焉耆马体尺的数据标定及测量方法研究

2018-01-25张婧婧李勇伟

天津农业科学 2018年1期

关键词：体尺

张婧婧+李勇伟

摘要：基于线性回归理论与机器视觉技术，文中探讨了焉耆马体尺（如体高、体长、胸围、管围）的数据测量方法。系统的设计借鉴平面数据的标定技术；利用数据相关性建立多元线性回归模型；通过Matlab GUI工具实现系统可视化，在动物体尺的测量方面具备理论依据和参考价值。此外，文中列举马体轮廓提取的相关方法，并于本测量方案中排除了轮廓提取的必要性，阐明文中体尺測量方案的基本流程，实现马体位姿或环境光照和背景要求严格情况下体尺数据的测量要求。

关键词：焉耆马；体尺；线性相关；多元线性回归方程

中图分类号：S821.1 文献标识码 A DOI 编码：10.3969/j.issn.1006-6500.2018.01.006

Abstract：Based on linear regression theory and machine vision technology， the data measurement methods of Yanqi horse body ruler （such as body height， body length， chest circumference， pipe circumference） were discussed. We refered to the calibration technique of plane data in the system design； and established data correlation by using multivariate linear regression model； then we implemented system visualization through the Matlab GUI tool， which has theoretical basis and reference value for the measurement of animal body size. In addition， the relevant methods of horse body contour extraction were listed in this paper， and the necessity of contour extraction was eliminated in this measurement scheme. We expounded the basic flow chart of body size measurement， to meet the requirements of horse body posture or environment， illumination and background for the measurement of body size data.

Key words：Yanqi horse； body size； linear correlation； multiple linear regression equation

体尺测量技术是鉴定马的品种、推进马的良种化进程中不可或缺的技术。目前，机器视觉的动物体尺测量在国内已经取得一定进展[1-8]，借鉴动物体尺的研究成果，依据新疆马业协会发布的地方标准，本文以新疆特色畜牧产业为研究背景，以机器视觉的体尺测量技术为实现手段，研究焉耆马体尺测量的实现依据和技术方案。

1 马体尺的测量标准

根据新疆马业协会发布的地方标准，测量马体尺的基本数据包括体高、体长、胸围、管围，其测量标准如下。体高：从鬐甲顶点到地面的垂直距离；体长：从肩端到臀端的直线距离；胸围：在肩脚骨后缘垂直绕胸一周的长度；管围：左前管部上1/3部的下端最细处，水平绕其一周的长度。

应用CINEMA 4D软件设计马体的骨骼，首先建立马体测量示例如图1所示。在马体示例图像中，马的体高、体长、胸围、管围指标均属于体尺测量的基础数据，如图1中A-A线、 B-B线、C-C线、 D-D线所示。

2 马体尺测量的关键技术

2.1 体尺测量指标的引入

基于机器视觉，马体各项指标的测量值必需与图像像素点的坐标距离相关，才具备可测性，因此图像中直观可测的数据为马的体高和体长。马体的胸围和管围属于3D指标，如图1可见，其测量缺乏坐标依据。基于多元线性回归理论，本文针对马体的胸围和管围建立了预测模型。

除体高和体长指标外，多元线性回归方程的模型中，需要引入的另外两个指标：胸径和管径，如图1中E-E线、F-F线所示（实际坐标与C、D点重合），旨在利用可测性以及与预测指标的相关性，构成胸围、管围预测的重要参数。

2.2 图像的局部放大及数据标定

在马体图像中，确立测量指标：体高、体长、胸径和管径后，即可在平面图像中完成相应的数据标定。为了提高数据标定的精准度，首先进行图像的光标定位和局部放大，如图2（a）所示，局部图像中笔者设定放大倍数为2倍，通过光标定位、局部放大选定像素点的坐标后，显示当前坐标值，如图2（b）所示。

2.3 多元线性回归分析建立预测模型

2.4 Matlab-Gui的系统实现

在完成数据标定和线性预测模型基础之上，利用Matlab的开发平台，笔者初步实现马体尺测量系统的界面设计，如图3所示。根据体尺数据的实测与像素点坐标测量的多次匹配，选取大小为220×200像素的图像与数据的实测值最为吻合。此外，在马体图像中，本系统支持图像的局部放大和数据标定后的坐标显示，如图3所示。设计中，采用Matlab-Gui工具进行系统开发，其中选择的主要控件包括：pushbutton、edit、text等。endprint

