[发明专利]基于深度学习和图像处理的马体尺测量方法

说明书

本发明涉及图像处理技术领域，具体为基于深度学习和图像处理的马体尺测量方法，该方法包括以下步骤：YOLACT的分割、马体分割图像的预处理、马体尺测量点的标定和马体尺的测量。基于YOLACT实例分割技术，完成马体与背景的快速、高性能分割；提出动态网格的测点标定方法，完成马体尺特征点的数据标定；采用Regress的多元线性回归方式，完成马体尺数据中胸围、管围的数据拟合及三维预测，并以像素为640*480两匹伊犁马体图像为例，定量获得了体尺测量结果；结果表明，基于深度学习和图像测量技术，可有效进行伊犁马体尺的自动测量并将其误差控制在较小范围之间，就大体型动物的体尺测量技术而言，该研究具备范例参考意义。

技术领域

本发明涉及图像处理技术领域，具体为基于深度学习和图像处理的马体尺测量方法。

背景技术

马体尺数据是衡量马的生长发育及科学饲养、育种的重要依据。基于深度学习的马体测量技术重点解决了马体与背景的有效分割问题。YOLACT是一种较为简单的全卷积网络实现实例分割的方法，该方法以其快速、易泛化、且产生高质量的mask等技术优势适用于不同实例分割场景。马体的目标检测与背景分割过程采用该方法首先看中其在MS-COCO数据集上约30mAP的分割表现；其次马场目标检测对象及环境相对单一，目标图像的动态稳定性不作要求，且检测的精度相对不高，就YOLACT进行实例分割的图像低损失率而言，符合马体目标检测与背景分割的基本要求。

目前，大型马场的马养殖方式以散养居多，采集马体的图像信息时不可避免的纳入草场的背景、房屋、其他建筑甚至养殖人员等，现有的手段对马体尺数据的的测量不够精准，误差较大，为此提出一种基于深度学习和图像处理的马体尺测量方法。

发明内容

为了解决上述的问题，本发明提供了一种基于深度学习和图像处理的马体尺测量方法。

本发明解决其技术问题采用以下技术方案来实现：

一种基于深度学习和图像处理的马体尺测量方法，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：