CN105913444B - 基于软激光测距的牲畜体型轮廓重构方法及体况评分方法 - Google Patents
基于软激光测距的牲畜体型轮廓重构方法及体况评分方法 Download PDFInfo
- Publication number
- CN105913444B CN105913444B CN201610289390.8A CN201610289390A CN105913444B CN 105913444 B CN105913444 B CN 105913444B CN 201610289390 A CN201610289390 A CN 201610289390A CN 105913444 B CN105913444 B CN 105913444B
- Authority
- CN
- China
- Prior art keywords
- profile
- livestock
- soft laser
- laser probe
- soft
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
Abstract
本发明提供的重构方法将牲畜的整体轮廓分为若干个身体部位,然后分别对每个身体部位建立标准模板,然后使用对肉眼安全的软激光技术来获得牲畜轮廓点云数据,并将获得点云数据与标准模板进行融合,得到重建的牲畜体型轮廓。这种方法得到的轮廓更为精准且不需要经过复杂的算法提取和计算,且不受外界环境干扰和影响,可以快速生成完整的三维轮廓。
Description
技术领域
本发明涉及软激光测距技术领域,更具体地,涉及一种基于软激光测距的牲畜体型轮廓重构方法及体况评分方法。
背景技术
现有技术中,对牲畜体型轮廓进行重构时,一般用到热成像技术、图像处理技术和Kinect传感器技术。
其中热成像技术通过热成像摄像机捕获动物表面的轮廓信息来重构牲畜轮廓,但是热成像摄像机价格昂贵,且在重构的过程中需要从视频流中手动分离相应数据帧,无法完全自动化。
而图像处理技术在实施过程中首先获取牲畜的图像数据,然后使用算法对图像数据进行提取,获得牲畜的轮廓信息,再进行重建。这种方法需要用到的设备简单且操作容易,但获取图像数据时拍摄的角度对提取轮廓的影响很大,而且天气和光照条件、背景和动物本身花色对其提取轮廓信息的影响也比较大,所以这种方法一般是对特定部位进行三维重构,并没有构造整个动物的轮廓。
Kinect传感器技术使用主动红外测距方法测量深度信息,然后基于测量的深度信息,进行三维重构,但是Kinect传感器测量的准确度严重受到环境光线的影响,所以对使用环境有一定限制。
发明内容
本发明为解决以上现有技术的难题,提供了一种基于软激光测距的牲畜体型轮廓重构方法,该方法将牲畜的整体轮廓分为若干个身体部位,然后分别对每个身体部位建立标准模板,然后使用对肉眼安全的软激光技术来获得牲畜轮廓点云数据,并将获得点云数据与标准模板进行融合,得到重建的牲畜体型轮廓。这种方法得到的轮廓更为精准且不需要经过复杂的算法提取和计算,且不受外界环境干扰和影响。
为实现以上发明目的,采用的技术方案是:
一种基于软激光测距的牲畜体型轮廓重构方法,将牲畜的整体轮廓分为若干个身体部位,然后分别对每个身体部位建立标准模板,然后执行以下步骤:
S1.将第一软激光扫描头、第二软激光扫描头、第三软激光扫描头分别设置在待重构的牲畜的前方、后方和上方,使其分别采集牲畜前部、后部和背部的轮廓信息,并以原始深度矩阵A_ori、B_ori和C_ori的形式输出;
S2.将原始深度矩阵A_ori、B_ori和C_ori、分别映射为三维0-1矩阵A、B和C,其中三维0-1矩阵A、B和C第三维度的坐标值对应二维矩阵中的深度测距值;
S3.通过几何变换,将矩阵B、矩阵C转化为第一软激光扫描头视角下的三维深度测距矩阵A2、A3;
S4.输出S=A+A2+A3,S为点云数据;
S5.对点云数据根据所划分的身体部位进行划分,并使经过划分的点云数据与相应的标准模板进行融合变形,实现牲畜的体型轮廓重建。
