王　可　郭　浩　馬　欽　蘇　偉　華明睿　朱德海

(1.中國農業(yè)大學信息與電氣工程學院， 北京 100083；2.中國農業(yè)大學農業(yè)部農業(yè)信息獲取技術重點實驗室， 北京 100083)

0　引言

作為家畜表型的重要組成部分，家畜的體尺是評價其生長的重要參數(shù)，也是選種育種方面的重要指標[1-2]。在背標厚、眼肌面積等表型參數(shù)檢測已經相對成熟的情況下[3-4]，體尺參數(shù)準確獲取已經成為制約表型分析發(fā)展的瓶頸，因此如何快速、準確地測量家畜的體尺具有重要研究意義。

傳統(tǒng)的家畜體尺測量方式主要由人工操作，但該方法具有工作量大，測量結果不客觀，對家畜應激大等缺點。近年來，許多學者投入到基于計算機視覺技術的家畜體尺測量研究中，在奶牛體尺測量方面，郭浩等[5-6]利用Xtion深度相機采集了奶牛的點云圖像，并交互式測量奶牛的體尺，驗證了Xtion深度相機在奶牛體尺測量上應用的可行性。SALAU等[7]和SONG等[8]利用基于飛行時間法(Time of flight， TOF)原理的深度攝像機系統(tǒng)采集奶牛背部的深度數(shù)據(jù)，利用圖像處理技術研究了提取奶牛體尺的可行性。KAWASUE等[9]和MARINELLO等[10]利用3個Kinect攝像頭建立離線標定系統(tǒng)，獲取全輪廓奶牛點云信息，對奶牛體高、胸圍等體尺指標進行了測量。為了評估奶牛體況，SALAU等[11]設計了一種基于Kinect深度相機的體尺測量平臺，對自動提取體尺的可行性進行了研究；在豬體尺測量方面，劉同海等[12]利用CCD相機采集豬體背部及該區(qū)域背景的圖像，利用圖像處理技術，對豬體尺測點的提取進行了研究。李卓等[13]設計了一套基于雙目視覺原理的豬體尺檢測系統(tǒng)，獲取豬體的深度圖像，對豬體長、體高等體尺指標進行了測量。劉同海等[14]利用激光三維掃描儀，獲取了豬體點云數(shù)據(jù)和三維曲面模型，提取了豬體的體長、體寬、臀寬、體高、臀高、胸圍、體表面積、體積等體尺參數(shù)。

目前采用的體尺測量方法都需要搭建固定設施，然后將家畜誘導到視場內獲取圖像或者點云數(shù)據(jù)，進而測量體尺，無法滿足便攜式測量的需要；另外，上述方法在家畜的一側被遮擋時，體寬、臀寬、胸圍，腹圍等主要體尺無法獲取。為此，本文在實驗室前期利用雙攝像頭采集豬體三維信息工作的基礎上[15-17]，降低設備成本，在一側存在遮擋的情況下，采用單深度攝像頭，利用另一側豬體點云信息，通過對稱面鏡像，也可以得到完整豬體點云，用于提取豬只主要體尺，另外，該系統(tǒng)也滿足便攜式測量的需要。為驗證系統(tǒng)的可行性和精度，選取Xtion PRO 作為點云數(shù)據(jù)采集設備，并以豬只作為測量對象，采用人工測量的體尺與交互式體尺測量結果進行對比試驗。

1　材料與方法

本系統(tǒng)分為2部分，分別為場景點云采集系統(tǒng)和體尺測量系統(tǒng)。場景點云采集系統(tǒng)由計算機、鋁制支撐桿和1個深度相機組成。試驗選取華碩制造的深度相機，其型號為Xtion PRO LIVE，量程為0.8～3.5 m，采集距離2 m條件下，其X、Y方向精度為3.4 mm、Z方向精度為12 mm，深度圖像分辨率為640像素×480像素。Xtion PRO LIVE是一種基于結構光技術的傳感器，其光學相關設備主要由3部分構成：1個紅外線發(fā)射器，1個紅外攝像頭，1個RGB攝像頭。該傳感器通過紅外相關設備，獲取深度信息[18]，其深度圖像獲取方法的核心是光編碼技術[19-20]。Xtion固定在鋁桿上，便于操作人員調整其角度和方向。便攜式計算機利用USB線與Xtion相連，為其供電，并實時記錄和處理獲取的場景點云，該筆記本配有GTX580M顯卡、16 GB內存和Intel i7處理器。場景點云采集系統(tǒng)如圖1所示。

