CN115886792A - 一种牲畜智能体尺测定方法、系统及装置 - Google Patents

Abstract

本发明公开了一种牲畜智能体尺测定方法、系统及装置，涉及牲畜体尺测定领域，方法包括：通过双目相机采集待测牲畜不同角度的多组图像；之后确定所述待测牲畜的立体模型的初始三维点集，并通过RANSAC算法的极线约束对所述初始三维点集进行特征点匹配，通过SIFT算法对所述初始三维点集进行关键点提取，根据所述特征点匹配结果和关键点提取结果构建所述待测牲畜的三维模型；最后根据所述待测牲畜的三维模型即可确定所述待测牲畜的体尺数据。本发明通过双目视觉体尺测定方法可以准确地获得牲畜的体尺数据。

Description

一种牲畜智能体尺测定方法、系统及装置

技术领域

本发明涉及牲畜体尺测定领域，特别是涉及一种牲畜智能体尺测定方法、系统及装置。

背景技术

目前现有体尺测定技术是手动测量尺和机械式测量模块。其中手动测量没有统一的测量标准，测量结果准确率较低；机械式测量模块虽然可以代替手动测量，节省了测量时间，但是仍然存在测量误差大的问题，测量效率也未提升，无法很好的实现自动化或者智能化测量，还导致付出的成本与得到的收益不成比例，阻碍了畜牧行业的发展。

