CN115331064A - 面向体尺测量的养殖场场景点云分类方法及装置 - Google Patents
面向体尺测量的养殖场场景点云分类方法及装置 Download PDFInfo
- Publication number
- CN115331064A CN115331064A CN202211095138.5A CN202211095138A CN115331064A CN 115331064 A CN115331064 A CN 115331064A CN 202211095138 A CN202211095138 A CN 202211095138A CN 115331064 A CN115331064 A CN 115331064A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- scene
- farm
- clustering
- clouds
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种面向体尺测量的养殖场场景点云分类方法及装置,属于畜牧信息化技术领域。该方法包括:对待分类养殖场场景点云序列中的各帧待分类养殖场场景点云进行地面点云删除,并对删除地面后的场景点云进行聚类分割,获取聚类点云集合;然后对所述养殖场场景聚类点云集合中的各聚类点云进行特征提取,并利用分类器将所述聚类点云分成两类:完整猪体表点云和非完整猪体表点云;最后根据待分类养殖场场景点云序列中的各帧待分类养殖场场景点云的聚类分类结果,对所述待分类养殖场场景点云序列中的场景点云进行分类:包含完整猪体表点云的场景点云和不包含完整猪体表点云的场景点云,方法简单,具有良好的通用性和灵活性,识别精度高。
Description
技术领域
本发明属于畜牧信息化技术领域,更具体地,涉及一种面向体尺测量的养殖场场景点云分类方法及装置。
背景技术
激光雷达系统对地面扫描会获得地物反射点的三维坐标,每个地物的反射点会按三维坐标以点的形式分布在三维空间中,形成三维点的集合,这些三维扫描点的集合称为三维点云。
为了对养殖场场景下的家畜进行体尺测量和行为分析,需要利用多个点云采集设备采集养殖场场景信息,然而随着光电技术的发展,点云采集设备如深度相机可以在短时间内采集大量的养殖场场景点云,其中部分养殖场场景点云不包含完整的家畜体表点云数据,而这会导致测量或行为感知的不准确甚至失败,因此需要对养殖场场景点云进行分类,得到包含完整家畜的养殖场场景点云和不包含完整家畜的场景点云。
目前,通常根据人为手动进行分类,但是人为分类的方法不准确、效率低且人工成本较大。
发明内容
为克服上述现有的面向体尺测量的养殖场场景点云分类方法费时费力且容易出错的问题或者至少部分地解决上述问题,本发明提供一种面向体尺测量的养殖场场景点云分类方法及装置。
根据本发明的第一方面,提供一种面向体尺测量的养殖场场景点云分类,包括:
对待分类养殖场场景点云序列中的各帧待分类养殖场场景点云进行地面点云删除,获取各帧所述待分类养殖场场景点云中删除地面后的场景点云;
对删除地面点云后的各帧所述待分类养殖场场景点云进行聚类分割,并对所述场景中的聚类分割结果提取特征,并将所述特征输入分类器得到分类结果:完整猪体表点云和非完整猪体表点云;
根据所述场景中的聚类点云分类结果,对所述待分类养殖场场景点云序列中的场景点云进行分类:包含完整猪体表点云的场景点云和不包含完整猪体表点云的场景点云。
根据本发明的第二方面,提供一种面向体尺测量的养殖场场景点云分类装置,包括:
地面删除模块,用于对待分类养殖场场景点云序列中的各帧待识别养殖场场景点云进行养殖场地面点云删除;
聚类特征模块,用于对删除地面点云后的各帧所述待识别养殖场场景点云进行聚类分割,并计算所有聚类点云中各切片点云序列数据的特征;
聚类分类模块:用于将各聚类点云的特征数据进行分类,得到各聚类点云的分类结果;
场景分类模块:用于获知各帧待识别养殖场场景点云中是否包含完整家畜。
根据本发明的第三个方面,还提供一种电子设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的面向体尺测量的养殖场场景点云分类方法。
根据本发明的第四个方面,还提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的面向体尺测量的养殖场场景点云分类方法。