圖1　點云采集系統(tǒng)Fig.1　Picture of point clouds acquisition system

利用采集系統(tǒng)獲取場景點云序列后，手動選取背部相對筆直的豬體作為輸入，依次進行豬體點云自動化分割，旋轉歸一化，對稱面檢測，完整豬體點云獲取和交互式體尺測量。

1.1　豬體點云采集

為了保證后續(xù)算法能夠順利進行，在豬體靜止站立條件下，采集人員位于豬體側面，手持連接Xtion的鋁桿，深度相機與豬體背部呈45°角左右采集包含目標豬體的場景點云序列，采集的豬體數(shù)據(jù)應保證豬體頭部和尾部完整，并包含豬體盡量多的背部數(shù)據(jù)。采集幀速為5～7 f/s，依場景的大小而不同，采集距離應控制在0.8～2 m之間?？梢葬槍沃回i體進行信息采集，也可以在場景內存在多只豬體的情況下，對單只豬體進行信息采集，進而計算體尺信息，但需要保證被測量豬體與其他豬體或者設施不存在接觸，否則會影響后續(xù)的分割算法，進而影響體尺計算。

豬體為非剛性物體，但其腹部存在大量脂肪，大部分情況下，身體扭動范圍較小，此處將背部相對垂直的豬體近似為剛體，檢測其近似對稱面，進而鏡像獲取完整豬體，所以在系統(tǒng)采集的點云序列中，手動篩選包含頭部和尾部完整、背部彎曲程度較小的豬體的場景點云，進行后續(xù)的對稱面檢測和體尺測量等操作。如圖2所示，以一組采集的點云序列為例說明篩選標準，應選取包含背部彎曲較小的豬體的場景點云(圖2d)進行后續(xù)體尺測量處理。圖3a顯示了采集的點云序列，圖3b為最終選擇的場景點云S，本文豬體點云處理流程選取較復雜的場景作為輸入，即該點云場景中不僅包含目標豬體，還包括其他豬體。

圖2　采集的點云序列Fig.2　Acquisitions of point cloud sequence

圖3　輸入點云序列及篩選結果Fig.3　Input point cloud sequence and selection results

1.2　目標豬體點云分割

場景點云S中通常包含目標豬體、地面，還可能包含豬場設施和其他豬體，本文利用隨機采樣一致性(Random sample consensus, RANSAC)在S中檢測地面點云[21]，該平面檢測方法定義待提取的平面模型為Ax+By+Cz+D=0，然后迭代選擇S的隨機子集Li，做如下測試：

(1)利用子集Li估計對應的模型參數(shù)Ai、Bi、Ci、Di。

(2)計算S-Li中每一個點到估測平面的距離di，將距離di小于λ的點集ni添加到子集Li中，構成新的子集Lni。

(3)利用子集Lni估計新的模型參數(shù)Aj、Bj、Cj、Dj。

(4)計算Lni占S的比例ri。

其中Li包含的點數(shù)為3，最大迭代次數(shù)為N，λ為到平面模型的距離閾值。

直到找到最高比例ri，并記錄對應的平面模型和該平面模型對應的內點，此處平面模型內點的定義為在S中與平面模型的距離di小于λ的點的集合，該內點集合Lni即為地面點Pl，同時利用平面模型參數(shù)，計算地面點所在平面的法向量np，并存儲平面任意點Vpl。

