[发明专利]一种给定空间中物体体积的测量方法

说明书

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。

技术领域

本申请涉及探测技术领域，特别涉及一种给定空间中物体体积的测量方法。

背景技术

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。

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。

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。

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。

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。

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。

发明内容

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。

为实现上述目的，本申请实施例采用的技术方案如下：

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。

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；

可选的，选取比所述给定空间尺寸大的点云图；

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；

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；

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；

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；

可选的，根据所述选取的点云图得到物体的深度值；