本发明通过对待分类养殖场场景点云序列中的各帧待分类养殖场场景点云进行地面点云删除,并对删除地面后的场景点云进行聚类分割,获取养殖场场景聚类点云集合;然后对所述养殖场场景聚类点云集合中的各聚类点云进行特征提取,并将所述各聚类点云的特征输入分类器将所述聚类点云分成两类:完整猪体表点云和非完整猪体表点云;最后根据待分类养殖场场景点云序列中的各帧待分类养殖场场景点云的聚类分类结果,对所述待分类养殖场场景点云序列中的场景点云进行分类:包含完整猪体表点云的场景点云和不包含完整猪体表点云的场景点云,方法简单,具有良好的通用性和灵活性,识别精度高。
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一简单地介绍,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为本发明实施例提供的面向体尺测量的养殖场场景点云分类方法整体流程示意图;
图2为本发明实施例提供的面向体尺测量的养殖场场景点云分类方法中一帧养殖场场景点云示意图;
图3为本发明实施例提供的面向体尺测量的养殖场场景点云分类方法中一帧养殖场场景点云删除地面点云后的示意图;
图4为本发明实施例提供的面向体尺测量的养殖场场景点云分类装置整体结构示意图;
图5为本发明实施例提供的电子设备整体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明实施例的一个实施例中提供一种面向体尺测量的养殖场场景分类方法,图1为本发明实施例提供的面向体尺测量的养殖场场景分类方法整体流程示意图,该方法包括:
S101,对待分类养殖场场景点云序列中的各帧待分类养殖场场景点云进行地面点云删除,获取各帧所述待分类养殖场场景点云中删除地面点云后的场景点云;
其中,待分类养殖场场景点云序列的每帧均为养殖场场景三维点云,点云即为三维点集合,记为Ci;本实施例中,待分类养殖场场景点云序列由两个点云采集设备获取并配准,养殖场场景三维点云包含人、家畜、养殖设施及地面,上述殖场场景三维点云可能包含完整家畜,可能不包含完整家畜,优选地,养殖场场景三维点云最多包含一只家畜,如图2所示为本发明实施例提供的面向体尺测量的养殖场场景分类方法中一帧养殖场场景点云示意图。其中,图2中黑色部分为该帧中的养殖场场景点云。图2中的家畜为猪,本实施例不限于家畜的种类。本实施例不限于地面点云删除的方法,如图3所示为将某一帧待分类养殖场场景点云中的地面点云删除后的场景点云示意图。
S102,对各帧所述待分类养殖场场景点云中删除地面点云后的场景点云进行点云聚类分割,并对各聚类点云进行特征提取。
其中,点云聚类分割是利用某个特定标准把空间中的三维点分割成不同的类的方法,本实施例不限于聚类分割的方法,例如可采用KD树算法、k-means算法等。对各帧所述待分类养殖场场景点云中删除地面点云后的场景点云进行聚类分割成若干聚类点云后,分别对各帧所述待分类养殖场场景点云中的聚类点云进行特征提取。
本实施例中,聚类特征提取的方式如下:首先对聚类点云进行姿态归一化操作,然后实施基于采样点序列的均匀切片,最后对聚类各切片点云进行曲线拟合,获取所述聚类所有切片点云对应的拟合曲线的曲线长度,构造聚类特征。
对聚类进行姿态归一化操作的步骤如下:各聚类点云的局部坐标系的原点为各聚类点云的重心,各聚类点云的局部坐标系的x轴、y轴和z轴方向为利用主成分分析法对各聚类点云计算得到的三个主轴方向。
具体地,首先针对聚类点云利用如下公式计算该聚类点云的重心点pm。
利用上述求得的重心点pm,聚类点云的协方差矩阵可以利用如下公式计算:
其中,Ps为聚类点云,pm为聚类点云的重心点,pi为聚类点云的任一点,n
为聚类点云包含点的个数,E{.}表示求期望,ciuj为协方差矩阵A中第i行第j列的元素。
鉴于协方差矩阵A是一个实对称矩阵,所以该矩阵有3个非负的特征值λ1,λ2和λ3,令λ1≥λ2≥λ3,接下来利用如下公式计算各个特征值对应的特征向量 e1,e2,e3。
Aei=λiei其中,||ei||=1,i=1,2,3。
三阶实对称矩阵的特征向量互相正交,所以构建由上述3个特征向量定义的空间坐标系,作为聚类点云局部坐标系C1,该局部坐标系三个坐标轴的方向分别为e1,e2,e3三个特征向量的方向,e1的方向为聚类点云所有点中最密集的方向,e2为过聚类点云的重心点pm点且与e1垂直的平面上聚类点云分布最密集的方向, e3为通过右手定则利用e1和e2确定的方向。
