论文部分内容阅读
随着计算机技术、人工智能技术的发展,计算机视觉成为一个越来越热门的研究领域。通过立体图像序列估计场景流是计算机视觉研究领域的重要研究内容。场景流估计是三维运动研究的重要手段。场景流表示真实世界的三维运动场,为运动估计提供更加可靠的信息。随着计算机软硬件水平的断提高,场景流估计新理论新算法不断出现,进而推动场景流估计技术在现实生活中的应用。例如,应用于无人驾驶、三维重建、目标检测跟踪等。场景流估计仍受遮挡、运动边缘不连续等难点的影响。本论文针对场景流估计难点进行优化,旨在进一步提升场景流的估计精度。利用从双目立体图像序列中获取的信息,构建基于分段刚性假设的变分场景流估计能量泛函,进而提出了一种基于边缘保持插值的分段刚性场景流估计算法。首先构造基于分段刚性假设的场景流估计能量泛函。该能量泛函包含数据项与平滑项两部分。数据项基于亮度恒常假设约束,并使用鲁棒惩罚函数增强泛函的鲁棒性。平滑项包括空间正则化项、分割正则化项以及可见正则化项。经典的场景流估计技术大多采用全局的像素级平滑约束,不仅增加计算量又容易受底层像素的限制。本论文使用了分割正则化项约束条件,将全局像素级平滑约束变为分割块的平滑约束。假定在一个分割块区域内,物体具有一致性运动。求解过程中不断去优化分割块。基于分段刚性的平滑约束,极大减小了数据计算量,又提升了场景流估计精度。场景流估计在运动边缘部分会产生较大的误差。针对这部分本论文使用了基于正反交叉一致性校验排除错误区域得到稀疏场景流,然后使用基于边缘保持的插值方法将稀疏场景流插值为稠密场景流。由稀疏到稠密的插值依赖于插值点与其它有值点测地距离的大小,测地距离计算是基于图像边缘的,因此边缘检测图的质量对插值有较大影响。边缘检测部分本论文使用一种快速边缘检测的结构化森林(SED)算法,该算法能够较好地实现边缘检测。论文最后用Middlebury公布的Teddy、Cones数据集,Kitti数据集以及通过双目立体相机采集的真实场景图像序列验证了算法的有效性。