发明实施例中另一种点云高度单元的结构示意图。如图12所示，本发明实施例中另一种点云高度单元包括：
最大距离子单元，用于遍历所有点云，计算到所述托盘平面的距离h，获得最大距离hmax。
具体地说，遍历点云数据中的每个点，并计算它们到托盘平面的距离。记录下这些距离值中的最大值，作为矩形包的高度h的初始估计值。
队列子单元，用于将α*hmax作为距离阈值，统计大于所述距离阈值的距离h，获得n个数据，并排序构成队列。
具体地说，α是系数，介于[0.6，0.95]之间。为了减小计算量，选择一个距离阈值α*(0.6≤α*≤0.95)，并将大于这个阈值的距离值筛选出来。然后，我们可以获得n个这样的距离值，并将它们按照从小到大的顺序排列成一个队列。由于距离值非常多，直接排序速度会很慢，所以只对较大的的深度值进行计算，比如前15％、10％、5％的数值。
高度确认子单元，用于将队列n中位于第β*n个的数作为高h。
具体地说，β是系数，介于(0，1)之间。我们需要从前面构建的队列中选择出一个合适的高度值作为矩形包的高度h。如图13所示，我们可以选择一个系数β(0<β<1)，并将队列n中位于第β*n个的数作为高度h的值。这样选择的原因是，我们希望高度h的值能够尽可能地接近真实的高度值，同时又能够排除掉一些异常值的影响。
本实施例不需要对噪声专门进行处理，就可以有效排除噪声带来的影响。本实施例可以计算量小，有利于在低成本芯片上运行，有利于数据的快速处理。
图14为本发明实施例中另一种体积测量模块的结构示意图。如图14所示，本发明实施例中另一种体积测量模块包括：
网格单元，用于在所述初始范围内，将空间分成均匀的多个网格；
表面确认单元，用于确认所述网格的上表面和下表面；所述上表面和所述下表面之间为所述网格的实体部分；
第二高度单元，用于计算所述上表面的第一深度均值和所述下表面的第二深度均值，并相减得到所述网格的高；
体积计算单元，用于结合所述网格的长和宽，计算每个所述网格的体积，将所有所述网格的体积求和得到所述目标对象的体积。
本实施例适用于边界更加多元的场景，比如不规则体的上表面大于小表面，使得深度相机在托盘法线方向上可以获得两个表面。本实施例通过分别计算上表面和下表面的深度值，从而可以计算得到上表面与下表面间的实体的高度，从而获得更加准确的目标对象体积，同时由于对边界要求更少，能够应用于更多的应用场景。
图15为本发明实施例中一种表面确认单元的结构示意图。如图15所示，本发明实施例中一种表面确认单元包括：
点云聚类子单元，用于根据点云的深度值的范围将点云聚类为一个或多个平面范围；
筛选子单元，用于判断每个所述平面范围内点云的数量是否大于第三阈值，并将大于所述第一阈值的所述平面范围标记为有效平面，如果所述有效平面的数量为1，则将所述平面范围标记为上表面，将所述托盘平面标记为下表面；如果所述有效平面的数量为2，则将远离所述托盘平面的所述平面范围标记为上表面，将靠近所述托盘平面的所述平面范围标记为下表面。
本实施例根据平面范围内点云数量进行选择，自动识别出上表面和下表面，不仅适用于下表面与托盘平面分离的场景，也适用于下表面与托盘表面重叠的场景，具有更好的适应性。
图16为本发明实施例中一种第二高度单元的结构示意图。如图16所示，本发明实施例中一种第二高度单元包括：
第三阈值子单元，用于判断所述上表面和所述下表面中点云的数量是否大于第一阈值；如果所述上表面或所述下表面中点云的数量大于所述第一阈值，执行表面均值子单元，否则，执行表面阈值子单元；
表面均值子单元，用于统计所述上表面或所述下表面中每个点的深度值，并取平均值，并根据深度相机的夹角，计算分别得到所述上表面或所述下表面的深度均值；
表面阈值子单元，用于判断所述上表面或所述下表面的相邻表面中的所述有效平面的数量是否大于第二阈值，如果大于所述第二阈值，则将所述有效平面的深度均值的平均值作为所述上表面或所述下表面的深度均值，否则，将所述上表面或所述下表面的深度均值置为零；
高度计算子单元，用于将所述上表面与所述下表面的深度值相减，得到所述网格的高。
本实施例对表面的深度求取均值，并考虑点云数据较稀少的情况，获得更加准确的深度值。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (10)