在获取聚类点云局部坐标系C1的基础上,分别在全局坐标系C下和局部坐标系C1下分别选取Vl、Vh、Vw和P1、P2、P3作为对应点对进行变换矩阵T的估计,其中P1=(1,0,0),P2=(0,1,0),P3=(0,0,1),Vl=pm+vl,Vh=pm+vh,Vw=pm+vw, vl、vh、vw表示对应于e1,e2,e3三个特征向量方向的单位向量。
令(P1,P2,P3)*T=(Vl,Vh,Vw),然后采用奇异值分解方法计算变换矩阵T。最后利用上述求得的变换矩阵T,将局部坐标转换到全局坐标,实现聚类点云中的每一个点的平移和旋转,进而实现聚类点云的整体旋转和平移,完成聚类的姿态归一化。
具体地,实施基于采样点序列的聚类均匀切片操作的步骤如下:首先将姿态归一化后的聚类点云区间[a,b]分割成N个子区间,a是姿态归一化聚类点云CP沿 x轴方向的最小值,b是姿态归一化聚类点云CP沿x轴方向的最大值,本实施例不限于分割子区间的方法,N可以由本领域技术人员根据实际需求进行设置,本实施例不限于N的大小。然后,利用上述获取每个子区间的右端点构造采样点序列,其中上述最后一个子区间的右端点未计入采样点序列。根据上述切片操作,将聚类点云CP切割为N-1组切片点云数据,获取二维切片点云序列数据Cs,本实施例不限于切片的厚度。
具体地,聚类特征构造步骤如下:在获取二维切片点云序列数据Cs的基础上,针对Cs中每一个二维切片点云,采用曲线拟合方法获取对应于切片点云序列数据 Cs的曲线序列,同时获取上述曲线序列的曲线长度,本实施例不限于曲线的拟合方法,例如,可通过非均匀有理B样条曲线拟合实现所述切片序列数据的拟合;最后利用上述曲线序列的曲线长度构造特征直方图。
S103,利用分类器结合上述特征,对各帧所述待分类养殖场场景点云中各聚类点云进行分类。
其中,本实施例不限于分类器的类型,本实施例中各聚类点云的类型有两类,完整家畜点云和非完整家畜点云,完整家畜点云应包含家畜完整四肢,并包含体宽、体高和体长体尺测点。本实施例中,若聚类点云的分类结果为完整家畜点云,则该聚类点云记为逻辑值1,若聚类聚类点云的分类结果为非完整家畜点云,则该聚类点云记为逻辑值0。
S104,根据各帧所述待分类养殖场场景点云中各聚类点云的分割结果,对各帧所述待分类养殖场场景点云进行分类。
其中,针对某一帧待分类养殖场场景点云的分类方法如下:对待分类养殖场场景点云分割得到的聚类点云的分类结果对应的逻辑值进行逻辑与运算,若逻辑与运算结果的逻辑值为1,则待分类养殖场场景点云包含完整家畜,若逻辑与运算结果为0,则待分类养殖场场景点云不包含完整家畜。
综上,本实施例通过对待分类养殖场场景点云序列中的各帧待分类养殖场场景点云进行地面点云删除,并对删除地面后的场景点云进行聚类分割,获取各帧养殖场场景聚类点云集合;然后对所述养殖场场景聚类点云集合中的各聚类点云进行特征提取,并将所述各聚类点云的特征输入分类器,将所述各聚类点云分成两类:完整猪体表点云和非完整猪体表点云;最后根据待分类养殖场场景点云序列中的各帧待分类养殖场场景点云的聚类点云的分类结果,对所述待分类养殖场场景点云序列中的场景点云进行分类:包含完整猪体表点云的场景点云和不包含完整猪体表点云的场景点云,方法简单,具有良好的通用性和灵活性,识别精度高。
具体地,为了获取更准确的分类模型,本实施例选取N帧养殖场场景点云样本,所述养殖场场景点云样本应包含两种样本,即包含完整家畜的养殖场场景点云样本及不包含完整家畜的养殖场场景点云样本,可以为手动选取。例如, N=1000,其中500帧包含完整家畜的养殖场场景点云样本,500帧不包含完整家畜的养殖场场景点云样本,N帧养殖场场景点云样本中所包含的家畜的种类和日龄与待分类养殖场场景点云序列中所包含的家畜的种类和日龄一致。例如,N帧养殖场场景点云样本和待分类养殖场场景点云序列中的家畜品种均为大白猪,猪的日龄均在180天以上。对预先获取的N帧养殖场场景点云样本进行地面点云删除,获取删除地面点云后的多帧养殖场场景点云样本,对删除地面点云后的各帧养殖场场景点云样本进行聚类分割。在所述场景样本聚类分割的基础上,对所述场景样本聚类点云进行特征提取,然后利用数量为500的对应于完整家畜的场景样本聚类点云及数量为500的对应于不完整家畜的场景样本聚类点云的特征训练分类器,训练完成后得到分类模型。
