一种物体的3D测量方法、装置以及处理设备与流程

一种物体的3d测量方法、装置以及处理设备
技术领域
1.本技术涉及测量领域，具体涉及一种物体的3d测量方法、装置以及处理设备。


背景技术：

2.对于物体的测量，尤其适用于仓储物流的管理，仓储物流中，商品的包装形式是多样化的，不同商品使用不同尺寸的纸箱包装，因此纸箱尺寸测量无论是在商品的生产包装过程中，还是运输期间的质量检验中，都是不可缺少的环节，在该后景下，随着工业制造技术和加工工艺的提高和改进，对测量手段、测量速度和精度提出了更高的要求。
3.在传统技术中，可以采用2d机器视觉测量技术来通过图像特征对图像中的物体进行测量。随着科技的发展，进一步引入了3d机器视觉测量技术。3d机器视觉测量技术通过3d相机拍摄得到点云，在点云的基础上通过相关的视觉算法计算出物体尺寸。
4.而在相关技术的研究过程中，发明人发现：现有的3d机器视觉测量技术，其视觉算法的实现依赖于神经网络，神经网络本身的应用较为复杂，导致存在应用成本较高的问题。


技术实现要素：

5.本技术提供了一种物体的3d测量方法、装置以及处理设备，通过无监督学习机制来实现物体的3d测量，避免采用神经网络，从而显著降低了应用成本，具有更佳的实用价值。
6.第一方面，本技术提供了一种物体的3d测量方法，方法包括：
7.获取待测量物体的点云，其中，点云是由3d相机拍摄待测量物体得到的；
8.基于点云分布密度对点云进行前后景分割处理，得到前景部分的目标点云，作为待测量物体对应的点云；
9.基于目标点云，确定待测量物体的三维参数，其中，三维参数通过长宽高表示；
10.根据三维参数，确定待测量物体的体积。
11.结合本技术第一方面，在本技术第一方面第一种可能的实现方式中，基于点云分布密度对点云进行前后景分割处理，得到前景部分的目标点云，包括：
12.对点云根据分布密度进行聚类，筛选出符合条件的点云作为目标点云。
13.结合本技术第一方面第一种可能的实现方式，在本技术第一方面第二种可能的实现方式中，对点云根据分布密度进行聚类，筛选出符合条件的点云作为目标点云，包括：
14.通过聚类算法，对点云计算分布密度；
15.区分出分布密度不同的点云子集；
16.将点云数量最少的点云子集识别为目标点云。
17.结合本技术第一方面，在本技术第一方面第三种可能的实现方式中，基于目标点云，确定待测量物体的三维参数，包括：
18.将目标点云投影为2d平面图；
19.对2d平面图通过检测投影点云获得最小外接矩形；
20.对最小外接矩形进行测量，确定待测物体的三维参数中的长、宽，其中，最小外接矩形的长、宽二者作为待测量物体的三维参数中的长、宽。
21.结合本技术第一方面第三种可能的实现方式，在本技术第一方面第四种可能的实现方式中，基于目标点云，确定待测量物体的三维参数，还包括：
22.识别最小外接矩形对应的点云到后景部分点云之间的距离，作为待测量物体的三维参数中的高。
23.结合本技术第一方面，在本技术第一方面第五种可能的实现方式中，点云具体是由待测量物体所在传送通道上方设置的3d相机，采用俯视角度拍摄待测量物体得到的。
24.结合本技术第一方面，在本技术第一方面第六种可能的实现方式中，方法还包括：
25.按照预设的相关数据应用，在体积的基础上展开相应的数据处理。
26.第二方面，本技术提供了一种物体的3d测量装置，装置包括：
27.数据采集单元，用于获取待测量物体的点云，其中，点云是由3d相机拍摄待测量物体得到的；
28.点云分割单元，用于基于点云分布密度对点云进行前后景分割处理，得到前景部分的目标点云，作为待测量物体对应的点云；
29.数据计算单元，用于基于目标点云，确定待测量物体的三维参数，其中，三维参数通过长宽高表示；
30.数据计算单元，还用于根据三维参数，确定待测量物体的体积。
31.结合本技术第二方面，在本技术第二方面第一种可能的实现方式中，点云分割单元，具体用于：
32.对点云根据分布密度进行聚类，筛选出符合条件的点云作为目标点云。
33.结合本技术第二方面第一种可能的实现方式，在本技术第二方面第二种可能的实现方式中，点云分割单元，具体用于：
