基于RGB-D图像的航空托运行李测量方法.pdf

基于 RGB-D 图像的航空托运行李测量方法张威1，2，3，陈宇浩1，张攀1，2，崔明1（1.中国民航大学航空工程学院，天津 300300；2.民航智慧机场理论与系统重点实验室，天津 300300；3.中国民航航空地面特种设备研究基地，天津 300300）摘要院 针对机场托运行李码垛自动化流程中行李形位测量精度不高的问题袁提出了一种基于 RGB-D 图像的航空托运行李形位测量方法遥 首先利用相机内参从 RGB-D 图像中解析出行李的图像和点云数据袁通过聚类和透视变换等手段提取出行李主体的三维点云和二维图像数据曰然后根据提取所得行李图像和点云数据对行李旋转角度进行测量袁并以包围盒包围质量为依据袁选择最优旋转角度进行行李尺寸测量遥 实验结果表明袁综合利用 RGB-D 中的行李图像和点云信息对行李进行形位测量能有效提升测量精度袁与单纯使用点云进行测量相比袁行李尺寸测量平均误差下降了 21.11%袁行李位置测量平均误差下降了 11.80%袁旋转角度测量平均误差下降了 6.09%袁实现了航空托运行李的高精度测量袁满足了行李码垛自动化流程对行李测量环节的要求遥关键词院 行李测量曰机器视觉曰RGB-D 图像曰边缘检测曰点云聚类中图分类号院 V353曰TP391.41文献标志码院 A文章编号院 1674原5590渊圆园23冤04原园园44原园7Measurement method of airline checked baggage based onRGB-D imageZHANG Wei1,2,3,CHEN Yuhao1,ZHANG Pan1,2,CUI Ming1(1.College of Aeronautical Engineering,CAUC,Tianjin 300300,China;2.Key Laboratory of Smart Airport Theory and System,Tianjin 300300,China;3.CAAC Aviation Special Ground Equipment Research Base,Tianjin 300300,China)Abstract：Aiming at the problem of low accuracy in baggage shape and position measurement in the automated process ofairline checked baggage palletizing,a method for measuring the size and position of airline checked baggagebased on RGB-D images is proposed.Firstly,the image and point cloud data of the baggage are resolved from theRGB-D image based on the internal parameters of camera,the 3D point cloud and 2D image data of the main partof the baggage subject are extracted through clustering and perspective transformation.Then,the baggage rotationangle is measured based on the extracted baggage image and point cloud data.Finally,the optimal rotation angleis selected for baggage size measurement based on the surrounding quality of the bounding box.The experimentalresults show that comprehensive utilization of baggage image and point cloud information in RGB-D can effec鄄tively improve the accuracy of measuring the shape and position of baggage.Compared to that of the measurementsimply using point cloud,the average error of baggage size measurement is decreased by 21.11%,the average er鄄ror