本实施例中对各帧养殖场场景点云样本进行地面点云删除的方法与对各帧待分类养殖场场景点云进行地面点云删除的方法相同,对删除地面点云后的各帧养殖场场景点云样本进行聚类分割的方法与对删除地面点云后的各帧待分类养殖场场景点云进行聚类分割的方法相同,删除地面点云后的各帧养殖场场景点云样本的聚类分割结果提取特征的方法与对删除地面点云后的各帧待分类养殖场场景点云的聚类分割结果提取特征的方法相同。所述对应于完整家畜的场景样本点云聚类包含家畜完整四肢,并包含体宽、体高和体长体尺测点,所述对应于不完整家畜的场景样本点云聚类不包含家畜完整四肢,或不包含体宽测点,或不包含体高测点,或不包含体长测点,所述对应于不完整家畜的场景样本点云聚类可以为场景中的不完整猪体、人体、养殖设施及养殖场建筑。
在本发明的一项具体实施中,基于布料模拟算法对待分类养殖场场景点云序列中的各帧待识别养殖场场景点云进行平面点云检测,并将平面点云删除,即实现对地面点云删除的目的。其中,布料模拟算法是基于计算机模拟布料的地面点云滤波算法,该算法首先把点云进行翻转,然后假设有一块布料受到重力从上方落下,则最终落下的布料形状就可以代表当前地面形状点云。本实施例中使用布料模拟算法进行平面检测,从而检测出各帧待识别养殖场场景点云中的地面。
在本发明的一项具体实施中,采用基于欧式距离的聚类分割方法对删除地面点云后的各帧待识别养殖场场景点云进行聚类分割。
具体地,对删除地面点云后的各帧待识别养殖场场景点云L进行KD树 (K-Dimension Tree,K维树)结构划分。设置一个空的聚类数组E和一个点云队列Q。对于L中的每一个点li∈L,将点li添加到当前点云队列Q中。对于Q 中的任一点li∈Q,在搜索半径距离r<dth的约束下,其中dth为预设的欧式距离阈值,对于三维空间中任意两点a(x1,y1,z1)与b(x2,y2,z2)间的欧氏距离d12定义如下:
利用KD树的数据结构,在搜索半径的约束下搜索li的近邻点集合Lik,并将其添加到点云队列Q中;在队列Q中选取li以外的点,重复上述步骤,直至点云队列Q中元素的数目不再增加,将Q加入到聚类数组E中,然后将Q清空,聚类数组E中的所有点构成聚类点云。
当对所有的点li∈L都进行遍历后,分割算法结束,将各帧待识别养殖场场景点云L分割成了若干个聚类点云。
上述欧式距离阈值dth可以根据传统的优化算法得到,如果搜索半径取一个非常小的值,那么一个养殖场场景点云L就会被分割为多个聚类;如果搜索半径设置得太高,那么多个对象就会被分割为一个聚类,所以需要进行测试找出最适合的距离阈值dth,本实施例中dth设置为2。在本发明的一项具体实施中,利用支持向量机的分类方法对所述N帧养殖场场景点云样本的聚类分割结果进行分类。
在本发明的另一个实施例中提供一种面向体尺测量的养殖场场景点云分类方法识别装置,该装置用于实现前述各实施例中的方法。因此,在前述面向体尺测量的养殖场场景点云分类方法的各实施例中的描述和定义,可以用于本发明实施例中各个执行模块的理解。图4为本发明实施例提供的面向体尺测量的养殖场场景点云分类装置整体结构示意图,该装置包括地面点云删除模块501、聚类特征提取模块502、聚类分类模块503和场景分类模块504;其中:
地面点云删除模块501用于对待分类养殖场场景点云序列中的各帧待分类养殖场场景点云进行地面点云删除,获取各帧所述待分类养殖场场景点云中删除地面点云后的场景点云。
其中,待分类养殖场场景点云序列的每帧均为养殖场场景三维点云,点云即为三维点集合,记为Ci;本实施例中,待分类养殖场场景点云序列由两个点云采集设备获取并配准,养殖场场景三维点云包含人、家畜、养殖设施及地面,上述殖场场景三维点云可能包含完整家畜,可能不包含完整家畜。本实施例不限于家畜的种类。本实施例不限于地面点云删除的方法。
聚类特征提取模块502用于对各帧所述待分类养殖场场景点云中删除地面点云后的场景点云进行点云聚类分割,并对各聚类点云进行特征提取。
其中,点云聚类分割是利用某个特定标准把空间中的三维点分割成不同的类的方法,本实施例不限于聚类分割的方法,例如可采用KD树算法、k-means算法等。对各帧所述待分类养殖场场景点云中删除地面点云后的场景点云进行聚类分割成若干聚类点云后,分别对各帧所述待分类养殖场场景点云中的聚类点云进行特征提取。