34.通过聚类算法，对点云计算分布密度；
35.区分出分布密度不同的点云子集；
36.将点云数量最少的点云子集识别为目标点云。
37.结合本技术第二方面，在本技术第二方面第三种可能的实现方式中，数据计算单元，具体用于：
38.将目标点云投影为2d平面图；
39.对2d平面图通过检测投影点云获得最小外接矩形；
40.对最小外接矩形进行测量，确定待测物体的三维参数中的长、宽，其中，最小外接矩形的长、宽二者作为待测量物体的三维参数中的长、宽。
41.结合本技术第二方面第三种可能的实现方式，在本技术第二方面第四种可能的实现方式中，数据计算单元，具体用于：
42.识别最小外接矩形对应的点云到后景部分点云之间的距离，作为待测量物体的三维参数中的高，其中，后景部分的点云由前后景分割处理确定。
43.结合本技术第二方面，在本技术第二方面第五种可能的实现方式中，点云具体是由待测量物体所在传送通道上方设置的3d相机，采用俯视角度拍摄待测量物体得到的。
44.结合本技术第二方面，在本技术第二方面第六种可能的实现方式中，装置还包括
数据应用单元，用于：
45.按照预设的相关数据应用，在体积的基础上展开相应的数据处理。
46.第三方面，本技术提供了一种处理设备，包括处理器和存储器，存储器中存储有计算机程序，处理器调用存储器中的计算机程序时执行本技术第一方面或者本技术第一方面任一种可能的实现方式提供的方法。
47.第四方面，本技术提供了一种计算机可读存储介质，计算机可读存储介质存储有多条指令，指令适于处理器进行加载，以执行本技术第一方面或者本技术第一方面任一种可能的实现方式提供的方法。
48.从以上内容可得出，本技术具有以下有益效果：
49.针对于待测量物体的3d测量，本技术在获取到待测量物体的点云后，基于点云分布密度对点云进行前后景分割处理，得到前景部分的目标点云，作为待测量物体对应的点云，此时基于目标点云，确定待测量物体的三维参数，再根据该三维参数，确定待测量物体的体积。在测量过程中，相较于现有技术中通过深度信息来分割前后景部分的神经网络应用，本技术则是通过在计算上较为简单的点云分布密度来完成前后景部分的分割，无需采用神经网络的监督学习机制，实现更为轻量级的3d测量技术，从而显著降低了应用成本，具有更佳的实用价值。
附图说明
50.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例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技术的一些实施例，对于本领域技术人员来讲，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的附图。
51.图1为物体的3d测量方法流程示意图；
52.图2为后景示意图；
53.图3为待测量物体示意图；
54.图4为点云示意图；
55.图5为不同高度纸箱平均点云密度图；
56.图6为点云前景示意图；
57.图7为平面投影图；
58.图8为测量标注示意图；
59.图9为部分检测结果误差统计表；
60.图10为检测结果误差汇总表；
61.图11为设备布置场景示意图；
62.图12为物体的3d测量装置结构示意图；
63.图13为处理设备结构示意图。
具体实施方式
64.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术中的部分实施例，而不是全部的实施例。基
于本技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
65.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，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模块。在本技术中出现的对步骤进行的命名或者编号，并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤，已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序，只要能达到相同或者相类似的技术效果即可。
