基于改進(jìn)K-means的羊體點(diǎn)云分割方法

劉 娜，薛河儒，馬學(xué)磊

（內(nèi)蒙古農(nóng)業(yè)大學(xué)計(jì)算機(jī)與信息工程學(xué)院，內(nèi)蒙古呼和浩特 010011）

【研究意義】在畜牧養(yǎng)殖業(yè)中，傳統(tǒng)的接觸式羊體尺測(cè)量不僅測(cè)量精度低，耗時(shí)長(zhǎng)，且易使羊產(chǎn)生應(yīng)激反應(yīng)等問(wèn)題，因此無(wú)接觸體尺精準(zhǔn)測(cè)量成為目前畜牧養(yǎng)殖業(yè)中的研究熱點(diǎn)。研究表明，羊體點(diǎn)云分割是利用機(jī)器視覺(jué)實(shí)現(xiàn)羊體尺無(wú)接觸精確測(cè)量的重要環(huán)節(jié)。能夠從具有復(fù)雜背景的點(diǎn)云中精準(zhǔn)的分割出羊體點(diǎn)云，可有效地提高無(wú)接觸式[1]羊體尺測(cè)量[2-4]精準(zhǔn)度，從而對(duì)羊進(jìn)行準(zhǔn)確的體征分析，如體尺、體質(zhì)量等?！厩叭搜芯窟M(jìn)展】當(dāng)前，國(guó)內(nèi)外針對(duì)三維點(diǎn)云分割的方法主要有：邊緣檢測(cè)法、模型擬合法、區(qū)域增長(zhǎng)法和特征聚類法。邊緣檢測(cè)法[5]-[6]是通過(guò)標(biāo)識(shí)點(diǎn)云圖像中特征變化明顯的點(diǎn)，去除不相關(guān)的點(diǎn)云信息，實(shí)現(xiàn)除邊緣外的點(diǎn)云數(shù)據(jù)的分割。主要有：基于體素柵格和八叉樹(shù)的方法進(jìn)而對(duì)點(diǎn)云圖像進(jìn)行邊界識(shí)別，以完成點(diǎn)云分割；引入Alpha-Shapes條件判斷對(duì)點(diǎn)云圖像進(jìn)行地面邊緣檢測(cè)。模型擬合法[7]：根據(jù)三維點(diǎn)云的空間幾何特征選擇合適的幾何模型進(jìn)行匹配。主要有：利用隨機(jī)采樣一致性算法檢測(cè)三維點(diǎn)云中存在的平面、球體、長(zhǎng)方體、圓柱體等幾何模型，進(jìn)而得到點(diǎn)云分割結(jié)果。區(qū)域增長(zhǎng)法[8-10]：它是根據(jù)具體點(diǎn)云數(shù)據(jù)的特征，選擇恰當(dāng)?shù)姆N子點(diǎn)并從此點(diǎn)開(kāi)始增長(zhǎng)，搜索指定鄰域內(nèi)滿足自定義生長(zhǎng)準(zhǔn)則的點(diǎn)云集合。主要有：利用Octree 對(duì)城市點(diǎn)云數(shù)據(jù)進(jìn)行區(qū)域增長(zhǎng)，進(jìn)而完成分割；通過(guò)引入點(diǎn)云曲率信息，從而確定種子點(diǎn)的選擇，根據(jù)自定義的生長(zhǎng)準(zhǔn)則，得到較好的分割效果；結(jié)合超體素和區(qū)域生長(zhǎng)法，對(duì)所選取的植物3個(gè)物候期的點(diǎn)云數(shù)據(jù)進(jìn)行分割。特征聚類法：是將點(diǎn)云數(shù)據(jù)按照指定的數(shù)據(jù)特征，把特征相同或相似的點(diǎn)云劃分到同一類，不同類間點(diǎn)云數(shù)據(jù)屬性獨(dú)立。林國(guó)祥等[11]利用傳統(tǒng)K-means 聚類的方法對(duì)單檔電力線激光雷達(dá)點(diǎn)云進(jìn)行分割，但分割結(jié)果不穩(wěn)定；Swita等[12]根據(jù)引入的密度信息確定初始聚類中心，進(jìn)而完成對(duì)K-means 聚類算法的改進(jìn)，提升了算法的執(zhí)行速度；孫紅巖等[13]利用譜系聚類和改進(jìn)的K-means 聚類算法對(duì)三維點(diǎn)云數(shù)據(jù)進(jìn)行分割，試驗(yàn)證明其改進(jìn)的聚類算法分割效果更好?！颈狙芯壳腥朦c(diǎn)】傳統(tǒng)K-means 點(diǎn)云分割，隨機(jī)選擇K 個(gè)初始聚類中心，并將點(diǎn)云中的每一個(gè)點(diǎn)劃分到距離最近的初始聚類中心所在的聚類區(qū)域中，最終得到類內(nèi)點(diǎn)云數(shù)據(jù)屬性相同，類間數(shù)據(jù)屬性獨(dú)立的K個(gè)點(diǎn)云集合。但傳統(tǒng)K-means 聚類分割算法的不足在于：（1）在計(jì)算點(diǎn)云中每個(gè)點(diǎn)到聚類中心的距離時(shí)，只使用點(diǎn)云的三維坐標(biāo)值進(jìn)行計(jì)算，參與計(jì)算點(diǎn)距離的點(diǎn)云數(shù)據(jù)屬性單一，導(dǎo)致算法對(duì)點(diǎn)云曲面特征變化的敏感性較差；（2）初始聚類中心隨機(jī)選取導(dǎo)致分割結(jié)果不固定?！緮M解決的關(guān)鍵問(wèn)題】研究旨在針對(duì)以上問(wèn)題，結(jié)合羊體點(diǎn)云數(shù)據(jù)的特征，引入點(diǎn)云的曲率信息，對(duì)傳統(tǒng)K-means 算法進(jìn)行改進(jìn)。首先，計(jì)算點(diǎn)云數(shù)據(jù)的曲率，利用點(diǎn)云的曲率信息對(duì)點(diǎn)云間的距離進(jìn)行約束。其次，選取點(diǎn)云主曲率最大的前K個(gè)點(diǎn)作為K-means 分割算法的初始聚類中心，以期實(shí)現(xiàn)對(duì)點(diǎn)間坐標(biāo)距離很近但曲面變化較大的羊體點(diǎn)云進(jìn)行精確分割及保證分割結(jié)果的唯一性和穩(wěn)定性。