本实施例中,聚类特征提取的方式如下:首先对聚类点云进行姿态归一化操作,然后实施基于采样点序列的均匀切片,最后对聚类各切片点云进行曲线拟合,获取所述聚类所有切片点云对应的拟合曲线的曲线长度,构造聚类特征。
具体地,对聚类进行姿态归一化操作的步骤如下:首先针对聚类点云利用如下公式计算该聚类点云的重心点pm。
利用上述求得的重心点pm,聚类点云的协方差矩阵可以利用如下公式计算:
其中,Ps为聚类点云,pm为聚类点云的重心点,pi为聚类点云的任一点,n 为聚类点云包含点的个数,E{.}表示求期望,cij为协方差矩阵A中第i行第j列的元素。
鉴于协方差矩阵A是一个实对称矩阵,所以该矩阵有3个非负的特征值λ1,λ2和λ3,令λ1≥λ2≥λ3,接下来利用如下公式计算各个特征值对应的特征向量 e1,e2,e3。
Aei=λiei其中,||ei||=1,i=1,2,3。
三阶实对称矩阵的特征向量互相正交,所以构建由上述3个特征向量定义的空间坐标系,作为聚类点云局部坐标系C1,该局部坐标系三个坐标轴的方向分别为e1,e2,e3三个特征向量的方向,e1的方向为聚类点云所有点中最密集的方向, e2为过聚类点云的重心点pm点且与e1垂直的平面上聚类点云分布最密集的方向, e3为通过右手定则利用e1和e2确定的方向。
在获取聚类点云局部坐标系C1的基础上,分别在全局坐标系C下和局部坐标系C1下分别选取Vl、Vh、Vw和P1、P2、P3作为对应点对进行变换矩阵T的估计,其中P1=(1,0,0),P2=(0,1,0),P3=(0,0,1),Vl=pm+vl,Vh=pm+vh,Vw=pm+vw, vl、vh、vw表示对应于e1,e2,e3三个特征向量方向的单位向量。
令(P1,P2,P3)*T=(Vl,Vh,Vw),然后采用奇异值分解方法计算变换矩阵T。最后利用上述求得的变换矩阵T,将局部坐标转换到全局坐标,实现聚类点云中的每一个点的平移和旋转,进而实现聚类点云的整体旋转和平移,完成聚类的姿态归一化。
具体地,实施基于采样点序列的聚类均匀切片操作的步骤如下:首先将姿态归一化后的聚类点云区间[a,b]分割成N个子区间,a是姿态归一化聚类点云CP沿 x轴方向的最小值,b是姿态归一化聚类点云CP沿x轴方向的最大值,本实施例不限于分割子区间的方法,N可以由本领域技术人员根据实际需求进行设置,本实施例不限于N的大小。然后,利用上述获取每个子区间的右端点构造采样点序列,其中上述最后一个子区间的右端点未计入采样点序列。根据上述切片操作,将聚类点云CP切割为N-1组切片点云数据,获取二维切片点云序列数据Cs,本实施例不限于切片的厚度。
具体地,聚类特征构造步骤如下:在获取二维切片点云序列数据Cs的基础上,针对Cs中每一个二维切片点云,采用曲线拟合方法获取对应于切片点云序列数据 Cs的曲线序列,同时获取上述曲线序列的曲线长度,本实施例不限于曲线的拟合方法,最后利用上述曲线序列的曲线长度构造特征直方图。
聚类分类模块503用于利用分类器结合聚类特征提取模块502得到的特征,对各帧所述待分类养殖场场景点云中各聚类点云进行分类。
其中,本实施例不限于分类器的类型,本实施例中各聚类点云的类型有两类,完整家畜点云和非完整家畜点云,完整家畜点云应包含家畜完整四肢,并包含体宽、体高和体长体尺测点。若聚类点云的分类结果为完整家畜点云,则该聚类点云记为逻辑值1,若聚类聚类点云的分类结果为非完整家畜点云,则该聚类点云记为逻辑值0。
场景分类模块504用于根据各帧所述待分类养殖场场景点云中各聚类点云的分割结果,对各帧所述待分类养殖场场景点云进行分类。
其中,针对某一帧待分类养殖场场景点云的分类方法如下:对待分类养殖场场景点云分割得到的聚类点云的分类结果对应的逻辑值进行逻辑与运算,若逻辑与运算运算结果的逻辑值为1,则待分类养殖场场景点云包含完整家畜,若逻辑与运算结果为0,则待分类养殖场场景点云不包含完整家畜。
本实施例通过对待分类养殖场场景点云序列中的各帧待分类养殖场场景点云进行地面点云删除,并对删除地面后的场景点云进行聚类分割,获取各帧养殖场场景聚类点云集合;然后对所述养殖场场景聚类点云集合中的各聚类点云进行特征提取,并将所述各聚类点云的特征输入分类器,将所述各聚类点云分成两类:完整猪体表点云和非完整猪体表点云;最后根据待分类养殖场场景点云序列中的各帧待分类养殖场场景点云的聚类点云的分类结果,对所述待分类养殖场场景点云序列中的场景点云进行分类:包含完整猪体表点云的场景点云和不包含完整猪体表点云的场景点云,方法简单,具有良好的通用性和灵活性,识别精度高。
