国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      RGBD序列場景流計算中深度圖像優(yōu)化方法與流程

      文檔序號:11730183閱讀:1653來源:國知局
      RGBD序列場景流計算中深度圖像優(yōu)化方法與流程

      本發(fā)明涉及深度圖像自動分層方法,特別涉及一種rgbd序列場景流計算中深度圖像優(yōu)化方法。



      背景技術:

      場景流是空間場景或物體運動所形成的三維運動場,場景流將場景或物體的運動估計由二維拓展到三維,在機器人視覺、無人機導航、虛擬現(xiàn)實以及遠程控制等方面具有重要的應用價值。隨著消費級深度傳感器變得廣泛普及,用rgbd序列估計場景流越來越受關注。雖然深度圖像信息可以從單視點rgb圖像還原場景或物體的3d運動與結(jié)構(gòu),但是當深度圖中場景或物體的邊緣沒有準確地與rgb圖像邊緣匹配,會導致基于rgbd序列的場景流計算模型無法確定場景或物體的運動邊界。因此,采用rgbd序列估計場景流技術首先需要根據(jù)深度圖像的分層信息確定深度圖像與rgb圖像中場景或物體的邊緣匹配結(jié)果。

      現(xiàn)有的場景流計算深度圖像分層方法通常是采用人工設定分層數(shù)量,由于不同類型rgbd序列圖像的運動與場景信息千差萬別,使其在實際應用中受到極大限制。



      技術實現(xiàn)要素:

      本發(fā)明的目的是利用rgbd序列圖像幀間光流優(yōu)化深度圖像的分層與分割,實現(xiàn)rgbd序列場景流計算中深度圖像的自動分層與分割,優(yōu)化深度圖像分割。

      為了解決上述技術問題,本發(fā)明采取以下技術方案。rgbd序列場景流計算中深度圖像優(yōu)化方法,其步驟如下:

      1)首先設定任意初始分層層數(shù);

      2)計算rgb圖像序列連續(xù)兩幀圖像間的光流,并根據(jù)初始分層層數(shù)對深度圖進行k均值聚類,得到初始的分割圖;

      3)利用rgb序列圖像幀間的光流,判定分割圖的相鄰層是否滿足合并條件,判斷規(guī)則如下:

      a)檢測初始分層的各層區(qū)域是否相鄰,如果不相鄰,則不是同一運動物體,保留初始分層結(jié)果;

      b)檢測初始分層結(jié)果中相鄰層平均光流的角誤差ae和點誤差ee,滿足式(1)中任意一個判定公式則將初始分層結(jié)果中的相鄰層進行合并:

      式中:表示初始分層結(jié)果中第k層和第k+1層水平方向上的光流平均值;表示初始分層結(jié)果中第k層和第k+1層垂直方向的光流平均值;ae和ee表示初始分層結(jié)果中相鄰兩層執(zhí)行合并的閾值;

      4)對執(zhí)行完合并的分割圖進行重新排序,得到自動分層層數(shù)n_auto和深度圖像分割優(yōu)化結(jié)果;

      5)將得到的自動分層層數(shù)n_auto和深度圖像分割優(yōu)化結(jié)果,作為初始分層數(shù)和初始深度圖像循環(huán)執(zhí)行步驟3)和步驟4),當深度圖像自動分層層數(shù)n_auto不再改變時,停止循環(huán),得到最終的深度圖像自動分層層數(shù)n_auto和深度圖像分割優(yōu)化結(jié)果。

      進一步,所述初始分層的層數(shù)為1~10層。

      進一步,所述步驟3)的判斷規(guī)則b)中閾值0<ae≤1,0<ee≤1。

      本發(fā)明方法利用rgb序列圖像幀間光流對深度圖像進行自動分層與分割優(yōu)化,首先人工設定任意初始分層層數(shù),然后對深度圖像進行k均值聚類,使得深度圖像中每一層最多只包含一個運動物體,深度圖像分層與目標分割充分體現(xiàn)圖像序列運動邊界,避免一個運動目標分割到多層或者是多個運動目標分割到同一層,最后利用圖像序列幀間光流對深度圖像相鄰層進行判斷合并,從而實現(xiàn)自動分層,最終達到優(yōu)化深度圖像分割的目的。

      附圖說明

      圖1a和圖1b是bear_back圖像序列連續(xù)兩幀圖像(其中:圖1a是第一幀圖像,圖1b是第二幀圖像);

      圖1c是圖1a對應的深度圖像;

      圖2a是由bear_back圖像序列計算得到的光流圖;

      圖2b是對圖1c深度圖像進行k均值聚類得到的深度圖像初始分割結(jié)果圖;

      圖3是本發(fā)明專利的深度圖像自動分層與優(yōu)化分割步驟圖;

      圖4是本發(fā)明得到深度圖像自動分層與優(yōu)化分割結(jié)果圖。

      具體實施方式

      以下結(jié)合附圖和實施例對本發(fā)明作進一步說明。參見圖1a至圖4,rgbd序列場景流計算中深度圖像優(yōu)化方法,使用bear_back圖像序列對深度圖像自動分層和優(yōu)化分割進行實驗說明:

      1)由于圖像場景通常都分解為少量的獨立運動物體,如圖1a和圖1b是bear_back圖像序列連續(xù)兩幀圖像(其中:圖1a是第一幀圖像,圖1b是第二幀圖像),圖1c是圖1a對應的深度圖像;首先設定初始分層層數(shù)n=8;

      2)計算bear_back圖像序列連續(xù)兩幀間的光流,如圖2a所示;并根據(jù)初始分層層數(shù)對bear_back圖像序列對應的深度圖像進行k均值聚類得到初始的深度圖像分割結(jié)果,如圖2b所示;

      3)利用rgb圖像序列幀間的光流判定分割圖相鄰層是否滿足合并條件,判斷規(guī)則如下:

      a)檢測初始分層的各層區(qū)域是否相鄰,如果不相鄰則不是同一運動物體,保留初始分層結(jié)果;

      b)檢測初始分層結(jié)果中相鄰層平均光流的角誤差ae和點誤差ee,滿足式(1)中任意一個判定公式則將初始分層結(jié)果中的相鄰層進行合并:

      式中:表示初始分層結(jié)果中第k層和第k+1層水平方向上的光流平均值;表示初始分層結(jié)果中第k層和第k+1層垂直方向的光流平均值;ae和ee表示初始分層結(jié)果中相鄰兩層執(zhí)行合并的閾值,取ae=0.5,ee=1;

      4)如圖3所示,對執(zhí)行完合并的分割圖進行重新排序,得到自動分層層數(shù)n_auto和深度圖像分割優(yōu)化結(jié)果;

      5)將得到的自動分層層數(shù)n_auto和深度圖像分割優(yōu)化結(jié)果作為初始分層數(shù)和初始深度圖像循環(huán)執(zhí)行步驟(3)~(4),當深度圖像自動分層層數(shù)n_auto不再改變時,停止循環(huán),得到最終的深度圖像自動分層層數(shù)n_auto和深度圖像分割優(yōu)化結(jié)果,如圖4所示。

      由圖4深度圖像分層與分割優(yōu)化結(jié)果可以看出,本發(fā)明能夠?qū)崿F(xiàn)深度圖像自動分層,并可以準確地對圖像中的不同景深運動物體進行分層分割,在無人機避障、汽車自主駕駛以及機器人等領域具有廣泛的應用前景。

      當前第1頁1 2 
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1