基于RGB-D 圖像的航空托運(yùn)行李測量方法

張 威，陳宇浩，張 攀，2，崔 明

（1.中國民航大學(xué)航空工程學(xué)院，天津 300300；2.民航智慧機(jī)場理論與系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，天津 300300；3.中國民航航空地面特種設(shè)備研究基地，天津 300300）

航空托運(yùn)行李自動碼垛作業(yè)是智慧型機(jī)場自動化設(shè)備應(yīng)用中的關(guān)鍵環(huán)節(jié)[1]。通過自動化測量得到的行李尺寸和位置數(shù)據(jù)作為自動化碼垛作業(yè)中對行李進(jìn)行垛型規(guī)劃和碼垛作業(yè)的唯一參考，應(yīng)能實(shí)現(xiàn)對目標(biāo)行李的形位尺寸進(jìn)行可靠、快速、精準(zhǔn)的測量，這對行李高精度測量提出了新要求。

目前，對行李的高精度測量研究主要是針對行李的二維圖像和三維點(diǎn)云數(shù)據(jù)進(jìn)行的。楊璐[2]通過雙目相機(jī)采集得到不同視角下的二維圖像對行李規(guī)格和三維形態(tài)進(jìn)行測定，得到不同行李的規(guī)格數(shù)據(jù)。高慶吉等[3]利用行李深度圖像對其進(jìn)行測量和表面評估，通過不同的行李表面數(shù)據(jù)對行李進(jìn)行形態(tài)分類。朱嘉宸[4]利用行李的點(diǎn)云信息對行李分類和尺寸測量的算法進(jìn)行研究。就目前的研究而言，對行李的測量和分析等工作所使用的數(shù)據(jù)來源單一，僅依靠行李的點(diǎn)云或圖像數(shù)據(jù)進(jìn)行測量，其結(jié)果受數(shù)據(jù)采集質(zhì)量影響較大，不能有效處理無效數(shù)據(jù)對測量結(jié)果產(chǎn)生的影響，且利用行李多類型數(shù)據(jù)進(jìn)行測量的研究較少?；诖?，在已有研究基礎(chǔ)上，對綜合利用行李的點(diǎn)云和圖像數(shù)據(jù)進(jìn)行三維尺寸和位置測量方法進(jìn)行研究，并在航空托運(yùn)行李碼垛實(shí)驗(yàn)平臺上進(jìn)行實(shí)驗(yàn)驗(yàn)證。

1 航空托運(yùn)行李圖像和點(diǎn)云數(shù)據(jù)采集與預(yù)處理

1.1 行李圖像和點(diǎn)云數(shù)據(jù)采集

通過深度相機(jī)對行李進(jìn)行采集得到的RGB-D 深度圖像通常由紅色分量通道（R）、綠色分量通道（G）、藍(lán)色分量通道（B）以及深度分量通道（D）組成。其中，R、G、B 3 個通道與常規(guī)RGB 彩色圖像無異，將其從RGB-D 圖像中分離，并按所對應(yīng)的圖像格式存儲，即可得到行李的二維彩色圖像，而D 通道則記錄了目標(biāo)行李上的每個成像點(diǎn)到相機(jī)鏡頭的名義距離，用一個經(jīng)過轉(zhuǎn)換的深度值表示，即名義深度。各成像點(diǎn)的x、y坐標(biāo)值則通過該點(diǎn)在圖像中的像素位置表示。因此，RGB-D 圖像中D 通道所包含的三維信息并非實(shí)際值，在使用前應(yīng)根據(jù)相機(jī)內(nèi)參對其進(jìn)行轉(zhuǎn)換以得到行李的點(diǎn)云數(shù)據(jù)。

對于RGB-D 圖像中的點(diǎn)p（u，v，d），其中：u、v 表示該點(diǎn)的像素坐標(biāo)，d 表示該點(diǎn)位置的名義深度值。設(shè)其對應(yīng)的真實(shí)坐標(biāo)為P（x，y，z），則點(diǎn)p 與點(diǎn)P 坐標(biāo)的對應(yīng)關(guān)系如下

