- 文献综述（或调研报告）：
1.基于图像处理的动物生理参数测量技术研究现状
图像处理技术是计算机对图像信息进行处理的技术，主要包括图像数字化、图像增强和复原、图像数据编码、图像分割和图像识别。目前利用图像处理技术进行一些测量评估活动在国内外已经很常见。但对动物进行评测大多为国外研究，此类研究基本上是对牛羊一类畜牧动物进行的，大多为了评估其身体状态是否良好，有无病变。G. Azzaro等人在2011年通过使用放置在挤奶机器人出口门上方的摄像机拍摄母牛的后部，背部骨盆和腰部区域的图像；同时由两名技术人员在现场估计每头牛的BCS（身体状况评分），并将其与牛的图像相关联，通过该基准数据集开发了奶牛BCS（身体状况评分）自动化系统，但是该系统训练和采用阶段期间手动标记解剖学点[1]。相比于此，A. Poursaberi等人在2010年提出了一种实现了全自动地评估奶牛的跛足情况：该方法通过图像处理得出奶牛的背部姿态并以此为评估标准判断奶牛的跛足情况[2]。
还有一部分研究通过图像估计牛羊的体重：Sakir Tasdemir等人在2010年使用计算机IA测量牛的BM（体格测量值）来估计LW（活体重），他们首先通过直接测量手动确定包括体高（WH）、臀部高度（HH）、身长（BL）、臀部宽度（HW）以及牛的LW在内的BM[3]。然后同步从不同方向拍摄母牛的数码照片，并通过IA软件进行分析，以计算每头母牛的WH，HH，BL和HW，然后借助回归方程进行基于BM的LW估计。该方案操作十分复杂，实验者首先需要在特定的通道前架设多台摄像机，并能操纵同步拍摄图片，其次需要将牛从这个特定的通道中依次放出，最后还需要操作IA软件测量参数；但通过对比人工测量和IA测量的结果证实通过牛体型参数估计牛体重的可行性。国内兰州大学丁路明教授等人在2019年做过相似的研究：他们通过拍摄牦牛从特定栏杆通过的图片，使用PS人工测量牦牛的体高、体斜长、体侧面积三个参数，与事先测好的牦牛体重做回归分析，最终得出通过体型参数估计牦牛体重的相关方程[4]。
2.基于视频的人体参数自动测量技术研究现状
人体测量学是指人体的相对测量值，例如站立高度、坐姿高度、体重、手臂长度和臀围。近来，用于计算机辅助和基于图像的人体测量学的技术作为人工人体测量学的替代方法脱颖而出。郭力子等人提出对二维图像实施交互式测量获取特征部位数据,如宽度、厚度、夹角、两点间距离等,再利用人体拟合曲线方程计算出人体关键部位尺寸[5]。徐慧明等利用图像分割背景差分法提取人体图像轮廓,再根据边缘检测、人体部位与身高比值确定关键部位特征点,最后通过消失点方法与比例法的结合获取人体参数尺寸[6]。
基于视频的人体运动参数测量是通过对视频中关键帧的分析和对视频中运动行人的检测、跟踪和计算得出行人的身体量测参数，如身高、速度、步幅以及步频或者其它运动参数等。基于视频的人体运动测量的方法有多种，根据摄像机是否标定大致可以分为绝对测量和相对测量。绝对测量需要借助比如棋盘格标定块等的高精度标定块对相机进行标定实验，从而确定摄像机的内部参数以及畸变系数，绝对测量的测量结果准确度较相对测量高，但是其标定过程较为繁琐；而相对测量不需要对相机进行标定实验，仅仅通过利用拍摄视频中的场景信息比如楼房建筑、桌椅墙壁等或者是目标本身的一些结构信息，包括垂直、平行、共线点等，来获取视频场景与实际场景之间的转换关系，相对测量是一种灵活的测量方法，但准确度略差[7]。Peng.K等人提出一种通过在场景中建立欧几里德坐标系来测量几何量的算法，该方法基于投影几何中的约束关系和共线四点交比不变性质以获得目标长度的实际距离，但是算法本身要求高质量的图片，假如图片模糊或者严重失真，测量精度将会大大降低。而基于视频序列的测量可以利用视频序列中的信息进行运动测量，还可以对单帧测量结果做汇总统计从而得到更加精确的平均值，因此相比与基于图像的测量具有较高的准确度。Chiraz BenAbdelkader等人提出了一种基于标定视频的实时人体身高测量方法，首先，提取目标人体头部特征点，然后利用几何约束条件计算人体双脚中心点，最后利用这些特征点信息和标定投影矩阵建立约束方程计算出人体实际身高，这种视频测量算法具有准确度高的优点，但是需要对相机提前进行复杂的标定实验来确定相机各种参数矩阵[8]。