1 材料與方法

1.1 點(diǎn)云數(shù)據(jù)采集

采用易福門(mén)制造的型號(hào)為O3D303的三維攝像機(jī)進(jìn)行數(shù)據(jù)采集，鏡頭孔徑為60°× 45°，圖像分辨率為352像素× 264像素。攝像機(jī)需外接電源為其供電，借助以太網(wǎng)和計(jì)算機(jī)對(duì)目標(biāo)物體進(jìn)行數(shù)據(jù)采集，可實(shí)時(shí)記錄獲取到的點(diǎn)云數(shù)據(jù)。與激光掃描儀相比，三維攝像機(jī)獲取點(diǎn)云數(shù)據(jù)冗余量較小，且更方便快捷。研究試驗(yàn)對(duì)象為3周歲的蘇尼特羊標(biāo)本，使用一臺(tái)三維攝像機(jī)對(duì)其進(jìn)行數(shù)據(jù)采集。進(jìn)行數(shù)據(jù)采集時(shí)，攝像機(jī)自動(dòng)建立空間直角坐標(biāo)系，并以攝像機(jī)所在的點(diǎn)為坐標(biāo)原點(diǎn)，垂直于地面方向?yàn)閤軸，垂直于羊體點(diǎn)云所在的平面方向?yàn)閦軸，垂直于x、z軸所在的平面方向?yàn)閥軸。如圖1所示，共獲取20 266個(gè)點(diǎn)云數(shù)據(jù)。

