隨著社會的發(fā)展,旅客的出行需求日益旺盛,如何提高機場的出行效率是國內外不斷研究的課題。機場行李自助托運服務作為能大大提高出行效率、節(jié)約旅客出行時間的服務,其中關鍵的技術便是旅客需要托運的行李外形的自動化精確檢測。課題主要研究了大視野范圍下的行李自動分類檢測,涉及三維點云采集處理、點云融合、外觀檢測和行李分類檢測算法的研究。首先,本文對機場行李自助托運技術的發(fā)展以及解決方案進行了概述,并對現(xiàn)有的方案中的不足進行分析,提出了基于深度相機進行行李檢測的機器視覺方案。此方案可省去大量的人工成本以及人工檢測的不足,具有很高的實際應用價值。其次,對行李檢測需求進行了分析,以此為基礎詳細描述了檢測系統(tǒng)的整體技術方案,包括光學平臺、軟件設計和算法設計。從實際應用場景出發(fā),針對自助托運行李系統(tǒng)的高度不能太高同時滿足較大視場范圍的要求,提出采用兩臺深度相機提取行李三維點云信息并采用三維點云自動融合的方案。接下來詳細分析了三維點云拼接算法的原理和流程。本文采用的三維點云融合技術包含了三維尺度不變特征變換（3D-SIFT）關鍵點檢測、快速點特征直方圖（FPFH）特征求解、k-means特征點匹配等初始配準技術... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：85 頁

【學位級別】：碩士

【部分圖文】：

人工柜臺辦理航空行李托運圖

電子科技大學碩士學位論文2作。機器視覺是一項用相機、傳感器等可以獲取外界信息的光學設備替代人工進行自動化識別和檢測的技術。該項技術一般是先通過機器設備獲取到數(shù)字信號、圖像、視頻等原始數(shù)據(jù)，然后對這些數(shù)據(jù)做處理和分析，從中獲取更多有價值的信息。機器視覺技術具備識別精度高、自動化替代人力以及安全便捷的優(yōu)勢，是一項融合了光、機、電、軟、算多門學科的先進技術。其應用十分廣泛，如醫(yī)學、交通、工業(yè)生產、刑偵，大大提高了社會生產力，將人們從一些繁雜的工作中很大程度地解放出來。自助行李托運的關鍵技術在于對行李的外觀檢測和分類識別，本文擬采用機器視覺技術，在光學方案、檢測算法以及軟件交互三大方面進行研究和設計，對各種不同的行李托運場景進行了研究，該系統(tǒng)能夠保證檢測結果的準確性和穩(wěn)定性，并能有效提高行李托運效率。1.2國內外研究現(xiàn)狀1.2.1自助行李托運系統(tǒng)研究現(xiàn)狀自助行李托運系統(tǒng)的研究和應用始于21世紀初，一款典型的自助行李托運系統(tǒng)的外觀如圖1-2所示。自助行李托運系統(tǒng)的實現(xiàn)方案一般有兩種：一種是旅客要先辦理值機手續(xù)，打印完行李憑條后，再去行李托運區(qū)辦理托運，這種方式會借助一些人工服務，屬于半自助系統(tǒng)；另一種將自助值機與自助托運作為一站式服務，旅客不需人工幫助，可在同一地點完全由自己進行處理，這種為全自助的行李托運系統(tǒng)[5]。圖1-2自助行李托運系統(tǒng)外觀圖國外的自助行李托運系統(tǒng)典型案例有以下幾個：世界上第一套自助行李托運系統(tǒng)于2008年在瑞士的蘇黎世機場率先啟用，通過該系統(tǒng)進行行李托運的時間花

觳庀低車透叨卻笫右胺段?碌難芯拷仙伲?而這也是實際應用的一項重要的技術要求。因此該項技術的繼續(xù)研究十分必要。1.2.2三維圖像數(shù)據(jù)研究現(xiàn)狀二維圖像數(shù)據(jù)的信息量有限，難以精確表征行李物體的外觀特性，因此在行李外觀檢測和分類中需要借助三維圖像數(shù)據(jù)。三維圖像數(shù)據(jù)的獲取是通過測距設備對物體表面進行掃描，然后得到大量包含物體表面信息的點的集合，這種點的集合被稱為“點云”。點云數(shù)據(jù)除了包含幾何位置信息外，還可以包含顏色信息，為基于點云的識別與檢測提供更多維的信息，一個典型的包含顏色信息的點云場景如圖1-3所示。圖1-3包含顏色信息的三維點云圖與傳統(tǒng)的二維圖像處理類似，點云的處理也包含不同層次的處理方式。實際研究過程中可根據(jù)任務的需求，組合不同的處理方式，而這些處理在過程上有先后之分。低層次的點云處理主要包括濾波、關鍵點、分割。中層次處理主要是特征描述。高層次處理則包括配準和識別。隨著LiDAR和各式深度相機的發(fā)展，點云數(shù)據(jù)的獲取變得快速且廉價，針對三維點云的算法研究也非常熱門，尤其是在點云配準和三維物體識別方面也越來越成熟。點云配準是多視圖三維重建、SLAM、逆向工程等方面的關鍵技術，點云配準包含關鍵點檢測、特征提取與匹配、配準算法等多項點云數(shù)據(jù)處理的技術。而基于三維點云的物體識別方面，主要包括基于局部特征的物體識別方法、基于全局特征的物體識別方法、基于圖匹配的物體識別方法和基于機器學習的識別方法[11]。


本文編號：3121511