深度影像切割

(a) (b) 圖 3-4 去除雜訊前的法向量之 方向分量 (a)椅子 (b)電腦

(a) (b)

圖 3-5 去除雜訊後的法向量之 方向分量 (a 椅子 (b)電腦 )

可以看出在沒有經過雜訊處理前，兩物體的法向量之 方向分量之影像有黑點，表 示 z 方向的法向量是不連續的，物體的表面是連續的，所以法向量應該也是連續分布的，

若法向量不連續，則表示物體表面呈現非連續分布，即三維雜訊，後來經過雜訊處理後，

由圖 3-5 可以看得出來，表面法向量的變化變得連續許多，表示此三維雜訊處理架構是 必須的。

3.3 深度影像切割

為了要辨識一個複雜場景的多個物體，有必要將場景內的多個物體各自獨立開來，

形成單一物體，再來對個別的單一物體進行三維辨識，所以先用 2.3.1 的多重臨界值法，

依照物體表面深度的不連續來分割場景，形成單一場景，例如：前景、中景、後景等，

之後再用 2.3.2 連通量分析，在每一個單一場景中利用深度影像中的像素間連通性來分 離物體。假設直接只有利用深度影像中的像素間連通性來分離物體，可能發生不同物體

52

彼此遮蔽住，但卻以為是同一個物體的情形，圖 3-6 為切割深度影像的系統架構。

更新後的深度資訊

分離深度影像之場景 多重臨界值法

分離深度影像中物體 像素間連通性

分離的獨立物體

圖 3-6 深度影像切割架構

3.3.1 場景分離

在本論文中，將使用多重臨界值法來使深度影像分離成不同的場景，由 2.3.1 節的 (2.2)式，本論文設定直方圖的初始樣本區間個數 b 2 , 2 ,然後增加 ，直到所找 到的局部最小值個數大於 T 4，將單一場景的個數限制住 5 個以下，如 2.3.1 節的圖 2-3 所示，複雜場景很大，可將 T 設定大一點，但若 T 過大時，會使得原本的物體可 能被切割成在不同的單一場景下，如圖 3-7 所示，以 T 6為例，共有七個單一場景。

53

(a) (b)

(c) (d)

(e) (f)

(g) (h) 圖 3-7 T=6 時，由真實場景中所分離的物體

(a) 真實場景 (b)物體 1 (c)物體 2 (d)物體 3 (e)物體 4 (f)物體 5 (g)物體 6 (h)物體 7

54

可看的出設定T 6來分割圖 3-7(a)，所得的單一場景過多， 所以 T 過大會使單一

場景過多，同一個物體都被分割成很多不同的單一場景中，例如：圖 3-7(c)與圖 3-7(d) 中的印表機被分割成在兩個不同場景中，圖 3-7(g)與圖 3-7(h)中的牆面被分割成兩個不 同的場景中。

3.3.2 物體分離

在本論文中，利用深度影像 中的像素間連通性來分離物體，利用 8 連通成份，

並將同樣的 8 通成份作標記，使有相同標記的像素點變成一區域 ，此區域就可被分 離成單一物體；除此之外，在本論文中，為了避免因為雜訊的影響，導致區域數過多，

使得辨識速度的變慢，故設置了一個濾波器，使得某區域中的點數佔整個場景中的點數 比例過低時，刪除掉此區域，如(3.1)式。

If Th , then 3.7 當 Th 0 時，即沒有過濾時，經過兩步驟的分割，可將圖 3-7(a)分成 55 個物體，

Th 0.01，經過這二階段的分割，最後可分成 10 個物體，如圖 3-8 所示，若 Th 0.03，可 分成 6 個物體，在本論文中，令Th 0.05，可分成 5 個物體，如圖 3-9 所示，以此類推。

Th的大小可由雷射測距儀的解析度以及測距範圍來決定。

55

(a) (b)

(c) (d)

(e) (f)

(g) (h)

(i) (j)

圖 3-8 Th=0.01 時，由真實場景中所分離的物體。(a)物體 1 (b)物體 2 (c)物體 3 (d)物體 4 (e)物體 5 (f)物體 6 (g)物體 7 (h)物體 8 (i)物體 9 (j)物體 10

56

(a) (b)

(c) (d)

(f)

圖 3-9 Th=0.05 時，由真實場景中所分離的物體 (a) 物體 1 (b)物體 2 (c)物體 3 (d)物體 4 (e)物體 5