发明内容

本发明的目的是提供一种牲畜智能体尺测定方法、系统及装置，可减小测定误差，准确的获取牲畜的体尺数据。

为实现上述目的，本发明提供了如下方案：

一种牲畜智能体尺测定方法，包括：

通过双目相机采集待测牲畜不同角度的多组图像；

通过对所述双目相机的标定，并根据各所述图像，确定所述待测牲畜的立体模型的初始三维点集；

基于随机抽样一致RANSAC算法的极线约束对所述三维点集进行特征点匹配，得到有效三维点集；

根据尺度不变特征变换SIFT算法，对所述有效三维点集进行关键点提取，得到关键点集；

根据所述关键点集及有效三维点集，构建所述待测牲畜的三维模型；

根据所述待测牲畜的三维模型，确定所述待测牲畜的体尺数据。

进一步地，所述通过对所述双目相机的标定，并根据各所述图像，确定所述待测牲畜的立体模型的初始三维点集，具体包括：

通过对所述双目相机的标定，确定所述双目相机的内外参数；

分别对各图像进行分割，得到所述待测牲畜的不同角度的轮廓图像；

提取各轮廓图像上的空间点；

根据所述双目相机的内外参数、各空间点及对应的各组图像，得到各空间点的三维坐标；具有三维坐标的各空间点构成所述待测牲畜的立体模型的初始三维点集。

进一步地，所述根据所述关键点集及有效三维点集，构建所述待测牲畜的三维模型，具体包括：

基于所述关键点集及有效三维点集，进行曲面重建，得到多个曲面；

采用非均匀有理B样条NURBS算法，对各曲面进行曲面拟合，得到所述待测牲畜的三维模型。

可选地，所述体尺数据包括体高、体宽、体斜长、胸围和管围中至少一者。

可选地，所述牲畜视觉体尺测定方法，还包括在通过双目相机采集待测牲畜不同角度的多组图像之后，对各组图像依次进行图像变换和图像增强处理，得到处理后的各组图像。

为实现上述目的，本发明还提供了如下方案：

一种牲畜智能体尺测定系统，包括：

获取单元，获取由双目相机采集的待测牲畜不同角度的多组图像；

初始点集确定单元，用于通过对所述双目相机的标定，并根据各所述图像，确定所述待测牲畜的立体模型的初始三维点集；

有效点集确定单元，用于基于随机抽样一致RANSAC算法的极线约束对所述三维点集进行特征点匹配，得到有效三维点集；

关键点集提取单元，用于根据尺度不变特征变换SIFT算法，对所述有效三维点集进行关键点提取，得到关键点集；

三维模型构建单元，用于根据所述关键点集及有效三维点集，构建所述待测牲畜的三维模型；

体尺数据确定单元，用于根据所述待测牲畜的三维模型，确定所述待测牲畜的体尺数据。

为实现上述目的，本发明还提供了如下方案：

一种牲畜智能体尺测定系统，包括：

双目相机，用于采集待测牲畜不同角度的多组图像；

计算机，与所述双目相机连接，用于通过对所述双目相机的标定，并根据各所述图像，确定所述待测牲畜的立体模型的初始三维点集；

基于随机抽样一致RANSAC算法的极线约束进行对所述三维点集进行特征点匹配，得到有效三维点集；

根据尺度不变特征变换SIFT算法，对所述有效三维点集进行关键点提取，得到关键点集；

根据所述关键点集及有效三维点集，构建所述待测牲畜的三维模型；

根据所述待测牲畜的三维模型，确定所述待测牲畜的体尺数据。

为实现上述目的，本发明还提供了如下方案：

一种牲畜测定装置，包括：

称重设备，用于对待测牲畜称重，得到所述待测牲畜的重量数据；

所述牲畜智能体尺测定系统的双目相机对应所述称重设备设置；

耳标读取设备，用于读取位于待测牲畜的耳标写入设备中的牲畜信息；所述耳标读取设备设置在所述称重设备上；

控制终端，分别与所述称重设备、牲畜智能体尺测定系统、耳标读取设备连接，用于将所述待测牲畜的重量数据、体尺数据以及牲畜信息匹配，并成组存储。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明牲畜智能体尺测定方法从不同角度使用双目相机拍摄多组待测牲畜的图像；之后根据已经标定的双目相机的参数和多组待测牲畜的图像确定构建所述待测牲畜的立体模型的初始三维点集；根据所述初始三维点集基于RANSAC算法的极线约束进行特征点匹配，根据SIFT算法进行关键点提取；最后根据匹配和提取结果，构建所述待测牲畜的三维模型，通过所述待测牲畜的三维模型即可确定所述待测牲畜的体尺数据。本发明牲畜智能体尺测定方法、系统及装置相较于现有的体尺测定技术，可以准确获得牲畜的体尺数据，减小测定误差。

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，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明牲畜智能体尺测定方法的流程示意图；

图2为本发明牲畜智能体尺测定系统模块结构示意图；

图3为本发明牲畜测定装置中称重设备的立体结构示意图；

图4为本发明牲畜测定装置中称重设备的正视图。

符号说明：

获取单元-1，初始点集确定单元-2，有效点集确定单元-3，关键点集提取单元-4，三维模型构建单元-5，体尺数据确定单元-6，双目相机-7，称重设备-8，金属细网夹板-81，耳标读取设备-9。

具体实施方式

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，所描述的实施例仅仅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做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。

本发明的目的是通过提供一种双目视觉体尺测定方法、系统及装置，实现准确获取牲畜的体尺数据，减小测定误差。除此之外，因为本发明的体尺测定开始后不需人为干预，所以本发明还可以缩短体尺测定的时间，提高体尺测定效率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实例一：

图1为本发明牲畜智能体尺测定方法的流程示意图。本发明牲畜智能体尺测定方法具体包括：

步骤S01：通过双目相机采集待测牲畜不同角度的多组图像。

步骤S02：通过对所述双目相机的标定，并根据各所述图像，确定所述待测牲畜的立体模型的初始三维点集。所述模型的初始三维点集中的三维点具有三维坐标。

步骤S03：基于RANSAC(Random Sample Consensus，随机抽样一致)算法的极线约束对所述三维点集进行特征点匹配，得到有效三维点集。

步骤S04：根据SIFT(Scale-invariant feature transform，尺度不变特征变换)算法，对所述有效三维点集进行关键点提取，得到关键点集。

步骤S05：根据所述关键点集及有效三维点集，构建所述待测牲畜的三维模型。

步骤S06：根据所述待测牲畜的三维模型，确定所述待测牲畜的体尺数据。

其中，在步骤S02中，通过对所述双目相机的标定，并根据各所述图像，确定所述待测牲畜的立体模型的初始三维点集，具体包括：

步骤S021：通过对所述双目相机的标定，确定所述双目相机的内外参数。

步骤S022：分别对各图像进行分割，得到所述待测牲畜的不同角度的轮廓图像。其中可采用图割Graph Cut算法对图像进行分割。

步骤S023：提取各轮廓图像上的空间点。

步骤S024：根据所述双目相机的内外参数、各空间点及对应的各组图像，得到各空间点的三维坐标；具有三维坐标的各空间点构成所述待测牲畜的立体模型的初始三维点集。

具体地，为了获得三维空间中某待测点的具体坐标，需要在所述双目相机的两个相机的相面上都存在所述待测点的相应点。立体视觉系统的一般结构为通过在同一平面摆放的两个相同参数的相机从不同的视角观测所述待测点。通过相同参数的两个相机获得的所述待测点的图像求得相应的图像坐标，即可根据双目立体视觉测量原理求得待测点的三维空间坐标。

此外，本发明还可以通过一个相机获取两幅图像。即通过设定一个相机的移动轨迹，实现在不同角度拍摄待测物体，进而根据拍摄的不同角度的图像进行待测点三维空间坐标的测定。除此之外，也可通过光学成像的方式将两幅图投影到一个相机。上述两种过方式均可满足获得三维空间中某待测点的具体坐标的图像需求。