場景點云S刪除地面點Pl后，結果如圖4a所示，場景余下設施和豬體一般不在空間上相連接，本文使用歐氏距離對場景內余下點云S-Pl進行聚類，為減弱豬場欄桿和設施對后續(xù)豬體分割的影響，此處將點云數(shù)目大于max或者點云數(shù)目小于min的聚類刪除，得到的聚類結果記為C={C1,C2,…,CM}。其中，max為聚類可以包含的最大點數(shù)，min為聚類至少需要包含的點數(shù)。

分割后的聚類結果中包括目標豬體、其他豬體和設施。定義每個聚類Ct到坐標原點的聚類距離為

(1)

式中n——聚類Ct包含點的數(shù)量

xi、yi、zi——聚類各點坐標

由于在獲取豬體信息時，在所有聚類中，目標豬體聚類到坐標原點的聚類距離dt最小，所以對聚類集合C中每個聚類的dt進行遍歷比較，目標豬體Cp是最小dt對應的聚類分割結果，本文獲取的點云數(shù)據(jù)坐標原點位于Xtion紅外攝像頭中心處，目標豬體的分割結果如圖4b所示。

圖4　豬體分割過程Fig.4　Pig segmentation process

1.3　姿態(tài)歸一化

傳統(tǒng)體尺測量方法中，體長是耳根中點到尾根點在支撐豬體平面Pg上的距離，體高一般是肩胛骨頂點距離平面Pg的距離，其他的主要線性體尺也均為平面Pg上的距離或者到平面Pg的距離。如圖5所示，原有坐標系原點如1.2節(jié)所述，位于Xtion紅外攝像頭中心處，而分割后支撐豬體平面不與原有坐標系下xOy、xOz、yOz任何一個坐標平面平行，直接在原有坐標系下測量體尺，增加了體尺測量的計算量，所以本文將Cp匹配到標準測量坐標系下，再進行后續(xù)體尺計算。

參照文獻[16]，如圖5所示，本文的標準測量坐標系定義如下：

(1)標準測量坐標系的原點O定義在豬體點云的重心。

(2)x軸方向沿豬體前后方向，頭部朝向為正方向。

(3)y軸方向垂直地面，豬體支撐平面向上為正方向。

(4)z軸方向沿豬體左右方向，x軸、y軸和z軸正方向滿足右手定則。

圖5　標準測量坐標系Fig.5　Standard measurement coordinate system

參照文獻[17]的姿態(tài)歸一化流程，基于主成分分析(Principal component analysis, PCA)和1.2節(jié)的點云分割步驟求得地面法向量np，匹配Cp到本文定義的標準測量坐標系，匹配過程如下：

(1)針對Cp，構建基于地面法向量矯正的PCA坐標系。利用pm為坐標原點，單位向量vl、vh和vw分別為局部坐標系x′、y′、z′ 軸的方向向量，構建基于地面法向量矯正的PCA坐標系C1，其中pm為Cp的重心，vh與豬體分割步驟中提取的地面法向量np相一致，從地面提取的地面法向量存在方向二義性，在本節(jié)的后續(xù)部分將對其消除。vw的計算公式為

vw=vl1×vh

(2)

其中vl1為對Cp進行PCA主成分分析[21-22]得到的最長軸方向。

vl的計算公式為

vl=vh×vw

(3)

構建的基于地面法向量矯正的PCA坐標系如圖6a所示。

(2)旋轉平移豬體點云Cp，使其基于地面法向量矯正的PCA坐標系與全局坐標系重合。在C下和C1下分別選取Vl、Vh、Vw和P1、P2、P3作為對應點對進行變換矩陣T的估計，其中P1=(1,0,0)，P2=(0,1,0)，P3=(0,0,1)，Vl=pm+vl，Vh=pm+vh，Vw=pm+vw。

本文采用奇異值分解(Singular value decomposition, SVD)方法計算變換矩陣T，然后利用

Ct=TCp

(4)

實現(xiàn)空間變換，同時利用T對1.2節(jié)得到的地面任意點Vpl進行空間變換,得到空間變換后的地面任意點Vpl1。匹配到全局坐標系C后的Ct如圖6b所示。

