[发明专利]基于深度图像的运动物体分割方法及系统

说明书

本发明提供了一种基于深度图像的运动物体分割方法及系统，包括:步骤M1：接收传感器数据获得初始深度图，对初始深度图进行预处理获得深度图像；步骤M2：接收连续两帧深度图像并分别利用卷积神经网络进行特征提取，得到连续两帧深度图各自的空间特征；步骤M3：接收连续两帧的空间特征，并利用循环神经网络进行特征提取，得到时序空间特征；步骤M4：接收时序空间特征，通过上采样分割出当前时刻深度图像里的运动物体，得到初始分割结果；本发明基于具有多种复杂场景的公开数据集KITTI训练，提高了对复杂场景和环境变化的适应能力，且训练得到的模型不受传感器平台型号参数等限制，提高了算法应用的便捷性。

技术领域

本发明涉及计算机视觉技术领域，具体地，涉及一种基于深度图像的运动物体分割方法及系统。

背景技术

场景理解是计算机视觉领域的一个重要研究内容，而对动态场景的理解对于移动机器人、无人驾驶等应用更是至关重要，有效地检测或分割出场景中的移动物体(例如汽车和行人)可以显著增强对环境的感知能力，使得自主移动机器人或无人车能够在动态环境下实现避障、导航。因此，运动物体分割是一项重要的技术。

实际应用场景下的运动物体分割有其特殊的技术难点：传感器数据中前景物体的运动以及由于传感器平台运动而导致的背景运动混杂，使得算法很难分割出前景运动物体。现有的运动物体分割方案多是针对静止的传感器获取的场景数据，无法解决上述问题。而现有的针对传感器平台运动情况下的运动物体分割方案，可分为三大类。

一是从光流图像中提取运动信息。然而，光流易受环境中遮挡、光照变化、颜色变化的影响；相机的畸变会产生错误的光流值，而运动状态相同的物体由于景深的不同也会产生不同的光流值。最后，光流的计算繁琐复杂。二是对背景运动建模以分割出前景运动物体，这种方法无法解决图像的运动退化问题。三是通过跟踪来定位图像序列中的运动物体。这种方法流程繁琐，非常耗时。

因此找到一种能有效应用于实际场景的，适用于更多种传感器平台的，对环境变化有一定鲁棒性的算法是运动物体分割的关键。

专利文献CN103514609B(申请号：201310283658.3)公开了一种基于反馈的运动物体分割的图像处理方法，对背景建模，采用两层次的背景更新模型；第一层采用较低的更新率对背景进行更新，以适应背景的缓慢变化；第二层根据高层信息的反馈，对背景进行加速、补偿等操作，以适应场景内物体运动的突变；对前景分割，根据高层信息的反馈，合并预测的运动物体块，在预测的物体区域内，自适应地调整分割阈值，以达到抑制噪声的同时，防止分割的前景物体出现空洞和割裂情况的发生。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于深度图像的运动物体分割方法及系统。

根据本发明提供的一种基于深度图像的运动物体分割方法，包括:

步骤M1：接收传感器数据获得初始深度图，对初始深度图进行预处理获得深度图像；

步骤M2：接收连续两帧深度图像并分别利用卷积神经网络进行特征提取，得到连续两帧深度图各自的空间特征；

步骤M3：接收连续两帧的空间特征，并利用循环神经网络进行特征提取，得到时序空间特征；

步骤M4：接收时序空间特征，通过上采样分割出当前时刻深度图像里的运动物体，得到初始分割结果；

步骤M5：接收初始分割结果，采用条件随机场算法优化初始分割结果。

优选地，所述步骤M1包括：

步骤M1.1：通过包括双目相机、PGBD相机和/或激光雷达数据的处理获得初始深度图；

步骤M1.2：计算初始深度图的积分图，并保存积分图中每个值所累加的像素点个数；