CN107464249A

CN107464249A - 一种羊只无接触体尺测量方法

Info

Publication number: CN107464249A
Application number: CN201710444496.5A
Authority: CN
Inventors: 张丽娜; 武佩; 姜新华; 杨建宁; 刘艳秋; 宣传忠; 马彦华; 韩丁; 张永安; 王奎
Original assignee: Inner Mongolia Agricultural University; Inner Mongolia Normal University
Current assignee: Inner Mongolia Agricultural University; Inner Mongolia Normal University
Priority date: 2017-06-13
Filing date: 2017-06-13
Publication date: 2017-12-12
Anticipated expiration: 2037-06-13
Also published as: CN107464249B

Abstract

本发明提供一种羊只无接触体尺测量方法，用于解决但尺参数测量或多或少需要用户的交互控制才能测量问题。其中羊只无接触体尺测量方法，包括：获得前景图像；对前景图像应用边沿提取算法从前景图像中提取羊只轮廓；从提取出的羊只轮廓中检测体尺测点；根据体尺测点，计算羊只的以下至少一种数据：体高、胸深、背高、体斜长、臀高。本文通过自动识别羊只轮廓，提取出羊只轮廓上的体尺测点，从而计算出对应的羊只参数。避免了人工测量羊只使羊产生应激性，同时减少了测量羊只的工作量。并通过准确识别轮廓和轮廓中的体尺检测点，提高体尺测量获得的羊只参数的准确性。

Description

一种羊只无接触体尺测量方法

技术领域

本发明涉及图像处理技术，具体涉及一种羊只无接触体尺测量方法。

背景技术

家畜体尺数据直接反映家畜的体格大小、体躯结构和发育等状况。也间接反映畜体的生理机能、生产性能、抗病力、对外界生活条件的适应能力等。因此，基于体尺数据的家畜鉴定、买卖和选育得到广泛应用。传统家畜体尺测量常采用手工方式，即使用测杖、卷尺和圆形测量器等工具，对体高、体长、胸围、管围、臀高、胸深、胸宽等参数进行测量。然而传统的测量方法工作量大、易产生应激效应，从而制约了基于体尺的羊只选育工作的开展。

近年来，基于计算机视觉技术开始应用于羊只的体尺测量。测量中或基于单目的单侧视图进行，或基于双目视觉进行测量。前人的研究中，对基于视觉的羊只体尺测量做了有益的探索，但体尺参数测量或多或少需要用户的交互控制才能测量(例如针对每个拍摄图像，人工交互确定肩端前缘测点、颈部测点)，自动化程度不高，或获取的体尺参数相对较少。