(3)空間變換后，Ct的x、y、z軸與本文定義的標準測量坐標系的x、y、z軸重合，但并不能保證它們方向也完全一致。因此，需要檢測它們的坐標軸方向是否一致，如果不一致，需要對Ct進行空間變換，使其符合本文定義的標準測量坐標系要求。

圖6　姿態(tài)歸一化過程Fig.6　Pose normalization process

首先檢測Ct的y軸與標準測量坐標系要求的y軸方向是否一致。垂直于y軸，作平面Pg1(y=g1+hg)，如圖7a所示，其中g1為變換后地面任意點Vpl1的y軸坐標值，參數(shù)hg可設置為小于豬只身高大于零的任意值，根據(jù)本試驗選取豬只品種和日齡，參數(shù)hg設定為0.15。當平面Pg1與Ct的交集為非空集合時，Ct的y軸方向與標準測量坐標系要求的y軸方向一致，不需要進行調整，當平面Pg1與Ct的交集為零時，y軸方向不一致，需要對Ct沿xOz平面進行平面鏡像，使y軸方向與標準測量坐標系一致，調整后的豬體點云記為Ct1，y軸方向調整后結果如圖6c所示。

圖7　坐標軸方向檢測方法示意圖Fig.7　Diagrams of detection method of coordinate orientation

然后檢測Ct1的x軸與標準測量坐標系要求的x軸方向是否一致。如1.1節(jié)所述，獲取的單視角豬體點云包括尾部數(shù)據(jù)和耳部數(shù)據(jù)，在這種數(shù)據(jù)的前提下，如圖7b所示，豬體的前腿重心到豬頭部頂端的x軸方向距離大于后腿重心到豬尾部頂端的x軸方向距離，本文利用這種觀察，檢測x軸方向是否一致。首先計算豬體兩腿重心a和b，在x軸正方向的x坐標記為xf1，在x軸負方向的記為xf2，然后計算豬體在x軸方向的極大值點c和極小值點d，分別記為xmax和xmin，然后計算D1=|xf1-xmax|，D2=|xf2-xmin|，最后比較D1和D2的大小。如果D1大于D2，不需要進行調整，如圖7c所示；如果D1小于D2，需要對Ct沿yOz平面進行平面鏡像，如圖7b所示，調整后的豬體點云記為Ct2，x軸方向調整后結果如圖6d所示。

經過對x坐標軸和y坐標軸方向檢測后，Ct2的x、y、z軸與標準測量坐標系x、y、z軸重合，并且方向一致，實現(xiàn)了豬體點云的姿態(tài)歸一化。

1.4　對稱平面檢測

圖8　豬體鏡像過程Fig.8　Pig body mirror reflection process

對稱性作為一種幾何屬性，在三維幾何模型的語義分析領域發(fā)揮重要的作用[18-20]。目前，基于對稱面的模型重建主要應用在逆向工程中[22-23]，即對于殘缺的點云數(shù)據(jù)，利用較好的一側點云信息，通過對稱面鏡像，得到完整的點云模型。而目前的三維對稱面檢測方法[24-26]都是基于物體內部數(shù)據(jù)的對稱性進行檢測，而礙于豬場的實際情況，本系統(tǒng)獲取的單視角豬體點云本身含有的對稱數(shù)據(jù)較少甚至沒有，所以，難以應用上述方法檢測對稱面, 因此，歸一到標準坐標系后，本文利用地面法向量結合豬體形態(tài)特征檢測豬體對稱平面。圖5為豬體模型完整掃描數(shù)據(jù)，通過觀察可以發(fā)現(xiàn)豬體在背部彎曲較小的情況下，豬體本身對稱平面Ps的2個方向向量分別與地面法向量和豬體前后方向相一致，并且該對稱平面經過尾根點。

