基于羊只俯视图的羊只体尺检测方法

技术领域

本发明涉及通信技术/计算机技术，具体涉及基于羊只俯视图的羊只体尺检测方法。

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基于羊只俯视图的羊只体尺检测方法。

为此目的，第一方面，本发明提出基于羊只俯视图的羊只体尺检测方法，包括步骤：

获得羊只俯视的前景图像；

对前景图像提取羊只骨架的对称中心线拟合曲线；

根据对称中心拟合曲线和前景图像计算获得体尺测点；

根据体尺测点，计算羊只的以下至少一种数据：背宽、臀宽、腹宽。

可选的，所述步骤对前景图像提取羊只骨架的对称中心线拟合曲线l₁包括：

对前景图像进行骨架提取；

对获得骨架进行剪枝；

对剪枝的后的骨架进行曲线拟合，获得对称中心拟合曲线l₁。

可选的，所述步骤根据对称中心拟合曲线和前景图像计算获得体尺测点包括：

X4、X2、X5分别垂直映射拟合曲线l₁，分别获得垂足X4’、X2’、>

用直线依次连接X4’、X2’、X5’，获得羊体胸部对称中心线；

用胸部对称中心线的垂线扫描前景图像，计算垂线在前景图像中的长度M；

根据长度M制作拟合曲线l₂；

拟合曲线l₂中曲率最小的点所对应的长度M_i，长度M_i对应的胸部对称中心线上的点为颈部起点A；拟合曲线l₂对应颈部起点A到X5’部分曲线中，曲率变化最大的点为胸宽测点C；胸宽测点C对应的长度>x即为胸宽。

可选的，所述步骤根据对称中心拟合曲线和前景图像计算获得体尺测点包括：

X5、X1、X6分别垂直映射拟合曲线l₁，分别获得垂足X5’、X1’、>

用直线依次连接X5’、X1’、X6’，获得羊体腹部对称中心线；

用腹部对称中心线的垂线扫描前景图像，计算垂线在前景图像中的长度N；

N_i为N中的最大值；N_i即为腹宽。

可选的，所述步骤根据对称中心拟合曲线和前景图像计算获得体尺测点包括：

X6、X3、X7分别在垂直映射拟合曲线l₁，分别获得垂足X6’、X3’、>

用直线依次连接X6’、X3’、X7’，获得羊体臀部对称中心线；

用臀部对称中心线的垂线扫描前景图像，计算垂线在前景图像中的长度L；

根据长度L制作拟合曲线l₃；

拟合曲线l₃中曲率最大的点所对应的长度L_i，长度L_i对应的臀部对称中心线上的点为疑似臀宽测点D；拟合曲线l₃对应臀宽测点D到X7’的部分曲线中，最大长度L_x即为臀宽。

可选的，所述步骤获得对称中心拟合曲线l₁之前包括步骤：

根据前进图像提取图像骨架，对前景图像中非羊只骨架的部分进行剪肢。

可选的，获得羊只俯视的前景图像的步骤包括：

获取羊只俯视图像；

根据羊只俯视图像，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Y_i，分别计算各个聚类中心M和像素点Y_i的相似程度D，聚类中心M为像素点Y_i周围与之相邻的聚类中心；

将像素点Y_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；

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，

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，本发明通过自动识别羊只骨架的对称中心拟合曲线，提取体尺测点，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2-1为本发明的一个实施例中，羊只体胸宽的测试方法流程图；

图2-2为本发明的一个实施例中，羊只腹宽的测试方法流程图；

图2-3为本发明的一个实施例中，羊只臀宽的测试方法流程图；

图3、为本发明的一个实施例中，羊只俯视图中的前景视图(白色部分表示前景)；

图4、为本发明的一个实施例中，羊只相关体尺测点和体尺参数示意图；

图5为本发明的一个实施例中，前景图像的处理方法；

图6为本发明的一个实施例中，前景图像的另一种处理方法。

具体实施方式

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，或再结合空洞填充或者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。

本文以羊只的头朝左的俯视图为例，说明本文中的羊只无接触体尺测量方法，且在羊只的头朝左的俯视图中，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，若拍摄的是羊只的头部朝向右手，可以通过镜像处理，获得本方法中头朝左的俯视图，或者将本文中处理头朝左的俯视图的步骤作对应的修改，从而处理该视图也可以获得对应的体尺测点。

下面将结合示例性的实施方式描述本发明。

参见图1本文提供基于羊只俯视图的羊只体尺检测方法的一个实施例，该实施例包括步骤：

S111获得羊只俯视的前景图像；

S112对前景图像提取羊只骨架的对称中心线拟合曲线；

S113根据对称中心拟合曲线和前景图像计算获得体尺测点；

S114根据体尺测点，计算羊只的以下至少一种数据：背宽、臀宽、腹宽。

可以理解的是步骤S111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3所示。

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，本文实施例中的测试点仅用于给出一些示例，在具体的实施过程中，本领域技术人员在理解了本文中的体尺测点的计算方法后，还可以获得其他的体尺测点，用于计算与上述体尺参数类似的其他体尺参数