在上述各实施例的基础上,本实施例中地面点云删除模块具体用于:基于布料模拟算法对待分类养殖场场景点云序列中的各帧待识别养殖场场景点云进行平面点云检测,并将平面点云删除。
在上述各实施例的基础上,本实施例中聚类特征模块具体用于:基于欧式距离的聚类分割方法对删除地面点云后的各帧待分类养殖场场景点云进行聚类分割。
在上述各实施例的基础上,本实施例中聚类分类模块具体用于:利用支持向量机的分类方法对所述养殖场场景点云样本的聚类进行分类。
本实施例提供一种电子设备,图5为本发明实施例提供的电子设备整体结构示意图,该设备包括:至少一个处理器701、至少一个存储器702和总线703;其中:
处理器701和存储器702通过总线703完成相互间的通信;
存储器702存储有可被处理器701执行的程序指令,处理器调用程序指令能够执行上述各方法实施例所提供的方法,例如包括:对待分类养殖场场景点云序列中的各帧待分类养殖场场景点云进行地面点云删除,获取各帧所述待分类养殖场场景点云中删除地面后的场景点云;对删除地面点云后的各帧所述待分类养殖场场景点云进行聚类分割,并对所述场景中的聚类分割结果提取特征,并将所述特征输入分类器得到分类结果:完整猪体表点云和非完整猪体表点云;根据所述场景中的聚类点云分类结果,对所述待分类养殖场场景点云序列中的场景点云进行分类:包含完整猪体表点云的场景点云和不包含完整猪体表点云的场景点云。
本实施例提供一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行上述各方法实施例所提供的方法,例如包括:对待分类养殖场场景点云序列中的各帧待分类养殖场场景点云进行地面点云删除,获取各帧所述待分类养殖场场景点云中删除地面后的场景点云;对删除地面点云后的各帧所述待分类养殖场场景点云进行聚类分割,并对所述场景中的聚类分割结果提取特征,并将所述特征输入分类器得到分类结果:完整猪体表点云和非完整猪体表点云;根据所述场景中的聚类点云分类结果,对所述待分类养殖场场景点云序列中的场景点云进行分类:包含完整猪体表点云的场景点云和不包含完整猪体表点云的场景点云。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如 ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种面向体尺测量的养殖场场景点云分类方法,其特征在于,包括:
对待识别养殖场场景点云序列中的各帧待识别养殖场场景点云进行地面点云删除,并对删除地面后的场景点云进行聚类分割,获取养殖场场景聚类点云集合;然后对所述养殖场场景聚类点云集合中的各聚类点云进行特征提取;接下来通过分类器将所述聚类点云分成两类:完整猪体表点云和非完整猪体表点云;最后根据聚类分类结果,对所述待识别养殖场场景点云序列中的场景点云进行分类:包含完整猪体表点云的场景点云和不包含完整猪体表点云的场景点云。
2.根据权利要求1所述的面向体尺测量的养殖场场景点云分类方法,其特征在于,对待识别养殖场场景点云序列中的各帧待识别养殖场场景点云进行地面点云删除的步骤具体包括:
基于布料模拟算法对待识别养殖场场景点云序列中的各帧待识别养殖场场景点云进行养殖场地面检测,然后将检测到的养殖场地面点云进行删除。
3.根据权利要求1所述的面向体尺测量的养殖场场景点云分类方法,其特征在于,所述养殖场场景聚类点云集合中的各聚类点云进行特征提取的步骤包括:构建所述各聚类点云的局部坐标系;对各聚类点云进行空间变换,将局部坐标系转换到全局坐标系;沿所述空间变换后的各聚类点云的x轴,对所述各聚类点云进行切片,获取各聚类点云的切片点云序列数据;对所述各聚类点云的切片点云序列数据进行曲线拟合,将曲线拟合长度作为所述各聚类点云的特征。
4.根据权利要求3所述的面向体尺测量的养殖场场景点云分类方法,其特征在于,通过以下方式确定所述各聚类点云的局部坐标系:各聚类点云的局部坐标系的原点为各聚类点云的重心,各聚类点云的局部坐标系的x轴、y轴和z轴方向为利用主成分分析法对各聚类点云计算得到的三个主轴方向。