3 体尺测量方法探讨

3.1 图像二值化及轮廓提取

借鉴以往机器视觉的体尺测量研究成果，为了实现体尺精准测量，文中也尝试了马体图像的二值化处理及轮廓提取[11]。试验中分别选取了图像腐蚀、Canny算子、Robinson算子、LapLace算子、Sobel算子进行图像的轮廓提取。基于相同的算子模板，在背景要求严格和非严格条件下，马体轮廓提取效果如图4、图5所示。

由图4和图5的对比可知，获取马体体尺数据需要在一定环境光照和背景要求严格情况下完成。在本系统的测量方案下，当环境光照和背景要求不严格情况下，无需进行轮廓提取；如图像轮廓提取的算法与各算子模板不匹配时，进行数据标定反而更加困难。

3.2 数据相关性分析

马的体尺测量指标包括：体高、体长、胸围、管围、头长、头宽、尻宽、尻长、胸宽、胸深、胸廓宽、背高、尻高、颈长和肢长等，文中引入胸径、管径指标预测胸围、管围，旨在利用数据的相关性原则[12]。由回归理论可知，因变量与自变量的相关程度越高，回归方程越显著。

调用Matlab中函数，以20匹焉耆马为例，得到体高与体长、体长与胸围、胸围与管围、胸围与胸径、管围与管径间线性关系的数据，如表1所示。

根据表1不难看出，马体尺各指标之间两两相关，其中胸围与胸径、管围与管径相关程度更高，说明引入胸径和管径预测胸围和管围具备系统测量优势。

4 测量流程

如图6所示，测量时首先将马体figure图像加载到系统界面上，当图像骨骼清晰且轮廓分明时，可省去二值化处理及轮廓提取环节，只需完成局部放大和数据标定程序即可进入数据测量阶段。测量得到体高、体长、胸径和管径数据后，通过多元线性回归方程预测胸围和管围，即初步实现了焉耆马体尺的测量系统。

5 结论

本文首先探讨获取马体曲面形状下四项体尺指标的数据标定方法；其次研究并建立胸围和管围数据的预测模型；然后在馬体的位姿或环境光照和背景要求严格情况下，完成其体高、体长、胸围和管围的测量；最后基于Matlab的开发平台，初步实现焉耆马体尺测量的可视化系统。设计中预测模型的建立依据线性回归理论，根据马的体高、体长、胸围和管围各指标的相关程度，优化组合并建立回归方程，增强方程的显著性及预测的准确性。

系统的不足之处在于，数据的相关性分析及预测模型的建立均取决于少量马体样本，由此产生的系统测量误差（尤其是马体管围测量）无法完全控制在5%以内。此外，针对马体的位姿或环境光照和背景要求不严格情况下的体尺测量，笔者还需深入研究。

参考文献：

[1]刘同海，滕光辉，付为森，等.基于机器视觉的猪体体尺测点提取算法与应用[J].农业工程学报，2013，29（2）：161-168.

[2]江杰，周丽娜，李刚.基于机器视觉的羊体体尺测量[J].计算机应用，2014，34（3）：846-850， 887.

[3]江杰，岳伟，曹孟珍.基于机器视觉的羊体体尺测量方法研究[J].内蒙古科技大学学报，2015，34（4）：322-327.

[4]刘波，朱伟兴，霍冠英.生猪轮廓红外与光学图像的融合算法[J].农业工程学报，2013，29（17）：113-120.

[5]赵建敏，赵忠鑫，李琦.基于 Kinect 传感器的羊体体尺测量方法[J].江苏农业科学，2015（11）：495-498， 499.

[6]赵建敏，赵忠鑫，李琦.基于Kinect传感器的羊体体尺测量系统[J].传感器与微系统，2015，34（9）：100-103.

[7]刘伟，谭鹤群，黄丹，等.白鲢质量与截面积沿体长方向分布模型[J].农业工程学报，2012，28（12）：288-292.

[8]郭浩，王鹏，马钦，等.基于深度图像的奶牛体型评定指标获取技术[J].农业机械学报，2013，44（z1）：273-276， 229.

[9]蒋福坤，刘正春，柴惠文.多维随机变量的线性相关性[J].数理统计与管理，2008，27（1）：96-99.

[10]戴金辉，袁靖.单因素方差分析与多元线性回归分析检验方法的比较[J].统计与决策，2016（9）：23-26.