发明内容

鉴于上述问题，本发明提出了克服上述问题或者至少部分地解决上述问题的一种羊只无接触体尺测量方法。

为此目的，第一方面，本发明提出一种羊只无接触体尺测量方法，包括：

获得前景图像；

对前景图像应用边沿提取算法从前景图像中提取羊只轮廓；

从提取出的羊只轮廓中检测体尺测点；

根据体尺测点，计算羊只的以下至少一种数据：体高、胸深、背高、体斜长、臀高。

可选的，所述步骤从提取出的轮廓中检测体尺测点，包括：

在羊只轮廓的左半侧中查找头部最高点A，拟合曲线l₁为以头部最高点A为起点，以羊只轮廓最右侧的点为终点的连续线段；

在羊只轮廓的左半侧中查找外侧前脚最低点J；

在羊只轮廓右半侧查找外侧后脚最低点H；

在拟合曲线的l₁的左半侧查找两个波谷间的波峰，该波峰即为耆甲测点D；

体高为以耆甲点D为起点的竖直线段的长度，该竖直线段的另一端位于以外侧前脚最低点J与外侧后脚最低点H之间的连线上。

可选的，在羊只轮廓的右半侧查找右半侧最高点，作为疑似臀高测点F1；计算拟合曲线l₁在耆甲测点D与疑似臀高测点F1的之间的最低点，该最低点即为背高测点E。

背高为以背高测点E为起点的竖直线段的长度，该竖直线段的另一端位于以外侧前脚最低点J与外侧后脚最低点H之间的连线上。

可选的，计算在拟合曲线l₁右侧、且在背高测点E上方的曲线段曲率最大的点，该点即为臀高测点F；

臀高为以臀高测点F为起点的竖直线段的长度，该竖直线段的另一端位于以外侧前脚最低点J与外侧后脚最低点H之间的连线上；

可选的，计算在拟合曲线l1右侧、且在背高测点E下侧的曲线段曲率最大的点，该点即为臀部测点G；

计算羊体左侧轮廓曲线中，位于臀部测点G下侧、耆甲点D左侧的曲线段中到臀部测点G最远的点，该点即为肩端前缘测点K；

体斜长为肩端前缘测点K到臀部测点G最远的点的距离。

可选的，计算羊体轮廓曲线中，计算前腿根部最右侧点I1到羊体下部分轮廓曲线中的点I2之间曲率最大的点，该点即为胸底测点I，点I2的水平坐标与外侧前脚最低点J和外侧后脚最低点H的中点的水平坐标一致；

胸深为胸底测点I与耆甲点D之间的竖直距离。

可选的，在步骤获取前景图像之前，还包括步骤：

获取羊只侧面图像；

根据羊只侧面图像，通过图像超像素分割方法获得图像中的图像块的信息；

根据图像块的信息，通过模糊C均值聚类方法获得前景图像。

可选的，所述图像超像素分割方法包括将彩色图像转换到CIELAB空间，

在图像上均匀初始化K个聚类中心，

对于图像上的每个像素点X_i，逐一分别计算聚类中心M和像素点X_i的相似程度D，聚类中心M为像素点X_i周围与之相邻的聚类中心；

将像素点X_i与相似程度D最大的聚类中心M_i归入同一图像块；

依据每一图像块中所有像素的颜色和空间特性d_xy的均值，更新聚类中心；

根据更新后的聚类中心，重复计算每个像素点的相似度D以及更新聚类中心，直至更新后的聚类中心与上一次的聚类中心特征值信息的差异小于预设阈值。

可选的，所述相似程度D的计算方式为：

其中，m为平衡参数，

可选的，所述均匀初始化K个聚类中心的步骤包括：

更新初始化的聚类中心N点到N_i点，N_i点为在以聚类中心N为中心的3×3的窗口内的梯度值最小的像素点；初始化每个聚类中心与类边界的距离近似为N为图像中的包含的像素个数，K为聚类中心个数；

在步骤更新后的聚类中心与上一次的聚类中心特征值信息的差异小于预设阈值之后，还包括：

合并临近的孤立的小尺寸超像素。

可选的，在获得图像中的图像块的信息后，还包括步骤：将图像块的6维特征向量基于主成分提取5组特征值；将5组特征值作为模糊C-均值聚类方法的输入；

所述模糊C均值聚类方法包括：

根据输入的5组特征值，获得前景图像；

所述6维特征向量为：

其中l_j、a_j、b_j为超像素分割子块j在CIELAB空间颜色分量；为对应点的均衡图像光照后的RGB颜色分量。

由上述技术方案可知，本发明的通过自动识别羊只轮廓，提取出羊只轮廓上的体尺测点，从而计算出对应的羊只参数。避免了人工测量羊只使羊产生应激性，同时减少了测量羊只的工作量。并通过准确识别轮廓和轮廓中的体尺检测点，提高体尺测量获得的羊只参数的准确性。

前面是提供对本发明一些方面的理解的简要发明内容。这个部分既不是本发明及其各种实施例的详尽表述也不是穷举的表述。它既不用于识别本发明的重要或关键特征也不限定本发明的范围，而是以一种简化形式给出本发明的所选原理，作为对下面给出的更具体的描述的简介。应当理解，单独地或者组合地利用上面阐述或下面具体描述的一个或多个特征，本发明的其它实施例也是可能的。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1-1为本发明的一个实施例中，羊只无接触体尺测量方法的流程图。