of position measurement is decreased by 11.80%and the average error of rotation angle measurement is de鄄creased by 6.09%.It has achieved high-precision measurement of airline checked baggage and met the require鄄ments of automated baggage palletizing process for baggage measurement.Key words：baggage measurement;machine vision;RGB-D image;edge detection;point cloud clustering收稿日期院 2021-12-14；修回日期院 2022-01-05基金项目院 天津市飞机维修与民航地面特种设备技术工程中心开放基金课题（TACSTEC2022003）；天津市研究生科研创新项目（2022SKYZ247）；中央高校基本科研业务费专项（3122023018，3122023031）作者简介院 张威（1979），男，湖南衡阳人，教授，博士，研究方向为民航智能装备.航空托运行李自动码垛作业是智慧型机场自动化设备应用中的关键环节1。通过自动化测量得到的行李尺寸和位置数据作为自动化码垛作业中对行李进行垛型规划和码垛作业的唯一参考，应能实现对目第 41 卷第 4 期圆园23 年 8 月中 国 民 航 大 学 学 报JOURNAL OF CIVIL AVIATION UNIVERSITY OF CHINAVol.41 No.4August2023第 41 卷 第 4 期标行李的形位尺寸进行可靠、快速、精准的测量，这对行李高精度测量提出了新要求。目前，对行李的高精度测量研究主要是针对行李的二维图像和三维点云数据进行的。杨璐2通过双目相机采集得到不同视角下的二维图像对行李规格和三维形态进行测定，得到不同行李的规格数据。高庆吉等3利用行李深度图像对其进行测量和表面评估，通过不同的行李表面数据对行李进行形态分类。朱嘉宸4利用行李的点云信息对行李分类和尺寸测量的算法进行研究。就目前的研究而言，对行李的测量和分析等工作所使用的数据来源单一，仅依靠行李的点云或图像数据进行测量，其结果受数据采集质量影响较大，不能有效处理无效数据对测量结果产生的影响，且利用行李多类型数据进行测量的研究较少。基于此，在已有研究基础上，对综合利用行李的点云和图像数据进行三维尺寸和位置测量方法进行研究，并在航空托运行李码垛实验平台上进行实验验证。1航空托运行李图像和点云数据采集与预处理1.1行李图像和点云数据采集通过深度相机对行李进行采集得到的 RGB-D 深度图像通常由红色分量通道（R）、绿色分量通道（G）、蓝色分量通道（B）以及深度分量通道（D）组成。其中，R、G、B 3 个通道与常规 RGB 彩色图像无异，将其从RGB-D 图像中分离，并按所对应的图像格式存储，即可得到行李的二维彩色图像，而 D 通道则记录了目标行李上的每个成像点到相机镜头的名义距离，用一个经过转换的深度值表示，即名义深度。各成像点的 x、y坐标值则通过该点在图像中的像素位置表示。因此，RGB-D 图像中 D 通道所包含的三维信息并非实际值，在使用前应根据相机内参对其进行转换以得到行李的点云数据。对于 RGB-D 图像中的点 p（u，v，d），其中：u、v 表示该点的像素坐标，d 表示该点位置的名义深度值。设其对应的真实坐标为 P（x，y，z），则点 p 与点 P 坐标的对应关系如下x=zfx（u-cx）y=zfy（u-cy）z=ds扇墒设设设设设设设设设缮设设设设设设设设设（1）式中：fx、fy表示相机在 x、y 方向上的焦距；cx、cy表示图像坐标系原点在相机坐标系原点下的 x、y 坐标值；s为坐标缩放系数。对于每个调校完成的相机，其上述 5个参数为确定值，根据式（1）可从 RGB-D 图像中提取出对应的点云图像。1.2三维点云数据预处理利用深度相机的内参数据从行李的 RGB-D 图像中直接提取得到的点云如图 1 所示。从图 1 中可以看出，原始点云数据中包含着大量的场景信息，点云密度较大，点总数超过 60伊104个，未经压缩的点云数据文件体积高达 50 MB。同时，受限于相机内参和现场环境条件，点云中不可避免地存在一定数量的离群点。额外的场景信息对行李的形位测量无益，且过多的无效点云会导致处理过程中的计算量激增从而严重影响处理效率。因此，应首先对其进行预处理，以提取出目标行李的主体部分，使其文件体积控制在可接受的范围内。考虑到在原始点云中，除了行李主体以外的部分均为行李输送设备或地面点云，因此可利用直通滤波的方法，通过筛选所有点的 z 坐标值，从原始点云中剔除传送带平面以下的部分。