66.本技术中所出现的模块的划分，是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行，另外，所显示的或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块之间的间接耦合或通信连接可以是电性或其他类似的形式，本技术中均不作限定。并且，作为分离部件说明的模块或子模块可以是也可以不是物理上的分离，可以是也可以不是物理模块，或者可以分布到多个电路模块中，可以根据实际的需要选择其中的部分或全部模块来实现本技术方案的目的。
67.在介绍本技术提供的物体的3d测量方法之前，首先介绍本技术所涉及的后景内容。
68.本技术提供的物体的3d测量方法、装置以及计算机可读存储介质，可应用于处理设备，用于通过无监督学习机制来实现物体的3d测量，避免采用神经网络，从而显著降低了应用成本，具有更佳的实用价值。
69.本技术提及的物体的3d测量方法，其执行主体可以为物体的3d测量装置，或者集成了该物体的3d测量装置的服务器、物理主机或者用户设备(user equipment，ue)等不同类型的处理设备。其中，物体的3d测量装置可以采用硬件或者软件的方式实现，ue具体可以为智能手机、平板电脑、笔记本电脑、台式电脑或者个人数字助理(personal digital assistant，pda)等终端设备，处理设备可以通过设备集群的方式设置。
70.其中，对于处理设备在实际应用中的设备形式，是随具体的应用场景来调整的，例如，在仓储物流相对固定的现场作业环境中，主要可以通过台式机来完成相关物流件的3d测量；又例如，在仓储物流相对灵活的现场作业环境中，则可以由工作人员手头的pda来完成相关物流件的3d测量，以更好地适应工作过程中频繁活动的需求。
71.下面，开始介绍本技术提供的物体的3d测量方法。
72.首先，参阅图1，图1示出了本技术物体的3d测量方法流程示意图，本技术提供的物体的3d测量方法，具体可包括如下步骤s101至步骤s104：
73.步骤s101，获取待测量物体的点云，其中，点云是由3d相机拍摄待测量物体得到的；
74.对于本技术所涉及的3d相机，也可称为3d摄像头，其本身既可能配置于处理设备以外，从处理设备外部为处理设备的3d测量处理提供点云的数据支持，也可以直接属于处
理设备的一部分，显然，是随处理设备的具体设备架构调整的。
75.3d相机，3d相机相较于普通的2d相机，可以以点云形式采集视野中的深度信息，形成点云，其中，深度信息的采集方式大致还可分为：1.结构光与编码光；2.立体视觉；3.飞行时间(time of flight，tof)。对于这些具体的采集方式，本技术并未涉及其中的改良优化内容，因此此处不加以赘述，相对的，本技术并未对3d相机的深度信息的具体采集方式进行限定，可以提供点云的数据支持即可。
76.待测量物体在实际应用中，一般是仓储物流中涉及的物流件，如大众在电商购物中更为熟悉的快递件，其一般具有纸箱等形式的包装外壳，其测量结果有助于仓储物流的数字化管理。
77.因此，在仓储物流场景，可以在物流件的相关放置位置处配置3d相机，来采集其对应的点云，供3d测量使用。
78.当然，在实际应用中，也可应用于仓储物流以外的应用场景，有物体测量需求即可。
79.步骤s102，基于点云分布密度对点云进行前后景分割处理，得到前景部分的目标点云，作为待测量物体对应的点云。
80.在现有技术中，其在神经网络的应用中，是通过深度信息展开前后景分割的，与之不同的是，本技术则是聚焦于点云分布密度，根据点云分布密度采用聚类算法进行分割。
81.具体的，则需要进行点云分布密度的计算。待测量物体与3d相机视野中其他的元素(后景部分)，会在点云的点云分布密度上呈现出差异，从而，可以基于该差异来完成前后景分割，分割出属于待测量物体的、前景部分的点云。
82.点云分布密度的计算属于简单的数学处理，在计算复杂度上相比于现有技术中神经网络的应用会显著降低，因此可以取得轻量级的前后景分割效果。
