论文部分内容阅读
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。