5.根据权利要求3所述的面向体尺测量的养殖场场景点云分类方法,其特征在于,通过以下方式实现各聚类点云的空间变换:在全局坐标系和所述局部坐标系下分别选取若干组对应点,然后根据若干组对应点计算变换矩阵,最后利用所述变换矩阵,对所述各聚类点云进行空间变换。
6.根据权利要求3所述的面向体尺测量的养殖场场景点云分类方法,其特征在于,通过非均匀有理B样条曲线拟合实现所述切片点云序列数据的拟合。
7.根据权利要求1所述的面向体尺测量的养殖场场景点云分类方法,其特征在于,对场景点云进行分类的基准是:若所述场景点云中包含对应完整家畜体表点云的聚类,则获知该帧待识别养殖场场景点云中包含完整家畜。
8.一种面向体尺测量的养殖场场景点云分类装置,其特征在于,包括:
地面删除模块,用于对待分类养殖场场景点云序列中的各帧待识别养殖场场景点云进行养殖场地面点云删除;
聚类特征模块,用于对删除地面点云后的各帧所述待识别养殖场场景点云进行聚类分割,并计算所有聚类点云中各切片点云序列数据的特征;
聚类分类模块:用于将各聚类点云的特征数据进行分类,得到各聚类点云的分类结果;
场景分类模块:用于获知各帧待识别养殖场场景点云中是否包含完整家畜。
9.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器和总线;其中,
所述处理器和存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至8任一所述的面向体尺测量的养殖场场景点云分类方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至8任一所述的面向体尺测量的养殖场场景点云分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211095138.5A CN115331064A (zh) | 2022-09-05 | 2022-09-05 | 面向体尺测量的养殖场场景点云分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211095138.5A CN115331064A (zh) | 2022-09-05 | 2022-09-05 | 面向体尺测量的养殖场场景点云分类方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115331064A true CN115331064A (zh) | 2022-11-11 |
Family
ID=83929115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211095138.5A Pending CN115331064A (zh) | 2022-09-05 | 2022-09-05 | 面向体尺测量的养殖场场景点云分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115331064A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116687386A (zh) * | 2023-08-07 | 2023-09-05 | 青岛市畜牧工作站(青岛市畜牧兽医研究所) | 牛体形数据综合校准的雷达探测系统及方法 |
CN117291845A (zh) * | 2023-11-27 | 2023-12-26 | 成都理工大学 | 一种点云地面滤波方法、系统、电子设备及存储介质 |
-
2022
- 2022-09-05 CN CN202211095138.5A patent/CN115331064A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116687386A (zh) * | 2023-08-07 | 2023-09-05 | 青岛市畜牧工作站(青岛市畜牧兽医研究所) | 牛体形数据综合校准的雷达探测系统及方法 |
CN116687386B (zh) * | 2023-08-07 | 2023-10-31 | 青岛市畜牧工作站(青岛市畜牧兽医研究所) | 牛体形数据综合校准的雷达探测系统及方法 |
CN117291845A (zh) * | 2023-11-27 | 2023-12-26 | 成都理工大学 | 一种点云地面滤波方法、系统、电子设备及存储介质 |