图1-2为本发明的一个实施例中，各体尺测点的位置示意图；

图1-3为本发明的一个实施例的羊只侧视图中，各体尺参数的测量方法示意图；

图1-4为本发明的一个实施例中，羊只体高的测试方法流程图；

图1-5为本发明的一个实施例中，羊只背高的测试方法流程图；

图1-6为本发明的一个实施例中，羊只臀高的测试方法流程图；

图1-7为本发明的一个实施例中，羊只体斜长的测试方法流程图；

图1-8为本发明的一个实施例中，羊只胸深的测试方法流程图；

图2-1为本发明的一个实施例中，拍摄获得的羊只侧视图的原图像；

图2-2为图2-1经过均值滤波后图像。

图2-3为图2-3经过光照补偿后图像。

图2-4.为图2-3基于SLIC超像素分割后的图像。

图2-5为图2-4经过模糊C均值FCM聚类处理获得的图像(由前3个聚类分量表达的聚类结果图)。

图2-6为图2-5的图像中RG+RB+GB子空间分割融合结果。

图2-7.基于图2-5所示的聚类中心处R值提取获得的前景图像；

图2-8.根基于形态学处理的孔洞填充图2-7获得的前景图像；

图2-9.对图2-8孔洞填充获得的图像；

图2-10保留体2-9中图像中面积最大的区域获得的图像；

图3-1为本发明的一个实施例中，拍摄获得的羊只侧视图的原图像；

图3-2为图3-1经过镜像处理获得的图像；

图4-1为发明的一个实施例中，左侧相机、右侧相机、测量获得分别获得的体高的5组数据；

图4-2为发明的一个实施例中，左侧相机、右侧相机、测量获得分别获得的背高的5组数据；

图4-3为发明的一个实施例中，左侧相机、右侧相机、测量获得分别获得的臀高的5组数据；

图4-4为发明的一个实施例中，左侧相机、右侧相机、测量获得分别获得的体斜长的5组数据；

图5为发明的一个实施例中，通过本方法获得的数据和手工测量数据进行对比分析示意图；

图6-1为本发明的一个实施例中，前景图像的处理方法的流程图；

图6-2为本发明的一个实施例中，前景图像的另一种处理方法的；流程图。

具体实施方式

下面将结合示例性的通信系统描述本发明。

本文先介绍本发明的使用场景。本发明以被毛以纯白为主的羊为对象。羊毛有油汗，养殖场活动区常为土质地面，因此被毛颜色易与背景相近，因此，在图像采集区域加有蓝色背景板，以提高羊体与背景的区分度。羊只从图像采集区域的一端进入，从另一端出口走出。图像采集区域的地面平坦，优选的在图像采集区域可快速采集羊只的完整的侧面视图。在一些实施例中，图像采集区域如图2-1所示。

可以理解的是本文虽然以白羊为例，但是其也可以用于其他有色羊，在对其的体尺测量中采取对应的色彩通道，或再结合孔洞填充或者使用与羊体的花纹或颜色区别较大的背景板，即可获得较好的前景图像。

本文以羊只的左视图为例，说明本文中的羊只无接触体尺测量方法，且在羊只的左视图中，观察者面对羊只的左视图时，羊只的头部朝向左手，羊只的尾部朝向右手；可以理解的是，若拍摄的是右视图，可以通过镜像处理，获得左视图，或者将本文处理左视图的步骤做对应的修改，从而处理右视图也可以获得对应的体尺测点。

可以理解的是，根据上下文，本文中“A到体尺测点B的距离”通常应理解为在真实环境中体尺测点A到体尺测点B在世界坐标下的真实距离，关于如何根据图像中的距离计算获得现实世界中的距离，本文不做过多的描述。

参见图1-1，本文提供一种羊只无接触体尺测量方法，该方法包括步骤：

S121获得前景图像；

S122对前景图像应用边沿提取算法从前景图像中提取羊只轮廓；

S123从提取出的羊只轮廓中检测体尺测点；

S124根据体尺测点，计算羊只的以下至少一种数据：体高、胸深、背高、体斜长、臀高。

本文中使用的“至少一个”、“一个或多个”以及“和/或”是开放式的表述，在使用时可以是联合的和分离的。例如，“A、B和C中的至少一个”，“A、B或C中的至少一个”，“A、B和C中的一个或多个”以及“A、B或C中的一个或多个”指仅有A、仅有B、仅有C、A和B一起、A和C一起、B和C一起或A、B和C一起。

