[发明专利]一种融合色彩和深度信息的室内场景轮廓检测方法

说明书

本发明公开了一种融合色彩和深度信息的室内场景轮廓检测方法，属于机器视觉技术领域。本发明包括以下关键技术：1、分离彩色图像为R、G和B，在每个通道上利用图像边缘检测算子分别提取边缘信息，然后通过加权融合，得到彩色图像边缘检测的整体结果；2、利用深度图像提取边缘信息，修正仅根据彩色图像进行检测时，因丢失场景三维信息而导致的伪边缘，同时加强真实边缘检测结果的置信度；3、构建梯度金字塔，多尺度多层级融合彩色图像边缘和深度图像边缘，得到边缘检测结果，进而执行边缘聚合得到最终轮廓。本发明充分发掘深度图像梯度信息，利用深度图像轮廓检测结果修正并增强彩色图像轮廓检测结果，得到更为鲁棒和精确的场景轮廓。

技术领域

本发明属于机器视觉技术领域，更具体地，涉及一种融合色彩和深度信息的室内场景轮廓检测方法。

背景技术

近年来，智能机器人、虚拟现实、无人机等技术或应用愈加成熟，正快速融入人们的日常生产与生活。这些应用依赖于机器视觉领域中的各项技术，包括物体检测与识别、场景分类等，而其中较为基础的，就是提取图像边缘信息，进而构成轮廓，这是智能设备理解场景的前提之一。如何从传感设备获取的二维图像中得到更加精确且符合人类感知的物体轮廓是目前学术界和工业界的研究热点。其中，与人类生活更为密切相关的室内机器人，其应用场景为室内环境，具有场景相对复杂、物体种类繁多和光照分布不均匀等特点，这对算法提出了更大的挑战。新兴的诸如Kinect的消费级深度相机使研究者们可以快速、便捷地获取场景的彩色图像与深度图像，深度图像保留了彩色图像丢失的场景三维信息，基于二维彩色图像的轮廓检测方法难以解决由于遮挡、纹理相似、亮度变化等导致的伪边缘检测问题，而基于深度图像的轮廓检测方法正好弥补了这一缺陷。近年来，针对彩色图像和深度图像(合称RGBD图像)的轮廓检测的研究工作有很多，如何有效利用深度信息，设计更具鲁棒性的轮廓检测算法，融合彩色图像轮廓检测结果，是一个重要的研究方向。

在此方面，有许多算法被提出。Malik等人通过估计重力方向结合随机森林与SVM分类器对像素进行分类，从而检测出图像轮廓。Arbekaez等将若干区域线索聚合成基于频谱聚类的框架，使用定向流域的图转化算法，通过多尺度加权计算图像轮廓。另外还有许多算法采用马尔科夫随机场，随机森林等机器学习算法获取较好的轮廓检测结果。这些算法较于传统的边缘检测方法能取得较好的结果，但轮廓检测的精度还是不够。

还有改进的利用深度信息提取轮廓的算法，主要包括三个部分：全局像素边界(gPb)，计算每个像素作为边界的可能性，用一个权值表示；方向分水岭变换(OWT)，将gPb结果转换为多个闭合的区域；UCM(Ultrametric Contour Map)将这些闭合区域转换为层级树。对每个像素按照某一特定方向θ将其圆形邻域划分为两部分，通过计算两部分像素亮度、颜色、纹理梯度差异，来预测该像素为边界像素的概率，记为gPb(x,y,θ)，表示位置(x,y)处的像素，在方向θ上为边界像素的可能性(概率)。圆形邻域的直径大小作为尺度参数可进行调节，多个尺度上的多通道边界像素后验概率加权得到该像素点最终边界概率。对于每一个像素都得到一个0到1之间的后验概率，接着采用分水岭变换算法将这些输入转换为闭合区域，而这样存在一个问题，就是一些弱边界附近存在强边界，受其影响，这些边界也被误判为轮廓，导致最终轮廓检测结果出现错误。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种融合色彩和深度信息的室内场景轮廓检测方法，其目的在于对被测场景进行彩色图像轮廓提取和深度图像轮廓提取，之后采取梯度金字塔融合的方式获得最终的被测场景轮廓，利用深度图像轮廓检测结果修正并增强彩色图像轮廓检测结果，得到更为鲁棒和精确的场景轮廓。

为实现上述目的，按照本发明的一个方面，提供了一种融合色彩和深度信息的室内场景轮廓检测方法，所述方法包括以下步骤：

(1)将被测场景的彩色图像按颜色通道分离后分别进行边缘检测，并将检测结果进行融合处理后获得彩色图像的边缘检测结果；