基于Kinect的深度数据融合方法

来源 :计算机应用研究 | 被引量 : 23次 | 上传用户:bashi0000
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
与传统三维激光扫描仪相比,Kinect作为一种新型深度相机,具有价格低廉、深度数据获取能力强、RGB影像与深度影像同步获取等优势,然而面对较大室内场景精细建模却存在数据量大、建模范围有限、对硬件环境依赖性强等问题。因此,在现有单一模型建模基础上,提出了基于Kinect深度影像的多模型数据融合方法,实现模型间的自动拼接。最后通过两组实验对提出的数据融合方法进行了验证,并取得了较好的模型拼接效果。
其他文献
从行为动力学角度探讨物流基地产品出库量的时序特征。首先基于重标极差法,以某大规模物流基地产品的出库量为例,揭示物流基地各个仓库的钢材产品出库量具有分形布朗运动的基本特征。物流系统出库量不仅受到当前市场价格的引导,而且受过去一段时间的出库量影响较大。由于在区间重构过程中采用极差的方式会造成部分信息的缺失,继而采用复杂网络可视图的方法对物流系统的分形特征进一步加以验证,发现基本所有的可视图均具有小世界
为了解决标准粒子群优化算法(particle swarm optimization,PSO)收敛速度慢和容易陷入局部极小值的问题,提出了一种改进的方法。算法针对PSO算法在搜索过程中常处于一个相对稳定的阶段,这时获取全局最优点的粒子速度趋于0或者在最优位置来回大幅振荡,而种群中的其他粒子正处在向全局最优位置收敛的过程中,动态调整粒子位置和速度可以提高粒子的收敛速度。如果稳定阶段过长而粒子过于集中,
针对非线性系统中因噪声模型不准确或测量数据中存在野值而导致无迹卡尔曼滤波(UKF)结果产生偏差甚至发散的问题,提出了一种自适应抗差无迹卡尔曼滤波(ARUKF)算法。该算法利用抗差估计原理构造抗差方差分量统计量,并由该统计量引入自适应因子来调节增益矩阵,减弱野值对滤波的影响。将ARUKF算法应用于GPS/BD-2组合导航系统中,仿真实验结果表明,当观测数据中存在野值时,ARUKF算法能够有效地控制观
为了能正确检测显著性图中的多个显著性目标,提出了一种基于全局颜色对比的显著性目标检测算法。该算法首先提取图像的全局颜色对比度特征,然后把显著性图和全局颜色对比度作为特征输入条件随机场框架中,得到二值显著性掩模,最后经区域描绘子计算得到包含显著性目标的最小外接矩形。在两种公开的数据集上的实验结果表明,该算法在精度、召回率以及F-测度方面的表现优于现有其他几种算法,在计算效率上也具有一定的优势。因此,