（1）三维采集通道设计

点云通道上方，左侧，右侧各固定3个KinectV2相机，通道只能有一头猪单独通过，猪进入相机最近拍摄位置时，3个深度相机瞬间同步抓取局部点云。KinectV2为RGB-D深度相机设备，其深度图像分辨率为512×424像素，最大支持60 帧/s的深度数据获取，视距在0.5～3.5 m之间。通道预先设定最佳拍摄位置减少设备扫描范围，提高数据精度；多视角深度相机同步瞬间抓取减少猪运动时非刚性形变。KinectV2为消费级深度设备成本低廉，易于实现产业化。

（2）点云配准融合

从多个角度采集猪体局部点云其坐标系和参考点完全不同，需要把不同视角的局部点云统一到同一个世界坐标系，并进行无缝链接需要对点云进行配准融合。猪体各局部点云视角变换较大、无明显特征点、点云数量多，然深度摄像头固定不变，运用基于静物长方体全自动标定配准方法。测量之前在测量通道放置标准的60cm×50cm×50cm的长方体标定物，通过计算长方体特征点获取旋转矩阵与平移矩阵。各个相机坐标系对应位置关系如图5所示。

图 5 基于静物长方体全自动标定配准示意图

（3）点云去噪孔洞填补

猪在自由行走状态下采集三维点云，须建立有效的隔离栏杆等以防止猪撞击深度采集设备。而隔离栏杆与猪相距较近将深度相机发出的镭射光在两物体表面反射生成散斑产生大量噪点，同时隔离栏杆给猪两侧的点云数据带来大块孔洞。噪声需去除，孔洞需填补才能构建清晰完整的猪表面三维轮廓点云。配准后的猪体三维点云中除了有效信息还包含有地面点、噪声点和栏杆点。地面点采用RANSAC拟合地面方式移除，栏杆与待测猪相距较近时采用欧式距离聚类方法，聚类后将整块猪点云和栏杆等保留在一个个类中，而分散稀疏的近点噪声和离群点噪声都将被去除。聚类不能去除的栏杆则根据每一个聚类中心点的位置信息结合栏杆明显的位置关系逐步移除栏杆。

图6 欧式距离聚类点云去噪示意图

通道栏杆遮挡造成左侧和右侧猪体部分点云缺失，考虑到猪体表面轮廓连续且光滑，因此其表面横向切片的投影曲线应为连续并光滑的闭合曲线。利用这一特点对猪左右侧缺失点云进行填补。其方法的思路是将猪三维点云沿头尾方向切成多个薄片，图7中不同颜色的表示每层薄片，薄片切的越薄，层数越多，计算越精准，但相应所耗费的时间也越多，太薄的切片所含点云个数不够，无法形成有效拟合曲线。切片越厚，层数越少，计算相对误差会较大，但是计算时间会大大减少。

图7 猪体横向切片示意图

横向切片后的点云投影到YOZ平面，应用拟合曲线对离散切片点云进行分段拟合。如猪腹部切面投影底部有部分缺失，且不规则，故将腹部分为两个曲线进行拟合。以最左侧的离散点对应的y轴坐标y(1)的大小为分界线，将腹围切面投影的离散点分成两个部分，y值大于y(1)的表示腹围的上边界，y值小于y(1)的表示腹围的下边界。同时由于离散点的数量较多，同一x轴坐标可能对应多个点，不利于拟合，因此拟合前先去噪过滤。分割之后的曲线如图8所示，一个近似椭圆的腹围曲线被分成了两部分。其中上半部分蓝色离散点的曲线表示猪腹部的上边界曲线轮廓。下半部分橙色离散点曲线表示猪腹部下边界的曲线轮廓。使用平滑逼近法（smoothing spline）来分别对上下两条曲线拟合，如图9所示。为了保证曲线上半部分和曲线的下半部分拟合的曲线能够围成一个封闭的图形，上半部分曲线和下半部分曲线的第一个离散点和最后一个离散点是同一个点。同样分别积分求得上半周曲线和下半周曲线的长度，两条曲线之和即是猪的腹围长度。最终拟合好的效果如图9所示。

猪体体尺参数是衡量猪生长发育的重要指标，测定的参数包括体长、体高、胸宽、腹围等。体长指两耳根连线中点沿背脊线至尾根处的长度，测定时要求猪静止直立，头部微抬。体高为猪自然站立时耆甲顶点到地面的垂直高度。胸宽是猪左右前腿的最外点在地平面投影距离。腹围为腹部最宽部长度。