在城市基础设施建设中和一些大型工程项目中,比如水坝建设,矿山开采,港口储运等,这些工程场景下都会出现细沙堆,碎石堆等物料堆。这些物料堆的量化对于工程项目的管理是非常重要的一个环节,只有对物料堆进行了有效的计量就能改善工程场景的管理与提高工作效率。但是目前对这些体积较为庞大且外形不够规则的物料堆并没有一个非常适用的测量方法,同时近年来立体视觉技术的快速发展,使得智能汽车、勘探汽车等都安装了相关的传感器来检测周围环境。基于以上原因,本文从车辆立体视觉出发,研究出一种获得物料堆三维信息来估算目标物体积的方法,主要从以下三个方面:研究了经过标定的立体视觉图像的特征点提取问题,针对提取特征点的数量与提取算法的速度,本文将算法速度较快的FAST算法与边缘特征提取效果较好的Canny算法进行融合,将两者在建立的尺度空间中获得的特征点进行合并,加强边缘点的特征信息。由于两个算法都不具有旋转不变性与尺度不变性,将SIFT算法中对特征点的描述方法应用在两个算法融合得到的特征点上。在不同的场景下对算法进行了测试与比较,本文提出的算法能得到较多正确匹配的特征点对,同时在算法速度上也有了相应的提升。对双目图像中平面的特征有了良好的提取方法之后,需要从左右图像中获取目标物的深度信息。本文对比了两种不同的深度图像获取方法,局部立体匹配BM算法与半全局立体匹配SGBM算法。两种算法在具有明显特征的目标物上提取深度信息都具有较好的效果,但是在目标为物料堆时,SGBM更具有优势,生成稠密视差图的效果也更好。获得平面特征信息与目标物体深度信息之后,将两者转换为三维空间的坐标点,通过这些坐标点拟合出目标物体的外轮廓,同时估算目标物体的体积。最后在室内搭建了实验平台模拟工程车辆与物料堆之间的关系,设计了一系列的实验验证本文算法在物料堆三维信息提取上的效果,同时比较了不同材质的物料之间对本文算法的影响以及物料堆发生体积变化时对算法的影响。对算法的测量精度进行评价,详细分析了在整个测量过程中会产生的误差。