深度图像去噪方法、前景分割方法及人体运动监测方法技术

本发明专利技术公开了一种深度图像去噪方法、前景分割方法及人体运动监测方法。本发明专利技术先将深度图像分块，再对各区块基于基平面进行第一、第二特征点的标记，然后计算携带孤立信息和空间分布信息的第一参数，通过表示各区块的属性参数作为特征集，来对各区块进行聚类，进一步滤除盆地区块，保留高原区块以及判断高原区域最近延伸块第一、第二特征点灰度水平的差异进行边缘保护，完成去噪。对于去噪的ROI，利用多级别等值线进行前景分割。对于分割的人体对象，通过对分割的部位进行平面拟合及计算拟合平面与基本平面的夹角来实现对运动的监测。本发明专利技术无需进行建模或大量迭代运算，运算过程简单，处理效率高，准确性高。

【技术实现步骤摘要】
深度图像去噪方法、前景分割方法及人体运动监测方法
本专利技术涉及图像处理领域，尤其是一种深度图像去噪方法、前景分割方法及人体运动监测方法。
技术介绍
深度图像能够反映研究对象的深度信息，对于运动对象的研究具备良好的数据支撑。深度图像的采集工具(如Kinect传感器)通常通过发射和接收空间中红外传感器的红外反射来计算深度图像，但是，如果被测物体离目标太远或是在目标处发生多次反射，那么研究对象周围就会出现大量不均匀的噪声，在深度图像中，噪声同样具备深度信息，并且噪声具有不规律性和不确定性，因此，噪声对于后续对研究对象的深度信息的分析计算具有极大的影响。最直接的，通常对于研究对象的分析是需要将研究对象的深度信息从深度图像中提取/分割出来的，而噪声由于同样具备深度信息，则能够影响对于研究对象的提取和分割。现有技术中，有通过深度图像的图像熵来进行去噪的方案，例如CN105005975A所公开的基于PCNN和图像熵的各向异性扩散的图像去噪方法，CN104268844A公开的基于加权局部图像熵的小目标红外图像处理方法和CN111047本文档来自技高网...

【技术保护点】
1.一种深度图像去噪方法，用于对深度图像的噪声区域进行去噪，该噪声区域被等尺寸划分为若干区块，其特征在于，所述深度图像去噪方法包括以下步骤：/n分别对每一区块均进行以下A-B的计算：/nA.于区块中基于基平面分别确定第一特征点和第二特征点，所述第一特征点为像素值位于基平面下方的像素点，第二特征点为像素值位于基平面上方的像素点；/nB.通过每个第二特征点的点权重和对应于每个第二特征点的最小位置匹配，计算第一参数；/nC.以各区块的所述第一参数，以及第一特征点、第二特征点的属性参数作为各区块的特征集，采用聚类方法将各区块分为三类：对应低灰度范围的第一类，携带突变值的第二类以及具备相对平坦表面的第三...

【技术特征摘要】
1.一种深度图像去噪方法，用于对深度图像的噪声区域进行去噪，该噪声区域被等尺寸划分为若干区块，其特征在于，所述深度图像去噪方法包括以下步骤：
分别对每一区块均进行以下A-B的计算：
A.于区块中基于基平面分别确定第一特征点和第二特征点，所述第一特征点为像素值位于基平面下方的像素点，第二特征点为像素值位于基平面上方的像素点；
B.通过每个第二特征点的点权重和对应于每个第二特征点的最小位置匹配，计算第一参数；
C.以各区块的所述第一参数，以及第一特征点、第二特征点的属性参数作为各区块的特征集，采用聚类方法将各区块分为三类：对应低灰度范围的第一类，携带突变值的第二类以及具备相对平坦表面的第三类；将第一类区块平坦化，保留第三类区块，根据第三类区块最近延伸区块的第二特征点与第一特征点的灰度差异，决定保留或平坦化对应的第二类区块。


2.如权利要求1所述的深度图像去噪方法，其特征在于，所述步骤A中，所述基平面的值为区块内各像素的灰度值的均值。


3.如权利要求1所述的深度图像去噪方法，其特征在于，所述步骤B中，第二特征点的点权重的计算方法包括：
分别以逻辑1和0对区块中的第一特征点和第二特征点的像素进行描述，对第二特征点邻域周围NxN区域通过下式计算出对应的点权重：



其中，w是第二特征点的点权重，aij是第二特征点在该NxN邻域内的像素逻辑值，N为大于等于3的整数。


4.如权利要求1所述的深度图像去噪方法，其特征在于，所述步骤B中，对应于第二特征点的最小位置匹配的计算方法包括：
PM＝min{(|(m-xi)|+|(n-yi)|)|i＝1，2，...，No}
其中PM是计算的最小位置匹配；(m，n)表示区块中的一个第二特征点的坐标位置，(xi，yi)表示除(m，n)点之外的其他第二特征点的坐标值，min为计算最小值的功能函数，No是除当前第二特征点之外的其他第二特征点的数目。


5.如权利要求1所述的...

【专利技术属性】
技术研发人员：李元媛，何飞，何凌，朱婷，熊熙，孟雨璇，周格屹，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川;51