优选地,所述第一软激光扫描头、第二软激光扫描头设置在同一水平线上,两者之间的距离为L,第三软激光扫描头设置在第一软激光扫描头、第二软激光扫描头的上方,第三软激光扫描头与第一软激光扫描头之间的距离等于第三软激光扫描头与第二软激光扫描头之间的距离,且第三软激光扫描头与第一软激光扫描头、第二软激光扫描头所形成的水平线之间的垂直距离为0.5L。
优选地,标准模板表示为M=(P,E,T),其中P表示顶点,E表示边,T为三角形面片,所述步骤S5中,融合变形的具体过程如下:
M′=SM
其中M′表示重构的体型轮廓,S=[sx,sy,sz],sx,sy,sz分别是X,Y,Z方向的缩放因子;
融合变形的过程中S需要同时满足轮廓形状和点云顶点融合度的约束要求,所述轮廓形状采用如下目标函数:
ftotal=αfscale+βfpos
其中,fscale表示边的缩放,fpos表示顶点位置约束,α,β分别表示边约束和顶点约束的权重;
其中,pi1,pi0和p′i1,p′i0分别表示某条边缩放前后的端点位置,∈为扰动项;
其中No为变形后体型轮廓的顶点为点云的数目,Ns为标准模板顶点的数目;
轮廓形状和点云顶点融合度的约束要求具体表示如下:
minf(v)=(ftotal(v),fmatch(v))。
优选地,所述方法将牲畜的整体轮廓分为头部、左侧、右侧、四肢、臀部5个身体部位。
同时,本发明还提供了一种体况评分方法,具体如下:使用以上重构方法构建牲畜的体型轮廓,然后通过构建的体型轮廓进行评分,具体如方法(1)或方法(2)所示:
方法(1):通过测量动物构建的体型轮廓的体高、体长来反映牲畜的体型状况,进行评分,具体如下:
1)体高的测量通过转化成求两个特征点之间的距离,或者是点到面之间的距离进行求取;
2)体长的测量通过对构建的动物体型轮廓的头部与后部的轮廓分析得到,具体为分别构建与头部轮廓、后部轮廓外切的长方形边框,两个长方形边框平行,由于三点可以确定一个平面,所以在长方形边框上寻找与头部轮廓或后部轮廓外切的三个特征点,分别为m1(x1,y1,z1)、m2(x2,y2,z2)和m3(x3,y3,z3),由于平面法向量与m1m2和m3m2两个向量均垂直,则可确定平面法向量为:
n=m1m2×m3m2
向量n用(K1,K2,K3)表示,由已知点m1(x1,y1,z1),可知平面方程为:
K1(x-x1)+K2(y-y1)+K3(z-z1)=0
由此可以求得两长方形边框最远的外切平面为:
K1x+K2y+K3z+d=0
K1x+K2y+K3z+e=0
则体长即为两长方形边框的距离:
方法(2):通过测量动物构建的体型轮廓的腹部、臀部和背部的丰腴程度来反映牲畜的体型情况,并进行评分,具体如下:
1)通过求取腹部、臀部和背部封闭轮廓线所圈面积来反映腹部、臀部和背部的丰腴程度,首先将腹部、臀部和背部的三维轮廓投影到方格平面上,然后通过皮克公式计算封闭轮廓线所圈面积,所圈面积为:
其中h表示完全被封闭轮廓线包围的方格的数目,m表示方格的面积,k表示与封闭轮廓线相交的方格的数目,W表示封闭轮廓线所圈面积。
2)通过求取腹部、臀部和背部轮廓线的光滑度来反映腹部、臀部和背部的丰腴程度,将轮廓线中的多个特征点拟合成一条抛物线,通过求取真实轮廓线与抛物线的均方差来反映轮廓线的光滑程度,来判断动物是否丰腴;具体如下:设三维轮廓线投射到特征平面后成为二维轮廓线:
y=F(x)
取二维轮廓线上A(x1,y1)、B(x2,y2)和C(x3,y3)三点为抛物线的顶点和与y轴相交的两点,则该抛物线一般方程可由三点代入求得
Yp(x)=ax2+bx+c
则轮廓线与抛物线的标准差定义为MAE:
附图说明
图1为第一软激光扫描头、第二软激光扫描头、第三软激光扫描头的设置示意图。
图2为重构方法和评分方法的流程图。
图3为标准模板的层次结构图。
图4皮克算法求取轮廓面积的示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
