如何根据点云计算对应物体的长宽

输入：一组点云（位于同一个平面，四边形物体的点云，如矩形或者正方形）

输出：对应实际物体的长和宽

输入的点云可能存在噪声干扰，需要通过一系列处理去除干扰，并在求到最小外接矩阵后进行优化，才可获得较准确的长和宽。

主要进行如下几个步骤：1）将点云旋转到XOY平面；2）生成点云图像；3）进行膨胀腐蚀，填补空白区域；4）进行连通域标记，取最大连通域；5）获取图像的边缘；6.求边缘部分的最小外接矩阵并进行优化。

现介绍一下第六步处理时遇到的问题。

求最小外接矩阵的基本原理：获取点簇最开始的minx，maxx，miny，maxy确定最初的外接矩形，求外接矩形的面积，然后对点簇进行旋转，按照下面公式即可：

旋转之后，求出新的minx，maxx，miny，maxy，计算此时的面积，直到面积达到最小，对应的即为最小外接矩形。

关于图像旋转参考：https://blog.csdn.net/zhouxuguang236/article/details/31820095

输入第五步得到的边缘图edge，求外接矩阵：

测试代码：

 vector> contours; 

 vector hierarchy; 

   findContours(edge, contours, hierarchy, RETR_EXTERNAL, CHAIN_APPROX_NONE, Point()); 

   Mat imageContours = Mat::zeros(edge.size(), CV_8UC1); 

   int idx, maxcontours = 0; 

   vector selectpoint; 

  for (int i = 0; i < contours.size(); i++) 

   {
    
     
   
  vector ptmp = contours[i]; 

  if (ptmp.size() > maxcontours) 

    {
    
     

   selectpoint = ptmp; 

   idx = i; 

   } 

     } 

   drawContours(imageContours, contours, idx, Scalar(255), 1, 8, hierarchy); 

   RotatedRect rect = minAreaRect(selectpoint); 

  Point2f P[4]; 

   rect.points(P); 

  for (int j = 0; j <= 3; j++) 

   {
    
     

  line(imageContours, P[j], P[(j + 1) % 4], Scalar(255), 2); 

   } 

  imshow("MinAreaRect", imageContours); 

  waitKey(0);

注意：

（1）部分关键量解释

contours;//向量内每个元素保存了一组由连续的Point点构成的点的集合的向量，每一组Point点集就是一个轮廓。

//有多少轮廓，向量contours就有多少元素

hierarchy;//向量内每一个元素包含了4个int型变量，向量hiararchy内的元素和轮廓向量contours内的元素是一一对应的，向量的容量相同。每一个元素的4个int型变量——hierarchy[i][0] ~hierarchy[i][3]，分别表示第i个轮廓的后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号。如果当前轮廓没有对应的后一个轮廓、前一个轮廓、父轮廓或内嵌轮廓的话，则hierarchy[i][0] ~hierarchy[i][3]的相应位被设置为默认值-1。 findContours(edge, contours, hierarchy, RETR_EXTERNAL, CHAIN_APPROX_NONE, Point());

//RETR_EXTERNAL，只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略。

//CHAIN_APPROX_NONE，保存物体边界上所有连续的轮廓点到contours向量中。

备注：

点击下面链接，进入奥比中光开发者社区，了解更多3D视觉技术信息：
https://developer.orbbec.com.cn/

或扫描下方二维码,进入奥比中光开发者社区：