基于最近点迭代和标志点匹配的活猪三维点云建模方法及装置制造方法及图纸

本发明专利技术公开了基于最近点迭代和标志点匹配的活猪三维点云建模方法及装置，方法包括：得到目标猪体左上、左下、右上和右下四个视角的点云数据；将目标猪体左上、右上视角点云数据作为源点云，左下、右下视角点云数据作为目标点云，计算源点云中每个点在目标点云中的最近邻点；获得左右两个视角的点云数据；基于RGB信息识别活猪周围四个圆形标志点，通过圆心拟合获取左右两个视角中标志点在各自点云中的圆心坐标；将活猪前后视角的点云数据变换到同一坐标系下进行配准，得到活猪三维点云模型。本发明专利技术基于最近点迭代配准，再融合标志点配准法，进而获得活猪整个三维点云模型，提高了各角度的活猪点云模型跨度，有效减少三维深度相机的数量，同时保证建模精度。同时保证建模精度。同时保证建模精度。

【技术实现步骤摘要】
基于最近点迭代和标志点匹配的活猪三维点云建模方法及装置


[0001]本专利技术属于三维建模的
，具体涉及一种基于最近点迭代和标志点匹配的活猪三维点云建模方法及装置。

技术介绍

[0002]活猪的表型数据是活猪的重要指标(体长，体宽，体高等)，及时准确的获取活猪的表型数据，即可马上评价活猪的生长状况和健康状况，并据此检测活猪的饲料吸收率，或者对营养状况不同的活猪分别饲养，以达到饲料的最大利用率和最佳生长控制。传统的活猪表型数据的获取往往都需要与活猪进行直接接触，手动进行测量，整个过程不仅费时而且费力，人工测量的误差较大，需要人畜接触容易造成疫病传播；有时候还需要使用镇静剂等药物辅助，给活猪带来极大的压力，影响诸如进食，交配等日常活动，甚至会造成猪猝死，造成极大的经济损失。因此，对活猪进行点云建模便成为了解决这一难题的一大方向。
[0003]在传统应用上，物体的点云建模采用ICP点云配准，通常需要较多的拍摄角度以进行配准，导致需要较多的深度相机，对于拍摄装置的制作有较高的要求，成本同样也居高不下，以及多深度相机带来的高故障率也难以解决。本专利技术以此角度，基于ICP点云配准技术，加入标志点配准方法，实现仅需四个拍摄视角便可对目标猪体实现精准的点云建模，得到活猪的表型点云模型。