式中：fx、fy表示相機(jī)在x、y 方向上的焦距；cx、cy表示圖像坐標(biāo)系原點(diǎn)在相機(jī)坐標(biāo)系原點(diǎn)下的x、y 坐標(biāo)值；s為坐標(biāo)縮放系數(shù)。對于每個調(diào)校完成的相機(jī)，其上述5個參數(shù)為確定值，根據(jù)式（1）可從RGB-D 圖像中提取出對應(yīng)的點(diǎn)云圖像。

1.2 三維點(diǎn)云數(shù)據(jù)預(yù)處理

利用深度相機(jī)的內(nèi)參數(shù)據(jù)從行李的RGB-D 圖像中直接提取得到的點(diǎn)云如圖1 所示。

圖1 行李原始點(diǎn)云圖像Fig.1 Original point cloud of baggage

從圖1 中可以看出，原始點(diǎn)云數(shù)據(jù)中包含著大量的場景信息，點(diǎn)云密度較大，點(diǎn)總數(shù)超過60×104個，未經(jīng)壓縮的點(diǎn)云數(shù)據(jù)文件體積高達(dá)50 MB。同時，受限于相機(jī)內(nèi)參和現(xiàn)場環(huán)境條件，點(diǎn)云中不可避免地存在一定數(shù)量的離群點(diǎn)。額外的場景信息對行李的形位測量無益，且過多的無效點(diǎn)云會導(dǎo)致處理過程中的計算量激增從而嚴(yán)重影響處理效率。因此，應(yīng)首先對其進(jìn)行預(yù)處理，以提取出目標(biāo)行李的主體部分，使其文件體積控制在可接受的范圍內(nèi)。

考慮到在原始點(diǎn)云中，除了行李主體以外的部分均為行李輸送設(shè)備或地面點(diǎn)云，因此可利用直通濾波的方法，通過篩選所有點(diǎn)的z 坐標(biāo)值，從原始點(diǎn)云中剔除傳送帶平面以下的部分。直通濾波的結(jié)果如圖2 所示。

圖2 經(jīng)直通濾波后的行李點(diǎn)云圖像Fig.2 Point cloud of baggage after pass-through filtering

由于行李在傳送帶上的位置不確定，無法繼續(xù)通過直通濾波的方法對其主體區(qū)域點(diǎn)云進(jìn)行提取。因此可以通過聚類的方式對點(diǎn)云進(jìn)行分割，從而篩選出行李主體點(diǎn)云。

目前，用于點(diǎn)云的聚類方法主要有硬聚類（HCM，hard C means）、模糊聚類（FCM，fuzzy C means）、層次凝聚聚類（HAC，hierarchical agglomerative clustering）和基于密度的聚類（DBSCAN，density-based spatial clustering of applications with noise）等算法。HCM 和FCM 算法均屬于基于劃分的聚類算法，即通過對隸屬度函數(shù)的評估使得被劃分到同一簇的對象之間相似度最大，而不同簇之間的相似度最小，該類型方法對噪聲較為敏感，無法排除噪聲干擾，且聚類結(jié)果受預(yù)設(shè)的超參數(shù)影響較大[5]。HAC 和DBSCAN 是不完全聚類算法。HAC算法與Huffman 樹算法以及查并集的思想相似，即將每點(diǎn)各自視為一個簇，每次都對間距最小的簇進(jìn)行合并，直到簇的個數(shù)或合并操作次數(shù)達(dá)到預(yù)設(shè)值，HAC的聚類效果表現(xiàn)較好，但其初始化過程需要消耗大量的存儲空間，在大點(diǎn)云處理中的效率表現(xiàn)不佳[6]。DBSCAN 則是一種基于密度的聚類算法，適用于不規(guī)則形狀，由于不需要完全聚類，避免了距離計算，效率更高[7]。因此使用DBSCAN 作為行李點(diǎn)云的聚類算法。