1.2 點(diǎn)云預(yù)處理

對(duì)原始點(diǎn)云進(jìn)行適當(dāng)?shù)狞c(diǎn)云預(yù)處理，是點(diǎn)云分割的必要前提。通過(guò)攝像機(jī)獲取的原始點(diǎn)云數(shù)據(jù)中存在一些離羊體點(diǎn)云較遠(yuǎn)的無(wú)效點(diǎn)，如圖1中羊體的背景，以及左右兩側(cè)的書(shū)桌。因此，需要對(duì)原始點(diǎn)云進(jìn)行濾波，濾除無(wú)效點(diǎn)。根據(jù)無(wú)效點(diǎn)云的特征，采用直通濾波將不在范圍內(nèi)的點(diǎn)云濾除。對(duì)原始羊體點(diǎn)云數(shù)據(jù)進(jìn)行直通濾波時(shí)，在x，y，z軸上的濾波取值范圍分別為0.0～0.0 m（在x軸上不需濾除無(wú)效點(diǎn)）、-0.59～0.65 m、1.1～2.0 m。使用直通濾波濾除羊體點(diǎn)云中的離散點(diǎn)，可提高后續(xù)算法的精度。經(jīng)直通濾波后，點(diǎn)云數(shù)據(jù)中依然存在噪聲點(diǎn)及無(wú)效點(diǎn)。采用統(tǒng)計(jì)濾波[14-15]對(duì)其進(jìn)行準(zhǔn)確濾除。統(tǒng)計(jì)濾波是通過(guò)統(tǒng)計(jì)點(diǎn)云數(shù)據(jù)中某一點(diǎn)與其在設(shè)定鄰域內(nèi)的點(diǎn)集之間的距離，以濾除不符合條件的無(wú)效點(diǎn)。在該算法中有兩個(gè)參數(shù)需要設(shè)置，鄰域點(diǎn)數(shù)目k和標(biāo)準(zhǔn)差倍數(shù)閾值。試驗(yàn)中，設(shè)定k為25，標(biāo)準(zhǔn)差倍數(shù)閾值為1。原始羊體點(diǎn)云經(jīng)點(diǎn)云濾波后的實(shí)驗(yàn)結(jié)果如圖2所示。經(jīng)直通濾波和統(tǒng)計(jì)濾波處理后，羊體點(diǎn)云數(shù)據(jù)量分別為9 395個(gè)、8 483個(gè)。

圖1 復(fù)雜背景下原始羊體圖像Fig.1 Original sheep body image under complex background

圖2 羊體點(diǎn)云數(shù)據(jù)的濾波結(jié)果Fig.2 Filtered results of sheep point cloud data

濾波后的點(diǎn)云數(shù)據(jù)在去除了噪聲的同時(shí)，數(shù)據(jù)量也有所減少，但其密度依然很大，因此，計(jì)算效率較低[16]。試驗(yàn)在能確保點(diǎn)云特征不變的情況下，使用體素柵格的方法對(duì)冗余數(shù)據(jù)進(jìn)行適當(dāng)?shù)南虏蓸覽17]可大幅度降低點(diǎn)云分割計(jì)算量，提高效率。首先，對(duì)經(jīng)統(tǒng)計(jì)濾波后的點(diǎn)云數(shù)據(jù)采用八叉樹(shù)算法進(jìn)行體素化；其次，確定每個(gè)小立方體素柵格的重心，使用距其空間位置最近的點(diǎn)云數(shù)據(jù)代表每個(gè)體素柵格。在確保點(diǎn)云數(shù)據(jù)經(jīng)下采樣后形狀特征不發(fā)生改變的情況下，對(duì)濾波后的點(diǎn)云數(shù)據(jù)進(jìn)行疏密判斷，設(shè)置小立方體素邊長(zhǎng)為0.025 cm[18]。體素化前后點(diǎn)云數(shù)據(jù)量分別為：8 483個(gè)、3 441個(gè)，如圖3所示。

圖3 體素化后的羊體點(diǎn)云Fig.3 Sheep body point cloud after voxelization

1.3 改進(jìn)k-means點(diǎn)云分割

試驗(yàn)為實(shí)現(xiàn)數(shù)據(jù)預(yù)處理后點(diǎn)云數(shù)據(jù)的精準(zhǔn)分割，針對(duì)傳統(tǒng)K-means 分割算法存在的不足，提出了利用曲率約束點(diǎn)距離和選取曲率最大的前K個(gè)點(diǎn)作為初始聚類中心的計(jì)算方法。

1.3.1 曲率約束點(diǎn)距離的計(jì)算 由于采用傳統(tǒng)歐式距離對(duì)三維點(diǎn)云數(shù)據(jù)的點(diǎn)距離進(jìn)行度量時(shí)，分割效果不準(zhǔn)確。試驗(yàn)根據(jù)羊體點(diǎn)云數(shù)據(jù)特點(diǎn)，考慮引入點(diǎn)云數(shù)據(jù)的曲率信息，對(duì)三維點(diǎn)云數(shù)據(jù)的點(diǎn)距離進(jìn)行重新定義，以實(shí)現(xiàn)羊體點(diǎn)云數(shù)據(jù)的細(xì)分割。具體定義如下：

