CN105787938A - 一种基于深度图的人物分割方法 - Google Patents
一种基于深度图的人物分割方法 Download PDFInfo
- Publication number
- CN105787938A CN105787938A CN201610104975.8A CN201610104975A CN105787938A CN 105787938 A CN105787938 A CN 105787938A CN 201610104975 A CN201610104975 A CN 201610104975A CN 105787938 A CN105787938 A CN 105787938A
- Authority
- CN
- China
- Prior art keywords
- area
- depth
- image
- region
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种,其具体步骤如下:(1)、利用Kinect传感器采集同一时间的骨骼图、彩色图像和深度图像,并找到人体骨骼区域;(2)、将骨骼图区域节点坐标映射到深度图像中,找到一个最小的包含所有骨骼节点的矩形区域,以此确定深度图像中初始的人物区域;(3)、基于深度信息对初始的人物区域进行区域的迭代扩展,得到最终的包含完整人物对象的矩形区域;(4)、将包含完整人物对象的矩形区域作为种子区域,根据图像像素的深度信息和颜色信息设计能量函数,采用修改后的GrabCut算法得到最终的人物对象分割结果。本发明利用深度信息得到完整的包含人物对象的矩形区域,得到了较为准确和完整的人物对象分割结果。
Description
技术领域
本发明涉及图像人物分割领域,具体地说是涉及一种基于深度图的人物分割方法。
背景技术
近年来,随着科学技术的迅猛发展,人物对象分割技术取得了迅速的发展,国内外一些研究机构和专家学者在此方面做了大量的理论研究和实际应用方面的工作,并取得了很多优秀的成果。
Hou、Zhang和Harel等人从频域、信息论、图论的角度研究图像显著性。Cheng等人先利用图像分割技术将图像分成几个区域,然后利用区域间颜色全局对比度计算出的图像显著性图具有精准度高,速度快等优点。Liu等人利用SLIC预分割算法,将图像预分割成若干个区域;然后利用颜色、空间的全局对比度、集中度、相似性计算得到的显著性模型,该方法速度快、并能点亮整个区域。
然而,这些模型都是根据颜色、方向、纹理等视觉信息来计算的,当这些信息并不突出时,其效果就会变差。深度信息在人类视觉系统中扮演重要角色,它能使人们分辨出具有相似外表属性的对象。利用立体相机或者Kinect传感器得到的深度信息可以在一定程度上解决这个问题,提升显著性性能。
发明内容
本发明的目的在于针对已有技术中的分割算法,提出一种基于深度图的人物分割方法,首先利用深度信息得到完整的包含人物对象的矩形区域,将其作为种子区域输入改进的GrabCut算法中得到最终的人物分割结果。该方法能够较为准确、完整地检测出人物对象区域。
为了达到上述目的,本发明采用的技术方案如下:
一种基于深度图的人物分割方法,具体步骤如下:
(1)、利用Kinect传感器采集同一时间的骨骼图像,彩色图像和深度图像,并找到人体骨骼区域;
(2)、基于骨骼图区域节点坐标,确定深度图像中初始的人物区域;
(3)、基于深度信息对初始的人物区域进行区域的迭代扩展,得到最终的包含完整人物对象的矩形区域;
(4)、将包含完整人物对象的矩形区域作为种子区域,根据图像像素的深度信息和颜色信息设计能量函数,采用修改后的GrabCut算法得到最终的人物对象分割结果。
所述步骤(1)中的找到人体骨骼区域的方法,具体步骤如下:
(1-1)、将原始骨骼图像分成L个连通区域后,找到面积最大的区域即为人体骨骼图区域,此方法能够消除骨骼图像存在少量的噪声干扰;
(1-2)、找到步骤(1-1)得到的人物骨骼的连通区域内像素最小的横坐标、最大的横坐标、最小的纵坐标和最大的纵坐标,以此确定一个最小的包含所有人物骨骼节点的初始矩形区域。
所述步骤(2)中的确定深度图像中初始的人物区域方法,具体步骤如下:将骨骼图区域节点坐标映射到深度图像中,找到一个最小的包含所有骨骼节点的矩形区域,以此确定深度图像中初始的人物区域。
所述步骤(3)中的深度图像人物区域扩展方法,具体步骤如下:
(3-1)、首先对深度图像进行三次中值滤波,有效去除原始深度图像中大部分的椒盐噪声,从而有利于下一步准确地利用深度信息;
(3-2)、将初始的包含人物对象的大矩形区域分为4*4块状矩形小区域,取出内部4个不与该大矩形区域边界接触的4个小矩形区域,求出这4个小矩形区域内像素的平均深度mDepth作为估计的人物对象所处深度,此方法能够有效消除初始人物对象矩形区域内背景像素的干扰;