83.步骤s103，基于目标点云，确定待测量物体的三维参数，其中，三维参数通过长宽高表示；
84.而在通过前后景分割确定了待测量物体的目标点云后，则可以与现有技术类似的，进行待测量物体的重建，进而可以确定出待测量物体的三维参数。
85.其中，对应于3d测量技术的适用场景具体为规则方形即长方体的物体的3d测量，本技术所涉及的三维参数通常为长宽高三要素，如此三者相乘即为待测量物体的体积。
86.对应的，具体来说，本技术对于待测量物体的重建，即为对待测量物体的长宽高三者的分析处理。
87.相较之下，在现有技术的神经网络的应用中，对于待测量物体的重建，则具体为待测量物体的模型构建处理，其使用3d重建网络得到待测量物体的体素模型，在该数字化待测量物体各个位置的轮廓特征的3d模型的基础上，分析待测量物体的三维参数及其体积。
88.本技术所做的三维参数的确定处理，相较之下，具有轻量级的特点，并未涉及到如现有技术中神经网络应用等复杂的计算处理；此外，也无需涉及神经网络应用所需的包括标注数据的网络训练处理。因此，在该三维参数的分析处理环节，本技术有显著降低应用成本的优点。
89.步骤s104，根据三维参数，确定待测量物体的体积。
90.而在确定了三维参数，即确定了待测量物体的长宽高三者后，则可确定待测量物
体的体积。
91.具体的，对于长方体形状的待测量物体，将其长宽高分别记为l1、l2和l3，则其体积v可按照以下公式确定：
92.v＝l1×
l2×
l3。
93.确定了本次待测量物体的体积参数(除了体积大小，还可标识有长宽高)后，则可根据该数据的使用需求，进行相应的输出处理。
94.例如，若需要直接向用户展示测量结果，可将该体积参数通过显示窗口进行展示；又例如，若需要进行信息存储，可将该体积参数录入系统上该待测量物体对应的数据中；再者，若要进行仓储物流管理的具体分析处理，则可将该体积参数输出至相应的仓储物流管理策略，作为后续分析处理的输入数据。
95.具体的，对于体积参数下一环节的数据应用，可以随实际需求进行调整，本技术在此不做具体限定。
96.对应的，本技术所提供的物体的3d测量方法，在步骤s104之后，还可以涉及：
97.按照预设的相关数据应用，在体积的基础上展开相应的数据处理。
98.从图1所示实施例可看出，针对于待测量物体的3d测量，本技术在获取到待测量物体的点云后，基于点云分布密度对点云进行前后景分割处理，得到前景部分的目标点云，作为待测量物体对应的点云，此时基于目标点云，确定待测量物体的三维参数，再根据该三维参数，确定待测量物体的体积，在测量过程中，相较于现有技术中通过深度信息来分割前后景部分的神经网络应用，本技术则是通过在计算上较为简单的点云分布密度来完成前后景部分的分割，无需采用神经网络的监督学习机制，实现更为轻量级(处理效率更高)的3d测量技术，从而显著降低了应用成本，具有更佳的实用价值。
99.继续对上述图1所示实施例的各个步骤及其在实际应用中可能的实现方式进行详细阐述。
100.作为一种具体的实现方式，对于上面涉及的本技术前后景分割的处理，即步骤s102中基于点云分布密度对点云进行前后景分割处理，得到前景部分的目标点云的过程中，具体可以包括：
101.对点云根据分布密度进行聚类，筛选出符合条件的点云作为目标点云。
102.点云的聚类，具体是指对中心进行聚类，聚类距离簇边界最近的点，有效的将核心点、噪声点进行区分。纸箱表面点云(即分布密度大的点云)聚类成核心点，传送带(地面)点云(即分布密度小的点云)聚类成噪声点，去除噪声点，得到纸箱表面的点云。
103.该预设条件，是从点云分布密度的大小出发，来确定是否与待测量物体相对应、是否属于待测量物体的目标点云。
104.为方便理解，参考图2示出的后景示意图、图3示出的待测量物体示意图、图4示出的点云示意图以及图5示出的不同高度纸箱平均点云密度图(以待测量物体为纸箱为例)。