DBSCAN 聚類過程的偽代碼表示如下。

輸入：包含有n 個點(diǎn)的點(diǎn)云I，鄰域ε，鄰域半徑M

輸出：聚類結(jié)果點(diǎn)云集合

在使用DBSCAN 算法進(jìn)行聚類之前，應(yīng)首先確定參數(shù)ε 和M 的值。參數(shù)ε 的初始值通?？赏ㄟ^kdistance 進(jìn)行確定，即計算點(diǎn)云中每個點(diǎn)到距其所有k個臨近點(diǎn)的距離，排序后繪制出距離變化曲線，通過目測的方法取其拐點(diǎn)位置處的距離作為參數(shù)ε 的初始值[8]。確定k 與M 的方法如下

式中：dim 為輸入數(shù)據(jù)的維度。對于三維點(diǎn)云，取dim=3，則此時k=5，根據(jù)k 值隨機(jī)選擇10 個行李點(diǎn)云計算并繪制k-distance 均值圖，結(jié)果如圖3 所示。

圖3 行李點(diǎn)云的k-distance 均值圖Fig.3 The k-distance average image of baggage point cloud

通過觀察可以發(fā)現(xiàn)，k-distance 曲線有清晰的拐點(diǎn)，根據(jù)曲線的拐點(diǎn)位置對應(yīng)的k 值，取ε=24 作為初始參數(shù)，則參數(shù)M=25。利用所確定的初始參數(shù)對行李點(diǎn)云進(jìn)行聚類，聚類結(jié)果點(diǎn)云如圖4 所示。

圖4 行李點(diǎn)云DBSCAN 聚類結(jié)果Fig.4 DBSCAN clustering result of baggage point cloud

圖4 中，不同聚類點(diǎn)云使用不同的顏色表示，其中，黑色表示被標(biāo)記為離群點(diǎn)的點(diǎn)。從圖4 中可以看出，使用DBSCAN 算法可以將目標(biāo)行李主體部分（紅色）的點(diǎn)云從背景中分離出來，同時有效地消除點(diǎn)云中的離群點(diǎn)，基本滿足點(diǎn)云預(yù)處理的要求。為便于處理坐標(biāo)和尺寸數(shù)據(jù)，規(guī)定傳送帶平面為基準(zhǔn)平面，傳送帶部分點(diǎn)云的重心z 坐標(biāo)值為0，z 坐標(biāo)軸的方向垂直于傳送帶平面豎直向上。

1.3 二維圖像數(shù)據(jù)預(yù)處理

與三維點(diǎn)云相同，二維圖像中同樣包含著額外的場景信息，因此需對其進(jìn)行處理以提取出行李的主體部分圖像便于測量使用。由于行李以外的部分均為固定設(shè)備，其在圖像中的位置不會發(fā)生變化，可根據(jù)傳送帶的位置和狀態(tài)選定4 個已知坐標(biāo)的固定頂點(diǎn)對圖像進(jìn)行裁剪，將行李傳送帶區(qū)域提取，并在此過程中矯正鏡頭成像過程中的透視畸變，提取結(jié)果如圖5所示。

圖5 行李傳送帶區(qū)域提取結(jié)果Fig.5 Extraction results of baggage conveyor area

下面利用點(diǎn)云中的坐標(biāo)通過透視變換去除圖像中行李主體以外的部分。首先對所使用的透視變換矩陣進(jìn)行求解。圖5 中，紅色矩形區(qū)域?yàn)樾欣钶斔蛶^(qū)域，設(shè)其上4 個端點(diǎn)A～D 對應(yīng)的像素坐標(biāo)為（uA，vA），（uB，vB），（uC，vC），（uD，vD）。忽略行李厚度導(dǎo)致的透視效應(yīng)，可認(rèn)為二維圖像中的行李上表面與傳送帶表面在同一個平面內(nèi)。在三維點(diǎn)云中，4 個端點(diǎn)所對應(yīng)的相機(jī)坐標(biāo)系下點(diǎn)云平面坐標(biāo)為（xA，yA），（xB，yB），（xC，yC），（xD，yD），則各點(diǎn)在點(diǎn)云中的坐標(biāo)與其在圖像中的像素坐標(biāo)對應(yīng)關(guān)系[9]如下