可以理解的是步骤S121中获得的前景图像为通过拍摄羊只的侧面视图，从侧面视图中提前羊只的前景图像，前景图像如图2-7至图2-10所示。

S122中边沿提取算法可以是使用曲面拟合算法，优选的是使用canny边沿提取算法从图像中提取羊只轮廓。

S124中对于计算不同的羊只体尺参数时，所需要的体尺测点也是不同的。例如对于测试羊只的身高，则需要定位羊只的脚部最低点和身体的最高点。可以理解的是对于不同的实施背景下，对羊只体尺参数的定义可以时不同的，例如对于有些情况下将羊只的头部最高点到地面的高度定义为羊只的身高，而另一些情况下将羊只的背部最高点到羊只两脚之间的地面的距离定位为羊只的身高。

通过前景图像中计算出的体尺测点，即可计算获得羊只在世界坐标下的对应参数。例如在一些实施例中，将长为1mm的尺子置于羊只装置羊只站立的位置，然后根据下述公式计算对应的尺寸。

本发明通过自动识别羊只轮廓，提取出羊只轮廓上的体尺测点，从而计算出对应的羊只参数。避免了人工测量羊只使羊产生应激性，同时减少了测量羊只的工作量。并通过准确识别轮廓和轮廓中的体尺检测点，提高体尺测量获得的羊只参数的准确性。

参见图1-2至图1-4，在一个实施例中，在获得羊只轮廓后，获得羊只的体高的步骤包括：

S131在羊只轮廓的左半侧中查找头部最高点A，拟合曲线l₁为以头部最高点A为起点，以羊只轮廓最右侧的点为终点的连续线段；

S132在羊只轮廓的左半侧中查找外侧前脚最低点J；

S133在羊只轮廓右半侧查找外侧后脚最低点H；

S134在拟合曲线的l₁的左半侧查找两个波谷间的波峰，该波峰即为耆甲测点D；

S135体高为以耆甲点D为起点的竖直线段的长度，该竖直线段的另一端位于以外侧前脚最低点J与外侧后脚最低点H之间的连线上。

羊只轮廓为前景图片中羊只的轮廓，本文中羊只轮廓也可以是指前景图像的近似轮廓。

拟合曲线l₁是拟合前景图像上侧的轮廓获得的，优选的上侧轮廓的起点为头部最高点A，终点为羊只轮廓最右侧的点。

可以理解的是l₁的起点和终点只要是与上述起点和终点相接近即可；本文的等同方案中，在不影响本文中的体尺测点获得的情况下，l₁的起点和终点可以取其他值。l₁为连续连续的曲线段；

为了进一步提高测量的准确度在采集区域采用左右相机同时采集羊只的左侧图片和右侧图像，根据左侧图片获得的参数和右侧获得参数求取平均值。

参见图4-1和图5，为本发明的一种实施例所测得的体高数值。图4-1至图4-5中，图中的标记含义一致，以图2为例说明图中标记：横轴代表采样点、纵轴表示上述为对应参数的值、☆表示左侧相机测量参数；○表示右侧相机测量参数；实线表示手动实测值；浅色虚线表示左相机测量平均值；深色虚线表示右相机测量平均值；折线表示左、右相机对应点平均值趋势(即同一次测试中左侧相机和右侧相机测量获得的平均值)；细实线表示5组参数求平均后的平均值，该平均值即为本发明的一个实施例中计算获得的体尺参数。其中平均值为去掉一个最大值，去掉一个最小值后求平均。

图5中parameter代表羊只，sheep1-sheep1为羊只的编号，AV表示平均值，MV表手动测量值，Err表示误差值，WH表示体高、BH表示背高、RH表示臀高、BL表示体斜长、CD表示胸高。

在体尺测量中，羊只一般不是静止不动的，其身体的活动会导致身体形态会发生变化，从而导致在无接触体尺测量过程中对羊只的体高测试不准确，通过上述方法获得耆甲点D，通过耆甲点D测量羊只的身高，使得本发明的方法即使在羊只轻微活动时，也能准确的获得羊只的体高的值。