(3-3)、以步骤(3-2)获取到的估计的人物对象所处深度作为基准,误差范围设为10%,以此作为区域扩展的准则对初始矩形区域的四条边在四个方向上分别进行区域扩展,以下以向上扩展为例进行说明,另外三个方向扩展同理;
(3-4)、对原始矩形区域向上进行区域扩展:取出所有与矩形区域上边界接触的像素,考察这些像素内是否有像素的深度包含[0.9*mDepth,1.1*mDepth],若有,则将这些与矩形区域上边界接触的像素组成的边更新为矩形的上边界;若没有或者扩展到了整幅图像的上边界,则停止扩展,当前的矩形上边界即为最终的矩形上边界;
(3-5)、迭代重复(3-4)步骤,直至达到(3-4)中停止扩展的条件或者迭代次数达到10次,则停止迭代,得到最终的矩形上边界;
(3-6)、在左、下和右三个方向上进行与步骤(3-4)、(3-5)同理边界扩展之后,得到最终的包含完整人物对象的矩形区域。
所述步骤(4)中的人物分割方法,具体步骤如下:
(4-1)、取其步骤(3)中得到的包含完整人物对象的矩形区域作为包含对象种子区域,矩形区域以外的区域作为背景种子区域,并映射至彩色图像中;
(4-2)、利用图像像素的颜色信息定义,结合图像像素的深度信息,修改GrabCut算法中的能量函数:
E(L)=R(L)+λB(L)
其中R(L)为区域项,B(L)为边界项,λ为平衡因子;令P={p1,p2,...,pN}为图像中像素的集合,L={L1,L2,...,LM}为一个标记的集合,Lp是L中的一项;对于前景/背景分割,区域项表示为:
其中Rp(1)代表像素p分配给前景的可能性,Rp(0)代表像素p分配给背景的可能性;边界项表示为:
其中,dist(p,q)表示两个像素点p和q位置的欧式距离,||cp-cq||为像素p和q之间的颜色欧式距离,σ2为所有像素对的颜色距离平方的均值,平衡因子λ在这里设置为7,来施加适度的标记平滑作用;将修改后的能量函数用GrabCut算法求解得到最终的人物分割结果。
本发明的基于深度图像的人物分割方法与现有的技术相比,具有以下二个创新点:
(1)、利用图像的深度信息,修正由骨骼图像得到的包含不完整人物对象的矩形区域,使其包含相对完整的人物对象。
(2)、将图像的深度信息与颜色信息相结合重新设计GrabCut算法的能量项,提高了对象分割的性能。
附图说明
图1是本发明的基于深度图的人物分割方法的流程图。
图2、图3、图4是本发明步骤(1)输入Kinect同一时间取得的同一时间的一帧彩色图像、一帧深度图像和一帧骨骼图像。
图5是本发明步骤(2)对一帧骨骼图像人体骨骼区域分割后的输出结果。
图6是本发明步骤(2)对骨骼图像区域坐标映射到深度图像示意图。
图7是本发明步骤(3)对一帧深度图像做中值滤波后的输出结果。
图8是本发明步骤(3)对一帧深度图像做向上的区域扩散示意图。
图9是本发明步骤(3)迭代计算深度图像后的最终结果。
图10是本发明步骤(4)根据深度图像映射到彩色图像人物区域的结果。
图11是本发明步骤(4)根据修改后的GrabCut分割的人物结果。
具体实施方式
下面结合说明书附图对本发明的实施例作进一步详细说明。
本发明进行的仿真实验是在CPU为2.6GHz、内存为8G的PC测试平台上编程实现。
如图1所示,本发明的基于深度图的人物分割方法,其具体步骤如下:
(1)、利用Kinect传感器采集同一时间颜色图像,深度图像和骨骼图像,如图2、图3、图4所示,并找到人体骨骼区域:
(1-1)、将原始骨骼图像分成L个连通区域后,找到面积最大的区域即为人体骨骼图区域,此方法可以消除骨骼图像存在少量的噪声干扰;
(1-2)、找到1-1得到的人物骨骼的连通区域内像素最小的横坐标、最大的横坐标、最小的纵坐标和最大的纵坐标,以此确定一个最小的包含所有人物骨骼节点的初始矩形区域。如图5所示。
(2)、基于骨骼图区域节点坐标,确定深度图像中初始的人物区域,如图6所示;将骨骼图区域节点坐标映射到深度图像中,找到一个最小的包含所有骨骼节点的矩形区域,以此确定深度图像中初始的人物区域。
(3)、利用深度信息和迭代的方法对初始的人物区域进行区域扩展,得到最终的包含完整人物对象的矩形区域:
(3-1)、首先对深度图像进行三次中值滤波,可有效地去除原始深度图像中大部分的椒盐噪声,从而有利于下一步准确地利用深度信息,如图7所示。
(3-2)、将初始的包含人物对象的大矩形区域分为4*4块状矩形小区域,取出内部4个不与该大矩形区域边界接触的4个小矩形区域,求出这4个小矩形区域内像素的平均深度mDepth作为估计的人物对象所处深度。此方法可以有效消除初始人物对象矩形区域内背景像素的干扰。
(3-3)、以(3-2)获取到的估计的人物对象所处深度作为基准,误差范围设为10%,以此作为区域扩展的准则对初始矩形区域的四条边在四个方向上分别进行区域扩展。以下以向上扩展为例进行说明,另外三个方向扩展同理。