如图1所示,本发明使用到的三个软激光扫描头分别设置在待重构的牲畜的前方、后方和上方,其中,第一软激光扫描头、第二软激光扫描头设置在同一水平线上,两者之间的距离为L,第三软激光扫描头设置在第一软激光扫描头、第二软激光扫描头的上方,第三软激光扫描头与第一软激光扫描头之间的距离等于第三软激光扫描头与第二软激光扫描头之间的距离,且第三软激光扫描头与第一软激光扫描头、第二软激光扫描头所形成的水平线之间的垂直距离为0.5L。
如图2所示,图2为本发明的重构方法的流程示意图。第一软激光扫描头、第二软激光扫描头、第三软激光扫描头分别采集牲畜前部、后部和背部的轮廓信息,并以原始深度矩阵A_ori、B_ori和C_or的形式输出;然后将原始深度矩阵A_ori、B_ori和C_or分别映射为三维0-1矩阵A、B和C,其中三维0-1矩阵A、B和C第三维度的坐标值对应二维矩阵中的深度测距值;
然后通过下面的几何转换方法,将矩阵B、矩阵C转化为第一软激光扫描头视角下的三维深度测距矩阵A2、A3:
(1)矩阵B转化为A2的几何变换原理:
如图1所示,以各个三维激光头为坐标原点,按照右手法则建立三维直角坐标系。将2号激光头采集的三维深度测距矩阵B转化为1号摄像头视角下的深度测距矩阵A2的过程可以分解为以下步骤实现:
i.以正方体中心为旋转中心,将2号激光头连同正方体一起翻转,使得2号激光头位于图1中1号激光头的位置,此时2号激光头的坐标系即为图1中1号激光头的坐标系,而2号激光头采集的三维深度测距矩阵仍然是B;
ii.在当前新的坐标系(图1中1号激光头的坐标系)下,正方体
a)先绕x轴旋转θ=180°,
b)再沿z方向平移△z=l,
即可变回初始位置。
用(x,y,z)表示变换前的坐标值,(x′,y′,z′)表示变换后的坐标值,步骤a部分的旋转变换用矩阵表达为
步骤b部分为平移运算,可以用矩阵表达为
步骤ii总体的分量形式为
x′=x
y′=-y
z′=-z+l
(2)矩阵C转化为A3的几何变换原理:
如图1所示,以各个激光头为坐标原点,按照右手法则建立三维直角坐标系。将3号激光头采集的三维深度测距矩阵C转化为1号激光头视角下的深度测距矩阵A3的过程可以分解为以下步骤实现:
i.以正方体中心为旋转中心,将3号激光头连同正方体一起翻转,使得3号激光头位于图1中1号激光头的位置,此时3号激光头的坐标系即为图1中1号激光头的坐标系,而3号激光头采集的三维深度测距矩阵仍然是C;
ii.在当前新的坐标系(图1中1号摄像头的坐标系)下,正方体
a)先绕x轴旋转θ=-90°,
b)再沿z方向平移
c)最后沿y方向平移
即可变回初始位置。
步骤b、c的平移运算用矩阵表达为
步骤ii总体的分量形式为
x′=x
综上,步骤ii所对应的核心算法分别为:
(1)B转化为A2
i′=i
j′=n+1-j
k′=n+1-k
(2)C转化为A3
i′=n+1-k
j′=j
k′=i
其中(i,j,k)表示变换前的矩阵指标,(i′,j′,k′)表示变换后的矩阵指标。
完成以上几何变换之后,输出点云数据,然后进行三维点云重构,具体如下:
点云重建是对同一视点坐标系下的点云数据散乱的、无规则的点进行三角网格化,反映出真实的场景。本发明的方法首先对牲畜的形体各部分进行分解,将较为复杂的牲畜形体解析成不同区域组成。畜牧类动物的某些关键部位如头部和腿部,形状较为复杂,曲率变化大,腹部,背部和臀部形状较为简单,曲率变化不大。然后对牲畜不同身体部位建立不同标准模板,将三维点云数据按区域划分与不同标准模板建立映射关系,以不同标准模板向点云演化形变来构建牲畜三维形体重构,以此提高三维构建的效率,减少构建是变形引起的误差。采用图1的分解方式,将牲畜体型分成头部、左侧、右侧、四肢、臀部五个部分,具体如图3所示。
其中,如图3所示,标准模板的层次结构包括轮廓线、拼接线、特征点,其作用分别如下:
轮廓线:不同造型模板的轮廓线。
拼接线:将不同部件连接在一起的特征线。
特征点:用于辅助牲畜形体特定部位的结构点。
其中,标准模板可抽象表示M=(P,E,T),其中P表示顶点,E表示边,T为三角形面片。融合变形的过程中,标准模型尺寸进行调整时,一般采用沿长、宽、高三个方向行等比例或者不等比例缩放的方法。S=[sx,sy,sz],sx,sy,sz分别是X,Y,Z方向的缩放因子。变形后的模型M′=SM。要保持轮廓的主要形状特征,特别要严格满足一些重要的形状细节特征,就需要点云数据在驱动标准模板变形时,需要同时满足轮廓形状和点云顶点融合度的约束要求。