参见图1-5在本发明的一个实施例中，在获得羊只轮廓后，获得羊只的背高的方法包括步骤：

S141在羊只轮廓的右半侧查找右半侧最高点，作为疑似臀高测点F1；计算拟合曲线l₁在耆甲测点D与疑似臀高测点F1的之间的最低点，该最低点即为背高测点E；

S142背高为以背高测点E为起点的竖直线段的长度，该竖直线段的另一端位于以外侧前脚最低点J与外侧后脚最低点H之间的连线上，如图1-3所示。

可以理解的是也可以是用拟合曲线l₁上，且位于背高测试点E右侧任意点代替臀高测点。

拟合曲线l₁、耆甲点D的计算方法，此处不再复述。参见图4-2和图5，为本发明的一种实施例所测得的背高数值。

参见图1-6，在一个实施例中计算羊只的臀高的方法包括步骤：

S151计算在拟合曲线l₁右侧、且在背高测点E上方的曲线段曲率最大的点，该点即为臀高测点F；

S152臀高为以臀高测点F为起点的竖直线段的长度，该竖直线段的另一端位于以外侧前脚最低点J与外侧后脚最低点H之间的连线上；

拟合曲线l₁、背高测点E的计算方法，此处不再复述。参见图4-3和图5，为本发明的一种实施例所测得的臀高数值。

参见图1-7在本发明的一个实施例中，在获得羊只轮廓后，获得羊只的体斜长的方法包括：

S161计算在拟合曲线l₁右侧、且在背高测点E下侧的曲线段曲率最大的点，该点即为臀部测点G；

S162计算羊体左侧轮廓曲线中，位于臀部测点G下侧、耆甲点D左侧的曲线段中距左侧轮廓曲线的首尾连线距离最远的点，该点即为肩端前缘测点K；

S163体斜长为肩端前缘测点K到臀部测点G最远的点的距离。

拟合曲线l₁、耆甲点D、臀部测点G的计算方法，此处不再复述。

参见图4-4和图5，为本发明的一种实施例所测得的体斜长数值。

参见图1-8，在本发明的一个实施例中，在获得羊只轮廓后，获得羊只的胸深的方法包括：

S171计算羊体轮廓曲线中，计算前腿根部最右侧点I1到羊体下部分轮廓曲线中的点I2之间曲率最大的点，该点即为胸底测点I，点I2的水平坐标与外侧前脚最低点J和外侧后脚最低点H的中点的水平坐标一致；

S172胸深为胸底测点I与耆甲点D之间的竖直距离。

外侧后脚最低点H的计算方法，此处不再复述。参见图4-5和图5，为本发明的一种实施例所测得的胸深数值。

参见图6-1在本发明的一个实施例中，获取前景图像之前，还包括图像处理的步骤，包括：

S621获取羊只侧面图像；

S622根据羊只侧面图像，通过图像超像素分割方法获得图像中的图像块的信息；

S623根据图像块的信息，通过模糊C均值聚类方法获得前景图像。

图像质量是保证体尺数据精度的首要条件。由于图像是在自然光照条件下获取的，为提高不同光照条件下图像对后续算法的适应性，首先对采集到的羊只侧面图像做光照补偿。然后通过中值滤波去噪。

现有技术中大部分图像分割算法均以像素为基本单元，像素之间的空间信息未被考虑，使得非结构化的自然场景下图像处理结果不理想。在本发明的一个实施例中使用基于颜色和距离相似性的S1LIC(simple linear iterative clustering)超像素分割算法分割图像，该算法有效利用像素之间的空间组织关系，处理速度快，存储效率高，并且所得到的超像素边界对图像原始边界的贴合度很强，提升图像处理效果和效率。S1LIC分割算法将羊只的侧面图像分割为具有相似性状的子区域，接着需要从初次分割的图像中提取前景。

聚类分析以相似性为基础进行统计分析，具有发现内部结构、数据的自然划分和数据压缩方面的用途。本发明的一个实施例中应用模糊C均值聚类FCM(Fuzzy c-means)提取前景，并应用canny边沿提取算法从图像中提取羊只轮廓。从提取的轮廓中检测体尺测点。

