深度成像理论与实现

传统成像获取信息不足,成像质量有一定局限性。为此,提出了一种深度成像模型。模型包含深度矩阵、分解函数、散焦算子、自适应正则项等部分。深度矩阵的获取有双目立体视觉、结构光或飞行时间法等实现方法;分解函数用于将图像按深度值的不同分割为若干子图像;散焦算子可以通过深度散焦法来计算;自适应正则项的引入能减少图像的阶梯效应,增强图像的光滑性。通过局部标准差和局部平均梯度这两个评价指标检验深度成像模型的效果。实验结果表明,深度成像模型效果显著。     

基于TOF与立体匹配相融合的高分辨率深度获取

深度获取在机器人导航、语义感知、操控和远程监控等领域有较高的应用价值。目前已有的深度获取方法包括深度相机(如TOF)和立体匹配算法。然而,深度相机有两个主要问题:易受噪声干扰和所得深度图分辨率较低。立体匹配能够获得高分辨率的深度图,但在弱纹理或重复纹理区域无法提取准确的深度信息。而深度相机却可以在这些区域提供深度信息。基于以上TOF深度相机和立体匹配之间的互补特性,提出了一种将TOF深度相机所得深度图与立体匹配所得深度图相融合的方法获取高分辨率深度图,实现优势互补。文中提出一种新的基于TOF与立体匹配相融合的高分辨率深度图获取方法,通过在弱纹理或重复纹理区域使用TOF深度获取方法和在复杂纹理区域使用立体匹配算法进行深度获取,最终获取高分辨率深度图。实验结果表明,本文的融合算法比单独使用两种方法能产生更好的视差图,而且较其他融合算法在准确度和速度上有所提高。     

基于视频加深度格式的立体视频技术分析

对现有视频加深度格式的立体视频进行了概括分析,简要介绍视频加深度的技术要点,即深度图像的获取、深度图像的压缩编码,以及图像的合成和质量的评价。同时提出了目前该格式存在的一些技术问题。该项技术尽管使现有深度提取技术有了很大进步,但建立精确的深度图仍然比较昂贵和困难。因此,如何获取高精度的深度图是该格式未来发展的关键,针对深度图像的压缩编码方案也需要进一步研究。     

基于深度传感器图像分割技术的研究

首先详细介绍了深度传感器获取深度信息的工作原理,并利用深度传感器获取到用户的深度图像信息.然后,对深度图像进行校正,具体包括深度距离与实际距离的转换、深度图像到空间三维坐标的转换、深度图像到RGB图像的配准.最后,利用最优阈值法实现了将预处理后的深度信息中人体与背景的分割.实验结果表明,此方案可以比较完整的提取出人体区域.     

基于深度传感器图像分割技术的研究

首先详细介绍了深度传感器获取深度信息的工作原理,并利用深度传感器获取到用户的深度图像信息。然后,对深度图像进行校正,具体包括深度距离与实际距离的转换、深度图像到空间三维坐标的转换、深度图像到RGB图像的配准。最后,利用最优阈值法实现了将预处理后的深度信息中人体与背景的分割。实验结果表明,此方案可以比较完整的提取出人体区域。     

基于深度前馈网络的深度学习模型在XOR函数中的应用

文章首先介绍了前馈网络的基本原理。然后通过一个XOR小例子讨论部署一个前馈网络所需的每个设计决策。最后去面对那些只出现在前馈网络中的设计决策。     

基于深度融合的深度图像修复算法

提出了一种基于深度融合的深度图像修 复算法。对于单幅深度图像,首先利用形态学操作进行空洞区域优化,消除深度图像中的间 隙和随机噪声;然后针对迭 代滤波过程,提出一种新的深度融合策略计算深度值,并通过对空洞区域的分析,判断深度 图像中空洞区 域类型,自适应选择结构元进行迭代操作;最后利用局部深度值重建方法对受损的边缘处深 度值进行修复。 实验结果表明,本文算法在较好的修复深度图像中存在空洞和间隙的同时,能够保持原始深 度图深度值分 布规律,克服修复过程中存在的深度值失真,边缘模糊等不足。基于标准数据集Middlebury 的对比试验结果表明,本文算法与其它算法相比,获得了良好的效果。     

P2P流量监控技术分析

分析了P2P应用对互联网的影响，着重介绍了目前常用的P2P流量监控技术的基本原理以及存在的优缺点。     

舜宇智能光学带来了用于深度检测的芯片解决方案

舜宇作为全球领先的摄像头模组提供商已经广为人知,而在今年CES上,舜宇的子公司舜宇智能光学为我们带来了用于深度检测的芯片解决方案。深度检测自从苹果在iPhone X开始使用之后,已经得到了业界的广泛肯定。