直通滤波的结果如图 2 所示。由于行李在传送带上的位置不确定，无法继续通过直通滤波的方法对其主体区域点云进行提取。因此可以通过聚类的方式对点云进行分割，从而筛选出行李主体点云。图 1行李原始点云图像Fig.1Original point cloud of baggage图 2经直通滤波后的行李点云图像Fig.2Point cloud of baggage after pass-through filtering张威，陈宇浩，张攀,等：基于 RGB-D 图像的航空托运行李测量方法45-2023 年 8 月中 国 民 航 大 学 学 报目前，用于点云的聚类方法主要有硬聚类（HCM，hard C means）、模糊聚类（FCM，fuzzy C means）、层次凝聚聚类（HAC，hierarchical agglomerative clustering）和基于密度的聚类（DBSCAN，density-basedspatialcluster-ing of applications with noise）等算法。HCM 和 FCM 算法均属于基于划分的聚类算法，即通过对隶属度函数的评估使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小，该类型方法对噪声较为敏感，无法排除噪声干扰，且聚类结果受预设的超参数影响较大5。HAC 和 DBSCAN 是不完全聚类算法。HAC算法与 Huffman 树算法以及查并集的思想相似，即将每点各自视为一个簇，每次都对间距最小的簇进行合并，直到簇的个数或合并操作次数达到预设值，HAC的聚类效果表现较好，但其初始化过程需要消耗大量的存储空间，在大点云处理中的效率表现不佳6。DBSCAN 则是一种基于密度的聚类算法，适用于不规则形状，由于不需要完全聚类，避免了距离计算，效率更高7。因此使用 DBSCAN 作为行李点云的聚类算法。DBSCAN 聚类过程的伪代码表示如下。输入：包含有 n 个点的点云 I，邻域 着，邻域半径 M输出：聚类结果点云集合1:标记 I 中所有点为 unvisited;2:while I 中仍有点为 unvisited do3:随机选择一个被标记为 unvisited 的点 p;4:标记 p 为 visited;5:if p 的 着-邻域中至少有 M 个点 then6:创建一个新集合 C，将 p 添加到 C 中;7:设 p 的 着-邻域中所有点集为 N;8:for 每个 N 中的点 p忆 do9:if p忆的标记为 unvisited then10:标记 p忆为 visited;11:if p忆的 着-邻域中至少有 M 个点 then12:添加 p忆及其 着-邻域中所有点到 N;13:end if14:if p忆还不属于任何点集 then15:添加 p忆到 C;16:end if17:end if18:end for19:输出 C;20:else 标记 p 为噪声点（离群点）;21:end if22:end while在使用 DBSCAN 算法进行聚类之前，应首先确定参数 着 和 M 的值。参数 着 的初始值通常可通过 k-distance 进行确定，即计算点云中每个点到距其所有 k个临近点的距离，排序后绘制出距离变化曲线，通过目测的方法取其拐点位置处的距离作为参数 着 的初始值8。确定 k 与 M 的方法如下M=着+1k=2dim-1嗓（2）式中：dim 为输入数据的维度。对于三维点云，取 dim=3，则此时 k=5，根据 k 值随机选择 10 个行李点云计算并绘制 k-distance 均值图，结果如图 3 所示。通过观察可以发现，k-distance 曲线有清晰的拐点，根据曲线的拐点位置对应的 k 值，取 着=24 作为初始参数，则参数 M=25。利用所确定的初始参数对行李点云进行聚类，聚类结果点云如图 4 所示。图 4 中，不同聚类点云使用不同的颜色表示，其中，黑色表示被标记为离群点的点。从图 4 中可以看出，使用 DBSCAN 算法可以将目标行李主体部分（红色）的点云从背景中分离出来，同时有效地消除点云中的离群点，基本满足点云预处理的要求。为便于处理坐标和尺寸数据，规定传送带平面为基准平面，传送带部分点云的重心 z 坐标值为 0，z 坐标轴的方向垂图 3行李点云的 k-distance 均值图Fig.3The k-distance average image of baggage point cloud60504030201002 00005001 0001 500点序号拐点k-distance抑24图 4行李点云 DBSCAN 聚类结果Fig.4DBSCAN clustering result of baggage point cloud46-第 41 卷 第 4 期直于传送带平面竖直向上。