基于RGBD图像的多前景物体分割研究

作     者：李艳 

作者单位：山东大学 

学位级别：硕士

导师姓名：陈辉

授予年度：2022年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：多前景分割 路面去除 深度分层 RGBD图像 残差网络 

摘      要：前景物体是一副图像中最吸引人的部分,一般是人眼首先观察到的地方,也是各种图像分析的主要研究对象。图像分割提取前景物体作为场景解析、物体检测、自动驾驶和元宇宙搭建等任务的关键步骤之一,其分割结果会直接影响到最终的呈现效果。因此,正确的分割图像中的前景物体有着重要的工程意义和实际意义。图像分割技术因其自身的重要性以及较高的研发难度,一直是计算机视觉领域的研究热点。随着研究人员的不断投入,每年都涌现出多种方法,但大多数方法的处理对象仅是彩色图像。由于彩色图像无法提供场三维空间信息,所以当前景物体与背景之间颜色信息相似时,前景信息将难以被正确地提取出来。近些年来,深度相机逐渐进入大家的视野,相应的技术也得到了快速发展,RGBD图像的获取变得越来越方便,也使得该方向逐渐成为图像分割领域中新的研究热点。本文提出一种基于RGBD图像的多前景物体分割方法,通过使用深度信息来弥补彩色信息的不足,实现对前景物体更加准确的提取。论文的主要工作包括:1、本文提出一种新型的路平面像素点提取方法。现有的路面提取算法,一般是提取整片的路面区域,但在与前景物体直接接触的区域难以提取。本文提出的算法通过拟合路面深度信息,利用原深度图与拟合路面之间的信息差,提取路面像素点,可以有效断开路面与前景物体之间的深度联系。2、本文提出一种自适应多阈值深度图像分层算法。首先根据深度图中前景物体的相对位置关系制作实验所需数据集。然后基于该数据集对ResNet(残差网络)图像分类模型进行训练,使其可以正确预测深度图像的分层层数。最后将该预测结果作为多阈值大津法的输入,得到深度层,减少了人工交互。3、使用Mean Shift算法分割彩色图像,得到的过分割彩色块。然后定义一种区域合并的标准,包含深度层约束分层和面积阈值的约束,将被过分割的前景物体进行合并,提取出前景物体。为了验证本文所提出算法的准确性,本文对三个不同场景下的数据集进行了实验对比,并且和四种优秀的图像分割算法进行了比较。实验结果表明,该算法在室内室外多种场景下,均具有较高的准确性。