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。

基于RGB-D树状结构物体三维重建

由于设备采集树状物体数据精度差,导致树状物体枝干连接部位数据丢失,重建出来的树状物体枝干不连续。树状结构物体颜色单调统一,各枝叶形状相似,导致特征点提取困难,配准精度低。通过对深度数据的分析,彩色图像与深度数据相比拥有更完整的信息,使用深度数据与彩色数据相结合的方法,根据彩色图像与深度数据的坐标映射关系,使用彩色图像修复缺失的深度数据。边界轮廓同样能够体现物体的形状特征,使用目标边界点作为特征点,应用边界点的曲率属性进行特征点的匹配。实验结果表明,使用彩色深度数据结合的优化方法相比较于直接用深度图优化深度数据的方法,能够解决枝干间断的问题,同时使边缘数据更加完整。使用边界特征配准方法能够为ICP精确配准提供良好的初始位置,从而提高精确配准时的精度。