(3-4)、对原始矩形区域向上进行区域扩展。取出所有与矩形区域上边界接触的像素,考察这些像素内是否有像素的深度包含[0.9*mDepth,1.1*mDepth],若有,则将这些与矩形区域上边界接触的像素组成的边更新为矩形的上边界;若没有或者扩展到了整幅图像的上边界,则停止扩展,当前的矩形上边界即为最终的矩形上边界。
(3-5)、迭代重复(3-4)步骤,直至达到(3-4)中停止扩展的条件或者迭代次数达到10次,则停止迭代,得到最终的矩形上边界,如图8所示。
(3-6)、在右、下和左三个方向上进行和(3-4)与(3-5)同理边界扩展之后,得到最终的包含完整人物对象的矩形区域,如图9所示。
(4)、将包含完整人物对象的矩形区域作为种子区域,根据图像像素的深度信息和颜色信息设计能量函数,采用修改后的GrabCut算法得到最终的人物对象分割结果。
(4-1)、取其步骤(3)中得到的包含完整人物对象的矩形区域作为包含对象种子区域,矩形区域以外的区域作为背景种子区域。并映射至彩色图像中,如图10所示。
(4-2)、利用图像像素的颜色信息定义,结合图像像素的深度信息,修改GrabCut算法中的能量函数:
E(L)=R(L)+λB(L)
其中R(L)为区域项,B(L)为边界项,λ为平衡因子。令P={p1,p2,...,pN}为图像中像素的集合,L={L1,L2,...,LM}为一个标记的集合,Lp是L中的一项。对于前景/背景分割,区域项可表示为:
其中Rp(1)代表像素p分配给前景的可能性,Rp(0)代表像素p分配给背景的可能性。边界项可表示为:
其中,dist(p,q)表示两个像素点p和q位置的欧式距离,||cp-cq||为像素p和q之间的颜色欧式距离,σ2为所有像素对的颜色距离平方的均值,平衡因子λ在这里设置为7,来施加适度的标记平滑作用。将修改后的能量函数用GrabCut算法求解得到最终的人物分割结果。得到最终的人物分割结果,如图11所示。
从图11仿真实验结果可以看出,本发明的方法利用的基于深度图作为人物分割方法,可以有效地分割出准确的人物结果。
Claims (5)
1.一种基于深度图的人物分割方法,其特征在于,具体步骤如下:
(1)、利用Kinect传感器采集同一时间的骨骼图像,彩色图像和深度图像,并找到人体骨骼区域;
(2)、基于骨骼图区域节点坐标,确定深度图像中初始的人物区域;
(3)、基于深度信息对初始的人物区域进行区域的迭代扩展,得到最终的包含完整人物对象的矩形区域;
(4)、将包含完整人物对象的矩形区域作为种子区域,根据图像像素的深度信息和颜色信息设计能量函数,采用修改后的GrabCut算法得到最终的人物对象分割结果。
2.根据权利要求1所述的基于深度图的人物分割方法,其特征在于,所述步骤(1)中的找到人体骨骼区域的方法,具体步骤如下:
(1-1)、将原始骨骼图像分成L个连通区域后,找到面积最大的区域即为人体骨骼图区域,此方法能够消除骨骼图像存在少量的噪声干扰;
(1-2)、找到步骤(1-1)得到的人物骨骼的连通区域内像素最小的横坐标、最大的横坐标、最小的纵坐标和最大的纵坐标,以此确定一个最小的包含所有人物骨骼节点的初始矩形区域。
3.根据权利要求1所述的基于深度图的人物分割方法,其特征在于,所述步骤(2)中的确定深度图像中初始的人物区域方法,具体步骤如下:将骨骼图区域节点坐标映射到深度图像中,找到一个最小的包含所有骨骼节点的矩形区域,以此确定深度图像中初始的人物区域。
4.根据权利要求1所述的基于深度图的人物分割方法,其特征在于,所述步骤(3)中的深度图像人物区域扩展方法,具体步骤如下:
(3-1)、首先对深度图像进行三次中值滤波,有效去除原始深度图像中大部分的椒盐噪声,从而有利于下一步准确地利用深度信息;
(3-2)、将初始的包含人物对象的大矩形区域分为4*4块状矩形小区域,取出内部4个不与该大矩形区域边界接触的4个小矩形区域,求出这4个小矩形区域内像素的平均深度mDepth作为估计的人物对象所处深度,此方法能够有效消除初始人物对象矩形区域内背景像素的干扰;
(3-3)、以步骤(3-2)获取到的估计的人物对象所处深度作为基准,误差范围设为10%,以此作为区域扩展的准则对初始矩形区域的四条边在四个方向上分别进行区域扩展,以下以向上扩展为例进行说明,另外三个方向扩展同理;
(3-4)、对原始矩形区域向上进行区域扩展:取出所有与矩形区域上边界接触的像素,考察这些像素内是否有像素的深度包含[0.9*mDepth,1.1*mDepth],若有,则将这些与矩形区域上边界接触的像素组成的边更新为矩形的上边界;若没有或者扩展到了整幅图像的上边界,则停止扩展,当前的矩形上边界即为最终的矩形上边界;
