【摘要】：為了獲取更加清晰、更多細(xì)節(jié)的輪廓特征,充分利用Kinect傳感器獲取的RGB-D圖像信息,將結(jié)構(gòu)化的隨機(jī)森林作為分類器,提出一種更加精確的輪廓提取器。首先,將RGB-D圖像的多種信息利用數(shù)學(xué)公式表示出來;然后利用BSD500數(shù)據(jù)集以及NYU深度數(shù)據(jù)集訓(xùn)練結(jié)構(gòu)化的隨機(jī)森林算法,核心是將給定節(jié)點(diǎn)的結(jié)構(gòu)化標(biāo)簽映射到一組離散標(biāo)簽;最后,利用該隨機(jī)森林算法對RGB-D圖像信息進(jìn)行分類,得到圖像輪廓。針對細(xì)節(jié)不同的四種場景圖像進(jìn)行對比實(shí)驗(yàn),結(jié)果表明,經(jīng)改進(jìn)后的算法得到的輪廓效果更加清晰、準(zhǔn)確。
【圖文】：

提出的使用結(jié)構(gòu)森林算法所得結(jié)果;第五行為本文提出的基于結(jié)構(gòu)森林的ＲGB-D圖像輪廓提取算法。實(shí)驗(yàn)中選取了四種不同的場景作為檢測對象，四種場景的細(xì)節(jié)各不相同。如圖4所示，從第一列到第四列細(xì)節(jié)豐富度依次遞增。根據(jù)以上結(jié)果可以發(fā)現(xiàn)，第一種算法得出的結(jié)果，其輪廓信息丟失過多，且圖像細(xì)節(jié)基本分辨不出，如場景1中，顯示器的輪廓以及鍵盤鼠標(biāo)線等都已斷斷續(xù)續(xù)，鍵盤上的按鍵基本無法分辨。不論圖像細(xì)節(jié)的多少，后兩種算法都明顯優(yōu)于前一種算法。根據(jù)實(shí)驗(yàn)結(jié)果，可以觀察到由Doll錮r等人提出的算法得到的輪廓總體可見，且圖像主要輪廓較為清晰;在圖像細(xì)節(jié)較少的場景中(如場景1、2)，其表現(xiàn)較好;當(dāng)圖像的細(xì)節(jié)較多時(shí)(如場景3、4)，其效果較差，提取出的圖像輪廓出現(xiàn)模糊，部分邊界虛化，且圖像細(xì)節(jié)丟失較多。例如場景3中的抽屜把手邊界丟失，場景4中鍵盤丟失以及書籍輪廓過度虛化不清晰。根據(jù)圖4所示，本文提出的改進(jìn)算法所得結(jié)果，圖像輪廓清晰準(zhǔn)確，圖像的細(xì)節(jié)保持較好。當(dāng)圖像細(xì)節(jié)較少時(shí)，本文算法較Doll錮r等人提出的算法優(yōu)勢并不明顯;而當(dāng)圖像細(xì)節(jié)增多時(shí)，本文提出的算法較Doll錮r等人算法，在圖像細(xì)節(jié)的體現(xiàn)方面更好。特別地，在最后一個(gè)場景中，本文提出的改進(jìn)算法對桌面細(xì)節(jié)的呈現(xiàn)明顯優(yōu)于Doll錮r等人提出的算法。5結(jié)束語本文充分挖掘了ＲGB-D圖像的信息，通過圓盤的表示方式，充分利用亮度、顏色、紋理、深度信息。在分類前，對深度圖像采用自適應(yīng)的雙邊濾波器進(jìn)行去噪處理，將隨機(jī)決策森林的輸出結(jié)果結(jié)構(gòu)化，使得分類更加精確。實(shí)驗(yàn)結(jié)果表明，本文算法較原有的兩種算法精度更高，并且在圖像細(xì)節(jié)豐富的場景中，算法也能表現(xiàn)出較高的準(zhǔn)度。但是在實(shí)驗(yàn)中也發(fā)現(xiàn)，本文提出的改進(jìn)算法的速度并沒有加快，同原有算法基本持平。下

提出的使用結(jié)構(gòu)森林算法所得結(jié)果;第五行為本文提出的基于結(jié)構(gòu)森林的ＲGB-D圖像輪廓提取算法。實(shí)驗(yàn)中選取了四種不同的場景作為檢測對象，四種場景的細(xì)節(jié)各不相同。如圖4所示，從第一列到第四列細(xì)節(jié)豐富度依次遞增。根據(jù)以上結(jié)果可以發(fā)現(xiàn)，第一種算法得出的結(jié)果，其輪廓信息丟失過多，且圖像細(xì)節(jié)基本分辨不出，如場景1中，顯示器的輪廓以及鍵盤鼠標(biāo)線等都已斷斷續(xù)續(xù)，鍵盤上的按鍵基本無法分辨。不論圖像細(xì)節(jié)的多少，后兩種算法都明顯優(yōu)于前一種算法。根據(jù)實(shí)驗(yàn)結(jié)果，可以觀察到由Doll錮r等人提出的算法得到的輪廓總體可見，且圖像主要輪廓較為清晰;在圖像細(xì)節(jié)較少的場景中(如場景1、2)，其表現(xiàn)較好;當(dāng)圖像的細(xì)節(jié)較多時(shí)(如場景3、4)，其效果較差，提取出的圖像輪廓出現(xiàn)模糊，部分邊界虛化，且圖像細(xì)節(jié)丟失較多。例如場景3中的抽屜把手邊界丟失，，場景4中鍵盤丟失以及書籍輪廓過度虛化不清晰。根據(jù)圖4所示，本文提出的改進(jìn)算法所得結(jié)果，圖像輪廓清晰準(zhǔn)確，圖像的細(xì)節(jié)保持較好。當(dāng)圖像細(xì)節(jié)較少時(shí)，本文算法較Doll錮r等人提出的算法優(yōu)勢并不明顯;而當(dāng)圖像細(xì)節(jié)增多時(shí)，本文提出的算法較Doll錮r等人算法，在圖像細(xì)節(jié)的體現(xiàn)方面更好。特別地，在最后一個(gè)場景中，本文提出的改進(jìn)算法對桌面細(xì)節(jié)的呈現(xiàn)明顯優(yōu)于Doll錮r等人提出的算法。5結(jié)束語本文充分挖掘了ＲGB-D圖像的信息，通過圓盤的表示方式，充分利用亮度、顏色、紋理、深度信息。在分類前，對深度圖像采用自適應(yīng)的雙邊濾波器進(jìn)行去噪處理，將隨機(jī)決策森林的輸出結(jié)果結(jié)構(gòu)化，使得分類更加精確。實(shí)驗(yàn)結(jié)果表明，本文算法較原有的兩種算法精度更高，并且在圖像細(xì)節(jié)豐富的場景中，算法也能表現(xiàn)出較高的準(zhǔn)度。但是在實(shí)驗(yàn)中也發(fā)現(xiàn)，本文提出的改進(jìn)算法的速度并沒有加快，同原有算法基本持平。下

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 周朗明;張小虎;關(guān)棒磊;;基于序列輪廓線的凸面目標(biāo)全自動(dòng)重構(gòu)方法[J];自動(dòng)化學(xué)報(bào);2015年04期

2 錢生;陳宗海;林名強(qiáng);張陳斌;;基于條件隨機(jī)場和圖像分割的顯著性檢測[J];自動(dòng)化學(xué)報(bào);2015年04期

3 張桂梅;張松;儲(chǔ)s

本文編號：2570695