CN117291845B (zh) * | 2023-11-27 | 2024-03-19 | 成都理工大学 | 一种点云地面滤波方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Van Horn et al. | The inaturalist species classification and detection dataset | |
CN115331064A (zh) | 面向体尺测量的养殖场场景点云分类方法及装置 | |
CN113705478B (zh) | 一种基于改进YOLOv5的红树林单木目标检测方法 | |
US9031305B2 (en) | Image classification apparatus with first and second feature extraction units and recording medium having program recorded therein | |
CN112381861B (zh) | 一种基于地基激光雷达的林地点云数据配准和分割方法 | |
US20190042958A1 (en) | Automated image analysis to assess reproductive potential of human oocytes and pronuclear embryos | |
CN109166145B (zh) | 一种基于聚类分割的果树叶片生长参数提取方法及系统 | |
CN111275044A (zh) | 基于样本选择和自适应难例挖掘的弱监督目标检测方法 | |
Dohmen et al. | Image-based body mass prediction of heifers using deep neural networks | |
CN112036384B (zh) | 精子头部形态识别方法、装置及设备 | |
CN112819821A (zh) | 一种细胞核图像检测方法 | |
CN113420640A (zh) | 红树林高光谱图像分类方法、装置、电子设备及存储介质 | |
Paturkar et al. | Plant trait segmentation for plant growth monitoring | |
CN114022489A (zh) | 家畜点云双向断层区域分割方法及装置 | |
CN112883915A (zh) | 一种基于迁移学习的麦穗自动识别方法和系统 | |
CN111696122A (zh) | 农作物表型参数提取方法及装置 | |
CN116843906A (zh) | 基于拉普拉斯特征映射的目标多角度本征特征挖掘方法 | |
Bailey et al. | Image analysis of weaverbird nests reveals signature weave textures | |
Sodhi et al. | Robust plant phenotyping via model-based optimization | |
CN116089639A (zh) | 一种辅助三维建模方法、系统、装置和介质 | |
CN116310194A (zh) | 一种配电站房三维模型重建方法、系统、设备和存储介质 | |
Unajan et al. | A modified otsubased image segmentation algorithm (OBISA) | |
CN108664919A (zh) | 一种基于单样本的行为识别与检测方法 | |
Wan et al. | Plot-level wood-leaf separation of trees using terrestrial LiDAR data based on a segmentwise geometric feature classification method | |
Meira et al. | USPLeaf: Automatic leaf area determination using a computer vision system1 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |