论文部分内容阅读
深度信息检测作为计算机视觉领域研究的热点问题之一,其研究有助于解决三维重建、场景理解、深度感知的图像合成等问题。深度学习中有关深度信息检测的算法大多是基于图像的像素或超像素级别的特征对图像的形状、纹理、色彩等进行分析。但是这种方式容易受到外界环境因素的影响,不能完全实现图像的旋转不变性,并且存在严重的像素特征冗余问题。线段可以作为一种基本的线性特征来构造图像的语义信息,并且具有旋转不变性。在本文中通过线段检测方法提取到图像的几何特征并设计了线段预处理方法,在此基础上设计了基于线段卷积和线段池化的线段卷积神经网络,将其用于实现图像几何特征的识别算法和图像深度线段分类算法。通过改进基于图像分割的线段检测算法也改善了图像消失点检测地效果。本文的主要研究内容如下:1.本文借助LSD算法和离散曲线演化算法处理MNIST数据集,获得两种数目不同的线段数据集,使用稀疏自动编码器进行图像识别分类,实验证明线段特征可以有效还原图像原始信息,利用线段特征完成或辅助完成图像处理是可行的。2.本文提出了基于线段卷积网络的图像识别算法和深度线段分类算法。本文设计了针对线段特征的线段卷积和线段池化,并在此基础上提出了线段卷积网络。使用线段检测算法得到图像的线段特征集合,使用线段卷积网络实现了针对线段特征的图像识别。在数据预处理中结合深度数据得到表征深度信息的线段集合及其标签,提出了适用于线段特征的卷积神经网络,最终实现单目图像中深度线段的分类。但由于图像中干扰线段较多,模型分类准确度还有进一步提升的空间。3.本文研究并改进了基于图像分割的线段检测算法使用均值池化和上采样结合的方式替代原来的空洞卷积,替换了激活函数和损失函数,并采用多层子网络级联的方式进行训练,在时间效率和检测结果上均获得了提升。利用改进后的线段检测算法实现了消失点检测算法。实验表明该方法在一定程度上提高了图像消失点检测的效率的准确性。