定義1.點(diǎn)向量表示。假設(shè)點(diǎn)云集F第i個(gè)數(shù)據(jù)點(diǎn)fi的坐標(biāo)為，數(shù)據(jù)點(diǎn)fi的高斯曲率為，平均曲率為，由高斯曲率和平均曲率構(gòu)成曲率向量主曲率為，則點(diǎn)fi的向量表示為公式①：

（1）點(diǎn)云曲率計(jì)算。曲率是反應(yīng)物體空間幾何特征的決定性因素［19］，因此羊體點(diǎn)云表面的彎曲程度可由曲率進(jìn)行描述。采用kd-tree 建立點(diǎn)云數(shù)據(jù)之間的拓?fù)潢P(guān)系，利用二次曲面擬合[20]方式計(jì)算點(diǎn)云數(shù)據(jù)的曲率。

對(duì)于給定的三維點(diǎn)云集｜F={fi|fi∈R3,i=1,2,…,n}中的任意點(diǎn)fi及fi的k近鄰點(diǎn)集Neighbor(f)i，進(jìn)行二次曲面擬合，其方程為公式②：

曲面的弧長(zhǎng)可決定曲面的第一基本形式，可表示為公式③：

若(u0,v0)與近鄰點(diǎn)的距離表示為公式④：

則曲面第二基本形式可表示為：

由此推導(dǎo)出計(jì)算主曲率的公式：

其中，kN表示主曲率，取值為k1和k2。由此可得：

高斯曲率K為：

平均曲率H為：

整理公式（8）、（9），可得主曲率的取值：

（2）點(diǎn)云間距離計(jì)算。傳統(tǒng)K-means分割算法中，使用歐式距離衡量點(diǎn)云中每一點(diǎn)到聚類中心的距離。歐氏距離僅使用點(diǎn)云的三維坐標(biāo)參與計(jì)算，其數(shù)據(jù)屬性單一，對(duì)羊體點(diǎn)云表面的曲面特征變化沒(méi)有給出有效的衡量方式。因此對(duì)于給定的距離閾值，即使羊體表面點(diǎn)云數(shù)據(jù)曲率變化顯著，但當(dāng)前點(diǎn)云到最近的聚類中心距離值在給定閾值范圍之內(nèi)，此點(diǎn)云依然會(huì)被劃分到此聚類中心所在的聚類區(qū)域中。為了能得到精確的點(diǎn)云分割效果，試驗(yàn)引入曲率信息對(duì)點(diǎn)距離進(jìn)行計(jì)算。

定義2.點(diǎn)云間的距離。假設(shè)給定點(diǎn)云集F中任意兩點(diǎn)：fi=（xi，yi，zi，Ki，Hi，ki1，ki2），fj=（xj，yj，zj，Kj，Hj，kj1，kj2），則兩點(diǎn)之間的空間距離可定義為：

其中，DB(fi,fj)表示點(diǎn)fi與fj之間的歐式距離，DQ(fi,fj)表示點(diǎn)fi與fj之間距離的曲率約束，α表示調(diào)整參數(shù)。則DB(fi,fj)的計(jì)算公式為：

其中，θ=αβ，θ為曲率調(diào)整參數(shù)。當(dāng)點(diǎn)云曲面特征變化明顯，需要把當(dāng)前點(diǎn)云分割出當(dāng)前聚類中心所在的區(qū)域時(shí)，調(diào)整θ的取值，使其適當(dāng)增大。

1.3.2 聚類中心的選取 在基于聚類的分割算法中，初始聚類中心選擇的優(yōu)劣直接影響分割效果。因此，根據(jù)不同點(diǎn)云圖像的特征，選擇適當(dāng)?shù)某跏季垲愔行氖谦@得準(zhǔn)確分割效果的重要前提。針對(duì)傳統(tǒng)K-means 分割算法隨機(jī)選擇初始聚類中心導(dǎo)致的分割結(jié)果不穩(wěn)定，且分割效果不準(zhǔn)確的缺陷，經(jīng)多次試驗(yàn)研究，利用主曲率k2作為選擇羊體初始聚類中心的依據(jù)，并且選擇曲率最大的前K 個(gè)點(diǎn)作為初始聚類中心，可提高分割效果的準(zhǔn)確性和穩(wěn)定性。

1.3.3 聚類算法的實(shí)現(xiàn) 對(duì)于點(diǎn)云集合F={fi|fi∈R3,i=1,2,…,n}，分割成K個(gè)聚類區(qū)域，則可定義準(zhǔn)則函數(shù)為：