1.一种基于深度相机的最小矩形包确定装置，其特征在于，包括：
获取模块，用于获得目标区域的点云数据；
托盘标定模块，用于检测所述点云数据中的托盘平面，标定深度相机到所述托盘平面的距离；
目标对象分割模块，用于识别出目标对象的初始范围；
体积测量模块，用于使用点云信息，在所述初始范围内计算目标对象与所述托盘平面的最大距离，从而得到最小矩形包的体积。
2.根据权利要求1所述的一种基于深度相机的最小矩形包确定装置，其特征在于，所述托盘标定模块包括：
第一法线单元，用于在点云数据中，基于KD树计算每个点的k临近点，将所述k临近点作为一个平面计算法线；
候选平面单元，用于通过判断点法线角度、点之间距离以及种子点到当前点之间的距离，将点云聚类为候选平面；
平面融合单元，用于通过点与点之间的临近关系查找相邻点，然后通过判断相邻的所述候选平面之间的法线及中心点之间的关系判断是否是同一平面，并对同一平面进行融合；
距离计算单元，用于将距离深度相机最近的平面作为托盘平面，并计算深度相机到所述托盘平面的距离。
3.根据权利要求2所述的一种基于深度相机的最小矩形包确定装置，其特征在于，所述候选平面单元包括：
标记子单元，用于选择一个点为种子点，并获得第一距离内的多个点为当前点；
差值选择子单元，用于根据所述当前点的法线角度和所述种子点的法线角度的差值，得到所述差值小于第一角度的所述当前点；执行夹角计算子单元或距离计算子单元；
夹角计算子单元，用于如果所述当前点与所述种子点的连线与所述种子点的法线夹角在第一夹角范围内，则将所述当前点与所述种子点聚类为候选平面；其中，所述第一夹角范围包括直角；执行重置子单元；
距离计算子单元，用于如果所述当前点的法线平面与所述种子点的法线平面的距离在第一预设距离内，则将所述当前点与所述种子点聚类为候选平面；执行重置子单元；
重置子单元，用于将所述候选平面上的所述当前点置为种子点，并执行标记子单元，直至所述候选平面上的点不再增加。
4.根据权利要求2所述的一种基于深度相机的最小矩形包确定装置，其特征在于，所述平面融合单元包括：
平面子单元，用于计算点与点之间的临近关系，得到相邻点，进而得到相邻点所属的第一候选平面和第二候选平面；
法线子单元，用于计算所述第一候选平面上多个点的中心点，得到第一中心点及其第一法线方向，计算所述第二候选平面上多个点的中心点，得到第二中心点及其第二法线方向；
方向差值子单元，用于计算所述第一法线方向与所述第二法线方向的差值，如果小于第一角度，执行深度差值子单元；
深度差值子单元，用于计算所述第一中心点和所述第二中心点的深度值的差值，如果在第一预设距离内，则判断为同一平面，并进行融合。
5.根据权利要求1所述的一种基于深度相机的最小矩形包确定装置，其特征在于，所述目标对象分割模块包括：
坐标转换单元，用于将点云坐标转换到由所述托盘平面及法线构成的转换坐标系下；
重计算单元，用于在所述转换坐标系下，重新计算获得校正点云高度；
投影单元，用于将点云垂直投影到所述托盘平面上，获得初始范围。
6.根据权利要求1所述的一种基于深度相机的最小矩形包确定装置，其特征在于，所述体积测量模块包括：
点云高度单元，用于计算所述初始范围内的点云距离所述托盘平面的距离值，并去除噪声后获得矩形包的高h；
长宽单元，用于获得所述初始范围的长l和宽w；
矩形包单元，用于将高h、长l和宽w相乘得到最小矩形包的体积。
7.根据权利要求6所述的一种基于深度相机的最小矩形包确定装置，其特征在于，所述点云高度单元包括：
最大距离子单元，用于遍历所有点云，计算到所述托盘平面的距离h，获得最大距离hmax；
队列子单元，用于将α*hmax作为距离阈值，统计大于所述距离阈值的距离h，获得n个数据，并排序构成队列；其中，α是系数，介于[0.6，0.95]之间；
高度确认子单元，用于将队列n中位于第β*n个的数作为高h；其中，β是系数，介于(0，1)之间。
8.根据权利要求1所述的一种基于深度相机的非规则体积测量装置，其特征在于，所述体积测量模块包括：
网格单元，用于在所述初始范围内，将空间分成均匀的多个网格；
第一高度单元，用于计算每个所述网格的深度均值，然后使用深度相机到托盘的距离减去所述深度均值作为所述网格的深度值，得到所述网格的高；
体积计算单元，用于筛选出最大的所述网格的高，作为所述目标对象的高，结合所述初始范围的长和宽，计算得到最小矩形包的体积。
9.根据权利要求8所述的一种基于深度相机的非规则体积测量装置，其特征在于，在计算每个所述网格的深度均值时，包括：
第一阈值单元，用于判断每个所述网格中点云的数量是否大于第一阈值；如果大于所述第一阈值，将所述网格标记为有效网格，执行深度均值单元，否则，执行第二阈值单元；
深度均值单元，用于统计所述网格中每个点的深度值，并取平均值，并根据深度相机的夹角，计算得到所述网格的深度均值；
第二阈值单元，用于判断所述网格的相邻网格中的所述有效网格的数量是否大于第二阈值，如果大于所述第二阈值，则将所述有效网格的深度均值的平均值作为所述网格的深度均值，否则，将所述网格的深度均值置为零。
10.根据权利要求1所述的一种基于深度相机的非规则体积测量装置，其特征在于，所述体积测量模块包括：
网格单元，用于在所述初始范围内，将空间分成均匀的多个网格；
表面确认单元，用于确认所述网格的上表面和下表面；所述上表面和所述下表面之间为所述网格的实体部分；
第二高度单元，用于计算所述上表面的第一深度均值和所述下表面的第二深度均值，并相减得到所述网格的高；
体积计算单元，用于筛选出最大的所述网格的高，作为所述目标对象的高，结合所述初始范围的长和宽，计算得到最小矩形包的体积。
CN202410110943.3A 2024-01-26 2024-01-26 一种基于深度相机的最小矩形包确定装置 Pending CN117953041A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410110943.3A CN117953041A (zh) 2024-01-26 2024-01-26 一种基于深度相机的最小矩形包确定装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410110943.3A CN117953041A (zh) 2024-01-26 2024-01-26 一种基于深度相机的最小矩形包确定装置