105.3d相机所拍摄的点云，其点云分布密度如图5所示，图5给出了相机高度1465mm时纸箱高度分别为56mm、160mm、213mm、261mm、314mm、370mm、434mm、471mm、536mm、628mm的十组点云平均密度数据，单位为n/mm2。纸箱表面的点云分布密度大于后景(传送带或者地面)的点云分布密度，数据表明，不同物体的密度差异较大，纸箱与后景的点云分布密度差异十分明显。
106.此外，作为又一种适于实用的实现方式，对应于目标点云的判别处理，本技术具体还可涉及到聚类处理。
107.具体的，对点云根据分布密度进行聚类，筛选出符合条件的点云作为目标点云的过程中，具体可以包括以下内容：
108.通过聚类算法，对点云计算分布密度；
109.区分出分布密度不同的点云子集；
110.将点云数量最少的点云子集识别为目标点云。
111.其中，所涉及的聚类算法可以是任一种实用的聚类算法，聚类算法能对中心进行聚类，聚类距离簇边界最近的点，有效的将核心点、噪声点进行区分。纸箱表面点云(即分布密度大的点云)聚类成核心点，后景点云(即分布密度小的点云)聚类成噪声点，形成两个点云子集。根据各子集中点云数量进行区分，得到纸箱表面的点云。聚类效果可以参考图6示出的本技术待测量物体的点云经过聚类处理后的前景示意图(以待测量物体为纸箱为例)。
112.以基于密度的聚类算法(density-based spatial clustering of applications with noise，dbscan)为例，其适用于该情况，即，类簇中心的局部密度很高，并且由一些局部密度比较低的点围绕，类簇中心距离其他有高局部密度的点的距离都比较大。
113.其核心思想为，从某个选定的核心点出发，不断向密度可达的区域扩张，从而得到一个包含核心点和边界点的最大化区域，区域中任意两点密度相连。
114.其目标是将数据集合x分成k个cluster及噪声点集合，故用cluster标记数组，生成标记数组mi,(i＝1,2,
…
,n)，k即为中互异的非负数的个数如下公式：
[0115][0116]
另一方面，在步骤s103确定出待测量物体的三维参数的过程中，具体可以包括以下内容：
[0117]
将目标点云投影为2d平面图；
[0118]
对2d平面图通过检测投影点云获得最小外接矩形；
[0119]
对最小外接矩形进行测量，确定待测物体的三维参数中的长、宽，其中，最小外接矩形的长、宽二者作为待测量物体的三维参数中的长、宽。
[0120]
此处涉及到将点云转化为便于处理的、常规的图像数据。其中，将点云中的点映射为2d平面图中的像素点，则涉及到坐标在不同坐标系之间的转化处理。在转化过程中，需要考虑同一点在两个坐标系之间的坐标转化关系。
[0121]
例如：通过创建一个过滤器，该过滤器可以仅保留下点云中感兴趣的区域内的点，将点位置映射到像素位置；并处理图像坐标，移动数据使(0，0)成为最小值，从数据中获取最小和最大高度值；随后重新缩放像素数据值到[0,255]区间内，再创建映像阵列，最终可视化展现，完成图像数据的转化。
[0122]
在得到图像数据后，则可展开图像处理，则以检测投影点云获得的最小外接矩形为基础，继续处理长方体形状的待测量物体的顶面的测量工作。
[0123]
可以理解，对于待测量物体的顶面的测量，本技术并非是如现有技术般通过神经网络的应用来识别待测量物体本身的轮廓的，而是采用最小外接矩形的方式来从外部量化出顶面的轮廓。
[0124]
主要思路可以理解为考虑一个凸多边形，拥有两对和x、y方向上四个端点相切的切线，通过旋转线得到四条线，确定一个多边形的外接矩形。
[0125]
具体的，最小外接矩形的识别内容如下：
[0126]
1.计算全部四个多边形的端点：b
xmin
、b
xmax
、b
ymin
、b
ymax
；
[0127]
2.通过四个点构造b的四条切线，若一条(或两条)线与一条边重合，则计算由四条线决定的矩形面积，保存为当前最小值，否则将当前最小值定义为无穷大；
[0128]
3.顺时针旋转线直到其中一条和多边形的一条边重合；
[0129]
4.计算新矩形的面积，和当前最小值比较，若小于当前最小值则更新保存最小值的矩形信息。
[0130]
5.重复步骤3、4，直到线旋转过的角度大于90