本发明通过自动识别羊只骨架的对称中心拟合曲线，提取出体尺测点，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。

本文中骨架广义的定义是用一组与原始形状连通性和拓扑结构分布性相一致的能够完整表达物体形状的曲线集合。

骨架的经典定义有两种：一种是火烧模型定义：火焰从物体边界上的两点向内部推进，轨迹随时间形成等距的同心圆，两圆即火焰前沿交汇处即为骨架点；另外一种更直观、更普遍的定义——即最大圆盘定义。骨架点是所有最大圆盘的圆心的集合，最大圆盘既是完全包含在物体内部并且至少与物体边界相切于两点的圆。本文重的骨架提取可参考matlab中相应的骨架提取方法和概念。

本文的一个实施例中提取骨架的过程为：模拟火烧模型的物体过程，从图像的边界向内部演化，在不影响连通性的前提下，通过删除简单点逐步搜索到中间位置得到物体的骨架。具体为使用3×3的模板 (共512种不同的形式)将模板分成八个方向，轮着使用各个方向的模板，削去一层像素。

以下通过质心为重心的具体实施例对本发明的原理进行说明，可以理解的是质心包括中心、重心等对称中心。参见图2-1、图4，在一个具体实施例中，S112对前景图像提取羊只骨架的对称中心线拟合曲线的步骤包括：

S201获得羊只俯视的前景图像，前景图像为羊头朝左的俯视图；

S202提取前景图像重心点X1；

S203经过图像中心点X1的直线将前景图像分为前后两区域，分别求取这两个区域的前景图像的重心X2、X3；

S204经过X1、X2、X3的直线将前景图像划分为4个区域，分别对每块区域求取重心，分别获得X4、X5、X6、X7；

S205对前景图像进行骨架提取；

S206对获得骨架进行剪枝；

S207对剪枝的后的骨架进行曲线拟合，获得对称中心拟合曲线l₁；

根据拟合曲线l₁计算胸宽的方法包括步骤：

S211用直线依次连接X4’、X2’、X5’，获得羊体胸部对称中心线；

S212用胸部对称中心线的垂线扫描前景图像，计算垂线在前景图像中的长度M；

S213根据长度M制作拟合曲线l₂；

S214拟合曲线l₂中曲率最小的点所对应的长度M_i，长度M_i对应的胸部对称中心线上的点为颈部起点A；拟合曲线l2对应颈部起点A到>x即为胸宽。

需要说明的是，长度M表示垂线在前景图像中的长度的集合，其包含多个长度值，长度M_x为某一长度值，x为过胸部对称中心线上点的标号，过标号为x的点制作垂线，该垂线在前景图像中的长度值为>x，对于已知的前景图像和标号为i的点，该长度值M_x是唯一的。

在一个实施例中，步骤S205采用最小二乘曲线拟合法做16阶曲线拟合获得拟合曲线l₁。

相比于通过计算拟合曲线l₁的垂线的方式求取胸宽，上述方法通过用胸部对称中心线l₂的垂线计算长度M，从而获得M_x，避免了计算复杂度。

在一个实施例中，步骤S213为采用最小二乘曲线拟合法做3阶曲线拟合获得拟合曲线l₂。

参见图2-2、图4，根据拟合曲线l₁计算腹宽方法包括步骤：

S221用直线依次连接X5’、X1’、X6’，获得羊体腹部对称中心线；

S222用腹部对称中心线的垂线扫描前景图像，计算垂线在前景图像中的长度N；

S223N_i为N中的最大值；Ni即为腹宽。

N、N_i的含义请分别参考M和M_x，此处不做赘述。图4中l₇为、>

相比于通过计算拟合曲线l₁的垂线的方式求取腹宽，上述方法通过用腹部对称中心线的垂线计算长度N，从而获得N_i，避免了计算复杂度。

参见图2-3、图4，根据拟合曲线l₁计算臀宽方法：

S231用直线依次连接X6’、X3’、X7’，获得羊体臀部对称中心线； S232用臀部对称中心线的垂线扫描前景图像，计算垂线在前景图像中的长度L；

S233根据长度L制作拟合曲线l₃；S234拟合曲线l₃中曲率最大的点所对应的长度L_i，长度L_i对应的臀部对称中心线上的点为疑似臀宽测点>3对应臀宽测点D到X7’的部分曲线中，最大长度L_x即为臀宽。

相比于通过计算拟合曲线l₁的垂线的方式求取臀宽，上述方法通过用臀部对称中心线l₃的垂线计算长度L，从而获得L_x，避免了计算复杂度。

L、L_x的含义请参考M和M_x，此处不做赘述。

参见图5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获取羊只俯视图像；

S622根据羊只俯视图像，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Y_i，分别计算聚类中心M和像素点Y_i的相似程度D，聚类中心M为像素点Y_i周围与之相邻的聚类中心；

将像素点Y_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；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和Lab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。

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。特征信息的差异指新的聚类中心与之间聚类中心的残差。

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，

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；

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。从而有效的识别出羊只图像的边界。

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。

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。