技术实现思路

[0004]本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于最近点迭代和标志点匹配的活猪三维点云建模方法及装置，专利技术基于最近点迭代配准，再融合标志点配准法，进而获得活猪整个三维点云模型，提高了各角度的活猪点云模型跨度，解决了传统最近点配准中跨度小的缺点，有效减少三维深度相机的数量，同时保证建模精度。
[0005]为了达到上述目的，本专利技术采用以下技术方案：
[0006]本专利技术一方面提供了一种基于最近点迭代和标志点匹配的活猪三维点云建模方法，包括下述步骤：
[0007](1)获取活猪左上、左下、右上和右下四个视角的点云数据，对点云数据进行降噪，并将目标猪体与背景切割，去除点云数据中的地面，得到目标猪体左上、左下、右上和右下四个视角的点云数据；
[0008](2)将目标猪体左上、右上视角点云数据作为源点云，左下、右下视角点云数据作为目标点云，计算源点云中每个点在目标点云中的最近邻点；
[0009](3)将左上视角的点云数据作为源点云，左下视角的点云数据作为目标点云，将两个点云都转换至质心坐标系，基于SVD分解计算当前目标点云旋转变换到源点云坐标系下的最优旋转矩阵和最优平移矩阵，将旋转矩阵和平移矩阵作用于目标点云获得旋转平移后的目标点云，替代原本的目标点云；计算目标点云与源点云的旋转误差和平移误差，判断是
否达到停止迭代条件，否则重复步骤(2)到步骤(3)，最终得到左上视角点云和右上视角点云在同一坐标系下配准的点云数据；右上视角和右下视角点云数据匹配同理，最终获得左右两个视角的点云数据；
[0010](4)基于RGB信息识别活猪周围四个圆形标志点，通过圆心拟合获取左右两个视角中标志点在各自点云中的圆心坐标；
[0011](5)基于三点法计算同一组标志点在左右不同视角点云数据中转换到同一坐标系下所需的旋转变换矩阵，利用该旋转变换矩阵，将活猪前后视角的点云数据变换到同一坐标系下进行配准，得到活猪三维点云模型。
[0012]作为优选的技术方案，步骤(1)中，去除点云地面数据采用的是Ransac算法，具体如下：
[0013](1
‑
1)以目标猪体所在的区域为中心，对上下左右四个方向扩展k个坐标作为边界以进行切割，得到无背景的点云数据；
[0014](1
‑
2)对无背景的点云数据进行中值滤波，去除离散点；
[0015](1
‑
3)从无背景的点云数据中随机选取三个点组成一个平面，计算其余点云数据中其余点到该平面的距离，若小于阈值T，则认为处于同一平面；若处于同一平面的点超过n个，则保存该平面，并将该平面的点都记为地面点云，进行去除，得到无地面的点云数据。
[0016]作为优选的技术方案，步骤(2)中，所述计算源点云中每个点在目标点云中的最近邻点采用的是KD
‑
Tree算法，具体为：
[0017](2
‑
1)对于KD
‑
Tree的比较维度，采取随着KD
‑
Tree的深度的递进轮流选择XYZ三个轴当作比较维度；
[0018](2
‑
2)随机选择目标点云数据中的一个点作为KD
‑
Tree根节点，遵循左子节点小于父节点，右子节点大于父节点的规则构造KD
‑
Tree；
[0019](2
‑
3)在目标点云中设置一个当前全局最佳点和最短距离，初始为KD
‑
Tree的根节点和无穷大；
[0020](2
‑
4)计算目标点云当前节点到源点云中被搜索点的距离，若小于当前的最短距离则更新当前节点为全局最佳点和最短距离；
[0021](2
‑
5)若源点云中的被搜索点的划分尺度小于目标点云中当前节点的划分尺度，则设当前节点的左子节点为新的当前节点，反之则设置当前节点的右子节点作为新的当前节点；若源点云中的被搜索点到目标点云中当前节点的划分尺度距离小于全局最短距离，则将目标点云的当前节点的另一子树的根节点作为新的当前节点；所述划分尺度是指该被搜索点左右子树的距离尺度；
[0022](2
‑
6)循环步骤(2
‑
4)和(2
‑
5)，直至当前节点为空，得到源点云中每一个点在目标点云中的最近邻点；采用同样的方法计算右上视角和右下视角的最近邻点。
[0023]作为优选的技术方案，所述步骤(3)具体为：
[0024](3
‑
1)继续将左上视角的点云数据作为源点云，左下视角的点云数据作为目标点云，计算源点云和目标点云的质心，将源点云和目标点云转换到质心坐标系；
[0025]质心：
[0026][0027]转换坐标系：
[0028]其中等表示源点云与目标点云的坐标点在各轴上的值，表示源点云与目标点云的质心，表示源点云与目标点云的坐标点，表示变换坐标系后源点云与目标点云的坐标点；
[0029](3
‑
2)令对其进行奇异值分解得到H＝U∑V
T
,得到当前目标点云变换到源点云坐标系的最优旋转：R
*
＝VU
T
和最优平移和最优平移U为左奇异向量，V为右奇异向量，R
*
