专利名称：基于自回归模型深度恢复的参数自适应选取方法
技术领域：
本发明属于计算机视觉领域，涉及在深度图复原过程中多个参数的自适应选取方法。具体讲，采用自回归模型，在恢复被污染(低分辨率，带噪声，带有随机错误和结构性错误)深度图的过程中，使得各个涉及恢复过程的参数根据图像特性自适应选取的方法，即基于自回归模型深度恢复的参数自适应选取方法。
背景技术：
随着成像技术的进步，近年面市的深度相机突破了传统激光扫描和立体匹配进行深度成像的限制，可以比较方便地获得实时动态三维场景的深度。但是，受到诸多条件的限制，例如，需要实时采集，需要实现完整的动态场景，以及防止背景光的干扰，深度相机拍摄出来的深度图存在很多不足:1)分辨率低2)图像受噪声污染严重3)测量深度受背景光影响而不准确4)存在随机或者结构化的深度值缺失。我们把这些存在的不足称为含有退化模型的深度图。因为这些退化模型的存在，使得深度相机实际的应用并不是很广泛。所以，寻找一种深度恢复的方法是必要的。现阶段，国内外工作采用经过对齐的高分辨率的彩色图与含有退化模型的深度图来获得高质量的深度图 。这样，在假设深度不连续的地方正好可以对应彩色图像的边缘，而颜色一致的区域含有相似的3D (three-dimension)几何结构的情况下,可以利用高分辨率的彩色信息对低分辨率深度图进行超分辨率优化。一类最主要的方法是采用滤波器来优化深度图。这类方法可以同时处理低分辨率，带有噪声和含有深度值缺失的多种混合退化模型。其中，一种是利用双边滤波器来实现超分辨率；因为双边滤波器在滤波的同时可以很好的保住边缘而不被模糊，根据这一特点，将其应用于深度图，可以在扩大分辨率的同时，对图像进行去噪。最近，还有一种方法采用非局部均值滤波来实现深度恢复。他们通过非局部均值滤波可以判断出相似结构的特性，来实现超分辨率和图像去噪。但是，上述方法中涉及了多而复杂的参数，并且都是根据经验值来设定，并没有针对图像的结构和特性对参数进行自适应选取。不同的图像深度恢复仅仅采用同一种参数设置，必然会导致某些图像不能很好的恢复，或者不能达到最优解。
发明内容
本发明旨在克服现有技术的不足，实现根据不同的深度图和彩色图的特性来恢复出最优的最终深度图，为此，本发明采取的技术方案是，基于自回归模型深度恢复的参数自适应选取方法，包括下列步骤:I)将深度恢复问题具体地表述为自回归模型求解方程:
权利要求
1.一种基于自回归模型深度恢复的参数自适应选取方法，其特征是，包括下列步骤: 1)将深度恢复问题具体地表述为自回归模型求解方程:
2.如权利要求1所述的基于自回归模型深度恢复的参数自适应选取方法，其特征是，对σ进行自适应取值具体为: 当要恢复的像素处在深度光滑区域，采用一个大的σ值去恢复当前的深度结构，SP σ值越大，权重越小，彩色图部分预测权重越小；相反，如果像素处在丰富的深度纹理区域，采用一个小的σ值来更好地预测深度纹理信息，初始深度图的梯度信息可以很好的反映出深度纹理的丰富程度，所以，采用初始深度图的梯度去估计σ的取值； 22)利用分段函数对σ的取值范围实现自适应 Sigmoid函数能取到的最小值到最大值的范围代表着我们可以取到的σ值，根据方程(2)，彩色图像的预测系数a。是根据当前像素为中心的彩色块P进行预测的，所以，彩色块的纹理结构的丰富程度直接影响了 σ的取值范围，根据当前像素块的彩色纹理结构的梯度值构造分段函数 来对σ的取值范围进行自适应。
3.如权利要求1所述的基于自回归模型深度恢复的参数自适应选取方法，其特征是，对 '进行自适应取值具体为 31)通过g。来对Tg进行自适应取值； 32)通过对两个参数Tg，σ的自适应，求解出两个预测系数ac;，ag，得到最后的预测系数，方程如下: a = acXag (4) 其中，a是最终的预测系数。
全文摘要
本发明属于计算机视觉领域，为实现根据不同的深度图和彩色图的特性来恢复出最优的最终深度图，为此，本发明采取的技术方案是，基于自回归模型深度恢复的参数自适应选取方法，包括下列步骤1)将深度恢复问题具体地表述为自回归模型求解方程；2)对σ进行自适应取值通过彩色图的纹理结构和初始深度图对σ进行自适应取值；3)对τg进行自适应取值通过彩色图的梯度gc来对τg进行自适应取值，最后，算出最终的预测系数a；4)将预测系数a代入能量方程E(f)进行最终求解。本发明主要应用于在深度图复原过程中多个参数的自适应选取。
文档编号G06T1/00GK103218771SQ20131007324
公开日2013年7月24日 申请日期2013年3月7日 优先权日2013年3月7日
发明者杨敬钰, 叶昕辰, 侯春萍 申请人:天津大学