基于機(jī)器視覺(jué)的奶牛體型評(píng)定中的關(guān)鍵技術(shù)研究.pdf

1、奶牛的現(xiàn)代育種技術(shù)主要從奶牛的性能和體型兩方面指標(biāo)進(jìn)行評(píng)定，對(duì)奶牛體型指標(biāo)重要性的認(rèn)識(shí)正在逐漸提高。將機(jī)器視覺(jué)技術(shù)應(yīng)用于奶牛的體型評(píng)價(jià)體系，不僅可以滿(mǎn)足奶牛養(yǎng)殖業(yè)的實(shí)際生產(chǎn)需求，而且通過(guò)機(jī)器視覺(jué)技術(shù)重建獲得的虛擬?？蔀楹罄m(xù)進(jìn)行的虛擬解剖等研究奠定堅(jiān)實(shí)的基礎(chǔ)，新的和改進(jìn)的算法與模型的提出，豐富了機(jī)器視覺(jué)理論的研究?jī)?nèi)容，也為相關(guān)領(lǐng)域的應(yīng)用提供了借鑒和參考。 本文從技術(shù)路線(xiàn)角度分析了國(guó)內(nèi)外機(jī)器視覺(jué)技術(shù)理論方法及在奶牛體型評(píng)定中關(guān)鍵技術(shù)

2、的應(yīng)用。闡述了射影幾何原理、相機(jī)成像模型、圖像預(yù)處理、特征點(diǎn)檢測(cè)技術(shù)、特征點(diǎn)匹配技術(shù)、相機(jī)標(biāo)定技術(shù)等基本理論方法。本文提出一種基于圖像分塊的多尺度Harris特征點(diǎn)檢測(cè)算法。以提取圖像一定數(shù)量的特征點(diǎn)能最大程度地表征圖像特征為目的，研究了Harris特征點(diǎn)檢測(cè)算法。由于Harris算法在特征點(diǎn)檢測(cè)時(shí)閾值是經(jīng)驗(yàn)性的，對(duì)檢測(cè)要求的特征點(diǎn)數(shù)量只能多次嘗試，而且檢測(cè)中閾值是單一的，造成特征點(diǎn)在局部區(qū)域聚簇，分布不均勻，不能很好的表征圖像整體特征

3、。本文算法在保持原算法計(jì)算簡(jiǎn)便性和穩(wěn)定性的前提下，對(duì)圖像分塊檢測(cè)特征點(diǎn)，每塊內(nèi)自動(dòng)選取閾值。得到的特征點(diǎn)區(qū)域可控、數(shù)量可控，整體分布均勻，有效地減輕了數(shù)據(jù)冗余和聚簇現(xiàn)象。本文提出一種改進(jìn)的SIFT特征點(diǎn)匹配算法。以提高圖像特征點(diǎn)匹配算法效率為目的，研究了SIFT特征點(diǎn)描述子基于歐氏最小距離測(cè)度的匹配算法。由于SIFT特征點(diǎn)檢測(cè)算法檢測(cè)到的特征點(diǎn)數(shù)量較大，且每個(gè)特征點(diǎn)描述子都是128維的向量，而基于歐氏最小距離測(cè)度的匹配算法要求，待匹配第

4、一幅圖像的每個(gè)特征點(diǎn)要和待匹配第二幅圖像的所有特征點(diǎn)求距離，排序后尋找極值，這導(dǎo)致了算法效率較低。本文依據(jù)光學(xué)成像理論和雙目視覺(jué)理論，由第一幅圖像每個(gè)特征點(diǎn)的坐標(biāo)，從行列兩個(gè)方向縮小第二幅圖像待匹配特征點(diǎn)坐標(biāo)的搜索范圍，本文算法在保持匹配精度的基礎(chǔ)上，提高了算法的效率，算法速度約是原算法速度的2.7倍。本文提出一種基于傳統(tǒng)相機(jī)標(biāo)定方式的自動(dòng)標(biāo)定方法。以提高相機(jī)標(biāo)定效率和自動(dòng)化程度為目的，研究了相機(jī)標(biāo)定方法。由于傳統(tǒng)相機(jī)標(biāo)定需要手工標(biāo)識(shí)，