随着信息化的不断发展,各个行业对三维目标的非接触自动化测量的需求也逐渐变强。近年来,人们对三维目标的测量已进行了广泛的研究,并提出了一些精确的测量方法,但其测量过程主要是基于深度信息的线性尺度获取,如何提取目标的抽象特征并据此进行三维目标测量仍是一个具有挑战性的课题。结合深度图像具有表征三维目标深度信息的优点和深度学习具有自动特征提取的特点,本课题提出了基于深度学习的三维目标测量方案。首先,本课题在深入阐述由深度图像获得点云的转换原理的基础上,设计实现基于背景差分法的背景点云的滤除算法,通过分析对比三种离群点滤波算法的滤波效果选择最终采用的滤波算法,并介绍本课题所使用的点云分割方法。使用上述算法对三维目标进行数据采集和处理,并将最终获取的目标点云映射为尺度归一化的深度图像,该归一化深度图像可以表征目标表面的尺度和深度信息,为后续的三维目标测量打下了基础。通过编码实现上述算法,分别开发目标点云采集程序和点云转换深度图像程序。其次,本课题对深度学习中的卷积神经网络相关原理进行研究,并分析本文所使用的Alex Net网络模型的特点及其分类层的工作原理,研究支持卷积神经网络的Caffe深度学习框架。在此基础上分析本课题所使用的连续标签值样本的特点和适用于回归任务的激活函数的工作原理,为卷积神经网络设计回归层,并通过实验验证了CNN网络模型对目标的线性尺度和非线性尺度的特征提取能力。最后,结合CNN回归网络和归一化深度图像获取算法,开发一套基于深度学习的三维目标测量方案,并将该方案应用于生猪测重。应用目标点云采集程序采集生猪的背部点云,再使用点云转换深度图像程序将猪的背部点云转换为尺度归一化的深度图像。该深度图像能表征猪背的三维结构信息,与猪的体重具有强相关性。在一段时期内,每天对猪采集数次数据(背部点云及体重)以积累丰富的样本数据。在采集结束后,将获取的连续体重区间的点云数据转换为深度图像,然后以猪的连续体重为标签,使用CNN回归网络训练深度图像以提取与体重相关的抽象特征,最终达到利用计算机视觉为三维目标——猪测重的目的。