步骤S04：根据SIFT算法，通过尺度空间寻找极值点，提取位置，尺度、旋转不变量，从而确定有效三维点集中的关键点。

在步骤S05中，根据所述关键点集及有效三维点集，构建所述待测牲畜的三维模型，具体包括：

步骤S051：基于所述关键点集及有效三维点集，进行曲面重建，得到多个曲面。

步骤S052：采用NURBS(Non-Uniform Rational B-Splines，非均匀有理B样条)算法，对各曲面进行曲面拟合，得到所述待测牲畜的三维模型。

进一步地，所述体尺数据包括体高、体宽、体斜长、胸围和管围中至少一者。

为提高测定精度，本发明牲畜智能体尺测定方法还包括：在通过双目相机采集待测牲畜不同角度的多组图像之后，对各组图像依次进行图像变换和图像增强处理，得到处理后的各组图像。

实例二：

本发明还提供一种牲畜智能体尺测定系统，减小测定误差，准确的获取牲畜的体尺数据。

如图2所示，本发明牲畜智能体尺测定系统具体包括获取单元1、初始点集确定单元2、有效点集确定单元3、关键点集提取单元4、三维模型构建单元5及体尺数据确定单元6。

具体地，所述获取单元1用于通过双目相机采集待测牲畜不同角度的多组图像，获取所述多组图像。此外，也可以根据单相机并设定其移动轨迹，通过单相机在不同角度拍摄待测物体，获取多组图像。

所述初始点集确定单元2用于通过对所述双目相机的标定，并根据各所述图像，确定所述待测牲畜的立体模型的初始三维点集。当然，当获取单元1获取的所述多组图像通过单个相机获取，也可以通过所述单个相机获取的不同角度的图像计算确定所述待测牲畜的立体模型的初始三维点集。

所述有效点集确定单元3用于基于RANSAC算法的极线约束对所述三维点集进行特征点匹配，得到有效三维点集。

所述关键点集提取单元4用于根据SIFT算法，对所述有效三维点集进行关键点提取，得到关键点集。

所述三维模型构建单元5用于根据所述关键点集及有效三维点集，构建所述待测牲畜的三维模型。

所述体尺数据确定单元6用于根据所述待测牲畜的三维模型，确定所述待测牲畜的体尺数据。所述牲畜的三维模型存在三维坐标，通过计算可以准确地获取所述待测牲畜的体尺数据。进一步地，所述体尺数据包括体高、体宽、体斜长、胸围和管围中至少一者。

实例三：

本发明牲畜智能体尺测定系统包括：

双目相机7用于采集待测牲畜不同角度的多组图像。进一步地可用设定完成的单目相机替代所述双目相机7并用于采集待测牲畜不同角度的多组图像。

计算机与所述双目相机7连接。所述计算机用于通过对所述双目相机7的标定，并根据各所述图像，确定所述待测牲畜的立体模型的初始三维点集；基于随机抽样一致RANSAC算法的极线约束进行对所述三维点集进行特征点匹配，得到有效三维点集；根据尺度不变特征变换SIFT算法，对所述有效三维点集进行关键点提取，得到关键点集；根据所述关键点集及有效三维点集，构建所述待测牲畜的三维模型；根据所述待测牲畜的三维模型，确定所述待测牲畜的体尺数据。

进一步地，所述体尺数据包括体高、体宽、体斜长、胸围和管围中至少一者。

实例四：

本发明还提供一种牲畜测定装置。具体地，本发明牲畜测定装置包括：

称重设备8，用于对待测牲畜称重，得到所述待测牲畜的重量数据(如图3和图4所示)。

牲畜智能体尺测定系统，所述牲畜智能体尺测定系统的双目相机7对应所述称重设备设置。通过改变所述双目相机7与称重设备的距离和位置关系，所述双目相机7可实现通过近距离拍摄、远距离拍摄、俯视视角拍摄、仰视视角拍摄等多种方式采集牲畜图像。

耳标读取设备9用于读取位于待测牲畜的耳标写入设备中的牲畜信息。所述耳标读取设备9设置在所述称重分群设备8上。

控制终端分别与所述称重设备8、耳标读取设备9和所述牲畜智能体尺测定系统连接。所述控制终端用于将所述待测牲畜的重量数据、体尺数据以及牲畜信息匹配，并成组存储。

其中，所述牲畜信息包括牲畜的耳号与其品种、来源、生产性能、免疫状况、健康状况、畜主信息中至少一种。

具体地，所述耳标读取设备9为RFID(Radio Frequency Identification，射频识别)阅读器。

当待测牲畜进入称重设备8后开始称重并触发双目相机7、耳标读取设备9与耳标写入设备匹配。称重数据稳定后称重数据和耳标写入设备内的所述待测牲畜信息同时上传控制终端。此时双目相机7采集图像完毕，图像上传到所述牲畜智能体尺测定系统中，2-3s所述待测牲畜的体尺数据计算完成，与所述待测牲畜的称重信息、耳标信息全部存放控制终端。结束后牲畜离开称重设备8，下一次测定开始。

