[发明专利]一种结合区域合并与深度连通性的似物性估计方法

说明书

一种结合区域合并和深度连通性的似物性估计方法，在RGB‑D图像上先结合颜色通道信息和深度连通性生成以权重值为表示的边缘轮廓图，接着在边缘轮廓图的基础上获得层次式分割块，然后将不同层次的分割块组合成假想物体，再采用区域生长方法将假想物体扩展成候选物体，最后依据颜色和深度特征对候选物体进行评分和排序，并以得分高的候选物体的边界框作为似物性估计结果。本发明综合利用了RGB‑D图像的颜色通道与深度通道，能够面对RGB‑D中似物性估计的任务，取得比现有方法更加准确和鲁棒的似物性估计效果。

技术领域

本发明属于计算机视觉技术领域，涉及到针对RGB-D图像的似物性估计方法，具体为一种结合区域合并与深度连通性的似物性估计方法。

背景技术

似物性估计的目标是用少量的预估框来预测不限种类的物体的位置。这项技术作为计算机视觉领域的基础技术，可以广泛应用于物体识别，图像标注，视觉跟踪等领域，是一个重要且新颖的研究方向。

RGB-D图像包含了颜色和深度两个通道。颜色通道与普通RGB图像相同，每个像素由R、G、B三个值来表示该像素的颜色信息；深度通道在每个像素上用一个值来表示物体与传感器之间的距离。

现有的似物性估计方法可以分为两个类别：窗口评分与区域合并。窗口评分方法根据不同的似物性特征对采样框进行评分。区域合并将图片分解成不同的分割块，然后合并相似的分割块产生最后的结果。

由于物体外观在颜色通道上的多样性与复杂性，现有的针对RGB图像的似物性估计方法在准确性上仍有改进的空间。与之对比的是，物体外表通常在深度通道上是相连的，且物体边缘与背景通常在深度通道上是不连通的。然而，受到采集设备和预测算法的影响，深度通道存在噪声问题。现有的针对RGB-D图像的似物性方法大多采用窗口评分，对深度通道的利用受深度信息质量的影响较大。本发明所涉及的方法为区域合并，并且综合考虑了物体外观特征与深度连通性特征，提高了方法的鲁棒性与准确性。

发明内容

本发明要解决的问题是：针对RGB图像的似物性估计方法忽视了深度通道，准确性不足。虽然利用深度通道的针对RGB-D图像的似物性方法目前已经出现，但容易收到深度信息质量的影响而不能充分利用深度信息，且相关研究仍然处于不成熟的阶段。

本发明的技术方案为：一种结合区域合并与深度连通性的似物性估计方法，在RGB- D图像上先结合颜色通道信息和深度连通性生成以权重值为表示的边缘轮廓图，接着在边缘轮廓图的基础上获得层次式分割块，然后将不同层次的分割块组合成假想物体，再采用区域生长方法将假想物体扩展成候选物体，最后依据颜色和深度特征对候选物体进行评分和排序，并以得分高的候选物体的边界框作为似物性估计结果。

本发明具体包括以下步骤：

1)结合颜色通道信息和深度连通性生成以权重值为表示的边缘轮廓图:

1.1)利用超度量轮廓图方法获得颜色通道的分割∈，以及相邻分割块∈_i与∈_j之间的边缘权重值

1.2)计算相邻分割块∈_i与∈_j之间的深度连通性

1.3)根据1.1)得到的颜色通道的边缘权重值与1.2)得到的深度连通性得到结合颜色通道信息和深度连通性的边缘权重值μ_i,j：

其中，e_i,j是相邻分割块∈_i与∈_j的边缘，E是所有边缘的集合；

1.4)计算所有边缘的权重值μ，并合并边缘权重值过小的分割块：

μ←{μ_i,j|μ_i,j≥τ},

其中，τ是一个阈值，取τ＝0.001。