其中,所述轮廓形状采用如下目标函数:
ftotal=αfscale+βfpos
其中,fscale表示边的缩放,fpos表示顶点位置约束,α,β分别表示边约束和顶点约束的权重;
其中,pi1,pi0和p′i1,p′i0分别表示某条边缩放前后的端点位置,∈为扰动项;
其中No为变形后体型轮廓的顶点为点云的数目,Ns为标准模板顶点的数目,其轮廓形状和点云顶点融合度的约束要求具体表示如下:
minf(v)=(ftotal(v),fmatch(v))。
实施例2
本发明还提供了一种基于以上重构方法的体况评分方法,具体如下:使用重构方法构建牲畜的体型轮廓,然后通过构建的体型轮廓进行评分,
具体如方法(1)或方法(2)所示:
方法(1):通过测量动物构建的体型轮廓的体高、体长来反映牲畜的体型状况,进行评分,具体如下:
1)体高的测量通过转化成求两个特征点之间的距离,或者是点到面之间的距离进行求取;
2)体长的测量通过对构建的动物体型轮廓的头部与后部的轮廓分析得到,具体为分别构建与头部轮廓、后部轮廓外切的长方形边框,两个长方形边框平行,由于三点可以确定一个平面,所以在长方形边框上寻找与头部轮廓或后部轮廓外切的三个特征点,分别为m1(x1,y1,z1)、m2(x2,y2,z2)和m3(x3,y3,z3),由于平面法向量与m1m2和m3m2两个向量均垂直,则可确定平面法向量为:
n=m1m2×m3m2
向量n用(K1,K2,K3)表示,由已知点m1(x1,y1,z1),可知平面方程为:
K1(x-x1)+K2(y-y1)+K3(z-z1)=0
由此可以求得两长方形边框最远的外切平面为:
K1x+K2y+K3z+d=0
K1x+K2y+K3z+e=0
则体长即为两长方形边框的距离:
方法(2):通过测量动物构建的体型轮廓的腹部、臀部和背部的丰腴程度来反映牲畜的体型情况,并进行评分,具体如下:
1)通过求取腹部、臀部和背部封闭轮廓线所圈面积来反映腹部、臀部和背部的丰腴程度,首先将腹部、臀部和背部的三维轮廓投影到方格平面上,然后通过皮克公式计算封闭轮廓线所圈面积,具体如图4所示,所圈面积为:
其中h表示完全被封闭轮廓线包围的方格的数目,m表示方格的面积,k表示与封闭轮廓线相交的方格的数目,W表示封闭轮廓线所圈面积。
2)通过求取腹部、臀部和背部轮廓线的光滑度来反映腹部、臀部和背部的丰腴程度,将轮廓线中的多个特征点拟合成一条抛物线,通过求取真实轮廓线与抛物线的均方差来反映轮廓线的光滑程度,来判断动物是否丰腴;具体如下:设三维轮廓线投射到特征平面后成为二维轮廓线:
y=F(x)
取二维轮廓线上A(x1,y1)、B(x2,y2)和C(x3,y3)三点为抛物线的顶点和与y轴相交的两点,则该抛物线一般方程可由三点代入求得
Yp(x)=ax2+bx+c
则轮廓线与抛物线的标准差定义为MAE:
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (4)
1.一种基于软激光测距的牲畜体型轮廓重构方法,其特征在于:将牲畜的整体轮廓分为若干个身体部位,然后分别对每个身体部位建立标准模板,然后执行以下步骤:
S1.将第一软激光扫描头、第二软激光扫描头、第三软激光扫描头分别设置在待重构的牲畜的前方、后方和上方,分别采集牲畜前部、后部和背部的轮廓信息,并以原始深度矩阵A_ori、B_ori和C_ori的形式输出;
S2.将原始深度矩阵A_ori、B_ori和C_ori分别映射为三维0-1矩阵A、B和C,其中三维0-1矩阵A、B和C第三维度的坐标值对应二维矩阵中的深度测距值;
S3.通过几何变换,将矩阵B、矩阵C转化为第一软激光扫描头视角下的三维深度测距矩阵A2、A3;
S4.输出S=A+A2+A3,S为点云数据;
S5.对点云数据根据所划分的身体部位进行划分,并使经过划分的点云数据与相应的标准模板进行融合变形,实现牲畜的体型轮廓重建;