在视频中人是运动的，所以要对视频中的人进行实时分析测量，就要对运动的人体目标跟踪监测。当前，常用的运动目标检测方法主要分为光流法、 背景帧差法和帧间差分法。基于光流法的运动检测给图像中每一个像素点赋予一个速度矢量形成图像运 动场，根据各个像素点速度矢量随时间变化的光流特征对图像进行动态分析；背景减除法利用当前图像与背景参考模型的差分图像进行阈值化来检测运动目标；帧间差分法在连续图像序列中前后两个或三个相邻帧间采用像素点的灰度值相减，利用运动目标对应区域的帧差比背景区域大的特点，通过阈值化方法提取出图像中的运动区域。王成儒等人提出一种将背景减除法和帧间差分法相结合的方法：检测之后对物体进行特征提取，然后对物体进行跟踪，跟踪时采用Kalman滤波，在跟踪的基础上实时更新背景模型，检测到更准确的模型，得到更精确的跟踪效果[9]。
人体特征点提取是人体测量的关键，目前已有多种方法，例如 snake 方法、主动形状模型 (ASM)、主动表观模型(AAM)等。 ASM是为每个特征点建立对应的灰度模型,直接对形状做优化,具有较高的特征点提取精度。AAM则是将形状与纹理相结合的表观模型,其优点是具有较高的纹理精度。许明星等人在人体图像基础上通过对 ASM 算法进行改进实现人体特征点提取以及特征点尺寸测量[10]。首先, 算法计算待测图片中人脸和身体两个中心点欧式距离与对应模板进行匹配, 改变传统 ASM 算法单一模板局部模板匹配模式,提高了初次模型匹配的准确率和效率; 接着以特征点为中心选择较少有效邻域点在其灰度训练模型中目标搜索, 解决传统 ASM 方法匹配时间长且特征点易匹配失败问题。赵偲榆提出采用人体特征曲线比例值和角点法结合的方式提取特征点[11]。在参考国标《服装用人体测量的部位与方法》中关于人体各部位占人体尺寸的比例的基础上确定了所要提取的特征点在图像中的大致位置。人体特征曲线与人体轮廓线的交点即是潜在的特征点，接下来利用Harris角点法计算潜在特征点15times;15窗口区域的人体轮廓线上的像素点的曲率，曲率最大值即为最终特征点。
人体特征点的提取与人体轮廓有着重要关系，准确的人体轮廓提取将有助于特征点提取。在基于图像的人体测量中，人体轮廓的提取过程由计算机完成，轮廓提取算法应具备自适应特点。大体上轮廓提取算法可分为三类：基于边缘的轮廓提取算法、基于区域的轮廓提取算法以及基于模型的轮廓提取算法。基于边缘和基于区域的轮廓提取算法虽然能快速提取人体轮廓，但是提取效果不理想，易受到噪声干扰；基于 Snake 模型的轮廓提取算法能够提取出更为准确的人体轮廓，但是其运算量较大，需手动设置初始轮廓[12, 13]。中科院学者梁华为等开发了“从双峰直方图得出二值化阈值”的方法，这种方法不涉及任何直方图的处理，仅仅靠计算就可以得到相应的二值化阈值[14]。王妍对已经输入的人体照片，进行 HSV 肤色检测之后，把原始图像转化为灰度图像，再对灰度图像进行二值化，变成二值化图像即黑白图像，再对得到的二值化图像进行取反操作，使人体区域变成白色（有利于特征点的识别），再对照片进行去除背景噪声、平滑边界等操作；通过遍历阈值的方法，搜索出人体的最大轮廓[15]。
