随着人口的老龄化,国家将室内服务移动机器人提升到了国家战略的高度。为了快速准确实现移动机器人高层次的视觉任务,如物体识别和抓取等,需要快速分割场景。在这种情况下,一种准确和快速的室内场景分割算法对于室内移动机器人实现高层次视觉任务是非常有意义的。本文将水平面上方区域作为感兴趣区域,基于深度和彩色信息检测室内场景支撑区域,保留支撑面上方区域,从而分割场景。通过对比常见的基于视觉获取深度数据的方法,选用Kinect传感器获取深度信息,对深度数据进行滤波处理并获得初始前景区域模板,完成场景的初始分割;使用修复后的深度信息,计算场景的三维坐标和法线向量;利用二维图像坐标和法线向量对像素点进行超像素聚类分割,设置超像素区域融合条件,检测出水平支撑面;更新前景模板,参考前景分割算法,通过前景模板来获取感兴趣区域,完成室内场景的分割。同时,为了提高算法的实时性,在程序的执行阶段,将场景分割算法使用GPU加速实现。本文的创新点如下:(1)考虑移动机器人自身的特点,首先设定深度阈值简化场景,从而加速深度数据滤波及法线向量计算,最终提高算法的实时性;(2)根据本文的实际情况,修改距离度量函数,将经典的SLIC算法改进加速,然后将基于单一像素点区域增长融合来检测平面改变为基于超像素融合检测平面,提高平面检测的速度,从而加快场景分割算法。本文在室内多个场景中测试了场景分割算法,均能准确快速检测支撑区域,保留支撑区域上方物体,去除背景区域,从而分割场景。然后对比了基于整个场景和基于深度阈值分割后的局部场景的分割时间,如果直接分割整个原始场景,每秒可以处理10帧左右。如果先对原始场景进行深度阈值分割,再对局部场景进行分割处理,每秒可以处理17帧左右,证明了使用深度阈值分割后的场景能有效地提升算法的处理速度,场景分割达到了实时性。本文也对比了基于单一像素点的区域增长检测平面和基于超像素聚类检测平面的时间,时间由20.7ms减少到15.3ms,提高了平面检测的速度,加快场景分割,验证了文中所提出创新点。最后对比了分割前和分割后场景中关键点匹配的结果,来验证本次场景分割算法的准确性及意义。