为当前最优旋转矩阵，t
*
为当前最优平移矩阵；
[0030](3
‑
3)设旋转误差为：平移误差为将每一次迭代得到的最优旋转矩阵和最优平移矩阵R
*
,t
*
作用于当本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于最近点迭代和标志点匹配的活猪三维点云建模方法，其特征在于，包括下述步骤：(1)获取活猪左上、左下、右上和右下四个视角的点云数据，对点云数据进行降噪，并将目标猪体与背景切割，去除点云数据中的地面，得到目标猪体左上、左下、右上和右下四个视角的点云数据；(2)将目标猪体左上、右上视角点云数据作为源点云，左下、右下视角点云数据作为目标点云，计算源点云中每个点在目标点云中的最近邻点；(3)将左上视角的点云数据作为源点云，左下视角的点云数据作为目标点云，将两个点云都转换至质心坐标系，基于SVD分解计算当前目标点云旋转变换到源点云坐标系下的最优旋转矩阵和最优平移矩阵，将旋转矩阵和平移矩阵作用于目标点云获得旋转平移后的目标点云，替代原本的目标点云；计算目标点云与源点云的旋转误差和平移误差，判断是否达到停止迭代条件，否则重复步骤(2)到步骤(3)，最终得到左上视角点云和右上视角点云在同一坐标系下配准的点云数据；右上视角和右下视角点云数据匹配同理，最终获得左右两个视角的点云数据；(4)基于RGB信息识别活猪周围四个圆形标志点，通过圆心拟合获取左右两个视角中标志点在各自点云中的圆心坐标；(5)基于三点法计算同一组标志点在左右不同视角点云数据中转换到同一坐标系下所需的旋转变换矩阵，利用该旋转变换矩阵，将活猪前后视角的点云数据变换到同一坐标系下进行配准，得到活猪三维点云模型。2.根据权利要求1所述基于最近点迭代和标志点匹配的活猪三维点云建模方法，其特征在于，步骤(1)中，去除点云地面数据采用的是Ransac算法，具体如下：(1
‑
1)以目标猪体所在的区域为中心，对上下左右四个方向扩展k个坐标作为边界以进行切割，得到无背景的点云数据；(1
‑
2)对无背景的点云数据进行中值滤波，去除离散点；(1
‑
3)从无背景的点云数据中随机选取三个点组成一个平面，计算其余点云数据中其余点到该平面的距离，若小于阈值T，则认为处于同一平面；若处于同一平面的点超过n个，则保存该平面，并将该平面的点都记为地面点云，进行去除，得到无地面的点云数据。3.根据权利要求1所述基于最近点迭代和标志点匹配的活猪三维点云建模方法，其特征在于，步骤(2)中，所述计算源点云中每个点在目标点云中的最近邻点采用的是KD
‑
Tree算法，具体为：(2
‑
1)对于KD
‑
Tree的比较维度，采取随着KD
‑
Tree的深度的递进轮流选择XYZ三个轴当作比较维度；(2
‑
2)随机选择目标点云数据中的一个点作为KD
‑
Tree根节点，遵循左子节点小于父节点，右子节点大于父节点的规则构造KD
‑
Tree；(2
‑
3)在目标点云中设置一个当前全局最佳点和最短距离，初始为KD
‑
Tree的根节点和无穷大；(2
‑
4)计算目标点云当前节点到源点云中被搜索点的距离，若小于当前的最短距离则更新当前节点为全局最佳点和最短距离；(2
‑
5)若源点云中的被搜索点的划分尺度小于目标点云中当前节点的划分尺度，则设
当前节点的左子节点为新的当前节点，反之则设置当前节点的右子节点作为新的当前节点；若源点云中的被搜索点到目标点云中当前节点的划分尺度距离小于全局最短距离，则将目标点云的当前节点的另一子树的根节点作为新的当前节点；所述划分尺度是指该被搜索点左右子树的距离尺度；(2
‑
6)循环步骤(2
‑
4)和(2
‑
5)，直至当前节点为空，得到源点云中每一个点在目标点云中的最近邻点；采用同样的方法计算右上视角和右下视角的最近邻点。4.根据权利要求1所述基于最近点迭代和标志点匹配的活猪三维点云建模方法，其特征在于，所述步骤(3)具体为：(3
‑
1)继续将左上视角的点云数据作为源点云，左下视角的点云数据作为目标点云，计算源点云和目标点云的质心，将源点云和目标点云转换到质心坐标系；质心：质心：转换坐标系：其中等表示源点云与目标点云的坐标点在各轴上的值，表示源点云与目标点云的质心，表示源点云与目标点云的坐标点，表示变换坐标系后源点云与目标点云的坐标点；(3
‑
2)令对其进行奇异值分解得到H＝U∑V
T
,得到当前目标点云变换到源点云坐标系的最优旋转：R
*
＝VU
T
和最优平移和最优平移U为左奇异向量，V为右奇异向量，R
*
为当前最优旋转矩阵，t
*
为当前最优平移矩阵；(3
‑
3)设旋转误差为：平移误差为将每一次迭代得到的最优旋转矩阵和最优平移矩阵R
*
,t
*
作用于当前目标点...

【专利技术属性】
技术研发人员：梁云，陈浩铭，黄蓝，黄琼，刘定发，邱少健，刘凯，
申请(专利权)人：广州市金宝生态农业有限公司，
类型：发明
国别省市：