论文部分内容阅读
深度数据直接记录一个场景中的物体表面的三维几何信息,并且不受光照、阴影等其他因素的影响,有了这种精确的空间几何信息,易于建立事物模型,简化数据的处理方法,更利于与图像相关各学科的发展,因此越来越多的研究人员,开始关注基于深度图像的计算机视觉系统的研究。深度数据的获取技术多种多样,虽然获取的数据质量高,但是系统的成本较高,与传统的深度数据获取技术相比,微软发布的Kinect传感器不仅小巧便携,反应快,价格便宜,实时性好,而且获取到的数据质量也能够满足科学研究与应用的需要。所有的这些优点使得Kinect一经推出,便受到广泛关注,使得关于Kinect深度数据的相关研究工作日益发展起来。基于深度图像的室内场景理解是三维视觉领域中的前沿问题,简化原始离散三维数据点云的结构形式,提取高级的对象特征,是实现室内场景中对象识别和定位的基础。而数据分割是提取特征之前最重要的步骤,是深度数据预处理中的重要部分,也能够为后期的对象识别奠定基础。针对三维室内场景中平面较多的特性,提出一种基于高斯混合模型聚类的深度数据分割方法,实现对场景数据的平面提取。首先将Kinect获取的深度图像数据转换为离散三维数据点云,并对点云数据做去噪和采样处理;在此基础上计算所有点的法向量,利用高斯混合模型对整个三维点云的法向集合聚类,然后利用随机抽样一致性算法对各个聚类进行平面拟合,由每个聚类得到若干平面,最终把整个点云数据分割为一些平面的集合。实验结果表明,该方法得到的分割区域边界准确,分割质量较高。提取出的平面集合为以后的室内对象识别和场景理解工作奠定了较好的基础。