一种给定空间中物体体积的测量方法技术

一种给定空间中物体体积的测量方法，其特征在于，所述方法包括：获取所述特定空间内的物体正面点云图；选取步长，将述点云图转换成图片；选定所述图片的区域反算到所述点云中获得物体的深度值；根据物体的面积以及深度值获得物体的体积；通过如此的测量方法可以降低获得给定空间中物体体积的计算复杂度，提升精确度。度。

【技术实现步骤摘要】
一种给定空间中物体体积的测量方法


[0001]本申请涉及探测
，特别涉及一种给定空间中物体体积的测量方法。

技术介绍

[0002]与传统摄像头相比，深度摄像头(又可称为深度相机或者3D摄像头)可检测出图像中每个点离摄像头的距离，即可检测出拍摄空间的景深距离，如此可更便于还原真实场景，实现场景建模等应用。典型的，深度摄像头可采用结构光、双目视觉或者光飞行时间法(Time Of Flight，TOF)三种方案。
[0003]近些年来，随着机器视觉、自动驾驶、人脸识别等相关技术的迅速发展，深度摄像头的应用场景也愈加的广泛，尤其是在移动端的应用需求非常强烈。例如，在物流领域，可通过携带深度摄像头的个人数字助理(Personal Digital Assistant，PDA)拍摄物流件，并根据得到的深度图像测量物件的体积，从而可促进物件的数字化管理。
[0004]PointNet是斯垣福大学在2016年提出的一种点云分类/分割深度学习框架。众所周知，点云在分类或分割时存在空间关系不规则的特点，因此不能直接将已有的图像分类分割框架套用到点云上，也因此在点云领域产生了许多基于将点云体素化(格网化)的深度学习框架，取得了很好的效果。但是将点云体素化势必会改变点云数据的原始特征，造成不必要的数据损失，并且额外增加了工作量，而PointNet采用了原始点云的输入方式，最大限度地保留了点云的空间特征，并在最终的测试中取得了很好的效果。
[0005]PointNet就是针对点云数据格式的三维网络，点云数据就是摄像机采到物体表面的一些采样点并获取到其三维坐标。不难理解，现实中的立体相机很多都是无法将全部的三维点采集起来的，只能得到一些采样点的信息，Apple的iphone X也是使用了深度相机，发射一些红外射线来提取面部的点云信息。因此点云数据的应用领域很广。
[0006]点云数据具有一些显著的特点——数据点无序性、数据点数量可变性等，无序就表示网络必须能够在改变数据点顺序的情况下输出相同的结果，数量可变就表示网络必须能够处理不同采样点的三维模型。
[0007]可以发现的是，现有的相关技术中，通过物件的深度图像测量物件的体积，仍存在精度欠缺以及复杂度高的问题。

技术实现思路

[0008]本申请的目的在于，针对上述现有技术中的不足，提供一种给定空间中物体体积的测量方法，以解决现有的通过物体深度图像测量物体体积精度欠缺以及复杂度高的问题。
[0009]为实现上述目的，本申请实施例采用的技术方案如下：
[0010]第一方面，本申请实施例提供了一种给定空间中物体体积的测量方法，包括：获取所述特定空间内的物体正面点云图；选取步长，将所述点云图转换成图片；选定所述图片的区域反算到所述点云中获得物体的深度值；根据物体的面积以及深度值获得物体的体积。
[0011]可选的，获取以TOF探测器的实际安装位置为物理坐标值的所述点云图；
[0012]可选的，选取比所述给定空间尺寸大的点云图；
[0013]可选的，将所述点云图转换到TOF探测器的正面视角并做坐标的位置偏移；
[0014]可选的，在一个方向上对所述点云图以选定步长迭代，转换为n个图片；
[0015]可选的，对所述点云转换成的图片进行处理，挑选出物体在所述给定空间的位置；
[0016]可选的，根据图片与所述点云图的关系，将所述图片反算到所述点云图中，选取轮廓区域的点云图；
[0017]可选的，根据所述选取的点云图得到物体的深度值；
[0018]可选的，根据物体的正面面积、背景深度值及所述深度值获得物体的体积。
[0019]本申请的有益效果是：
[0020]一种给定空间中物体体积的测量方法，其特征在于，所述方法包括：获取所述特定空间内的物体正面点云图；选取步长，将所述点云图转换成图片；选定所述图片的区域反算到所述点云中获得物体的深度值；根据物体的面积以及深度值获得物体的体积；通过如此的测量方法可以降低获得给定空间中物体体积的计算复杂度，提升精确度。
附图说明
[0021]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0022]图1为本申请实施例提供的一种在给定空间内测量物体体积方法的流程示意图；
[0023]图2为本申请图1对应实施例步骤S101的一种流程示意图；
[0024]图3为本申请图1对应实施例步骤S102的一种流程示意图；
[0025]图4为本申请图1对应实施例步骤S103的一种流程示意图；
[0026]图5为本申请实施例提供的一种给定空间测量物体体积的场景图；
[0027]图6为本申请实施例提供的图5所示场景的点云图；
[0028]图7为本申请实施例提供的对图5所示场景使用本申请的测量方法得到物体体积示意图。
具体实施方式
[0029]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
[0030]因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
[0031]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一
个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0032]图1为本申请实施例提供的一种在给定空间内测量物体体积方法的流程示意图，在现有技术中可应用的3D点云算法中，可依据获取的点云图，基于训练好的3D点云神经网络，准确识别出货物箱体，点云中包含了xyz的实际距离坐标信息，可准确计算出所装货物的体积，但由于基于点云的神经网络所需计算量较大，需要一个比较好的计算平台去承载，因此成本较高。
[0033]图1为本申请实施例提供的一种在给定空间内测量物体体积方法的流程示意图，如图1示出的，本申请实施例提供的物体的体积测量方法，具体可包括如下步骤：
[0034]S101：获取特定空间内的物体正面点云图；
[0035]S102：选取步长，将点云图转换成图片；
[0036]S103：选定图片的区域反算到点云中获得物体的深度值；
[0037]S104：根据物体的面积以及深度值获得物体的体积。
[0038]图2为本申请图1对应实施例步骤S101的一种流程示意图；在图2所示实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种给定空间中物体体积的测量方法，其特征在于，所述方法包括：获取所述特定空间内的物体正面点云图；选取步长，将所述点云图转换成图片；选定所述图片的区域反算到所述点云中获得物体的深度值；根据物体的面积以及深度值获得物体的体积。2.如权利要求1所述的物体体积的测量方法，其特征在于，获取以TOF探测器的实际安装位置为物理坐标值的所述点云图。3.如权利要求2所述的物体体积的测量方法，其特征在于，选取比所述给定空间尺寸大的点云图。4.如权利要求3所述的物体体积的测量方法，其特征在于，将所述点云图转换到TOF探测器的正面视角并做坐标的位置偏移。5.如权利要求4所述...

【专利技术属性】
技术研发人员：雷述宇，
申请(专利权)人：宁波飞芯电子科技有限公司，
类型：发明
国别省市：