°
。
[0131]
为方便进一步理解以上内容，转化得到的图像数据还可以参考图7示出的平面投影图，识别得到的最小外接矩形还可参考图8示出的测量标注示意图。
[0132]
作为长方体形状，此时在确定了待测量物体的顶面的最小外接矩形后，则可根据该最小外接矩形的长和宽，作为待测量物体本身的长和宽，完成待测量物体的三维参数中长和宽两者的测量工作。
[0133]
其中，需要注意的是：若转化得到的图像数据，受限于相机视角倾斜的缘故而导致存在变形的情况，还可引入变形处理，如此将倾斜的顶面的图像区域，修正为符合四个直角的图像区域。
[0134]
进一步的，对于待测量物体的三维参数中的高，作为又一种适于实用的实现方式，在步骤s103确定出待测量物体的三维参数的过程中，具体还可以包括以下内容：
[0135]
识别最小外接矩形对应的点云到后景部分点云之间的距离，作为待测量物体的三维参数中的高，其中，后景部分的点云由前后景分割处理确定。
[0136]
此处对于待测量物体的高，由此时确定的顶面(最小外接矩形)的点云与前面确定的、承载待测量物体的后景点云(后景部分的点云)之间的高度距离确定。
[0137]
其中，顶面的点云和后景部分的点云，对应了两个平行的平面，因此，采用两平面中心点之间的最短距离作为输出的高度距离。
[0138]
若需要考虑到误差影响或精度需求，还可在固定范围内多次计算取平均值作为输出。
[0139]
例如：假设后景部分的点云为w＝{w1,w2,
…
,wn}，三维坐标分别为w
x
，wy，wz，(w
x
,wy,wz∈w)再假设顶面的点云为b＝{b1,b2,
…
,bn}，三维坐标分别为b
x
，by，bz，(b
x
,by,bz∈b)。
[0140]
此时，在同一区域范围内的后景部分的点云为
[0141]
pw＝{pw
x
∈(w
x
∩b
x
),pwy∈(wy∩by),pwz∈wz,n∈n|pw1,pw2,
…
,pwn}，在同一区域范围内顶面的点云为
[0142]
pb＝{pb
x
∈(w
x
∩b
x
),pby∈(w
yby
),pbz∈bz,n∈n|pb1,pb2,
…
,pbn}。
[0143]
所求距离高度记为h，可通过下式确定：
[0144][0145]
进一步的，结合上述各实施例的方案内容，作为又一个实例，选取长度为525mm、宽度为352mm、高度155mm的纸箱作为待测量物体，相机高度为1465mm；对待测量物体分别进行
点云采集、基于聚类算法进行前后景分割、计算顶面的最小外接矩形的长宽、中心区域高度计算等处理来得到待测量物体的三维参数。参考图9示出的部分检测结果误差统计表和图10示出的检测结果误差汇总表，纸箱长度平均误差为3.97mm、宽度平均误差为5.82mm、高度平均误差为3.69mm。
[0146]
在实际操作中，针对不同的箱型、3d相机安装高度等变量，发明人采集了约2000组不同的测试数据。图9、图10为部分测试结果。
[0147]
由图9、图10的检测结果可以看出，本技术3d测量方案的长度测量误差为0.756％，宽度测量误差为1.653％，高度测量误差为2.38％，显然具有较佳的测量效果，存在较佳的应用价值。
[0148]
此外，从上述三维参数的计算过程中，仅需要涉及到待测量物体的顶面，并不需要涉及到待测量物体的侧面，因此，在前面的前后景分割处理中，所谓的前景部分，具体还可以直接约束为待测量物体的顶面，而这意味着忽略掉属于待测量物体的侧面的点云。
[0149]
其中，若点云中采集到了属于待测量物体的侧面的数据，可结合顶面的点云特征趋于一致的特性(如高度趋于一致)以及后景部分的点云特征趋于一致的特性(如高度趋于一致)，筛选出属于待测量物体的侧面的点云，并在计算待测量物体的三维参数的过程中忽略该属于待测量物体的侧面的部分，或者，还可以直接删除该属于待测量物体的侧面的点云。
[0150]
此外，为方便前后景分割处理及其后续处理的进行，作为又一种具体的实现方式，本技术还可直接调整3d相机的视角，以此在点云的源头直接避免待测量物体的侧面的点云的摄入。
[0151]