其中，點(diǎn)云集合F的第i個(gè)聚類區(qū)域表示為Si，Si中任意一點(diǎn)表示為f，Si的聚類中心表示為ci。

點(diǎn)云集合中任意點(diǎn)f被劃分到具體聚類區(qū)域中的判定公式：

對(duì)于不滿足收斂條件的聚類區(qū)域，更新其聚類中心的公式為：

其中，n表示聚類區(qū)域中包含的點(diǎn)數(shù)量。

基于改進(jìn)K-means的羊體點(diǎn)云分割算法步驟如下：

（1）對(duì)采集到的點(diǎn)云圖像進(jìn)行數(shù)據(jù)預(yù)處理。（2）計(jì)算經(jīng)預(yù)處理后點(diǎn)云數(shù)據(jù)的高斯曲率K、平均曲率H及主曲率k1、k2，由此得到點(diǎn)云向量（3）利用主曲率k2作為選取初始聚類中心點(diǎn)的依據(jù)，選取曲率最大的前K 個(gè)點(diǎn)作為初始聚類中心。（4）通過(guò)公式○16得到點(diǎn)云集合F中每一點(diǎn)到{c1,c2,…,ck}中各初始聚類中心的距離。（5）根據(jù)公式○18，將（4）中所得距離聚類中心最近的點(diǎn)聚類到該聚類中心所在的區(qū)域{S1,S2,…,Sk}。（6）按照公式○19 更新{S1,S2,…,Sk}中各聚類區(qū)域的聚類中心，得{c1,c2,…,ck}，重復(fù)（4），（5）。（7）直到更新的聚類中心點(diǎn)集{c1,c2,…,ck}不再發(fā)生變化或者收斂于E，結(jié)束聚類，得到最終分割結(jié)果。

2 結(jié)果與分析

圖4 K增長(zhǎng)時(shí)算法執(zhí)行時(shí)間Fig.4 Algorithm execution time as K grows

研究使用CPU 為Inter（R）Core（TM）i7-8550U CPU@1.80 Hz 2.00 GHz，16 G 內(nèi)存的計(jì)算機(jī)進(jìn)行試驗(yàn)，應(yīng)用Visual C++2017 編程環(huán)境，基于PCL開(kāi)源C++編程庫(kù)，分別用傳統(tǒng)K-means分割算法和改進(jìn)K-means分割算法對(duì)羊體點(diǎn)云數(shù)據(jù)進(jìn)行分割。圖4 為采用改進(jìn)的K-means 分割方法對(duì)羊體點(diǎn)云數(shù)據(jù)進(jìn)行分割的過(guò)程中，初始聚類中心K 與算法執(zhí)行時(shí)間T 的關(guān)系。由圖可知，當(dāng)K取10～20 時(shí)，算法執(zhí)行時(shí)間增幅較緩；隨著K 不斷增大，當(dāng)K取20 以上時(shí)，算法執(zhí)行時(shí)間增幅較大，時(shí)間開(kāi)銷大，K 值不可用。實(shí)驗(yàn)過(guò)程中發(fā)現(xiàn)，當(dāng)K取10～15時(shí)，初始聚類中心數(shù)量過(guò)少，分割效果不佳，K值不可用。

圖5 K和θ一定時(shí)，曲率排序選取初始聚類中心和隨機(jī)選取初始聚類中心的分割對(duì)比結(jié)果Fig.5 The results of segmentation comparison between initial clustering center and random clustering center selected when theKandθare fixed

圖5（a）-圖5（f）為采用改進(jìn)K-means分割算法進(jìn)行分割試驗(yàn)過(guò)程中，當(dāng)K和θ一定時(shí)，對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行曲率排序選取初始聚類中心和隨機(jī)選取初始聚類中心的分割對(duì)比結(jié)果。

其中，圖5（a）、（c）、（e）分別為K取16、18、20時(shí)，利用曲率排序選取初始聚類中心進(jìn)行分割，所得的最佳聚類結(jié)果，但僅圖5（c）（K=18,θ=0.9）分割效果較為理想。由圖5（a）-圖5（f）對(duì)比可知，利用曲率排序選取初始聚類中心相較于隨機(jī)選取初始聚類中心得到的分割效果更好。