式中a，b，c，d，e，f，m，l 為透視變換的未知參數(shù)，將其改寫為矩陣形式，如下

將A～D 4 個選定點(diǎn)在圖像中的像素坐標(biāo)以及點(diǎn)云坐標(biāo)代入式（4），即可求出式中的未知參數(shù)。求出聚類結(jié)果中行李主體點(diǎn)云中所有點(diǎn)的坐標(biāo)最值并組裝為4 個端點(diǎn)L1～L4。利用式（3）及所求參數(shù)計算L1～L4在二維行李圖像上的像素坐標(biāo)，并以變換后的點(diǎn)為端點(diǎn)繪制矩形L1L2L3L4，如圖6（a）所示。經(jīng)透視投影后的矩形L1L2L3L4基本包圍了行李主體區(qū)域，以其幾何中心為中心，較長邊為邊長，確定一正方形區(qū)域?qū)δ繕?biāo)行李的二維圖像進(jìn)行裁剪。為消除透視效應(yīng)的影響，可將所得正方形邊長擴(kuò)大若干像素以避免裁剪到行李邊緣，得到的行李主體二維圖像如圖6（b）所示。圖像中僅包含了行李主體區(qū)域，且通過透視變換得到的行李圖像與點(diǎn)云已經(jīng)對齊，能夠有效消除無關(guān)要素對行李測量的影響，滿足了對行李圖像的測量要求。

圖6 行李主體區(qū)域提取結(jié)果Fig.6 Extraction results of baggage main area

2 航空托運(yùn)行李形位測量算法設(shè)計

對行李箱類具有規(guī)則外形的行李進(jìn)行自動化碼垛作業(yè)，需要對其在傳送帶上的位置、角度及三維尺寸進(jìn)行測量，以實(shí)現(xiàn)垛型和碼垛軌跡的規(guī)劃。由于該類型的行李具有相對規(guī)則的外形，可通過創(chuàng)建方向包圍盒（OBB，oriented bounding box）的方法對其進(jìn)行形位測量等操作[10]。因此，應(yīng)先對行李的旋轉(zhuǎn)角度進(jìn)行測量，然后以測量所得旋轉(zhuǎn)角度為依據(jù)創(chuàng)建對應(yīng)的OBB包圍盒，進(jìn)行后續(xù)位置和尺寸的測量操作。

2.1 行李旋轉(zhuǎn)角度測量

對行李旋轉(zhuǎn)角度的測量通過點(diǎn)云和圖像兩種方式進(jìn)行。首先對行李點(diǎn)云進(jìn)行主成分分析（PCA，principal component analysis），計算其主方向作為行李的旋轉(zhuǎn)角度。由于測量過程中行李始終放置于傳送帶平面上，僅在xoy 平面上存在旋轉(zhuǎn)，在對行李點(diǎn)云進(jìn)行分析時，可將其向xoy 平面進(jìn)行投影，以減小處理過程中的計算量。

設(shè)向xoy 平面投影后的行李點(diǎn)云中有n 個點(diǎn)，用2×n 的矩陣L 表示，即

式中：Pi=（xi，yi）表示點(diǎn)云中序號為i 的點(diǎn)。對L 中所有點(diǎn)進(jìn)行去均值化處理以消除其坐標(biāo)均值對PCA 分析產(chǎn)生的影響。對點(diǎn)Pi進(jìn)行去均值化處理如下

