论文部分内容阅读
随着经济的发展与科技的进步,机器人开始走进人们的生活,并可以完成路径规划、清洁等日常作业。由于家庭环境的特殊性,机器人对日常工具快速准确认知,仍然是机器智能研究领域和机器人实用化进程中亟需攻克的难题。本文在国内外相关研究成果基础上探讨了颜色深度数据进行家庭日常工具显著性检测方法以满足机器人服务的实时性要求。 首先,考虑到自然图集中特征明显且在空间上局部聚集,本文模型对原图进行大尺度图层分割以提取各区域的整体结构特性;通过小尺度分割以保留目标的细节特征并保证了小区域的特征一致性;采用像素颜色间的关联与对比,衡量各特征的独立程度,从选定的准确种子处衍生出各尺度显著图,将不同尺度的显著结果融合得到基于颜色的初始显著图。跟传统的方法相比较,该方法能够克服部分背景干扰,生成低噪声显著图。 然后,在显著性检测的特征对比环节,传统模型往往将图像边界区域作为假定背景种子,并采用颜色对比度衡量各区域显著水平,但难以处理背景置信度较低,且单一的图像区域。针对此问题,本文将初始显著图作为已知先验对假定背景进行校正优化,从而得到更为准确的背景种子集,进一步引入图像深度信息,构建更具表达力的彩色深度特征以提升区域之间特征区分度。结合校正优化的种子集和颜色深度相结合的特征表述方式,加符合显著目标在图像中的存在状态。相比当前大部分算法,有效提升显著性检测的准确度。