1.4.1對稱平面法向量檢測

歸一到標準坐標系后，如圖6d所示，支撐豬體Ct2的地面法向量npt(指向豬體部分)的方向向量與y軸正方向一致，所以npt=(0,1,0)；豬體前后方向dt(即從尾部指向頭部的方向)與x軸正方向一致，所以dt=(1,0,0)；然后令對稱平面上的2個方向向量相乘得到對稱平面的法向量mt，mt的計算公式為

mt=npt×dt

(5)

經計算，mt=(0,0,1)。

1.4.2尾根點檢測

姿態(tài)歸一化后，豬尾部方向與x軸負方向一致，所以x軸負方向的極值點即為豬體的尾尖點。利用文獻[17]描述的方法定位尾根點，即利用尾根點與尾尖點的歐氏距離(rroot)關系對尾根點定位，本文參照文獻[17]，將rroot設置為0.04，尾根點檢測結果如圖8a所示。

最后利用檢測到的尾根點M0坐標(x0，y0，z0)和已經求取的平面法向量n確定平面方程。最終得到的家畜對稱平面π的方程為z=z0，對稱平面檢測結果如圖8b所示。

1.5　鏡像處理

為了獲取完整豬體信息，進而進行后續(xù)的體尺測量，需要對采集到的豬體點云進行鏡像處理。首先，考慮到在實際拍攝時難以保證只獲得豬只單側點云，也可能獲得大部分的豬背部點云數(shù)據(jù)，直接鏡像會造成背部數(shù)據(jù)的重疊，影響臀寬的測量，因此僅針對對稱面一側的豬體數(shù)據(jù)進行鏡像：獲取豬體在對稱平面一側的數(shù)據(jù)Ph1={(x,y,z)|z>z0}，然后對Ph1中的每一個點構造齊次坐標，利用

(6)

得到豬體的對稱數(shù)據(jù)Ph2={(x′,y′,z′)|x′,y′,z′∈Ph2}，最后令Ph=Ph1+Ph2，Ph即為完整豬體點云，如圖8c所示。

1.6　體尺測量方法

將鏡像得到的點云數(shù)據(jù)導入到實驗室開發(fā)的體尺測量軟件中，利用該軟件的體尺測量功能輸出豬的體長、臀寬、臀高、胸圍和腹圍等體尺。該軟件應用VC++ 2010開發(fā)環(huán)境編寫，利用QT進行界面開發(fā)。

該軟件通過交互式選點方式選取體尺測點：體尺測量的起點和終點。本文交互式測量需選取的體尺測點包括頸部中點、尾根中點、體高點、臀高點、胸圍測點(胸圍處任一測量點)和腹圍測點(腹圍處任一測量點)。利用該軟件測量線性體尺的示意圖如圖9a所示。利用B樣條曲線擬合的方法計算胸圍和腹圍，利用該軟件測量胸圍和腹圍的示意圖如圖9b所示。測量軟件具體計算流程如下：首先，該軟件記錄交互式獲取的胸圍測點(腹圍測點)的x方向坐標，記為xc，然后，直通濾波獲取豬體點云Ph在區(qū)域[xc，xc+0.005]的點云，記為Ps, 如圖10a所示，繼而利用文獻[27]的方法將點云Ps擬合為非均勻有理B樣條曲線，如圖10b所示，最后利用生成曲線對應的控制多邊形長度近似曲線周長，其中擬合方法的具體參數(shù)設置如下：曲線階數(shù)設置為3，迭代次數(shù)設置為40，控制點個數(shù)設置為100。

線性體尺長度、寬度、高度測量公式為

(7)

