基于多条件随机场模型的图像3D空间布局理解

uqHZau

基于多条件随机场模型的图像3D空间布局理解

" f! P% i+ p- o- G* s  ~
# e; W7 `3 I1 u  Y; f' ]摘要:图像3D空间布局理解在自动驾驶系统以及目标识别中扮演着重要的角色.本文提出一种基于多条件随机场模型集成的图像3D空间布局理解算法.首先,基于多次图像分割生成多个不同尺度的超像素图像;然后,结合
LBP表面纹理特征、LM滤波器组获得的方向纹理特征,颜巴特仙以及图像中疸to陈系F1B且个模l刑并Il成用D-S证据合超像素图像中超像素的特征表达;最后,为各尺度的超像素图像分别构建相应的条件随机场模型,并应用D-S证据合
成理论对多个条件随机场模型的推断结果进行集成,实现对图像3D空间布局的理解.在公共数据集CC和KITTI Lay-out 上的实验结果表明,同已有算法相比,本文提出的算法提高了图像3D空间布局理解的准确率.
3 o% _* ~! P- @, Y, J% m关键词:3D空间布局;多次图像分割;超像素特征表达;条件随机场模型;证据合成
/ _) j( S5 x7 @: o6 b6 x5 S; L2 x

1引言
图像3D空间布局理解是根据多种图像特征信息,将图像中每个像素点标记为不同几何类别的过程,天空( sky)、立体物( vertical)以及地面( support)是三类常见的几何类别.由于图像3D空间布局信息能够模拟人的感知机理,反映从相机角度呈现在图像中的表面方向信息以及真实场景的空间上下文关系,因此,图像3D空间布局理解得到了研究者的广泛关注,常被应用在自动驾驶系统中道路、自由驾驶空间检测[1.2]、目标识别[3等领域.
从模型上看,现有图像3D空间布局理解算法可分为两大类: (1)以超像素为处理单元建立决策树模型对超像素分类;(2)以单次分割获得的超像素为处理单元建立单一关系模型(如条件随机场模型、贝叶斯模型)推断超像素所属标签类别.第一类算法一般只考虑单个超像素的局部信息以及位置等几何特征信息,忽略了图像中的上下文关系,如文献[4~6]中使用决策树推断超像素的几何类别标签,只考虑了超像素本身的
  ~8 J3 r2 ~! M9 g
, v! ^, \' J0 d4 e. g  }' ~" J

游客，如果您要查看本帖隐藏内容请回复

. w; ~1 }6 s( k3 I: K
3 `5 B, j" q$ Y

younicp

基于多条件随机场模型的图像3D空间布局理解