基于机器视觉的奶牛体型评定中的关键技术研究

论文摘要

奶牛的现代育种技术主要从奶牛的性能和体型两方面指标进行评定,对奶牛体型指标重要性的认识正在逐渐提高。将机器视觉技术应用于奶牛的体型评价体系,不仅可以满足奶牛养殖业的实际生产需求,而且通过机器视觉技术重建获得的虚拟牛可为后续进行的虚拟解剖等研究奠定坚实的基础,新的和改进的算法与模型的提出,丰富了机器视觉理论的研究内容,也为相关领域的应用提供了借鉴和参考。本文从技术路线角度分析了国内外机器视觉技术理论方法及在奶牛体型评定中关键技术的应用。阐述了射影几何原理、相机成像模型、图像预处理、特征点检测技术、特征点匹配技术、相机标定技术等基本理论方法。本文提出一种基于图像分块的多尺度Harris特征点检测算法。以提取图像一定数量的特征点能最大程度地表征图像特征为目的,研究了Harris特征点检测算法。由于Harris算法在特征点检测时阈值是经验性的,对检测要求的特征点数量只能多次尝试,而且检测中阈值是单一的,造成特征点在局部区域聚簇,分布不均匀,不能很好的表征图像整体特征。本文算法在保持原算法计算简便性和稳定性的前提下,对图像分块检测特征点,每块内自动选取阈值。得到的特征点区域可控、数量可控,整体分布均匀,有效地减轻了数据冗余和聚簇现象。本文提出一种改进的SIFT特征点匹配算法。以提高图像特征点匹配算法效率为目的,研究了SIFT特征点描述子基于欧氏最小距离测度的匹配算法。由于SIFT特征点检测算法检测到的特征点数量较大,且每个特征点描述子都是128维的向量,而基于欧氏最小距离测度的匹配算法要求,待匹配第一幅图像的每个特征点要和待匹配第二幅图像的所有特征点求距离,排序后寻找极值,这导致了算法效率较低。本文依据光学成像理论和双目视觉理论,由第一幅图像每个特征点的坐标,从行列两个方向缩小第二幅图像待匹配特征点坐标的搜索范围,本文算法在保持匹配精度的基础上,提高了算法的效率,算法速度约是原算法速度的2.7倍。本文提出一种基于传统相机标定方式的自动标定方法。以提高相机标定效率和自动化程度为目的,研究了相机标定方法。由于传统相机标定需要手工标识,工作量大、效率低。本文相机标定方法使用自制标定模板,应用特征点检测技术代替手工标识,实现自动检测标识点并自动排序,标定精度和原算法基本一致,但可靠性好,实用性较强,简化了相机标定过程。综上所述,本文将特征点检测、特征点匹配和相机标定等三维重建关键技术应用于奶牛体型评定中,旨在得到匹配特征点的三维坐标数据,进而得到奶牛体型参数。

论文目录

• 摘要
• Abstract
• 1 引言
• 1.1 国内外研究现状
• 1.1.1 机器视觉关键技术研究
• 1.1.2 基于机器视觉的奶牛体型线性评定技术研究
• 1.2 特征点检测算法研究状况
• 1.2.1 特征点检测准则
• 1.2.2 特征点检测方法
• 1.3 特征点匹配算法研究状况
• 1.3.1 特征点匹配算法分类
• 1.3.2 特征点匹配算法比较
• 1.4 相机标定研究状况
• 1.5 存在问题
• 1.6 选题意义及研究内容
• 1.6.1 研究意义
• 1.6.2 研究目标及内容
• 1.7 小结
• 2 射影几何与相机成像模型
• 2.1 概述
• 2.2 射影几何基本概念
• 2.3 二维空间
• 2.3.1 二维空间的层次结构
• 2.3.2 二维射影空间中的元素
• 2.4 三维空间
• 2.4.1 三维空间的层次结构
• 2.4.2 三维射影空间中的元素
• 2.5 相机成像模型
• 2.5.1 透视投影
• 2.5.2 坐标系变换
• 2.5.3 图像的像素化
• 2.5.4 空间点成像过程
• 2.5.5 成像矩阵表示形式
• 2.6 小结
• 3 图像预处理
• 3.1 图像格式转换
• 3.1.1 图像彩色空间
• 3.1.2 图像格式转换
• 3.2 图像增强与平滑
• 3.3 小结
• 4 HARRIS 算法的研究与改进
• 4.1 HARRIS算法概述
• 4.2 基于HARRIS算法的特征点检测
• 4.2.1 算法原理
• 4.2.2 算法步骤
• 4.3 基于相似性度量的特征点匹配
• 4.3.1 由对极几何关系确定基本矩阵
• 4.3.2 由相似性度量方法匹配特征点
• 4.4 改进的基于图像分块的多尺度HARRIS算法的特征点检测
• 4.4.1 算法原理
• 4.4.2 算法步骤
• 4.5 实验结果与分析
• 4.5.1 简单场景下算法比较
• 4.5.2 复杂场景下算法比较
• 4.5.3 改进算法检测结果在图像特征点匹配中的应用
• 4.6 小结
• 5 SIFT 算法的研究与改进
• 5.1 SIFT 算法概述
• 5.2 基于SIFT 算法的特征点检测
• 5.2.1 算法原理
• 5.2.2 算法步骤
• 5.3 基于欧氏距离的特征点匹配
• 5.3.1 算法原理
• 5.3.2 算法步骤
• 5.4 改进的匹配算法
• 5.5 实验结果与分析
• 5.5.1 原SIFT 算法特征点检测与匹配
• 5.5.2 改进的SIFT 算法特征点检测与匹配
• 5.6 小结
• 6 相机标定方法研究与改进
• 6.1 相机标定基础知识
• 6.2 传统相机标定方法
• 6.2.1 DLT 变换标定方法
• 6.2.2 RAC 标定方法
• 6.2.3 张正友平面标定方法
• 6.2.4 孟胡标定方法
• 6.2.5 吴等标定方法
• 6.3 主动视觉标定方法
• 6.4 相机自标定
• 6.5 传统相机标定的实现
• 6.5.1 由标定模板采集图像
• 6.5.2 传统标定步骤
• 6.5.3 计算相机参数
• 6.6 改进的自动标定算法
• 6.6.1 标定模板的制作和图像采集
• 6.6.2 自动标定算法与步骤
• 6.7 实验结果与分析
• 6.7.1 相机标定实验
• 6.7.2 图像幅数对标定结果的影响
• 6.8 小结
• 7 结论与展望
• 致谢
• 参考文献
• 作者简介