圖6 為利用傳統(tǒng)K-means 算法進(jìn)行分割的結(jié)果。傳統(tǒng)K-means 算法在曲面曲率變化顯著的區(qū)域仍按照歐式距離進(jìn)行聚類，因此羊體腳部與地面接觸的區(qū)域無(wú)法精確分割。圖7（a）-圖7（h）為利用改進(jìn)的K-means聚類算法在K一定(K=18)的前提下，θ取不同值時(shí)的聚類結(jié)果。當(dāng)θ=0.1 時(shí)（圖5（a）），曲率對(duì)點(diǎn)距離約束較弱，導(dǎo)致不同聚類區(qū)域的點(diǎn)被分割到同一區(qū)域中，出現(xiàn)欠分割現(xiàn)象（圖5（b））；當(dāng)θ取值逐漸增大時(shí)（圖5（c）），曲率對(duì)點(diǎn)距離的約束逐漸增強(qiáng)，分割效果準(zhǔn)確性逐漸提高；當(dāng)θ取值過(guò)大時(shí)（圖5（g），θ=5），曲率對(duì)點(diǎn)距離約束過(guò)強(qiáng)，導(dǎo)致同一聚類區(qū)域的點(diǎn)被劃分出去，出現(xiàn)過(guò)分割現(xiàn)象（圖5（h））。相對(duì)來(lái)說(shuō)，θ=0.9 時(shí)的分割效果較為理想，圖5（f）為從圖5（e）中提取出的羊體點(diǎn)云數(shù)據(jù)，分割結(jié)果達(dá)到了預(yù)期。圖7（a）-圖7（b）為利用改進(jìn)的K-means分割算法，在K=18，θ=0.9 時(shí)，以羊體點(diǎn)云數(shù)據(jù)中隨機(jī)選取的點(diǎn)作為初始聚類中心進(jìn)行分割的結(jié)果圖。可以看出，兩次試驗(yàn)的分割結(jié)果明顯不一致且均不準(zhǔn)確。與圖5（f）相比，后者分割結(jié)果更具穩(wěn)定性和準(zhǔn)確性。研究改進(jìn)的K-means 算法可將羊體從地面準(zhǔn)確的分割出來(lái)，且避免了傳統(tǒng)K-means 算法隨機(jī)選取初始聚類中心導(dǎo)致的分割結(jié)果不穩(wěn)定及不精確的問(wèn)題。總體分割效果較好，可提高后續(xù)測(cè)點(diǎn)識(shí)別度。

圖6 傳統(tǒng)K-means分割結(jié)果Fig.6 Traditional K-means segmentation results

圖7 改進(jìn)K-means分割結(jié)果Fig.7 Improved K-means segmentation results

圖8 隨機(jī)選取初始聚類中心不同試驗(yàn)的分割結(jié)果Fig.8 Segmentation results of randomly selected initial cluster centers with different trial times

3 結(jié)論與討論

研究采用改進(jìn)的K-means 羊體點(diǎn)云分割方法，引入曲率信息，對(duì)點(diǎn)云間的距離進(jìn)行重新定義，實(shí)現(xiàn)了羊體點(diǎn)云數(shù)據(jù)曲率變化顯著部位的準(zhǔn)確分割。同時(shí)，對(duì)點(diǎn)云的主曲率k2排序，選取曲率最大的前k 個(gè)點(diǎn)云作為初始聚類中心，避免了隨機(jī)選擇初始聚類中心存在的弊端，提高了分割效率。以此分割結(jié)果作為下一步羊體測(cè)量點(diǎn)識(shí)別的試驗(yàn)依據(jù)，對(duì)羊體的無(wú)接觸測(cè)量具有重要的研究意義。

采用改進(jìn)的K-means算法對(duì)所采集到的羊體點(diǎn)云數(shù)據(jù)進(jìn)行分割的過(guò)程中，可以通過(guò)手動(dòng)調(diào)節(jié)θ的取值，來(lái)獲得較為理想的分割效果。為進(jìn)一步提高羊體分割的準(zhǔn)確性，可以采用去羊場(chǎng)拍攝活體羊同時(shí)增加羊體點(diǎn)云數(shù)據(jù)樣本數(shù)量的方式，以提高分割模型在惡劣環(huán)境下的分割能力。

致謝：內(nèi)蒙古農(nóng)業(yè)大學(xué)計(jì)算機(jī)學(xué)院薛河儒教授對(duì)研究給予了指導(dǎo)與支持，馬學(xué)磊博士對(duì)研究給予了幫助，謹(jǐn)致謝意!