式中xneck、zneck——頸部中點的x坐標值和z坐標值

xtail、ztail——尾根中點的x坐標值和z坐標值

zwidth——體寬或者臀寬的z坐標值

z0——歸一到全局坐標系后尾根點的z坐標值

yheight——體高點或者臀高點的y坐標值

Hground——地面的高程值，即地面或者豬體最低點的y軸方向坐標值

因為豬體的對稱面為垂直于xOz坐標平面且過尾根點M0(x0，y0，z0)的平面，所以利用2(zwidth-z0)計算豬的體尺寬度。

2　結果與分析

2.1　分割算法試驗結果

在威海大北農種豬科技有限公司育種場，共采集10組包含單視角豬體的場景點云數(shù)據(jù)用于驗證該測量方法的準確性和可應用性，豬品種包括長白和大白兩種，豬日齡為141～149 d。利用1.2節(jié)所述方法分割豬場場景中的豬體，分割結果如圖11所示。從圖11中可以看出，目標豬體即使有其他豬體或者豬場的相關設施等復雜背景，也實現(xiàn)了目標豬體的分割，但本文方法在實際應用中，也存在一定的限制性，即當目標豬體與設施或者其他豬體接觸的情況下，無法將目標豬體分割，所以采集數(shù)據(jù)時，應確保目標豬體不和其他豬體或者設施接觸。本文分割相關參數(shù)值具體設置如下： min為100，max為50 000，λ=0.026,N=10 000。

圖9　體尺測量軟件示意圖Fig.9　Body measurement software diagrams

圖10　曲線擬合示意圖Fig.10　Curve-fitting diagrams

圖11　目標豬體分割結果Fig.11　Segmentation results of target pig

2.2　對稱面檢測和鏡像結果分析

圖12為3個單視角樣本不同角度下的對稱面檢測結果和完整豬體點云獲取結果。如圖12所示，當篩選出背部不存在較大彎曲的豬體點云數(shù)據(jù)時，本文方法可以利用單側豬體點云，檢測其近似對稱面，并根據(jù)檢測到的對稱面，通過鏡像獲取完整豬體點云，獲取的完整豬體接近豬體的原始形態(tài)。

圖12　對稱面檢測和完整豬體獲取樣本結果Fig.12　Sample results of symmetry plane detection and whole pig acquisition

2.3　體尺測量精度分析

為了定量分析本文方法對豬只體尺參數(shù)的測量精度，利用自主研發(fā)的體尺測量軟件進行家畜體尺測量。對10組豬的體長、臀寬、臀高、胸圍和腹圍進行了測量，其中體長、臀寬和臀高與人工測量的結果進行了對比，測量結果和誤差如表1所示。人工測量工具為卷尺，精度為1 mm，為了避免測量豬體因身體扭曲而造成的人工測量不準確，應盡量在豬飲水或采食時進行人工測量，每個體尺指標測量3次并取中值[13]。

從表1中可以看出，體長測量的平均相對誤差為5.00%，其檢測值與實測值的最大、最小誤差分別為11.46%和0.03%，臀寬測量的平均相對誤差為7.40%，其檢測值與實測值的最大、最小誤差分別為13.72%和1.06%，臀高測量的平均相對誤差為5.74%，其檢測值與實測值的最大、最小誤差分別為11.87%和1.71%。此結果的誤差主要由3部分組成，一部分為深度攝像頭獲取的數(shù)據(jù)本身的誤差，一部分為在進行鏡像操作時豬體形態(tài)的變化帶來的誤差，另一部分為用戶選取測點的不精確帶來的誤差。研究發(fā)現(xiàn)，體長的測量結果都小于人工的測量結果，這是因為豬體背部方向不可能嚴格筆直，存在一定彎曲，拉近了尾根點和耳根點的距離，造成了測量的體長小于人工測量結果。整體來看，該方法的體尺檢測結果較好。

注：REL為體長檢測值與實測值的相對誤差；REw為臀寬檢測值與實測值的相對誤差； REh為臀高檢測值與實測值的相對誤差。

3　結束語

提出并實現(xiàn)了基于單視角點云鏡像的豬體尺測量方法，選取Xtion PRO 深度相機作為點云數(shù)據(jù)采集設備，并以豬場豬體作為試驗對象，利用人工體尺測量結果與該方法體尺測量結果進行了對比。結果表明，在豬體背部彎曲不嚴重的情況下，本文方法可以檢測單視角豬體的近似對稱面，并利用檢測到的對稱面，對單視角豬體點云鏡像獲取完整豬體。本文體尺測量方法具有較高的精度，體長測量的平均相對誤差為5.00%，臀寬測量的平均相對誤差為7.40%，臀高測量的平均相對誤差為5.74%，該方法的體尺檢測結果較好，可以用于家畜育種和生產領域。

1CHENG Y, LIU S, SU D, et al. Distribution and linkage disequilibrium analysis of polymorphisms of GH1 gene in different populations of pigs associated with body size[J]. Journal of Genetics, 2016, 95(1): 79-87.

