RGBD环境下的场景流估计方法研究

发布时间：2021-01-23 02:11

　　3D场景流（Scene Flow）是用于描述空间物体运动3D矢量场,在虚拟现实,目标检测、跟踪及场景理解方面有着广泛应用。随着深度传感器的普及,RGBD场景流在计算机视觉领域引起了越来越多的关注。在RGBD视频流中进行场景流估计时,传统的基于分割的方法对遮挡和大位移具有较好的效果,分层场景流方法能够根据已知场景的相对深度排序对边界建模解决遮挡问题。这类方法的遮挡和场景流估计效果会受到分割结果的影响,且现有的深度层次排序过程自动化程度低。此外,现有基于分割的方法大部分是在分割区域刚性运动的假设下进行场景流估计的,这就会使得非刚体目标的场景流估计不准确。针对以上问题,围绕3D场景流技术,本文分别针对深度图像分层技术,含有非刚性运动的场景流估计以及基于卷积神经网络的场景流估计关键技术进行了研究,本文的主要研究工作包括:（1）提出基于深度图像自动分层的场景流估计算法。该方法首先使用深度图像修复算法修复含有噪声的深度图像,接着使用SLIC超像素分割与相似区域合并算法对深度图像进行初始分层;然后在初始分层中引入光流约束实现深度图像的自动分层,最后分别在数据集Middlebury 2003,SRSF... 

【文章来源】：西安理工大学陕西省

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

场景流Fig.1-1Sceneflow目前，计算场景流的方法主要有两种，分

用于虚拟现实，物体检测，手势识别，视频压缩与显示等领域。例如：在智能机器人中，它能够在动态环境中预测周围物体在下一时刻的分布情况来实现自主导航或者自主驾驶；在气象预测中，可以根据卫星云图的运动情况预测出未来几天的天气情况；在医疗系统中，能够根据CT影像和定位技术实现快速定位，使手术过程可视化、精确化；在监测系统中，能够根据车辆运动信息及时合理的作出线路规划避免交通拥堵；在理论应用中，它可以补充和改进最新的视觉测距法和SLAM算法，这些算法通常假定可以在刚性或准刚性环境中使用。场景流的应用如图1-1所示。图1-1场景流应用示意图Fig.1-1Sceneflowapplicationdiagram目前，计算场景流的方法主要有两种，分别是基于双目立体视觉和基于RGBD计算场景流。前者计算场景流主要是通过双目立体相机采集同一物体在不同时刻的左右视图，根据

西安理工大学硕士学位论文4第五章主要对本文工作进行总结与展望，该部分主要包含了本文方法存在的不足以及未来的研究方向与工作展望。图1-2本文组织结构Fig.1-2Organizationstructure


本文编号：2994339