(3-5)、迭代重复(3-4)步骤,直至达到(3-4)中停止扩展的条件或者迭代次数达到10次,则停止迭代,得到最终的矩形上边界;
(3-6)、在左、下和右三个方向上进行与步骤(3-4)、(3-5)同理边界扩展之后,得到最终的包含完整人物对象的矩形区域。
5.根据权利要求1所述的基于深度图的人物分割方法,其特征在于,所述步骤(4)中的人物分割方法,具体步骤如下:
(4-1)、取其步骤(3)中得到的包含完整人物对象的矩形区域作为包含对象种子区域,矩形区域以外的区域作为背景种子区域,并映射至彩色图像中;
(4-2)、利用图像像素的颜色信息定义,结合图像像素的深度信息,修改GrabCut算法中的能量函数:
E(L)=R(L)+λB(L)
其中R(L)为区域项,B(L)为边界项,λ为平衡因子;令P={p1,p2,...,pN}为图像中像素的集合,L={L1,L2,...,LM}为一个标记的集合,Lp是L中的一项;对于前景/背景分割,区域项表示为:
其中Rp(1)代表像素p分配给前景的可能性,Rp(0)代表像素p分配给背景的可能性;边界项表示为:
其中,dist(p,q)表示两个像素点p和q位置的欧式距离,||cp-cq||为像素p和q之间的颜色欧式距离,σ2为所有像素对的颜色距离平方的均值,平衡因子λ在这里设置为7,来施加适度的标记平滑作用;将修改后的能量函数用GrabCut算法求解得到最终的人物分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610104975.8A CN105787938A (zh) | 2016-02-25 | 2016-02-25 | 一种基于深度图的人物分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610104975.8A CN105787938A (zh) | 2016-02-25 | 2016-02-25 | 一种基于深度图的人物分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105787938A true CN105787938A (zh) | 2016-07-20 |
Family
ID=56403725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610104975.8A Pending CN105787938A (zh) | 2016-02-25 | 2016-02-25 | 一种基于深度图的人物分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105787938A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846333A (zh) * | 2017-01-04 | 2017-06-13 | 努比亚技术有限公司 | 一种实现交互式图像分割的方法、装置及终端 |
CN106898005A (zh) * | 2017-01-04 | 2017-06-27 | 努比亚技术有限公司 | 一种实现交互式图像分割的方法、装置及终端 |
CN107145892A (zh) * | 2017-05-24 | 2017-09-08 | 北京大学深圳研究生院 | 一种基于自适应融合机制的图像显著性物体检测方法 |
CN107204000A (zh) * | 2017-04-24 | 2017-09-26 | 天津大学 | 基于Kinect深度相机的人体分割方法 |
CN107292923A (zh) * | 2017-06-29 | 2017-10-24 | 北京大学深圳研究生院 | 基于深度图挖掘的后向传播图像视觉显著性检测方法 |
CN108596919A (zh) * | 2018-04-24 | 2018-09-28 | 重庆邮电大学 | 一种基于深度图的自动图像分割方法 |
CN110738676A (zh) * | 2019-09-17 | 2020-01-31 | 湖南大学 | 一种结合RGBD数据的GrabCut自动分割算法 |
CN113038270A (zh) * | 2021-03-23 | 2021-06-25 | 深圳市方维达科技有限公司 | 具有保护功能的视频转换器 |
CN113257392A (zh) * | 2021-04-20 | 2021-08-13 | 哈尔滨晓芯科技有限公司 | 一种超声机普适外接数据自动预处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110210915A1 (en) * | 2009-05-01 | 2011-09-01 | Microsoft Corporation | Human Body Pose Estimation |