1.3二维图像数据预处理与三维点云相同，二维图像中同样包含着额外的场景信息，因此需对其进行处理以提取出行李的主体部分图像便于测量使用。由于行李以外的部分均为固定设备，其在图像中的位置不会发生变化，可根据传送带的位置和状态选定 4 个已知坐标的固定顶点对图像进行裁剪，将行李传送带区域提取，并在此过程中矫正镜头成像过程中的透视畸变，提取结果如图 5所示。下面利用点云中的坐标通过透视变换去除图像中行李主体以外的部分。首先对所使用的透视变换矩阵进行求解。图 5 中，红色矩形区域为行李输送带区域，设其上 4 个端点 AD 对应的像素坐标为（uA，vA），（uB，vB），（uC，vC），（uD，vD）。忽略行李厚度导致的透视效应，可认为二维图像中的行李上表面与传送带表面在同一个平面内。在三维点云中，4 个端点所对应的相机坐标系下点云平面坐标为（xA，yA），（xB，yB），（xC，yC），（xD，yD），则各点在点云中的坐标与其在图像中的像素坐标对应关系9如下x=au+bv+cmu+lv+1y=du+ev+fmu+lv+1扇墒设设设设设设缮设设设设设设（3）式中 a，b，c，d，e，f，m，l 为透视变换的未知参数，将其改写为矩阵形式，如下xy蓘 蓡=uv1000-xu-xv000uv1-yu-yv蓘蓡伊 a b c d e f m l T（4）将 AD 4 个选定点在图像中的像素坐标以及点云坐标代入式（4），即可求出式中的未知参数。求出聚类结果中行李主体点云中所有点的坐标最值并组装为 4 个端点 L1 L4。利用式（3）及所求参数计算 L1L4在二维行李图像上的像素坐标，并以变换后的点为端点绘制矩形 L1L2L3L4，如图 6（a）所示。经透视投影后的矩形 L1L2L3L4基本包围了行李主体区域，以其几何中心为中心，较长边为边长，确定一正方形区域对目标行李的二维图像进行裁剪。为消除透视效应的影响，可将所得正方形边长扩大若干像素以避免裁剪到行李边缘，得到的行李主体二维图像如图 6（b）所示。图像中仅包含了行李主体区域，且通过透视变换得到的行李图像与点云已经对齐，能够有效消除无关要素对行李测量的影响，满足了对行李图像的测量要求。2航空托运行李形位测量算法设计对行李箱类具有规则外形的行李进行自动化码垛作业，需要对其在传送带上的位置、角度及三维尺寸进行测量，以实现垛型和码垛轨迹的规划。由于该类型的行李具有相对规则的外形，可通过创建方向包围盒（OBB，oriented bounding box）的方法对其进行形位测量等操作10。因此，应先对行李的旋转角度进行测量，然后以测量所得旋转角度为依据创建对应的 OBB包围盒，进行后续位置和尺寸的测量操作。图 5行李传送带区域提取结果Fig.5Extraction results of baggage conveyor area图 6行李主体区域提取结果Fig.6Extraction results of baggage main area（a）行李主体区域（b）行李主体图像张威，陈宇浩，张攀,等：基于 RGB-D 图像的航空托运行李测量方法47-2023 年 8 月中 国 民 航 大 学 学 报2.1行李旋转角度测量对行李旋转角度的测量通过点云和图像两种方式进行。首先对行李点云进行主成分分析（PCA，prin-cipal component analysis），计算其主方向作为行李的旋转角度。由于测量过程中行李始终放置于传送带平面上，仅在 xoy 平面上存在旋转，在对行李点云进行分析时，可将其向 xoy 平面进行投影，以减小处理过程中的计算量。设向 xoy 平面投影后的行李点云中有 n 个点，用2 伊 n 的矩阵 L 表示，即L=P1P2Pn杉删山山山山山山山山山山山煽闪衫衫衫衫衫衫衫衫衫衫衫T（5）式中：Pi=（xi，yi）表示点云中序号为 i 的点。对 L 中所有点进行去均值化处理以消除其坐标均值对 PCA 分析产生的影响。对点 Pi进行去均值化处理如下Ld=xd1xd2 xdnyd1yd2 ydn蓘蓡（6）式中xdi=xi-x 軃ydi=yi-y 軃扇墒设设设设缮设设设设。在去均值化处理后，还应进行归一化处理，即将各行元素与该行元素最大绝对值相除，即L忆=x1忆x2忆 xn忆y1忆y2忆 yn忆蓘蓡（7）式中xi忆=xdimax（|x|）yi忆=ydimax（|y|）扇墒设设设设设设设缮设设设设设设设。根据式（7）所得矩阵 L忆，求出其协方差矩阵C=1nL忆L忆T=1nni=1移xi忆2ni=1移xi忆yi忆ni=1移xi忆yi忆ni=1移yi忆2杉删山山山山山山山山山山山煽闪衫衫衫衫衫衫衫衫衫衫衫（8）由式（8）可知，C 为 2 伊 2 矩阵，其两特征值 姿1、姿2及对应特征向量 c1、c2为目标行李点云在 xoy 平面上的两个主方向。