一种基于丰富视觉信息学习的3D场景物体标注算法

在智能服务机器人领域,根据场景的图像序列来完成场景重构及其中物体的检测与标注,是机器人场景理解、人机交互及后续服务的基础.本文针对基于RGB-D数据的3D场景物体标注展开研究,设计了一种充分融合颜色与深度数据的物体建模学习方法,并将其应用于图像目标快速检测及3D场景物体标注.离线学习阶段,在构建物体检测模型时,加入了物体颜色的高斯模型,与物体的RGB-D HOG特征一同构成先验模型.在线阶段,首先对待检测的场景图像进行超像素分割,将对场景图像的处理从以像素为单位转变为以超像素区域为单位;同时计算每个超像素区域的高斯颜色模型,并与物体的先验高斯颜色模型比对,筛选得到物体所在的候选超像素区域;然后,在筛选出的超像素周围进行滑动窗口搜索,计算目标物体出现在场景图像中的概率图;最后,将该概率图映射到3D场景中对应体素,联合该体素及其周边体素构建马尔科夫随机场,进而进行3D场景物体标注.实验结果表明,由于引入了超像素处理,以及基于颜色模型比对的超像素筛选,所处理的数据量大大减少,在基本不损失精度的同时,算法效率明显提高.

基于颜色先验的显著性物体检测

传统的显著性检测算法主要基于中心先验、边界先验建立检测模型,但是在实际应用中,这些先验信息不一定都适用,比如机器视觉领域很多图像显著性区域位于图像边界,因此针对传统显著性算法的缺点,根据实际应用需求提出基于颜色先验和高斯混合模型的算法,不需要局限于中心和边界先验。首先通过高斯混合模型在Lab颜色空间根据颜色将图像中的像素聚类,根据颜色先验和结构相似性算法将子高斯模型分为前景子高斯模型和背景子高斯模型,此时的分割结果比较粗糙、噪点较多,通过条件随机场对此进行优化,获得最终的边界准确度较高的显著性区域。所述算法直接通过高斯混合模型对像素进行聚类,没有利用中心、边界先验,应用高斯混合模型保证获得准确稳定的边界,能够检测位于边界的显著性区域,与传统的显著性检测算法相比准确度更高。