标准模板表示为M=(P,E,T),其中P表示顶点,E表示边,T为三角形面片,所述步骤S5中,融合变形的具体过程如下:
M′=SM
其中M′表示重构的体型轮廓,S=[sx,sy,sz],sx,sy,sz分别是X,Y,Z方向的缩放因子;
融合变形的过程中S需要同时满足轮廓形状和点云顶点融合度的约束要求,所述轮廓形状采用如下目标函数:
ftotal=αfscale+βfpos
其中,fscale表示边的缩放,fpos表示顶点位置约束,α,β分别表示边约束和顶点约束的权重;
其中,pi1,pi0和p′i1,p′i0分别表示某条边缩放前后的端点位置,∈为扰动项;
点云顶点融合度采用如下目标函数:
其中No为变形后体型轮廓的顶点为点云的数目,Ns为标准模板顶点的数目;
轮廓形状和点云顶点融合度的约束要求具体表示如下:
minf(v)=(ftotal(v),fmatch(v))。
2.根据权利要求1所述的基于软激光测距的牲畜体型轮廓重构方法,其特征在于:所述第一软激光扫描头、第二软激光扫描头设置在同一水平线上,两者之间的距离为L,第三软激光扫描头设置在第一软激光扫描头、第二软激光扫描头的上方,第三软激光扫描头与第一软激光扫描头之间的距离等于第三软激光扫描头与第二软激光扫描头之间的距离,且第三软激光扫描头与第一软激光扫描头、第二软激光扫描头所形成的水平线之间的垂直距离为0.5L。
3.根据权利要求1~2任一项所述的基于软激光测距的牲畜体型轮廓重构方法,其特征在于:所述方法将牲畜的整体轮廓分为头部、左侧、右侧、四肢、臀部5个身体部位。
4.一种体况评分方法,其特征在于:使用权利要求1~3任一项所述方法构建牲畜的体型轮廓,然后通过构建的体型轮廓进行评分,具体采用方法(1)或(2):
方法(1):通过测量动物构建的体型轮廓的体高、体长来反映牲畜的体型状况,进行评分,具体如下:
1)体高的测量通过转化成求两个特征点之间的距离,或者是点到面之间的距离进行求取;
2)体长的测量通过对构建的动物体型轮廓的头部与后部的轮廓分析得到,具体为分别构建与头部轮廓、后部轮廓外切的长方形边框,两个长方形边框平行,由于三点确定一个平面,所以在长方形边框上寻找与头部轮廓或后部轮廓外切的三个特征点,分别为m1(x1,y1,z1)、m2(x2,y2,z2)和m3(x3,y3,z3),由于平面法向量与m1m2和m3m2两个向量均垂直,则确定平面法向量为:
n=m1m2×m3m2
向量n用(K1,K2,K3)表示,由已知点m1(x1,y1,z1)得到平面方程为:
K1(x-x1)+K2(y-y1)+K3(z-z1)=0
由此求得两长方形边框最远的外切平面为:
K1x+K2y+K3z+d=0
K1x+K2y+K3z+e=0
则体长即为两长方形边框的距离:
方法(2):通过测量动物构建的体型轮廓的腹部、臀部和背部的丰腴程度来反映牲畜的体型情况,并进行评分,具体如下:
1)通过求取腹部、臀部和背部封闭轮廓线所圈面积来反映腹部、臀部和背部的丰腴程度,首先将腹部、臀部和背部的三维轮廓投影到方格平面上,然后通过皮克公式计算封闭轮廓线所圈面积,所圈面积为:
其中h表示完全被封闭轮廓线包围的方格的数目,m表示方格的面积,k表示与封闭轮廓线相交的方格的数目,W表示封闭轮廓线所圈面积;
2)通过求取腹部、臀部和背部轮廓线的光滑度来反映腹部、臀部和背部的丰腴程度,将轮廓线中的多个特征点拟合成一条抛物线,通过求取真实轮廓线与抛物线的均方差来反映轮廓线的光滑程度,来判断动物是否丰腴;具体如下:设三维轮廓线投射到特征平面后成为二维轮廓线:
y=F(x)
取二维轮廓线上A(x1,y1)、B(x2,y2)和C(x3,y3)三点为抛物线的顶点和与y轴相交的两点,则该抛物线方程由三点代入求得
Yp(x)=ax2+bx+c