在整个测定过程中，通过金属细网夹板81调整牲畜位置，使所述牲畜图像完整。

本发明牲畜智能体尺测定方法、系统及装置，相较于手动测量尺和机械式测量模块，可准确地生成牲畜体尺数据，大大提高牲畜体尺测定的速度，并且节省了人力和测量成本。并且还可根据牲畜的种类、当前季节、有无剃毛等数据提前进行精细化处理，进一步地提高体尺测定的精度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种牲畜智能体尺测定方法，其特征在于，包括：

通过双目相机采集待测牲畜不同角度的多组图像；

通过对所述双目相机的标定，并根据各所述图像，确定所述待测牲畜的立体模型的初始三维点集；

基于随机抽样一致RANSAC算法的极线约束对所述三维点集进行特征点匹配，得到有效三维点集；

根据尺度不变特征变换SIFT算法，对所述有效三维点集进行关键点提取，得到关键点集；

根据所述关键点集及有效三维点集，构建所述待测牲畜的三维模型；

根据所述待测牲畜的三维模型，确定所述待测牲畜的体尺数据。

2.根据权利要求1所述的牲畜智能体尺测定方法，其特征在于，所述通过对所述双目相机的标定，并根据各所述图像，确定所述待测牲畜的立体模型的初始三维点集，具体包括：

通过对所述双目相机的标定，确定所述双目相机的内外参数；

分别对各图像进行分割，得到所述待测牲畜的不同角度的轮廓图像；

提取各轮廓图像上的空间点；

根据所述双目相机的内外参数、各空间点及对应的各组图像，得到各空间点的三维坐标；具有三维坐标的各空间点构成所述待测牲畜的立体模型的初始三维点集。

3.根据权利要求1所述的牲畜智能体尺测定方法，其特征在于，所述根据所述关键点集及有效三维点集，构建所述待测牲畜的三维模型，具体包括：

基于所述关键点集及有效三维点集，进行曲面重建，得到多个曲面；

采用非均匀有理B样条NURBS算法，对各曲面进行曲面拟合，得到所述待测牲畜的三维模型。

4.根据权利要求1所述的牲畜智能体尺测定方法，其特征在于，所述体尺数据包括体高、体宽、体斜长、胸围和管围中至少一者。

5.根据权利要求1-4中任一项所述的牲畜智能体尺测定方法，其特征在于，所述牲畜视觉体尺测定方法还包括在通过双目相机采集待测牲畜不同角度的多组图像之后，对各组图像依次进行图像变换和图像增强处理，得到处理后的各组图像。

6.一种畜双目视觉体尺测定系统，其特征在于，所述畜双目视觉体尺测定系统包括：

获取单元，获取由双目相机采集待测牲畜不同角度的多组图像；

初始点集确定单元，用于通过对所述双目相机的标定，并根据各所述图像，确定所述待测牲畜的立体模型的初始三维点集；

有效点集确定单元，用于基于随机抽样一致RANSAC算法的极线约束对所述三维点集进行特征点匹配，得到有效三维点集；

关键点集提取单元，用于根据尺度不变特征变换SIFT算法，对所述有效三维点集进行关键点提取，得到关键点集；

三维模型构建单元，用于根据所述关键点集及有效三维点集，构建所述待测牲畜的三维模型；

体尺数据确定单元，用于根据所述待测牲畜的三维模型，确定所述待测牲畜的体尺数据。

7.一种牲畜智能体尺测定系统，其特征在于，所述牲畜智能体尺测定系统包括：

双目相机，用于采集待测牲畜不同角度的多组图像；

计算机，与所述双目相机连接，用于通过对所述双目相机的标定，并根据各所述图像，确定所述待测牲畜的立体模型的初始三维点集；

基于随机抽样一致RANSAC算法的极线约束对所述三维点集进行特征点匹配，得到有效三维点集；

根据尺度不变特征变换SIFT算法，对所述有效三维点集进行关键点提取，得到关键点集；

根据所述关键点集及有效三维点集，构建所述待测牲畜的三维模型；

根据所述待测牲畜的三维模型，确定所述待测牲畜的体尺数据。

8.一种牲畜测定装置，其特征在于，所述牲畜测定装置包括：

称重设备，用于对待测牲畜称重，得到所述待测牲畜的重量数据；

根据权利要求7所述的牲畜智能体尺测定系统，所述牲畜智能体尺测定系统的双目相机对应所述称重设备设置；

耳标读取设备，用于读取位于待测牲畜的耳标写入设备中的牲畜信息；所述耳标读取设备设置在所述称重设备上；

控制终端，分别与所述称重设备、牲畜智能体尺测定系统、耳标读取设备连接，用于将所述待测牲畜的重量数据、体尺数据以及牲畜信息匹配，并成组存储。

Images