CN104835146A (zh) * | 2015-04-14 | 2015-08-12 | 上海大学 | 基于深度信息和图切割的立体图像中显著对象分割方法 |
-
2016
- 2016-02-25 CN CN201610104975.8A patent/CN105787938A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110210915A1 (en) * | 2009-05-01 | 2011-09-01 | Microsoft Corporation | Human Body Pose Estimation |
CN104835146A (zh) * | 2015-04-14 | 2015-08-12 | 上海大学 | 基于深度信息和图切割的立体图像中显著对象分割方法 |
Non-Patent Citations (7)
Title |
---|
ANTONIO HERNA´NDEZ-VELA ET AL.: "Graph Cuts Optimization for Multi-Limb Human Segmentation in Depth Maps", 《IEEE CONFERENCE ON COMPUTER VISION & PATTERN RECOGNITION》 * |
DONGGE GU ET AL.: "Human Segmentation Based on Disparity Map and GrabCut", 《INTERNATIONAL CONFERENCE ON COMPUTER VISION IN REMOTE SENSING》 * |
HANGKE SONG ET AL.: "Saliency Detection for RGBD Images", 《INTERNATIONAL CONFERENCE ON INTERNET MULTIMEDIA COMPUTING & SERVICE》 * |
SOHEE PARK ET AL.: "Human Segmentation Based on GrabCut in Real-time Video Sequences", 《2014 IEEE INTERNATIONAL CONFERENCE ON CONSUMER ELECTRONICS》 * |
VARUN GULSHAN ET AL.: "Humanising GrabCut: Learning to segment humans using the Kinect", 《2011 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION WORKSHOPS》 * |
丁友东 等: "基于Kinect的人体对象视频自动分割", 《电子测量技术》 * |
宋海声 等: "基于人体骨骼和深度图像信息的指尖检测方法", 《计算机工程与科学》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106846333B (zh) * | 2017-01-04 | 2020-05-01 | 努比亚技术有限公司 | 一种实现交互式图像分割的方法、装置及终端 |
CN106898005A (zh) * | 2017-01-04 | 2017-06-27 | 努比亚技术有限公司 | 一种实现交互式图像分割的方法、装置及终端 |
CN106898005B (zh) * | 2017-01-04 | 2020-07-17 | 努比亚技术有限公司 | 一种实现交互式图像分割的方法、装置及终端 |
CN106846333A (zh) * | 2017-01-04 | 2017-06-13 | 努比亚技术有限公司 | 一种实现交互式图像分割的方法、装置及终端 |
CN107204000A (zh) * | 2017-04-24 | 2017-09-26 | 天津大学 | 基于Kinect深度相机的人体分割方法 |
CN107145892A (zh) * | 2017-05-24 | 2017-09-08 | 北京大学深圳研究生院 | 一种基于自适应融合机制的图像显著性物体检测方法 |
WO2019000821A1 (zh) * | 2017-06-29 | 2019-01-03 | 北京大学深圳研究生院 | 基于深度图挖掘的后向传播图像视觉显著性检测方法 |
CN107292923A (zh) * | 2017-06-29 | 2017-10-24 | 北京大学深圳研究生院 | 基于深度图挖掘的后向传播图像视觉显著性检测方法 |