则轮廓线与抛物线的标准差定义为MAE:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610289390.8A CN105913444B (zh) | 2016-05-03 | 2016-05-03 | 基于软激光测距的牲畜体型轮廓重构方法及体况评分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610289390.8A CN105913444B (zh) | 2016-05-03 | 2016-05-03 | 基于软激光测距的牲畜体型轮廓重构方法及体况评分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105913444A CN105913444A (zh) | 2016-08-31 |
CN105913444B true CN105913444B (zh) | 2019-07-19 |
Family
ID=56753317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610289390.8A Active CN105913444B (zh) | 2016-05-03 | 2016-05-03 | 基于软激光测距的牲畜体型轮廓重构方法及体况评分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105913444B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232707B (zh) * | 2018-03-05 | 2021-08-31 | 华为技术有限公司 | 一种测距方法及装置 |
CN112489105B (zh) * | 2019-08-24 | 2024-03-15 | 北京地平线机器人技术研发有限公司 | 一种结构化参数表示获取方法及装置 |
CN110689593B (zh) * | 2019-09-16 | 2023-04-07 | 黑天鹅智能科技(福建)有限公司 | 鞋立体轮廓的再生轮廓方法、鞋上胶方法及鞋上胶设备 |
CN110728208B (zh) * | 2019-09-24 | 2022-05-27 | 内蒙古大学 | 基于体况评分在牦牛放牧管理中的信息处理方法及系统 |
CN110986788B (zh) * | 2019-11-15 | 2020-10-23 | 华南农业大学 | 一种基于三维点云牲畜表型体尺数据的自动测量方法 |
CN111243005B (zh) * | 2020-01-07 | 2023-05-23 | 洛阳语音云创新研究院 | 牲畜估重方法、装置、设备以及计算机可读存储介质 |
CN116363141B (zh) * | 2023-06-02 | 2023-08-18 | 四川省畜牧科学研究院 | 一种妊娠母猪智能体型评价装置及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887477A (zh) * | 2010-06-25 | 2010-11-17 | 温州大学 | 根据脚型多幅图像定制数字化鞋楦的方法 |
CN102157013A (zh) * | 2011-04-09 | 2011-08-17 | 温州大学 | 由多个相机同时摄取的多幅图像全自动重建脚型三维表面的系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060276859A1 (en) * | 2005-06-02 | 2006-12-07 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Photopatterning of skin |
-
2016
- 2016-05-03 CN CN201610289390.8A patent/CN105913444B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887477A (zh) * | 2010-06-25 | 2010-11-17 | 温州大学 | 根据脚型多幅图像定制数字化鞋楦的方法 |
CN102157013A (zh) * | 2011-04-09 | 2011-08-17 | 温州大学 | 由多个相机同时摄取的多幅图像全自动重建脚型三维表面的系统 |