参阅图11示出的本技术设备布置场景示意图，3d相机具体可以直接设置于用于传送物体的传送通道的上方的位置，最好是正上方的位置，即处于传送通道正上方范围的位置。在该设置下，无论待测量物体是什么姿态，即在其任意角度摆放下，可以只摄入待测量物体的顶面，不用考虑待测量物体的侧面带来的干扰或者带来其他的数据处理(如上面提及的忽略处理)。
[0152]
对应的，点云则是由待测量物体所在传送通道上方设置的3d相机，采用俯视角度拍摄待测量物体得到的。
[0153]
在该部署方案下，仅需要限定相机的部署位置，即可以通过较低的部署成本，为后续的数据处理带来显著降低复杂性的优异效果。
[0154]
其中，具体可以采用tof相机进行点云的测量，其通过给目标连续发送光脉冲，然后用传感器接收返回的光，通过探测光脉冲的飞行(往返)时间来得到目标物的距离，该tof相机的配置为：像素为176px
×
144px，每秒拍摄多达50幅3d图像。
[0155]
需要说明的是，与此处实施例中该3d相机的视角设置相对应的，现有技术中依赖于神经网络的3d机器视觉技术，此时则是会失去对于待测量物体的图像特征的丢失，因为图像内容中缺少了待测量物体的侧面，从而难以进行体素模型的重建，无法通过图像特征的识别确定其具体的高，并且，即使图像识别以外的技术来填补获取高度参数的空缺，也会带来在技术融合上较为复杂的问题，即存在应用成本较高的问题。
[0156]
此外，从上面的内容还可看出，本技术并未需要涉及到颜色特征的处理，这也是与现有技术中神经网络的应用明显依赖于图像的颜色特征的情况存在较大不同的地方，既可
以在数据处理上显著降低复杂性，并且对于现场的应用成本来说，也可以在无光环境完成对物体的测量，不受光照影响，白天、黑夜都可正常完成作业，这也是现有技术难以取得的效果之一。
[0157]
以上是本技术提供的物体的3d测量方法的介绍，为便于更好的实施本技术提供的物体的3d测量方法，本技术还从功能模块角度提供了一种物体的3d测量装置。
[0158]
参阅图12，图12为本技术物体的3d测量装置结构示意图，在本技术中，物体的3d测量装置1200具体可包括如下结构：
[0159]
数据采集单元1201，用于获取待测量物体的点云，其中，点云是由3d相机拍摄待测量物体得到的；
[0160]
点云分割单元1202，用于基于点云分布密度对点云进行前后景分割处理，得到前景部分的目标点云，作为待测量物体对应的点云；
[0161]
数据计算单元1203，用于基于目标点云，确定待测量物体的三维参数，其中，三维参数通过长宽高表示；
[0162]
数据计算单元1203，还用于根据三维参数，确定待测量物体的体积。
[0163]
在一种示例性的实现方式中，点云分割单元1202，具体用于：
[0164]
对点云根据分布密度进行聚类，筛选出符合条件的点云作为目标点云。
[0165]
在又一种示例性的实现方式中，点云分割单元1202，具体用于：
[0166]
通过聚类算法，对点云计算分布密度；
[0167]
区分出分布密度不同的点云子集；
[0168]
将点云数量最少的点云子集识别为目标点云。
[0169]
在又一种示例性的实现方式中，数据计算单元1203，具体用于：
[0170]
将目标点云投影为2d平面图；
[0171]
对2d平面图通过检测投影点云获得最小外接矩形；
[0172]
对最小外接矩形进行测量，确定待测物体的三维参数中的长、宽，其中，最小外接矩形的长、宽二者作为待测量物体的三维参数中的长、宽。
[0173]
在又一种示例性的实现方式中，数据计算单元1203，具体用于：
[0174]
识别最小外接矩形对应的点云到后景部分点云之间的距离，作为待测量物体的三维参数中的高，其中，后景部分的点云由前后景分割处理确定。
[0175]
在又一种示例性的实现方式中，点云具体是由待测量物体所在传送通道上方设置的3d相机，采用俯视角度拍摄待测量物体得到的。
[0176]
在又一种示例性的实现方式中，装置还包括数据应用单元1204，用于：
[0177]
按照预设的相关数据应用，在体积的基础上展开相应的数据处理。
[0178]