Publications (1)

Publication Number Publication Date
CN117953041A true CN117953041A (zh) 2024-04-30

Family

ID=90802532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410110943.3A Pending CN117953041A (zh) 2024-01-26 2024-01-26 一种基于深度相机的最小矩形包确定装置

Country Status (1)

Country Link
CN (1) CN117953041A (zh)

Similar Documents

Publication Publication Date Title
CN107610176B (zh) 一种基于Kinect的栈板动态识别与定位方法、系统及介质
CN108132017B (zh) 一种基于激光视觉系统的平面焊缝特征点提取方法
Oehler et al. Efficient multi-resolution plane segmentation of 3D point clouds
CN109801333B (zh) 体积测量方法、装置、系统及计算设备
US20160203387A1 (en) Vision system and analytical method for planar surface segmentation
CN112070838B (zh) 基于二维-三维融合特征的对象识别与定位方法及装置
CN114396875B (zh) 一种基于深度相机垂直拍摄的长方形包裹体积测量方法
CN107977996B (zh) 基于靶标标定定位模型的空间目标定位方法
CN112819883B (zh) 一种规则对象检测及定位方法
CN113256729A (zh) 激光雷达与相机的外参标定方法、装置、设备及存储介质
CN113362385A (zh) 一种基于深度图像的货物体积测量方法及设备
CN115546202B (zh) 一种用于无人叉车的托盘检测与定位方法
CN110570471A (zh) 一种基于深度图像的立方物体体积测量方法
CN115147491B (zh) 用于agv小车的搬运目标位姿信息估计方法
CN116128841A (zh) 托盘位姿检测方法及装置、无人叉车、存储介质
CN118196458A (zh) 一种基于线激光扫描的电池盖板特征测量方法、装置及存储介质
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
US20090154770A1 (en) Moving Amount Calculation System and Obstacle Detection System
KR102547333B1 (ko) 깊이 영상 기반 실시간 바닥 검출방법
CN111932617B (zh) 一种对规则物体实现实时检测定位方法和系统
CN114202548A (zh) 一种叉车托盘的定位方法、装置、存储介质及电子设备
CN117953041A (zh) 一种基于深度相机的最小矩形包确定装置
CN111080701A (zh) 智能柜物体检测方法、装置、服务器及存储介质
CN109000560B (zh) 基于三维相机检测包裹尺寸的方法、装置以及设备
CN117953039A (zh) 一种基于深度相机的非规则体积测量装置

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