由式（8）可知，C 為2×2 矩陣，其兩特征值λ1、λ2及對應(yīng)特征向量c1、c2為目標(biāo)行李點(diǎn)云在xoy 平面上的兩個主方向。一般地，行李箱點(diǎn)云的兩主方向夾角接近90°，為便于統(tǒng)一描述行李的旋轉(zhuǎn)角度，規(guī)定較大特征值所對應(yīng)的特征向量與傳送帶運(yùn)動方向所成銳角為通過點(diǎn)云解析所得的行李箱旋轉(zhuǎn)角度θb1。

下面利用行李圖像進(jìn)行旋轉(zhuǎn)角度測量。利用二維圖像計算行李的旋轉(zhuǎn)角度需要對其中的邊緣信息進(jìn)行提取，可通過使用邊緣檢測算子對圖像進(jìn)行卷積的方式進(jìn)行。常見的邊緣檢測算子有Roberts、Prewitt、Scharr、Sobel 以及Laplacian 算子等。為評估不同算子對不同類型行李圖像的邊緣提取能力，使用上述5 種算子分別對3 種不同條件下的行李二維圖像進(jìn)行邊緣提取測試，測試結(jié)果如表1 所示。

表1 不同算子的邊緣提取效果Tab.1 Edge extraction effect of different operators

通過表1 對比可以發(fā)現(xiàn)，在深色傳送帶上，不同算子對淺色行李箱和邊緣明顯的行李箱邊緣提取能力相近，但是對于邊緣不明顯的深色行李，僅Scharr算子能較好地描述行李的邊緣信息，故選擇使用Scharr算子對行李邊緣信息進(jìn)行提取，但處理后的圖像中仍存在較多噪點(diǎn)，需要通過開操作、二值化等方式進(jìn)行進(jìn)一步圖形學(xué)處理。

紅色代表熱烈、奔放、激情、斗志，而“中國紅”自古以來代表中華兒女的美好向往。紅色文化是我們黨以馬克思主義科學(xué)理論為指導(dǎo)，融合中華民族傳統(tǒng)文化和西方思想文化之長而形成的先進(jìn)文化的集中體現(xiàn)，傳遞著一種精神、一種信仰?！皞}廩實(shí)而知禮節(jié)，衣食足而知榮辱”。人類歷史的每一次躍進(jìn)，無不伴隨著文化的進(jìn)步。

對處理后的行李邊緣圖像進(jìn)行霍夫變換以提取出其中的所有直線元素?；舴蜃儞Q是一種應(yīng)用極為廣泛的特征檢測技術(shù)，可以在圖像中解析出能被精確定義的圖像（如圓、直線、橢圓等），其原理較為簡單。將霍夫變換的結(jié)果疊加繪制在處理后的行李邊緣圖像上如圖7 所示。受行李箱表面圖像影響，經(jīng)霍夫變換提取到的直線結(jié)果中包含非邊緣直線（紅色直線），取包圍面積最大的直線組作為行李邊緣所在的直線，如圖7 中綠色直線所示。

圖7 行李邊緣提取結(jié)果Fig.7 Extraction result of baggage edge

考慮到圖像拍攝和計算誤差等因素，包圍所得四邊形并非標(biāo)準(zhǔn)矩形，取兩長對邊所在直線的對稱軸（圖7 中藍(lán)色直線）與傳送帶軸線所夾銳角作為通過二維圖像測量所得的行李箱旋轉(zhuǎn)角度θb2。

2.2 行李三維尺寸和位置測量

在2.1 節(jié)中，通過投影得到了xoy 平面上的行李二維點(diǎn)云，并利用點(diǎn)云和圖像數(shù)據(jù)測得了行李的旋轉(zhuǎn)角度θb1和θb2，可通過創(chuàng)建二維點(diǎn)云的OBB 包圍框的方式對行李長寬進(jìn)行測量，然后利用原始點(diǎn)云單獨(dú)對行李厚度進(jìn)行測量以提高測量效率。

