基于双目立体视觉的羊体尺参数提取及三维重构的研究

发布时间：2020-11-05 16:40

　　 羊的体尺和体重等参数是衡量羊生长状况、生产性能的关键指标。传统的羊体尺参数、体重是由人工利用皮尺、测杖及磅秤直接测量,不仅工作量大,且会对羊产生应激反应,从而降低羊的福利化饲养水平。针对上述问题,本文以活体羊和标本羊为研究对象,研究基于双目立体视觉的羊体尺参数的提取算法及羊体三维重构。论文主要开展的研究内容、研究方法和研究结论如下:(1)摄像机标定的研究。对采集的标定板图像实施图像预处理、目标提取、目标属性获取、去噪处理,准确获取标志圆特征,进而采用Zhang的标定算法求得摄像机内部和外部参数。将标定结果与商业化的双目测量平台的标定结果进行对比分析,及利用三维空间重投影获得图像坐标残差来评估标定结果,结果表明该方法的标定结果好。(2)针对真实复杂养殖环境下采集的羊图像,本文提出基于改进的Graph Cut羊体信息识别算法。该算法中引入多尺度分水岭和模糊C均值算法,目的是提高分割的效率和准确性,并从分割效果、交互时间和分割准确率三方面验证改进的Graph Cut分割算法,其平均交互时间为6.47s,度量值F达到0.97。针对曝光过度的羊图像,采用带色彩的多尺度Retinex算法增强图像。通过测试多组羊图像,该算法均能准确地检测羊体信息,结果表明该算法具有稳定性。(3)羊体重预估模型及体尺参数测点的研究。因体长、体高和臀高等参数存在自相关及共性问题,本文在Pearson相关性分析的基础上,采用逐步回归法和偏最小二乘回归法构建羊体重预估模型。基于逐步回归法的预估模型的拟合度R~2为0.9321,但模型中未引入与体重相关性极强的体长参数。依据相关性分析,偏最小二乘回归法更能解释表达体重预估模型。采用体长、体高、臀高参数建立预估模型,结果表明该模型预测的体重平均相对误差为3.17%。下一步,在图像分割的前提下提取羊体轮廓线并划分轮廓线区域,提出基于包络线分析识别羊体尺测点算法,实现体长、体宽、体高和胸深等8个测点的提取。与体长、体高和臀高参数实测值相比,基于二维图像测点检测的体尺参数平均误差均小于2cm,相对误差为1.92%。(4)基于双目立体视觉的三维重构方法研究。针对胸围、管围等三维体尺参数,二维侧视图像无法获得,本研究利用双目立体视觉技术,提取复杂背景下羊体的SIFT特征点。因RANSAC算法能准确地估算基础矩阵,所以将RANSAC算法引入到特征匹配中,提出基于RANSAC改进的极线约束特征点匹配算法。特征点匹配获得稀疏的三维特征点,需利用点云插值算法获取稠密特征点,进而采用NURBS曲面拟合重构羊体的三维曲面模型,提取羊体长、体高、臀高、胸围和管围等参数。基于双目立体视觉的体尺参数的检测相对误差为3.47%,误差稍微偏大。(5)对比双目立体视觉的三维重构,本研究探索主动式羊体三维重构方法。采集标本羊体点云数据,利用基于空间分块策略改进的k-近邻搜索方法进行点云去噪处理,采用八叉树编码精简点云数据,用Crust算法重构羊体三维曲面模型,并提取体长、体宽、臀宽、臀高、管围和胸围等体尺参数。对比体尺参数的真实值,其检测值的平均相对误差为1.33%。对比三种不同途径检测的体尺参数,主动式三维重构的检测精度高,但适用范围受限且激光束对羊体造成伤害。基于二维侧视图像测点识别检测的精度高,但无法检测体宽类参数。双目立体视觉重构的检测误差虽然偏大,但在误差允许的范围内,可满足羊体尺参数测量。因此,双目立体视觉重构的羊体三维模型可作为检测体尺参数的首选方法。
【学位单位】：内蒙古农业大学
【学位级别】：博士
【学位年份】：2018
【中图分类】：S826;TP391.41
【部分图文】：

磅秤或者电子秤等称重。人工测量中，由于人为因素使得羊体尺参数测量误差低测量精度。而且，在测量时，需要让羊站立在某一固定的位置；在称重时，将羊蹄绑着放置在磅秤上，如图 1。这种操作繁琐，人工干预使活体羊容易产激反应，难以控制测量精度，误差增大，降低了羊体的福利化水平，从而影响生产质量。评价羊生长状况的另一种方法是通过人工按压腰椎部的肌肉，根据肪沉积量估算羊体况得分，通常划分为 5 分，特别瘦 1 分，较瘦 2 分，正常 3 胖 4 分，过肥 5 分[18~19]。该方法也容易使羊产生应激反应，并且评分的人为主素较大。