在本发明之前，虽然也有基于视觉原理的体尺测量，但主要集中在牛和猪等领域，由于被测动物的体表颜色较单一，因此应用简单的图像处理方法，即可将动物的轮廓从拍摄的图像中提取出来，但是，由于羊毛含粗毛、无隋毛、两型毛、干死毛等，被毛或呈瓣状，毛股清晰，花弯较多；或被毛无毛股，毛细，密度大；或粗毛突出于毛丛，四肢下部有刺毛。导致采集到的图像中对象灰度分布规律性差，边缘模糊。通过上述图像超像素分割方法可以较好的保留羊只的图像边缘，同时降低后续图像处理过程的复杂度，同时通过超图像像素分割方法结合模糊C均值聚类方法，准确的提取了羊只的前景图像。

在本发明的一个实施例中，在图像超像素分割方法之前还对图像进行色彩补偿和中值滤波处理。

在图像采集过程中，受光照影响，会造成照片偏亮、偏暗，这些现象会严重影响图像的分割。而且光照对羊体的影响要高于不同羊只体毛颜色之间的差别。因此，首先参考“白参考”法，利用光线补偿系数将图像的亮度进行线性放大，即将整张图像像素RGB值做相应的调整，在一个实施例中为：将图像中所有像素点的亮度按从高到低排序后，若前5％的像素数量足够多，即将之作为“参考白”。然后把这些“参考白”像素点的R、G、B这3中分量值调整为255，再根据“参考白”亮度的平均值与255相除，得到光线补偿系数，图像中其他像素点的亮度也据此变换。接着使用5*5的窗口对彩色图像进行中值滤波。

在本发明的一个实施例中，图像超像素分割方法包括步骤：

将彩色图像转换到CIELAB空间，

在图像上均匀初始化K个聚类中心，

对于图像上的每个像素点X_i，分别计算聚类中心M和像素点X_i的相似程度D，聚类中心M为像素点X_i周围与之相邻的聚类中心；

将像素点X_i与相似程度D最大的聚类中心M_i归入同一图像块；

依据每一图像块中所有像素的颜色和空间特性的均值，更新聚类中心；

依据每一图像块中所有像素的颜色(L，a，b)和空间特性(x，y)的均值，更新聚类中心；更新聚类中心的方法可以是：取聚类后属于同一类的所有像素点的坐标均值(x，y)和L，a，b值的均值作为新的聚类中心，聚类中心的个数不变，位置根据均值改变。

合并临近的孤立的小尺寸超像素。合并可以是与相邻大尺寸像素或相邻的小尺寸像素合并。与大尺寸像素合并，还是小尺寸像素合并，要依据小尺寸超像素块中心与相邻超像素块的距离有关。

所述相似程度D的计算方式为：

其中，m为平衡参数，

参见图x(绘制步骤图，图5)在本发明的一个实施例中，所述均匀初始化K个聚类中心的步骤包括：

更新初始化的聚类中心N点到Ni点，Ni点为在以聚类中心N为中心的3×3的窗口内的梯度值最小的像素点；初始化每个聚类中心与类边界的距离近似为；N为图像中的包含的像素个数，K为聚类中心个数；

参见图6-3所示，在图像超像素分割算法之后，也即步骤更新后的聚类中心与上一次的聚类中心特征值信息的差异小于预设阈值之后，还包括应用模糊C均值聚类方法处理图像超像素分割算法输出的图像的过程，该过程包括：

1)将超像素分割子块的6为特征向量基于主成分分析提取新的5组特征值(也可称为5维向量)。(此处取得图像的R、G、B的取值考虑到设备采集到的RGB值很容易受环境光强和物体明暗的影响，为了降低这些影响，采用归一化公式将RGB值归一化形成rgb颜色空间)。

主成分分析(PCA)是一种数据降维方法，PCA分析将多个变量转化为少数几个综合变量(即主成分)，其中每个主成分都是原始变量的线性组合，各主成分之间互不相关，从而这些主成分能够反映原始变量的绝大部分信息，且所含的信息互不重叠。通过主成分分析在尽可能保留原有特征的前提下，减少数据量，降低算法所需执行时间。RGB值归一化形成rgb颜色空间是一种简单而有效的去除光照和阴影影响的方法，具体过程为：