首先對行李旋轉(zhuǎn)角度θb1和θb2進(jìn)行評估，選擇最優(yōu)值作為行李旋轉(zhuǎn)角度的測量結(jié)果并以其為基準(zhǔn)進(jìn)行后續(xù)測量。計算出行李點(diǎn)云的x、y 坐標(biāo)最值，求其均值作為旋轉(zhuǎn)中心O（xO、yO），分別繞旋轉(zhuǎn)中心將其旋轉(zhuǎn)角度-θb1與-θb2，對應(yīng)的旋轉(zhuǎn)矩陣如下

式中：n=1，2。為便于書寫，使用字母“c”表示余弦函數(shù)cos；使用字母“s”表示正弦函數(shù)sin。對于旋轉(zhuǎn)后的點(diǎn)云，其計算軸線方向應(yīng)與坐標(biāo)軸正交，計算其坐標(biāo)最值xmax、xmin、ymax、ymin并創(chuàng)建AABB（axis-aligned bounding box）包圍框，如圖8 所示。

圖8 中：藍(lán)色部分為根據(jù)圖像數(shù)據(jù)測量所得旋轉(zhuǎn)角度旋轉(zhuǎn)后的點(diǎn)云及其包圍框；紅色部分為根據(jù)點(diǎn)云數(shù)據(jù)測量所得旋轉(zhuǎn)角度旋轉(zhuǎn)后的點(diǎn)云及其包圍框。可見，通過圖像數(shù)據(jù)測量所得旋轉(zhuǎn)角度與行李實(shí)際旋轉(zhuǎn)角度更接近，按該角度構(gòu)建的包圍框面積更小。因此，取面積較小的包圍框所對應(yīng)的旋轉(zhuǎn)角度作為行李的實(shí)際旋轉(zhuǎn)角度θb，即可計算出該行李長度測量尺寸lb與寬度測量尺寸wb，即

對行李厚度的測量可通過對投影前行李主體點(diǎn)云中的z 坐標(biāo)進(jìn)行分析得出。首先將所有點(diǎn)的z 坐標(biāo)值按其大小排序，計算出所有點(diǎn)的z 坐標(biāo)最值zmax、zmin，并計算極差zR。根據(jù)經(jīng)驗(yàn)規(guī)定，對于zR＜30 mm 的行李，認(rèn)為其表面相對平整，取其點(diǎn)云重心的z 坐標(biāo)值作為行李厚度的測量值tb；對于zR≥30 mm 的行李，取其所有點(diǎn)的z 坐標(biāo)最大值zmax作為行李厚度的測量值tb。

3 航空托運(yùn)行李形位測量實(shí)驗(yàn)

為了評估所設(shè)計的行李測量方法的精度，設(shè)計對比實(shí)驗(yàn)，對其測量效果進(jìn)行驗(yàn)證。

3.1 實(shí)驗(yàn)場景及設(shè)備簡介

行李形位測量實(shí)驗(yàn)在航空托運(yùn)行李自動碼垛實(shí)驗(yàn)平臺上進(jìn)行，實(shí)驗(yàn)平臺如圖9 所示。

使用一臺安裝在行李末端傳送帶正上方的Intel RealSense D455 深度相機(jī)作為行李RGB-D 數(shù)據(jù)的采集設(shè)備。相機(jī)與工控計算機(jī)通過USB-C 線纜連接。

在行李形位測量實(shí)驗(yàn)中，所用的程序語言均為C++。通過RealSense SDK 實(shí)現(xiàn)RGB-D 圖像的數(shù)據(jù)采集和轉(zhuǎn)換；對行李點(diǎn)云的處理通過PCL 庫進(jìn)行；對圖像的處理通過OpenCV 庫進(jìn)行；矩陣計算使用Eigen庫進(jìn)行。實(shí)驗(yàn)環(huán)境及設(shè)備的配置如表2 所示。