Fig.2 Collection device of cow image来，基于视觉原理的体尺测量方法开始应用于羊体体尺测量。olo 等[43]研发估算活体羊(Alpagota)的体尺和体重的立体视觉系进行标记(4622 个距离)来获取摄像机的参数，为了减少由羊毛，将羊毛剪掉，通过人工标记获得测量特征点，并采用三角测获得特征点的三维坐标，实现羊的体高、胸深、体长的测量，对数变换的偏最小二乘回归模型进行估算，并对比分析测量结果. Vieira 等[44]开发奶山羊(萨能山羊和阿尔卑斯)的视觉体况得分为三类：非常瘦、正常和非常胖。首先，根据羊的胸骨区域(4 个测量值确定研究区域，如图 3 所示，将体况分值作为因变量，用逐步线性回归方法，发现臀部区域有较高的修正决定系数(以将臀部区域作为研究对象；其次，通过标记羊的臀部区域，并将参考特征点对齐到模板参考特征点，计算出投影变换矩阵保留的特征点，使得羊臀部区域和模板位于同一平面，计算出

图 3 羊体研究区域Fig.3 Research region of sheephojastehkey 等[45]在白色背景下采集羊体图像，通过图像预处理、二值调节、形态学处理，提取出去除四肢、头部、脖子后的躯干二值图像体主体区域的面积、周长、长轴长度和短轴长度，实现基于图像处理羊体尺参数估测，以确定羊肉尺寸。014 年，内蒙古科技大学江杰等[46]基于单目摄像机结合灰度背景差分法理，从复杂环境中检测羊体，借助栅格法提取羊体包络线，获取羊的胛测点、前蹄测点和后蹄测点，再利用空间分辨率计算出羊体尺参数基于嵌入式机器视觉构建草原牧场羊体体征测量系统，如图 4 所示。系式嵌入式 Linux 实施操作系统平台，并调用开源计算机视觉库 OpenC搜寻体征特征点计算羊体长、体高、臀高等数据，该系统测量的相对3%。2015 年，赵建敏[48]采用 Kinect 传感器同时采集羊体彩色图像和深度像相结合提取羊体轮廓，在 VS2010 软件中搭建测量系统，计算出羊对误差小于 4.3%。
【参考文献】

相关期刊论文 前10条

1 郭传鑫;李振波;乔曦;李晨;岳峻;;基于融合显著图与GrabCut算法的水下海参图像分割[J];农业机械学报;2015年S1期

2 闫忠心;靳义超;白海涛;;基于体尺、体质量的高原型藏羊核心选育群评价[J];江苏农业科学;2015年11期

3 江炎庭;王鹏;洪琼花;姚新荣;杨红远;;放牧补饲条件下云南黑山羊生长发育规律研究[J];家畜生态学报;2015年11期

4 翟志强;杜岳峰;朱忠祥;郎健;毛恩荣;;基于Rank变换的农田场景三维重建方法[J];农业工程学报;2015年20期

5 赵建敏;赵忠鑫;李琦;;基于Kinect传感器的羊体体尺测量系统[J];传感器与微系统;2015年09期

6 李宗艳;宋丽梅;习江涛;郭庆华;朱新军;陈明磊;;A stereo matching algorithm based on SIFT feature and homography matrix[J];Optoelectronics Letters;2015年05期

7 康建兵;蔡惠芬;罗卫星;王锋;曾浩;苏娜芬;黄兰;钱成;刘彬;孙岩岩;;贵州白山羊的体尺与体重及其相关性[J];贵州农业科学;2015年08期

8 郭政业;罗延;胡雯蔷;朱李瑾;;运用投影反馈的神经网络摄像机标定[J];计算机应用研究;2015年10期

9 冀占安;;内蒙古草原现状与发展前景[J];当代畜牧;2015年15期

10 薛广顺;来智勇;张志毅;王美丽;;基于双目立体视觉的复杂背景下的牛体点云获取[J];计算机工程与设计;2015年05期

相关博士学位论文 前4条

1 张丽娜;基于跨视角机器视觉的羊只体尺参数测量方法研究[D];内蒙古农业大学;2017年

2 刘同海;基于双目视觉的猪体体尺参数提取算法优化及三维重构[D];中国农业大学;2014年

3 韩慧妍;基于双目立体视觉的三维模型重建方法研究[D];中北大学;2014年

4 王立中;基于机器视觉的奶牛体型评定中的关键技术研究[D];内蒙古农业大学;2009年

相关硕士学位论文 前9条

1 刘卫民;基于机器视觉的奶牛体尺参数测量研究[D];山东农业大学;2016年

2 毛瑞;偏最小二乘法在小麦赤霉病预测中的研究与应用[D];安徽农业大学;2016年

3 张靖;基于克里金算法的点云数据插值研究[D];长安大学;2014年

4 冯恬;非接触牛体测量系统构建与实现[D];西北农林科技大学;2014年

5 陈通;基于Graph Cuts算法的交互式医学X线图像分割方法研究[D];北京交通大学;2014年

6 祝贵;基于模糊C均值的图像分割算法研究[D];湘潭大学;2013年

7 刘建飞;图像识别技术在奶牛体况评分中的应用研究[D];山东大学;2012年

8 胡玉龙;基于改进的非交互Grab cut算法进行羊的提取[D];吉林大学;2011年

9 王红伟;基于单目视觉三维重建的障碍物检测算法的设计与实现[D];东北大学;2008年

本文编号：2871902