[发明专利]基于深度学习和图像处理的马体尺测量方法

权利要求书

1.一种基于深度学习和图像处理的马体尺测量方法，其特征在于，该方法包括以下步骤：

步骤1、YOLACT的分割：YOLACT将分割问题分解为两个并行的过程，利用擅长产生语义向量的全连接fc层和擅长产生空间相干掩模的卷积conv层分别产生“掩模系数”和“原型掩模”，将掩膜和预测的相应系数进行线性组合，并通过预测的b-box进行裁剪，实现掩膜合成，计算中通过单个矩阵乘法实现；

步骤2、马体分割图像的预处理：通过YOLACT分割，获取蓝色透明的马体掩膜，将蓝色透明掩膜换成白色掩膜和黑色掩膜，并通过白色掩膜和黑色掩膜进行异或运算去除背景，再与原图点乘，即可得到预处理的马体测量模型；

步骤3、马体尺测量点的标定：首先进行马体边缘检测，使用canny算子对经过YOLACT实例分割的伊犁马体图像进行轮廓提取，在马体边缘检测的基础上进行马体测点的Harris角点检测，再采用角点检测方法寻找马体尺的关键节点；

步骤4、马体尺的测量：

1)体高的获取：

对站姿各异、体型不同的马体而言，动态网格中各测点的标定均建立在其轮廓图像中平均像素值变化的基础之上,计算方式如公式1所示：

进一步的，Hu表示为Hm均值线以上像素纵坐标的动态均值，计算方式如公式2所示：

而Ht则为Hu均值线以上像素纵坐标的动态均值，计算见公式3：

其中，用于标定体高的鬐甲顶点A恰好由Ht与马体轮廓的相交点得到,与此同时，根据鬐甲顶点到前后足最低点所在直线Hb的距离，即为马体的体高，如公式4所示：

其中ax+by+c＝0表示马体前后足底部的连线；

2)体长的获取：

动态网格中Wm线表示马体像素点横坐标的均值，计算如公式5所示：

进一步地，动态网格中Wu线表示动态网格中Wm与其右边界线的等分线，计算如公式6所示：

其中马面水平朝左时flag＝1，朝右时flag＝-1；

在马体的体长计算中，臀端点B正是由Hu与马体轮廓的尾部交点得到；胸骨前缘点C则定为Wu与其轮廓交点中纵坐标较大的点，而体长的计算即为臀端点与胸骨前缘点的欧式距离，如公式7所示：

其中(x_B，y_B)为臀端点坐标，(x_C，y_C)为胸骨前缘点坐标；

3)体长的修正：

由A(x₁，y1)、B(x1，y1)确定的直线L表示马体中心线，其与马体前后足底部的连线ax+by+c＝0平行，且与摄像头平面l形成角度为α的夹角，其中各参数间的关系由公式8表示：

根据公式7得到的体长数值length带入公式9中，即可得到体长的修正值len_adjust；

4)胸围直径的获取：

与体高、体长的二维数据相比，基于平面图像获取马体的胸围和管围指标更为困难，为此引入两项相关性较强的平面指标：胸围直径和管围直径，用于后期马体胸围、管围的预测；

引入胸围直径旨在利用其与胸围的强相关性，即二者标定的测点在马体平面图像中重合；直线Wm与轮廓交点的纵坐标间距即为胸围直径d₁，如公式10所示：

5)管围直径的获取：

在管围直径计算中，需要寻找动态网格线Hg，即为足底向上三分之一处与前后足轮廓的交点，从中获取最小值即为管围直径，如公式11所示：

2.根据权利要求1所述的基于深度学习和图像处理的马体尺测量方法，其特征在于：所述马体测点的Harris角点检测是在马体边缘检测的基础上，设计中使用常见的Harris角点检测方法筛选出候选的测量点；通过调整角点检测的blockSize参数及ksize参数，通过调节参数获得较多角点时，测量所需的测点与非测点并不能很好的区分；反之角点较少时，部分测点被遗失。