一般地，行李箱点云的两主方向夹角接近 90毅，为便于统一描述行李的旋转角度，规定较大特征值所对应的特征向量与传送带运动方向所成锐角为通过点云解析所得的行李箱旋转角度 兹b1。下面利用行李图像进行旋转角度测量。利用二维图像计算行李的旋转角度需要对其中的边缘信息进行提取，可通过使用边缘检测算子对图像进行卷积的方式进行。常见的边缘检测算子有 Roberts、Prewitt、Scharr、Sobel 以及 Laplacian 算子等。为评估不同算子对不同类型行李图像的边缘提取能力，使用上述 5 种算子分别对 3 种不同条件下的行李二维图像进行边缘提取测试，测试结果如表 1 所示。通过表 1 对比可以发现，在深色传送带上，不同算子对浅色行李箱和边缘明显的行李箱边缘提取能力相近，但是对于边缘不明显的深色行李，仅 Scharr算子能较好地描述行李的边缘信息，故选择使用 Scharr算子对行李边缘信息进行提取，但处理后的图像中仍存在较多噪点，需要通过开操作、二值化等方式进行进一步图形学处理。对处理后的行李边缘图像进行霍夫变换以提取出其中的所有直线元素。霍夫变换是一种应用极为广泛的特征检测技术，可以在图像中解析出能被精确定义的图像（如圆、直线、椭圆等），其原理较为简单。将霍夫变换的结果叠加绘制在处理后的行李边缘图像上如图 7 所示。受行李箱表面图像影响，经霍夫变换表 1不同算子的边缘提取效果Tab.1Edge extraction effect of different operators注：Roberts、Prewitt、Scharr、Sobel 算子均有水平和垂直方向的区分，在应用时需要使用两方向的卷积结果均值作为滤波结果；Laplacian 算子有四邻域和八邻域两种算子模板，使用其八邻域模板进行边缘提取测试。预处理结果Roberts提取结果Prewitt提取结果Scharr提取结果Sobel提取结果Laplacian提取结果浅色行李深色、边缘明显行李深色、边缘不明显行李处理结果行李类型48-第 41 卷 第 4 期图 8旋转后的行李点云及其包围框Fig.8Rotated baggage point cloud with bounding box图 7行李边缘提取结果Fig.7Extraction result of baggage edge图 9行李测量实验平台Fig.9Experiment platform of baggage measurement深度相机行李采集区域张威，陈宇浩，张攀,等：基于 RGB-D 图像的航空托运行李测量方法提取到的直线结果中包含非边缘直线（红色直线），取包围面积最大的直线组作为行李边缘所在的直线，如图 7 中绿色直线所示。考虑到图像拍摄和计算误差等因素，包围所得四边形并非标准矩形，取两长对边所在直线的对称轴（图 7 中蓝色直线）与传送带轴线所夹锐角作为通过二维图像测量所得的行李箱旋转角度 兹b2。2.2行李三维尺寸和位置测量在 2.1 节中，通过投影得到了 xoy 平面上的行李二维点云，并利用点云和图像数据测得了行李的旋转角度 兹b1和 兹b2，可通过创建二维点云的 OBB 包围框的方式对行李长宽进行测量，然后利用原始点云单独对行李厚度进行测量以提高测量效率。首先对行李旋转角度 兹b1和 兹b2进行评估，选择最优值作为行李旋转角度的测量结果并以其为基准进行后续测量。计算出行李点云的 x、y 坐标最值，求其均值作为旋转中心 O（xO、yO），分别绕旋转中心将其旋转角度-兹b1与-兹b2，对应的旋转矩阵如下xnyn1蓘 蓡=xy1蓘 蓡1 0 xO0 1 yO0 0 1蓘蓡c兹bns兹bn0-s兹bnc兹bn0001蓘蓡1 0-xO0 1-yO0 01蓘蓡（9）式中：n=1，2。为便于书写，使用字母“c”表示余弦函数 cos；使用字母“s”表示正弦函数 sin。对于旋转后的点云，其计算轴线方向应与坐标轴正交，计算其坐标最值 xmax、xmin、ymax、ymin并创建 AABB（axis-aligned boun-ding box）包围框，如图 8 所示。图 8 中：蓝色部分为根据图像数据测量所得旋转角度旋转后的点云及其包围框；红色部分为根据点云数据测量所得旋转角度旋转后的点云及其包围框。可见，通过图像数据测量所得旋转角度与行李实际旋转角度更接近，按该角度构建的包围框面积更小。因此，取面积较小的包围框所对应的旋转角度作为行李的实际旋转角度 兹b，即可计算出该行李长度测量尺寸 lb与宽度测量尺寸 wb，即lb=maxxmax-xmin，ymax-yminwb=minxmax-xmin，ymax-ymin嗓（10）将测量所使用的包围框几何中心绕点 O 旋转角度 兹b，则行李在传送带上的位置和姿态可由其旋转后的几何中心坐标与旋转角度 兹b唯一确定并作为行李自动码垛作业中接取行李的参考数据。