论文部分内容阅读
在计算机视觉领域中,单目图像的深度次序推理是将图像中的物体进行分层表达的一种算法,它又被称为2.1D简约图。由于单目图像深度次序推理算法既可以得到图像中物体之间的相对深度,又可以还原物体的准确轮廓,还是图像分析和理解的基础,所以在目标识别、运动分析、机器人避障和自动驾驶中有着非常重要的应用价值。通常,此类算法首先通过图像的过分割算法提取出图像中的过分割边缘,然后利用遮挡轮廓提取算法得到被遮挡物体的轮廓信息,最后基于遮挡轮廓形成的闭合区域提取物体间的局部特征并进行全局深度次序推理,从而得到最终的物体区域的层次关系。本文从单目图像深度次序推理流程特点,提出了面向图像深度次序推理的遮挡轮廓提取算法。首先提出了更加准确的超像素分割算法来加强遮挡轮廓训练样本的准确度;进而,提出了参数自适应的分类训练器来进行遮挡轮廓的提取;在深度次序推理方面,提出了基于图推理模型的全局推理算法来对分离的物体区域进行深度次序推理。本文的主要研究工作分为三个部分:图像的超像素分割、遮挡轮廓提取和深度次序推理。(1)超像素分割。由于准确的超像素分割边缘是进行遮挡轮廓提取的前提和基础,本文首先提出了对边缘提取更加准确的超像素分割算法来加强遮挡轮廓训练样本的准确度。为此,本文融合了颜色、紧凑度、熵率和边缘等多种边缘加强性特征,探索了不同边缘加强特征对图像超像素边缘召回率的影响,提出了对多边缘加强特征的超像素分割算法。然后,本文在BSDS500数据集上进行了定性和定量的对比实验,实验结果表明所提出的算法在保证一定速度的情况下得到了更加准确的边缘提取效果。(2)遮挡轮廓提取。针对现有Adaboost分类器所存在的边界问题导致遮挡训练的分类器训练不够准确的现象,本文提出了一种参数自适应的Gentle Adaboost分类器。该分类器可以从每次迭代中自适应的调节分类器权重的参数,避免了上一次迭代中正确分类的样本在下次迭代中被错误分类,从而让分类器的训练更加准确,训练速度也更快。此外,由于分类器的测试误差导致提取的遮挡轮廓存在间断点的问题,本文提出利用最短路径和膨胀腐蚀算法对遮挡轮廓进行优化补全的算法,得到了更加准确的闭合遮挡轮廓,为后续的深度次序推理提供了重要的基础。(3)深度次序推理。在利用提取到的遮挡轮廓时,由于物体边缘的多义性,导致边缘产生的T-角点和边缘凹凸行特征很可能存在局部关系的错误推理,本文针对这一问题定义了一种四重描述符,可以有效的利用T-角点和边缘凹凸性特征对对物体的前后关系进行正确判断。此外,为了解决现有方法中无法推理相互分离的物体的前后关系,本文通过引入推理图模型,利用正视图中分离物体的前后关系特征和四重描述符提供的特征,提出了一种新的全局深度次序推理算法。本文通过在Cornell深度次序数据集、BSDS500数据集和NYU2数据集上进行实验验证,得到了令人满意的结果。本文通过提出更加有效的分割算法和遮挡轮廓提取算法,为深度次序推理提供了准确的边缘信息,最终实现了对整个图像的深度次序推理。该论文的工作对于图像理解和图像分析等视觉问题提供了重要的技术支撑。