2曹果清，景利芳，石建忠，等. 豬體重和體尺性狀與繁殖性能間的相關[J]. 山西農業(yè)大學學報:自然科學版, 2003, 23(2): 136-138.

CAO Guoqing, JING Lifang, SHI Jianzhong, et al. Study on correlation analysis between body weight and size and reproductive performance in swine[J]. Journal of Shanxi Agricultural University: Science & Technology, 2003, 23(2): 136-138. (in Chinese)

3WILD J J. The use of ultrasonic pulses for the measurement of biologic tissues and the detection of tissue density changes[J]. Surgery, 1950, 27(2): 183-188.

4SMITH M T, OLTJEN J W, DOLEZAL H G, et al. Evaluation of ultrasound for prediction of carcass fat thickness and longissimus muscle area in feedlot steers[J]. Journal of Animal Science, 1992, 70(1): 29-37.

5郭浩，張勝利，馬欽，等. 基于點云采集設備的奶牛體尺指標測量[J]. 農業(yè)工程學報, 2014, 30(5): 116-122.

GUO Hao, ZHANG Shengli, MA Qin, et al. Cow body measurement based on Xtion[J]. Transactions of the CSAE, 2014, 30(5): 116-122. (in Chinese)

6郭浩，王鵬，馬欽，等. 基于深度圖像的奶牛體型評定指標獲取技術[J/OL]. 農業(yè)機械學報，2013, 44(增刊1): 273-276. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=2013s149&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2013.S1.049.

GUO Hao, WANG Peng, MA Qin, et al. Acquisition of appraisal traits for dairy cow based on depth image [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(Supp.1): 273-276.(in Chinese)

7SALAU J, HAAS J H, JUNGE W, et al. Feasibility of automated body trait determination using the SR4K time-of-flight camera in cow barns [J]. Springer Plus, 2014, 3(1): 225.

8SONG X, SCHUTTEA J, VAN DER Tol P, et al. Body measurements of dairy calf using a 3-D camera in an automatic feeding system[C]∥Proc. AgEng 2014: International Conference of Agricultural Engineering C, 2014：1-8.

9KAWASUE K, IKEDA T, TOKUNAGA T, et al. Three-dimensional shape measurement system for black cattle using KINECT sensor[J]. International Journal of Circuits, Systems and Signal Processing, 2013, 7: 222-230.

10MARINELLO F, PEZZUOLO A, CILLIS D, et al. Application of Kinect-Sensor for three-dimensional body measurements of cows[C]∥Proceedings of 7th European Conference on Precision Livestock Farming, ECPLF,2015: 15-18.

11SALAU J, HAAS J H, JUNGE W, et al. Automated calculation of udder depth and rear leg angle in Holstein-Friesian cows using a multi-Kinect cow scanning system[J]. Biosystems Engineering, 2017, 160: 154-169.

12劉同海，滕光輝，付為森，等. 基于機器視覺的豬體體尺測點提取算法與應用[J]. 農業(yè)工程學報，2013，29(2): 161-168.

LIU Tonghai, TENG Guanghui, FU Weisen, et al. Extraction algorithms and applications of pig body size measurement points based on computer vision [J]. Transactions of the CSAE, 2013, 29(2): 161-168. (in Chinese)

13李卓，杜曉冬，毛濤濤，等. 基于深度圖像的豬體尺檢測系統(tǒng)[J/OL]. 農業(yè)機械學報，2016, 47(3): 311-318. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160344&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2016.03.044.