对行李厚度的测量可通过对投影前行李主体点云中的 z 坐标进行分析得出。首先将所有点的 z 坐标值按其大小排序，计算出所有点的 z 坐标最值 zmax、zmin，并计算极差 zR。根据经验规定，对于 zR 30 mm 的行李，认为其表面相对平整，取其点云重心的 z 坐标值作为行李厚度的测量值 tb；对于 zR逸 30 mm 的行李，取其所有点的 z 坐标最大值 zmax作为行李厚度的测量值 tb。3航空托运行李形位测量实验为了评估所设计的行李测量方法的精度，设计对比实验，对其测量效果进行验证。3.1实验场景及设备简介行李形位测量实验在航空托运行李自动码垛实验平台上进行，实验平台如图 9 所示。49-2023 年 8 月中 国 民 航 大 学 学 报（下转第 64 页）60453015005010203040单图像单点云本文方法行李序号（a）旋转角度测量累计误差图 10行李测量累计误差曲线Fig.10Cumulative error curve of baggage measurement400300200100005010203040单图像单点云本文方法行李序号（b）位置测量累计误差500400300200100005010203040单图像单点云本文方法行李序号（c）尺寸测量累计误差表 2实验环境及设备配置Tab.2Experimental environment and equipment configuration项目名称/品牌版本/规格操作系统Ubuntu18.04行李数据采集ReslSense SDK2.0点云处理库PCL1.11图像处理OpenCV4.4.0矩阵计算Eigen3.1工控机研华AIMB-705VG表 3测量实验平均误差Tab.3Average error of measurement experiment使用一台安装在行李末端传送带正上方的 IntelRealSense D455 深度相机作为行李 RGB-D 数据的采集设备。相机与工控计算机通过 USB-C 线缆连接。在行李形位测量实验中，所用的程序语言均为C+。通过 RealSense SDK 实现 RGB-D 图像的数据采集和转换；对行李点云的处理通过 PCL 库进行；对图像的处理通过 OpenCV 库进行；矩阵计算使用 Eigen库进行。实验环境及设备的配置如表 2 所示。3.2测量实验及结果分析单纯使用行李点云进行形位测量与使用图像与点云结合的方式进行形位测量的主要区别在于对行李旋转角度的测量结果。取 50 件不同行李，收集其图像和点云数据，通过预处理后的点云和图像数据分别计算出行李旋转角度，根据前文所述方法使用两个不同旋转角度对行李尺寸进行测量。为避免图像和点云数据采集产生误差，对每件行李均进行 5 次图像和点云数据采集，取各采集数据测量值的截尾均值作为实际测量结果。将测量结果与实际数值进行对比，绘制测量结果的累计误差曲线，如图 10 所示。在行李尺寸测量中，厚度测量结果与行李旋转角度无关，故尺寸测量累计误差仅对长、宽度测量结果误差进行加权平均，取其加权均值作为误差进行累计。由图 10 可直观看出，利用图像与点云数据测量并选择最优旋转角度的测量方法，其各项测量累计误差与单纯使用图像（简称单图像）或点云数据（简称单点云）进行测量的结果相比有显著下降。对实验结果分析如表 3 所示，相较于单点云进行测量的方法，本文方法在旋转角度测量上的平均误差降低了 6.09%；在行李位置测量上的平均误差降低了 11.80%；在行李尺寸测量上的平均误差降低了21.11%。实验结果表明，利用本文方法实现了行李形位测量精度的有效提升。4结语针对航空托运行李自动化测量过程中，单纯依靠行李点云进行形位测量时行李旋转角度测量的误差会对后续尺寸测量环节产生较大影响的问题，对航空托运行李自动化测量技术进行优化。通过综合使用行李的图像和点云数据测量并筛选出最优旋转角度，并以此角度为基准进行行李尺寸和位置的测量工作。实验结果表明，与仅使用单点云方法进行测量相比，该方法旋转角度平均测量误差下降 6.09%；行李位置平均测量误差下降 11.80%；行李尺寸平均测量误差下降21.11%，有效提升了行李测量的精度，实现了航空托运行李的高精度测量，满足了行李码垛自动化流程单图像1.2508.2567.758单点云1.1508.0406.650本文方法1.0807.0915.246旋转角度/（毅）行李位置/mm行李尺寸/mm测量方法测量平均误差50-2023 年 8 月中 国 民 航 大 学 学 报（上接第 50 页）策模型，设计红外对抗样本库，并结合遗传算法进行寻优，得到最优典型态势策略集；通过线性插值、综合复杂度与对抗态势和对抗决策之间的映射模型，得到针对不同对抗态势近乎最优的对抗策略方案，并创建决策模型。