基于RGB-D三维点云目标分割

三维点云的分割与分类是点云处理的关键步骤。针对点云模型分割出现的过分割和欠分割等分割不精确问题,提出一种基于RGB-D的背景点云目标分割方法,以提高点云模型的分割精度。利用Kinect相机对物体进行旋转拍摄可得到物体两帧背景点云和各角度的点云数据。算法利用背景帧根据深度信息对点云模型进行背景分割得到前景物体。结合图像分割和点云分割,利用Grab Cut算法对背景图像进行图像分割得到目标的RGB数据,随后对点云模型比较给定范围内的点的颜色信息和法向量进行点云数据的分割与合并,最后得到目标点云。实验结果表明,背景分割可以有效分割深度值小于背景的前景,结合图像分割有效地避免了过分割和欠分割问题。

LOBSTER与MOG结合的目标检测方法

借助深度相机数据一定程度上解决了目标检测中的颜色伪装问题,但又导致深度伪装问题。针对这些问题,提出一种利用两种背景差分法分别作用于颜色和深度数据的目标检测方法。在场景颜色图像中采用基于改进的局部二值相似性模式(LOBSTER)的背景差分法检测运动目标;在深度图中,对孔洞(无深度值)像素和有深度值的像素分别进行背景建模,得到一个混合的背景模型,然后用混合高斯模型背景差分法得到深度图的二值图像,再用差分后的Canny边缘检测图来补充目标的轮廓;将两种二值图像与Canny边缘检测的差分图用逻辑运算进行结合,形成运动目标。在后期处理中,加入了孔洞填充、形态学滤波及腐蚀膨胀操作,进一步提高目标的检测精度。实验结果表明,上述方法在测试数据集上得到的目标检测精度较高。