6维向量为：(其中l_j、a_j、b_j为超像素分割子块j在CIELAB空间颜色分量；为对应点的均衡图像光照后的RGB颜色分量)。

基于主成分分析对特征数据集降维，将6维特征向量降为5维，主成分的选取依据信息方差的贡献率从高到低选取。2)将超像素分割子块重组的5组特征值作为输入，应用模糊C-均值聚类算法聚类为前景、背景两类。

应用模糊C-均值聚类算法(FCM)对数据聚为2类.由于图像背景为蓝色，羊被毛为白色，而各种蓝色的RGB值与白色的RGB值中R值的区分度较大，因此，分别提取两个聚类中心处的R值，R值大的类定义为前景，对应点填充为白色，则另一类为背景，对应点填充为黑色。

本应用中使用模糊聚类是因为羊只图像异质被毛使得边界不清晰，基于隶属函数的模糊聚类不再强制要求数据点必须属于某一类，而使用隶属度进行度客观描述不分明性的对象，从而使实际的聚类结果更加合理。

FCM算法在处理不确定问题上具有优越性，但也存在固有的缺陷，如FCM算法本质上属于局部搜索的优化方法，它的迭代过程采用了一种所谓的爬山技术来寻找最优解，因此，受初始中心影响较大，易于陷入局部最优，而非全局最优。FCM聚类算法的性能与数据有很大关系，因此，在研究本方案中以提高数据质量来克服FCM算法的不足。

3)查找模糊C-均值聚类输入数据与模糊C-均值聚类中心最近的数组位置，将对应位置的RGB空间的R分量做比较，R分量值大的聚类类为前景，填充为白色；反之，填充为黑色。

由于图像背景为蓝色，羊被毛为白色，而各种蓝色的RGB值与白色的RGB值中R值的区分度较大，因此，分别提取两个聚类中心处的R值，R值大的类定义为前景，对应点填充为白色，则另一类为背景，对应点填充为黑色。其他分量在光照不均时，不能正确分类的概率要大。可以理解的是，在其他实施例中，若背景是其他颜色，选取的分量可以是不同的。

可以理解的是，在上述步骤3)中，获得了羊只的黑白两色的图像，在步骤3)后，为了进一步优化处理结果，还对获得的图像进行下述处理：

1)圆盘形结构元素的先开后闭运算；

2)孔洞填充；

3)保留面积最大的区域。；

4)使用圆盘形结构的先开后闭形态学运算；

5)孔洞填充。

可以理解的是，由于羊只的个体差异或羊只拍照时的角度，或者由于图像采集区域有其他影响羊只拍摄的物体(例如防护网)而使得经过C-均值聚类处理获得的前景图像中具有空洞；而上述方法可以有效的处理上述情况，从而获得优选的羊只前景图像。

本文中使用的术语“计算机可读介质”是指参与将指令提供给处理器执行的任何有形存储设备和/或传输介质。计算机可读介质可以是在IP网络上的网络传输(如S1OAP)中编码的串行指令集。这样的介质可以采取很多形式，包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质包括例如NVRAM或者磁或光盘。易失性介质包括诸如主存储器的动态存储器(如RAM)。计算机可读介质的常见形式包括例如软盘、柔性盘、硬盘、磁带或任何其它磁介质、磁光介质、CD-ROM、任何其它光介质、穿孔卡、纸带、任何其它具有孔形图案的物理介质、RAM、PROM、EPROM、FLAS1H-EPROM、诸如存储卡的固态介质、任何其它存储芯片或磁带盒、后面描述的载波、或计算机可以读取的任何其它介质。电子邮件的数字文件附件或其它自含信息档案或档案集被认为是相当于有形存储介质的分发介质。当计算机可读介质被配置为数据库时，应该理解该数据库可以是任何类型的数据库，例如关系数据库、层级数据库、面向对象的数据库等等。相应地，认为本发明包括有形存储介质或分发介质和现有技术公知的等同物以及未来开发的介质，在这些介质中存储本发明的软件实施。

本文中使用的术语“确定”、“运算”和“计算”及其变型可以互换使用，并且包括任何类型的方法、处理、数学运算或技术。更具体地，这样的术语可以包括诸如BPEL的解释规则或规则语言，其中逻辑不是硬编码的而是在可以被读、解释、编译和执行的规则文件中表示。