LI Zhuo, DU Xiaodong, MAO Taotao, et al. Pig dimension detection system based on depth image[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(3): 311-318.(in Chinese)

14劉同海，滕光輝，張盛南，等. 基于點云數(shù)據(jù)的豬體曲面三維重建與應用[J/OL]. 農業(yè)機械學報，2014, 45(6): 291-295. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20140644&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2014.06.044.

LIU Tonghai, TENG Guanghui, ZHANG Shengnan, et al. Reconstruction and application of 3D pig body model based on point cloud data[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(6): 291-295.(in Chinese)

15郭浩，馬欽，張勝利，等. 基于三維重建的動物體尺獲取原型系統(tǒng)[J/OL]. 農業(yè)機械學報，2014, 45(5): 227-232. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20140535&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2014.05.035.

GUO Hao, MA Qin, ZHANG Shengli, et al. Prototype system of shape measurements of animal based on 3D reconstruction[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(5): 227-232. (in Chinese)

16GUO H, MA X, MA Q, et al. LSSA_CAU: an interactive 3d point clouds analysis software for body measurement of livestock with similar forms of cows or pigs [J]. Computers and Electronics in Agriculture, 2017, 138: 60-68.

17王可，郭浩，劉威林，等. 基于點云旋轉歸一化的豬體體尺測點提取方法[J]. 農業(yè)工程學報，2017, 33(增刊1): 253-259.

WANG Ke, GUO Hao, LIU Weilin, et al. Extraction methods of pig body size measurement points based on rotation normalization of the point cloud [J]. Transactions of the CSAE, 2017, 33(Supp.1):253-259. (in Chinese)

18MAURICE X, GRAEBLING P, DOIGNON C. Real-time structured light coding for adaptive patterns [J]. Journal of Real-Time Image Processing, 2013, 8(2): 169-178.

19CARLES G, MUYO G, BOSCH S, et al. Use of a spatial light modulator as an adaptable phase mask for wavefront coding [J]. Journal of Modern Optics, 2010, 57(10): 893-900.

20SHPUNT A, ZALEVSKY Z. Depth-varying light fields for three dimensional sensing: US 8050461[P]. 2011-11-01.

21VON H W, MICHAELSEN E, THONNESSEN U. Cluster analysis and priority sorting in huge point clouds for building reconstruction[C]∥18th International Conference on Pattern Recognition, ICPR 2006, 2006, 1: 23-26.

22柯映林，朱偉東. 基于局部特征匹配的對稱面提取算法[J]. 計算機輔助設計與圖形學學報,2005, 17(6): 1191-1195.

KE Yinglin, ZHU Weidong. Study on symmetry plane extraction from point cloud based on local geometric symmetry[J]. Journal of Computer-Aided Design & Computer Graphics, 2005, 17(6): 1191-1195.(in Chinese)

23金濤，許躍敏，童水光. 一種用于逆向工程的對稱平面重建方法[J]. 浙江大學學報:工學版, 2002, 36(6): 104-108.

JIN Tao, XU Yuemin, TONG Shuiguang. A simple and efficient method for reconstructing symmetry plane in reverse engineering[J]. Journal of Zhejiang University:Engineering Science, 2002, 36(6): 104-108.(in Chinese)

24MITRA N J, GUIBAS L J, PAULY M. Partial and approximate symmetry detection for 3D geometry[J]. ACM Transactions on Graphics, 2006, 25(3): 560-568.

25金濤，陳建良，童水光. 三維模型對稱平面重建的特征匹配方法[J]. 計算機輔助設計與圖形學學報, 2003, 15(5): 616-620.

JIN Tao, CHEN Jianliang, TONG Shuiguang. Reconstructing symmetry plane by feature matching [J]. Journal of Computer-Aided Design & Computer Graphics, 2003, 15(5): 616-620.(in Chinese)

26SFIKAS K, THEOHARIS T, PRATIKAKIS I. Pose normalization of 3D models via reflective symmetry on panoramic views[J]. The Visual Computer, 2014, 30(11): 1261-1274.

27M?RWALD T. Object modelling for cognitive robotics[D]. Wien Vienna: University of Technology, 2013.