[发明专利]一种基于深度学习和三维重建的货物体积测量方法

说明书

本发明涉及一种基于深度学习和三维重建的货物体积测量方法，包括步骤：RGBD数据获取、RGB数据预处理、点云生成、点云拼接、点云分割、凸包生成和体积检测，其中RGB数据预处理采用深度学习的方法，这种方法能准确地从三维场景中识别并且分割出目标物体从而提高其体积测量精度。同时，在测量货物体积时，以凸包化代替对目标点云数据三角化，能解决不封闭三维模型体积无法测量和凹型货物实际空间占用体积测量误差较大的问题，从而进一步提高实用性。

技术领域

本发明涉及一种基于深度学习和三维重建的货物体积测量方法，属于物流特征识别及检测技术领域。

背景技术

随着社会的进步与科技的发展，人们的出行也渐渐变得方便与频繁。铁路与航空作为人们远程出行的主流选择，其承担的客流数量日渐增加。所以，旅客行李的安检与托运工作在需要大量人力的同时体现出了其有限性与滞后性。行李识别与体积检测技术应运而生。

由于行李外形的不规则性和检测环境的复杂性，导致其体积检测的难度高、精度低。目前的物体体积测量的方法大致分为两大类：接触式测量和非接触式测量。其中，接触式测量可分为排开式测量和探测式测量。非接触式测量可以分为排开式测量、探测式测量和图像式测量。其中除了排开式测量之外，其他方法都需要构建出物体的三维模型才能够计算出物体体积，由于排开式测量存在检测环境复杂、检测速度慢等弊端，构建三维模型就成为了国内外科研工作者的所研究的热点。

体积测量技术多是通过构建出物体的三维模型，然后通过空间积分运算得出物体的体积。主流的构建三维模型的方法大致分为三大类：激光扫描法，光栅图像法和多角度图像法。激光扫描法是利用激光扫描设备获得点云数据，然后根据点云数据构建物体或三维模型。光栅图像法是将光栅打在物体上，获取光栅图像，然后根据光栅的弯曲情况还原物体的三维模型的一种方法。多角度图像法是指从不同角度对同一场景或同一物体拍摄多张图像，然后通过这些图像合成三维模型。

但这些技术在使用时均有其优缺点，光栅图像法测量准确度较高，但对测量环境要求较高，且算法较复杂。多角度图像法对于设备要求低，操作简单，但是测量准确度不高，而且算法较复杂。激光扫描法测量准确度与测量设备精度相关，设备精度越高价格越贵。近几年，计算机硬件运算能力飞速提升和各种数据井喷式的增长，深度学习和机器学习领域发展前景巨大，利用深度学习和机器学习的方法来测量货物体积成为可行的方法，由此，本发明提出了一种新的货物体积检测方法，能有效地在复杂背景环境下测量不规则物体体积。

发明内容

本发明的技术解决问题：克服现有技术的不足，提供一种基于深度学习和三维重建的货物体积测量方法，该方法利用对RGB数据的预分割处理，能够更便捷更精确地获取目标物体三维点云数据，通过重建该目标物体点云数据的凸包模型，快速测得物体的空间占用体积。

本发明的技术解决方案：一种基于深度学习和三维重建的货物体积测量方法，包括：

(1)采用两部同类型RGBD摄像头，以焦点位于同一直线，镜头位于同一水平面且方向相对的摆放方式来获取两组RGBD摄像头之间区域的RGBD数据，得到两组RGBD数据；

(2)根据特征匹配和深度学习的方法对所述两组RGBD数据中RGB数据进行预处理，得到目标物体与背景区域之间实现边缘分割的RGB数据，结合前述RGBD数据中的原深度数据，构成经过预处理的RGBD数据；

(3)通过对所述两部RGBD摄像头进行标定，获得两组RGBD摄像头的内参矩阵，根据空间坐标系与像素坐标系的映射关系和所述内参矩阵，分别以所述两组经过预处理的RGBD数据构造两组携带RGB信息的点云数据；

(4)通过测得空间坐标系下前述两部RGBD摄像头的位置数据，计算在世界坐标系下两个RGBD摄像头位置间的旋转平移矩阵，根据该旋转平移矩阵，将前述两组携带RGB信息点云数据拼接得到处于同一空间坐标系下的点云数据；