3.2 測量實(shí)驗(yàn)及結(jié)果分析

單純使用行李點(diǎn)云進(jìn)行形位測量與使用圖像與點(diǎn)云結(jié)合的方式進(jìn)行形位測量的主要區(qū)別在于對行李旋轉(zhuǎn)角度的測量結(jié)果。取50 件不同行李，收集其圖像和點(diǎn)云數(shù)據(jù)，通過預(yù)處理后的點(diǎn)云和圖像數(shù)據(jù)分別計算出行李旋轉(zhuǎn)角度，根據(jù)前文所述方法使用兩個不同旋轉(zhuǎn)角度對行李尺寸進(jìn)行測量。

為避免圖像和點(diǎn)云數(shù)據(jù)采集產(chǎn)生誤差，對每件行李均進(jìn)行5 次圖像和點(diǎn)云數(shù)據(jù)采集，取各采集數(shù)據(jù)測量值的截尾均值作為實(shí)際測量結(jié)果。將測量結(jié)果與實(shí)際數(shù)值進(jìn)行對比，繪制測量結(jié)果的累計誤差曲線，如圖10 所示。在行李尺寸測量中，厚度測量結(jié)果與行李旋轉(zhuǎn)角度無關(guān)，故尺寸測量累計誤差僅對長、寬度測量結(jié)果誤差進(jìn)行加權(quán)平均，取其加權(quán)均值作為誤差進(jìn)行累計。

圖10 行李測量累計誤差曲線Fig.10 Cumulative error curve of baggage measurement

由圖10 可直觀看出，利用圖像與點(diǎn)云數(shù)據(jù)測量并選擇最優(yōu)旋轉(zhuǎn)角度的測量方法，其各項(xiàng)測量累計誤差與單純使用圖像（簡稱單圖像）或點(diǎn)云數(shù)據(jù)（簡稱單點(diǎn)云）進(jìn)行測量的結(jié)果相比有顯著下降。

對實(shí)驗(yàn)結(jié)果分析如表3 所示，相較于單點(diǎn)云進(jìn)行測量的方法，本文方法在旋轉(zhuǎn)角度測量上的平均誤差降低了6.09%；在行李位置測量上的平均誤差降低了11.80%；在行李尺寸測量上的平均誤差降低了21.11%。實(shí)驗(yàn)結(jié)果表明，利用本文方法實(shí)現(xiàn)了行李形位測量精度的有效提升。

表3 測量實(shí)驗(yàn)平均誤差Tab.3 Average error of measurement experiment

4 結(jié)語

針對航空托運(yùn)行李自動化測量過程中，單純依靠行李點(diǎn)云進(jìn)行形位測量時行李旋轉(zhuǎn)角度測量的誤差會對后續(xù)尺寸測量環(huán)節(jié)產(chǎn)生較大影響的問題，對航空托運(yùn)行李自動化測量技術(shù)進(jìn)行優(yōu)化。通過綜合使用行李的圖像和點(diǎn)云數(shù)據(jù)測量并篩選出最優(yōu)旋轉(zhuǎn)角度，并以此角度為基準(zhǔn)進(jìn)行行李尺寸和位置的測量工作。實(shí)驗(yàn)結(jié)果表明，與僅使用單點(diǎn)云方法進(jìn)行測量相比，該方法旋轉(zhuǎn)角度平均測量誤差下降6.09%；行李位置平均測量誤差下降11.80%；行李尺寸平均測量誤差下降21.11%，有效提升了行李測量的精度，實(shí)現(xiàn)了航空托運(yùn)行李的高精度測量，滿足了行李碼垛自動化流程對行李測量環(huán)節(jié)的要求。該方法在行李自助托運(yùn)、托運(yùn)行李全流程跟蹤等領(lǐng)域有較為廣闊的應(yīng)用前景。