本文中使用的术语“模块”或“工具”是指任何已知的或以后发展的硬件、软件、固件、人工智能、模糊逻辑或能够执行与该元件相关的功能的硬件和软件的组合。另外，虽然用示例性实施方式来描述本发明，但应当理解本发明的各方面可以单独要求保护。

尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。

Claims

1.一种羊只无接触体尺测量方法，其特征在于，包括步骤：

获得羊只侧面的前景图像；

对前景图像应用边沿提取算法从前景图像中提取羊只轮廓；

从提取出的羊只轮廓中检测体尺测点；

2.根据权利要求1所述的方法，其特征在于，前景图像中羊头朝向左，所述步骤从提取出的轮廓中检测体尺测点包括：

在羊只轮廓的左半侧中查找头部最高点A，拟合曲线l₁为以头部最高点A为起点，以羊只轮廓最右侧的点为终点的连续线段，

在羊只轮廓的左半侧中查找外侧前脚最低点J，

在羊只轮廓右半侧查找外侧后脚最低点H，

3.根据权利要求2所述的方法，其特征在于，所述步骤从提取出的轮廓中检测体尺测点包括：

在羊只轮廓的右半侧查找右半侧最高点，作为疑似臀高测点F1；计算拟合曲线l₁在耆甲测点D与疑似臀高测点F1的之间的最低点，该最低点即为背高测点E；

4.根据权利要求3所述的方法，其特征在于，所述步骤从提取出的轮廓中检测体尺测点包括：计算在拟合曲线l₁右侧、且在背高测点E上方的曲线段曲率最大的点，该点即为臀高测点F；

臀高为以臀高测点F为起点的竖直线段的长度，该竖直线段的另一端位于以外侧前脚最低点J与外侧后脚最低点H之间的连线上。

5.根据权利要求4所述的方法，其特征在于，所述步骤从提取出的轮廓中检测体尺测点包括：

计算在拟合曲线l₁右侧、且在背高测点E下侧的曲线段曲率最大的点，该点即为臀部测点G；

计算羊体左侧轮廓曲线中，位于臀部测点G下侧、耆甲点D左侧的曲线段中距左侧轮廓曲线的首尾连线距离最远的点，该点即为肩端前缘测点K；

体斜长为肩端前缘测点K到臀部测点G最远的点的距离。

6.根据权利要求2所述的方法，其特征在于，所述步骤从提取出的轮廓中检测体尺测点包括：

计算羊体轮廓曲线中，计算前腿根部最右侧点I1到羊体下部分轮廓曲线中的点I2之间曲率最大的点，该点即为胸底测点I，点I2的水平坐标与外侧前脚最低点J和外侧后脚最低点H的中点的水平坐标一致；

胸深为胸底测点I与耆甲点D之间的竖直距离。

7.根据权利要求1所述的方法，其特征在于，在步骤获取前景图像包括：

获取羊只侧面图像；

根据图像块的信息，通过模糊C均值聚类方法获得前景图像。

8.根据权利要求7所述的方法，其特征在于，所述图像超像素分割方法包括步骤：

将彩色图像转换到CIELAB空间，

在图像上均匀初始化K个聚类中心，

对于图像上的每个像素点X_i，逐一分别计算各个聚类中心M和像素点X_i的相似程度D，聚类中心M为像素点X_i周围与之相邻的聚类中心；

将像素点X_i与相似程度D最大的聚类中心M_i归入同一图像块；

根据更新后的聚类中心，重复计算每个像素点的相似度D以及更新聚类中心，直至更新后的聚类中心与上一次的聚类中心特征值信息的差异小于预设阈值；

所述相似程度D的计算方式为：

其中，m为平衡参数，

9.根据权利要求7所述的方法，其特征在于，所述均匀初始化K个聚类中心的步骤包括：

合并临近的孤立的小尺寸超像素。

10.根据权利要求7所述的方法，其特征在于，在获得图像中的图像块的信息后，还包括步骤：将图像块的6维特征向量基于主成分提取5组特征值；将5组特征值作为模糊C-均值聚类方法的输入；

所述模糊C均值聚类方法包括：

根据输入的5组特征值，获得前景图像；

所述6维特征向量为：