面向低重叠多视角奶牛羊点云配准的SheepRPMNet模型:全局归一化与动态权重优化的创新研究

《Smart Agricultural Technology》:SheepRPMNet: Towards Low-Overlap-Aware Multi-View 3D Point Cloud Registration via Global Normalization in Dairy Sheep

【字体: 大 中 小 】 时间:2026年01月18日 来源:Smart Agricultural Technology 5.7

编辑推荐:

  本文针对奶牛羊多视角三维点云配准中重叠率低、噪声显著、结构缺失等挑战,提出了一种改进的SheepRPMNet模型。通过全局归一化坐标统一、多尺度参数预测模块和动态权重损失函数,显著提升了配准精度。实验表明,该方法在旋转误差、平移误差和Chamfer距离上均优于传统方法,为牲畜三维建模与精准体尺测量提供了可靠技术支撑。

  
在智慧畜牧业蓬勃发展的今天,精准获取牲畜的三维形态数据对育种管理、健康监测和生产效率提升具有重要意义。然而,活体奶牛羊的点云数据采集面临诸多挑战:动物体表毛发导致的噪声干扰、不同视角下点云重叠率极低、以及动物活动引发的非刚性形变等,使得传统点云配准方法如迭代最近点(ICP)和稳健点匹配(RPM)难以适用。这些方法通常依赖较高的重叠率和良好的初始对齐,在低重叠场景下易陷入局部最优,导致配准失败。
针对上述问题,本研究在RPMNet框架基础上,提出了专为奶牛羊低重叠点云配准设计的SheepRPMNet模型。该模型通过引入投影法向量分布直方图(HPNVD)特征描述符,结合局部参考帧(LRF)构建和多平面投影技术,增强了局部几何特征的表达能力;采用分层图卷积和Transformer注意力机制,实现了多尺度特征提取;创新性地设计了动态权重损失函数,根据旋转和平移偏差动态调整损失权重,加速模型收敛并提升配准精度。

关键技术方法

研究利用固定于通道两侧及顶部的三台Kinect DK相机采集奶牛羊点云数据,通过软同步确保时间一致性。数据预处理包括依次应用直通滤波、区域生长分割、半径滤波和基于密度的噪声空间聚类(DBSCAN)算法,提取有效羊体点云并下采样至每视图4096个点。模型训练采用全局中心化与归一化处理,解决尺度不一致问题;通过多尺度参数预测模块动态优化退火参数,提升低重叠区域的匹配鲁棒性。

研究结果

2.1 特征提取模块优化

HPNVD特征描述符通过将法向量投影至三个正交平面(XY、YZ、XZ)生成分布直方图,有效捕获局部几何细节。结合分层图卷积,模型在边缘特征学习过程中显式建模点云邻域关系,提升了对毛发噪声和结构缺失的适应性。

2.2 多尺度参数预测

该模块通过大、中、小三个尺度的特征分支分别提取全局形状、局部区域和细节级几何信息。实验表明,多尺度融合特征使各向同性旋转误差(Riso)降至2.7932°,较原始RPMNet(5.2680°)提升47%。

2.3 动态权重损失函数

通过计算预测旋转矩阵与单位矩阵的弗罗贝尼乌斯范数偏差(Rerr,i)和平移向量的二范数(terr,i),动态调整旋转和平移损失的权重。该机制使Chamfer距离(CD)从0.0036降至0.0013,收敛速度提升约64%。

2.4 配准精度验证

与主流方法对比显示,SheepRPMNet在各向异性旋转误差(Rani=0.0230)和平移误差(tani=0.0206)上均最优。可视化结果证实,该方法在侧视与顶视点云配准中实现了近乎完整的重叠。

结论与讨论

SheepRPMNet通过全局归一化策略和任务驱动的模块设计,显著提升了低重叠奶牛羊点云配准的精度与鲁棒性。其动态权重机制有效平衡了旋转与平移优化过程,避免了固定权重导致的收敛停滞问题。在体尺测量验证中,模型输出的体长、体高、胸深等关键参数与人工测量值的平均绝对百分比误差(MAPE)均低于3.5%,证实了其在活体牲畜三维建模中的实用价值。未来工作将聚焦于轻量化模型设计、跨物种泛化能力提升以及动态场景下的配准适应性优化,进一步推动精准畜牧业的发展。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号