在工程以及一些特殊领域中,经常需要测量大型物体的体积,以更好地进行工程建设、分类识别装箱等。由于待测物体体形庞大、形状不规则,如建筑材料堆、文物、集装箱等,传统的体积测量方法不能满足人们对被测体积的精度和效率的要求。不同于传统的体积测量方法,采用基于图像的测量方法能够大大简化体积测量过程的复杂性,提高测量的精度和效率。本文在对图像角点提取与匹配、三维重建和网格模型构建等技术进行深度研究的基础上,通过对传统体积测量方法的分析,从测量工具、测量精度和效率角度出发,针对传统的体积测量方法存在的缺陷,提出了一套基于序列图像的物体体积测量方法。论文的具体研究工作分为三个部分:(1)对采集到的物体序列图像提取角点并匹配。论文采用Harris角点检测算法对角点进行检测。首先计算图像上每个像素点的梯度值,再基于该梯度值,利用角点函数公式计算每个像素点的角点函数值,根据设定的阈值判断是否为角点(即特征点),最后对候选角点,采用由粗及精的两步匹配,从候选角点中选出匹配点。采用归一化互相关算法,计算不同图像上对应角点的互相关性值,进行粗匹配;采用松弛迭代算法,计算粗匹配点对的强度值,进行精匹配。实验证明,在采集到的物体序列图像中,采用的方法能够较好的提取出角点并匹配。(2)对匹配后的角点计算空间坐标。首先采用张正友标定法对相机进行标定,计算相机的内参数;然后采用从运动中恢复结构算法,根据相机成像模型关系以及相机的参数计算得到基础矩阵和本质矩阵,通过计算相机之间的相对运动来确定被测物体的空间几何关系,进而得到物体的稀疏三维点云;采用光束平差法,计算稀疏三维点云投影点的距离误差,不断迭代修正三维坐标使得误差函数值最小,优化稀疏三维点云。采用图像聚簇分类方法处理图像的重叠区域以减少稠密重建的计算量;最后采用基于面片的三维多视图立体视觉算法,选取种子面片进行扩展,并剔除灰度和几何一致性比较弱的面片,最终生成稠密的点云。实验证明,本文采用的空间坐标计算方法能够有效的重建出物体的三维结构。(3)对稠密点云构建网格模型并计算体积。首先采用逐点插入的方法对稠密点云构建Delaunay三角网,生成稠密点云的Voronoi图,再对Voronoi图采用Delaunay法划分超三角形区域并将区域内的顶点相连得到新的三角形,从而构成三角网模型;然后采用基于网格模型的体积计算方法对生成的Delaunay三角网模型进行体积计算,得到物体的体积。经过实验数据表明,本文提出的体积测量方法能够测量出物体的体积,误差范围控制在5%以内,基本满足对物体体积测量的精确度要求。