US11227178B2 (en) | 2017-06-29 | 2022-01-18 | Peking University Shenzhen Graduate School | Back-propagation image visual saliency detection method based on depth image mining |
CN108596919A (zh) * | 2018-04-24 | 2018-09-28 | 重庆邮电大学 | 一种基于深度图的自动图像分割方法 |
CN108596919B (zh) * | 2018-04-24 | 2021-07-13 | 重庆邮电大学 | 一种基于深度图的自动图像分割方法 |
CN110738676A (zh) * | 2019-09-17 | 2020-01-31 | 湖南大学 | 一种结合RGBD数据的GrabCut自动分割算法 |
CN113038270A (zh) * | 2021-03-23 | 2021-06-25 | 深圳市方维达科技有限公司 | 具有保护功能的视频转换器 |
CN113257392A (zh) * | 2021-04-20 | 2021-08-13 | 哈尔滨晓芯科技有限公司 | 一种超声机普适外接数据自动预处理方法 |
CN113257392B (zh) * | 2021-04-20 | 2024-04-16 | 哈尔滨晓芯科技有限公司 | 一种超声机普适外接数据自动预处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105787938A (zh) | 一种基于深度图的人物分割方法 | |
CN105184852B (zh) | 一种基于激光点云的城市道路识别方法及装置 | |
CN103363962B (zh) | 一种基于多光谱影像的湖泊水储量遥感估算方法 | |
CN102426700B (zh) | 基于局部和全局区域信息的水平集sar图像分割方法 | |
CN103017739B (zh) | 基于激光雷达点云与航空影像的真正射影像的制作方法 | |
CN103729846B (zh) | 基于不规则三角网的LiDAR点云数据边缘检测方法 | |
CN104484868B (zh) | 一种结合模板匹配和图像轮廓的运动目标航拍跟踪方法 | |
CN101567084B (zh) | 基于水平集和分水岭相结合的图像轮廓检测方法 | |
CN103093466A (zh) | 基于LiDAR点云和影像的建筑物三维变化检测方法 | |
CN103177451B (zh) | 基于图像边缘的自适应窗口和权重的立体匹配算法 | |
CN102938142A (zh) | 基于Kinect的室内LiDAR缺失数据填补方法 | |
CN106157309A (zh) | 一种基于虚拟种子点的机载LiDAR地面点云滤波方法 | |
CN102592128B (zh) | 一种动态图像检测处理方法、装置及显示终端 | |
CN104715474B (zh) | 基于标记分水岭算法的高分辨率合成孔径雷达图像线性建筑物检测方法 | |
CN104240244A (zh) | 一种基于传播模式和流形排序的显著性物体检测方法 | |
CN105469408A (zh) | 一种sar图像建筑群分割方法 | |
CN103826032A (zh) | 深度图后期处理方法 | |
CN105513051A (zh) | 一种点云数据处理方法和设备 | |
CN113345093B (zh) | 一种针对激光雷达点云拖尾点的滤波方法 | |
CN101383046A (zh) | 一种基于图像的三维重建方法 | |
CN104457691A (zh) | 一种建筑物主体高程信息获取方法 | |
Zhu et al. | Stereo vision based traversable region detection for mobile robots using uv-disparity | |
Müller et al. | Robustness evaluation and improvement for vision-based advanced driver assistance systems | |
CN105631849A (zh) | 多边形目标的变化检测方法及装置 | |
Hirata et al. | Real-time dense depth estimation using semantically-guided LIDAR data propagation and motion stereo |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160720 |