

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領
文檔簡介
1、隨著Kinect設備的出現(xiàn),基于RGB-D圖像的研究迅速成為現(xiàn)今計算機視覺領域的研究熱點之一。RGB-D圖像采用二維的圖像信息表示三維的場景信息,在二維平面和三維空間之間起到重要的橋梁作用。RGB-D圖像為通過二維圖像的處理方法解決三維空間的問題提供了可能。在研究圖像的過程中,圖像特征一直是其中的關鍵問題之一。本文提出了一種基于RGB-D圖像的幾何特征提取與特征信息分類的算法。根據(jù)RGB-D圖像的幾何特征分類結果,本文還將其應用于三維形
2、狀恢復中:提出了一種基于幾何特征的Scene-SIRFS三維場景形狀恢復算法。通過該三維形狀恢復算法不僅可以從RGB-D圖像中分解出三維場景的反射率圖像、光照圖像以及陰影圖像,而且還可以對原始的深度圖像進行優(yōu)化。本研究主要內(nèi)容包括:
⑴提出了一種基于RGB-D圖像的幾何特征提取和特征信息分類的算法。該算法通過結合RGB圖像中的二維圖像信息和深度圖像中的物體三維信息,實現(xiàn)物體的幾何特征提取和特征信息分類。通過該算法可以將幾何特征
3、邊緣分為:遮擋類邊緣、凹陷折皺類邊緣以及凸起折皺類邊緣。幾何特征分類的結果是一種高級的語義特征,可以應用于計算機視覺的其他領域。本文采用NYU提供的真實復雜室內(nèi)場景圖像庫對該算法進行測試和分析。實驗結果表明:提出的算法可以快速、高效的實現(xiàn)幾何特征的提取和分類,提取的幾何特征邊緣準確完整,并且算法具有較高的魯棒性。
?、铺岢隽艘环N基于幾何特征的 Scene-SIRFS三維形狀恢復算法,該算法是針對幾何特征分類結果的一個應用?;趲?/p>
4、何特征的Scene-SIRFS三維形狀恢復算法是在Scene-SIRFS算法的理論基礎上提出的一種改進算法。該算法通過遮擋類邊緣以及折皺類邊緣的相關性質(zhì),引入遮擋類邊緣以及折皺類邊緣的形狀先驗約束條件,采用最小化優(yōu)化算法更加精確地實現(xiàn)三維場景的形狀恢復。本文同樣選用 NYU的真實復雜室內(nèi)場景圖像庫對本文的形狀恢復算法進行實驗分析,并將實驗結果與Scene-SIRFS算法的實驗結果相比較。實驗結果分析表明:本文提出的基于幾何特征的 Sce
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于RGB-D數(shù)據(jù)的環(huán)境特征提取與場景重構.pdf
- 室內(nèi)場景RGB-D圖像目標提取及幾何關系推測.pdf
- 基于RGB-D的場景支撐關系提取算法研究.pdf
- 基于RGB-D的SLAM算法研究.pdf
- 基于特征學習的RGB-D目標識別算法研究.pdf
- 基于圖像幾何特征提取的算法及應用研究.pdf
- 基于RGB-D圖像的手勢檢測研究.pdf
- 人臉識別的特征提取與恢復算法研究.pdf
- 基于稀疏表示的RGB-D圖像特征學習研究與應用.pdf
- 變換不變低秩紋理特征提取與恢復算法的研究.pdf
- 基于RGb-D圖像信息的物體識別研究.pdf
- RGB-D圖像的顯著區(qū)域檢測.pdf
- 基于RGB-D圖像的手勢識別方法研究.pdf
- 基于RGB-D圖像的顯示適配技術研究.pdf
- 基于Kinect的RGB-D數(shù)據(jù)對齊算法的研究.pdf
- 基于2-D系統(tǒng)濾波的邊緣提取和圖像恢復算法.pdf
- 基于目標形狀的腦CT圖像特征提取.pdf
- 圖像特征提取算法研究及應用.pdf
- 基于RGB-D圖像的深度圖增強問題研究.pdf
- 基于RGB-D圖像的同時定位與建圖研究.pdf
評論
0/150
提交評論