本技术还从硬件结构角度提供了一种处理设备，参阅图13，图13示出了本技术处理设备结构示意图，具体的，本技术处理设备可包括处理器1301、存储器1302以及输入输出设备1303，处理器1301用于执行存储器1302中存储的计算机程序时实现如图1对应实施例中物体的3d测量方法的各步骤；或者，处理器1301用于执行存储器1302中存储的计算机程序时实现如图12对应实施例中各单元的功能，存储器1302用于存储处理器1301执行上述图1对应实施例中物体的3d测量方法所需的计算机程序。
[0179]
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/
单元被存储在存储器1302中，并由处理器1301执行，以完成本技术。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。
[0180]
处理设备可包括，但不仅限于处理器1301、存储器1302、输入输出设备1303。本领域技术人员可以理解，示意仅仅是处理设备的示例，并不构成对处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如处理设备还可以包括网络接入设备、总线等，处理器1301、存储器1302、输入输出设备1303等通过总线相连。
[0181]
处理器1301可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是处理设备的控制中心，利用各种接口和线路连接整个设备的各个部分。
[0182]
存储器1302可用于存储计算机程序和/或模块，处理器1301通过运行或执行存储在存储器1302内的计算机程序和/或模块，以及调用存储在存储器1302内的数据，实现计算机装置的各种功能。存储器1302可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据处理设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0183]
处理器1301用于执行存储器1302中存储的计算机程序时，具体可实现以下功能：
[0184]
获取待测量物体的点云，其中，点云是由3d相机拍摄待测量物体得到的；
[0185]
基于点云分布密度对点云进行前后景分割处理，得到前景部分的目标点云，作为待测量物体对应的点云；
[0186]
基于目标点云，确定待测量物体的三维参数，其中，三维参数通过长宽高表示；
[0187]
根据三维参数，确定待测量物体的体积。
[0188]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的物体的3d测量装置、处理设备及其相应单元的具体工作过程，可以参考如图1对应实施例中物体的3d测量方法的说明，具体在此不再赘述。
[0189]
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于计算机可读存储介质中，并由处理器进行加载和执行。
[0190]
为此，本技术提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本技术如图1对应实施例中物体的3d测量方法的步骤，具体操作可参考如图1对应实施例中物体的3d测量方法的说明，在此不再赘述。
[0191]
其中，该计算机可读存储介质可以包括：只读存储器(read only memory，rom)、随机存取记忆体(random access memory，ram)、磁盘或光盘等。
[0192]
由于该计算机可读存储介质中所存储的指令，可以执行本技术如图1对应实施例
中物体的3d测量方法的步骤，因此，可以实现本技术如图1对应实施例中物体的3d测量方法所能实现的有益效果，详见前面的说明，在此不再赘述。
[0193]
以上对本技术提供的物体的3d测量方法、装置、处理设备以及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。