通过仿真实验，验证了本文决策模型的可行性和有效性。本文通过非典型态势的策略迁移模型计算发现决策与对应态势最优对抗决策有一定的偏差，后续工作中，将寻找更为优秀有效的计算模型，使一般态势可以得到更优秀的决策模型。参考文献：1闫家鼎,谢海斌,庄东晔.无人机集群对要地防空的威胁及反制对策研究J.飞航导弹,2021(7):56-61.2兰文博,付义伟,李平坤,等.小型战术察打一体无人机武器系统作战应用研究J.飞航导弹,2013(2):57-61.3李刚,王蜀杰,李兴格.地空导弹突防技术综述J.飞航导弹,2019(8):35-38.4WANG Y K,JIN L,LOU Y,et al.Small signal anti-jamming schemebased on a DMA linear array under strong jammingJ.Electronics,2023,12(6):1389.5王斯财,南英,刘经纬.导弹迎击时飞机的最佳逃逸策略研究J.航空兵器,2009,16(4):28-32.6李慎波,李韬锐,童中翔,等.导弹战术参数对面源红外诱饵干扰效能影响J.红外与激光工程,2018,47(7):133-142.7杨曦中,艾剑良.自主空战中无人机规避导弹机动策略研究J.系统仿真学报,2018,30(5):1957-1966.8ZHANG X B,LIU G Q,YANG C J,et al.Research on air combat ma原neuver decision-making method based on reinforcement learningJ.Electronics,2018,7(11):279.9王青,刘华华.变体飞行器智能自主决策与控制J.现代防御技术,2020,48(6):5-11.10 ZHANG C D,SONG Y Q,JIANG R D,et al.A cognitive electronicjamming decision-making method based on Q-Learning and ant colonyfusion algorithmJ.Remote Sensing,2023,15(12):3108.11 MIRJALILI S.Evolutionary algorithms and neural networks:theory andapplicationsM.Cham:Springer,2019:43-55.12 张冬冬.基于遗传算法的决策树优化算法研究D.兰州:兰州交通大学,2014.13 魏丹.遗传算法在 AHP 权值确定中的应用研究D.沈阳:东北大学,2011.14 王晓田,马万超,张凯,等.面向自动目标跟踪红外图像序列复杂度度量J.西北工业大学学报,2019,37(4):664-672.15 范青武,张恒,刘旭东,等.基于三线性插值法的 preisach 模型及数值实现J.压电与声光,2018,40(5):811-814.（责任编辑：刘智勇）对行李测量环节的要求。该方法在行李自助托运、托运行李全流程跟踪等领域有较为广阔的应用前景。参考文献：1温俊,张同荣.智慧机场航站楼安全联检均衡分散方法仿真J.计算机仿真,2021,38(7):59-62,138.2杨璐.基于双目立体视觉的行李规格检测研究D.天津:中国民航大学,2013.3高庆吉,位园园.基于表面深度值均方差的航空行李分类研究J.计算机工程与科学,2017,39(1):125-130.4朱嘉宸.基于深度相机的机场自助行李托运关键技术的研究D.成都:电子科技大学,2020.5卢祺,林婷婷,李程鹏,等.空间非合作目标点云聚类配准方法J.红外与激光工程,2021,50(9):354-363.6史红霞,王建民.基于法向量区域聚类分割的点云特征线提取J.中国机械工程,2021,32(21):2552-2561.7陆海凌,李洋,林赟,等.基于帧间 DBSCAN 聚类的毫米波雷达交通多目标跟踪方法J.信号处理,2021,37(11):2115-2124.8魏硕,赵楠翔,李敏乐,等.结合改进 DBSCAN 和统计滤波的单光子去噪算法J.激光技术,2021,45(5):601-606.9ZHENG Y,LI G Y,SUN X H,et al.Geometric active contours withoutre-initialization for image segmentationJ.Pattern Recognition,2009,42(9):1970-1976.10 张长勇,吴智博,王艳芳.基于 K-means 的航空行李快速装箱算法J.包装与食品机械,2019,37(3):38-42,34.（责任编辑：孟欣）64-