单目图像序列的运动分割和3D表达方法

摘要

目前，三维运动目标的检测和重建是计算机视觉一个重要研究课题，它的应用领域包括机器视觉、自动导航等领域等。本文将研究如何在一个统一的框架下实现单目图像序列的3D运动目标的分割，运动信息的估计和深度估计。
　　 本文针对3D表达和运动分割，提出了一种新的基于单目图像序列的运动分割和稠密3D表达模型。利用Dominant Motion Segmentation方法，结合活动轮廓、变分法和3D运动模型，实现了一种时空域的处理模型，该模型利用了现代数学方法将3D运动分割和稠密3D表达问题作为一个整体来研究，转化为统一的优化分割和估算问题。
　　 首先本文基于最大后验模型、运动和深度约束模型、观察模型和先验模型，提出了一个包含有运动信息、深度信息和分割曲面的能量函数。
　　 然后，本文通过变分法和梯度下降法来最小化该能量函数，通过数值偏微分方程的方法来实现深度信息和运动的估计，通过基于水平集的活动轮廓模型的方法来演化分割曲面。
　　 然后，本文通过深度图对应的彩色图和灰度图对深度信息进行修正，得到更为准确的深度信息。
　　 实验结果表明该算法能同步实现单目图像序列的运动分割和稠密3D表达，能处理摄像系统和目标同时运动的情况和多运动区域的情况．
　　 最后，对本文的运动分割和3D表达进行了总结，并且提出了未来的研究方向。

目录

文摘

英文文摘

第一章 绪论

1.1 课题的背景和意义

1.2 运动目标的检测和3D表达的研究现状

1.2.1 运动目标的检测的研究现状

1.2.2 单目摄像机3D表达的研究现状

1.3 本文的研究内容

1.4 本文的组织结构

第二章 时空域模型的建立

2.1 时空域最大后验模型的建立

2.2 运动参数与深度约束模型

2.3 观察模型

2.4 先验模型

2.4.1 主动轮廓的先验约束

2.4.2 深度的先验约束

2.5 能量函数

第三章 能量涵数的最小化及数值实现

3.1 能量函数的最小化

3.1.1 初始化

3.1.2 通过梯度下降法求运动参数

3.1.3 通过梯度下降法求深度

3.1.4 曲线驱动力的求取

3.2 数值实现

3.2.1 运动参数估计的数值化实现

3.2.2 深度估计的数值化实现

3.2.3 曲面演化的数值化实现

3.2.4 迭代步长和系数的确定

第四章 深度信息的检验和修正

4.1 标记不可靠的深度点

4.2 修正不可靠的深度点

4.2.1 深度修正的能量函数的提出

4.2.2 利用能量函数进行深度修正

第五章 算法实现与实验结果

5.1 算法设计

5.1.1 背景为主运动目标的能量函数最小化

5.1.2 检验与修正背景的深度信息

5.1.3 重新进行背景为主运动目标能量函数最小化

5.1.4 第一个目标为主运动目标能量函数最小化

5.1.5 检验与修正第一个目标的深度信息

5.1.6 重新进行第一个目标为主运动目标能量函数最小化

5.2 实验结果与比较

5.2.1 单目标平移运动、摄像机运动的情况

5.2.2 单目标旋转运动、摄像机运动的情况

5.2.3 多目标运动、摄像机不运动的情况

5.2.4 多目标平移运动，摄像机运动的情况

第六章 总结与展望

6.1 总结

6.2 展望

参考文献

攻读学位期间的研究成果

致谢