Non-Patent Citations (3)
Title |
---|
Objective estimation of body condition score by modeling cow body shape from digital images;G. Azzaro 等;《American Dairy Science Association》;20111231;第2126-2137页 |
基于激光扫描木材轮廓三维重构系统研究;陈玥;《长春理工大学学报(自然科学版)》;20140430;第37卷(第2期);第26-28,33页 |
基于线结构光扫描的足背三维轮廓重构;李新华 等;《计算机工程》;20140228;第40卷(第2期);第246-249,255页 |
Also Published As
Publication number | Publication date |
---|---|
CN105913444A (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105913444B (zh) | 基于软激光测距的牲畜体型轮廓重构方法及体况评分方法 | |
CN104992441B (zh) | 一种面向个性化虚拟试衣的真实人体三维建模方法 | |
CN107358648B (zh) | 基于单张人脸图像的实时全自动高质量三维人脸重建方法 | |
CN104376594B (zh) | 三维人脸建模方法和装置 | |
CN102999942B (zh) | 三维人脸重建方法 | |
Smith et al. | Recovering facial shape using a statistical model of surface normal direction | |
CN110009727A (zh) | 一种具有结构语义的室内三维模型自动重构方法及系统 | |
CN106228507A (zh) | 一种基于光场的深度图像处理方法 | |
CN104077804B (zh) | 一种基于多帧视频图像构建三维人脸模型的方法 | |
CN104008564B (zh) | 一种人脸表情克隆方法 | |
CN108416840A (zh) | 一种基于单目相机的三维场景稠密重建方法 | |
CN103839277B (zh) | 一种户外大范围自然场景的移动增强现实注册方法 | |
CN105913487A (zh) | 一种基于人眼图像中虹膜轮廓分析匹配的视线方向计算方法 | |
CN108154550A (zh) | 基于rgbd相机的人脸实时三维重建方法 | |
CN106327532A (zh) | 一种单幅图像的三维配准方法 | |
CN106097348A (zh) | 一种三维激光点云与二维图像的融合方法 | |
CN104346608A (zh) | 稀疏深度图稠密化方法和装置 | |
CN103106632B (zh) | 一种基于均值漂移的不同精度三维点云数据的融合方法 | |
Castelan et al. | A coupled statistical model for face shape recovery from brightness images | |
CN109523595A (zh) | 一种建筑工程直线棱角间距视觉测量方法 | |
CN103247074A (zh) | 一种结合深度信息与人脸分析技术的3d照相方法 | |
CN109815847A (zh) | 一种基于语义约束的视觉slam方法 | |
CN109948400A (zh) | 一种能够进行人脸特征3d识别的智能手机及其识别方法 | |
CN104376599A (zh) | 一种简便的三维头部模型生成系统 | |
Zheng et al. | 4D reconstruction of blooming flowers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |