Python中RGB-D图像的体积TSDF融合 这是一个轻量级的python脚本，可将多个已注册的颜色和深度图像融合到一个投影的截断的有符号距离函数（TSDF）体积中，然后可用于创建高质量的3D表面网格和点云。 在Ubuntu 16.04上测试。 较旧的CUDA / C ++版本可在找到。 要求 带有 ， ， ， 和 。 通过运行以下命令，可以快速安装/更新它们： pip install --user numpy opencv-python scikit-image numba [可选] GPU加速需要具有和的NVIDA GPU： pip install --user pycuda 演示版 该演示将来自7个场景的数据集的1000张RGB-D图像融合到405 x 264 x 289的投影TSDF体素体积中，在GPU模式下以约30 FPS（在CPU模式下为0.4 FPS）的分辨率为2cm，并输出3D网格mesh.ply可以使用诸如的3D查看器可视化的mesh.ply 。 注意：彩色图像保存为24位PNG RGB，深度图像保存为16位PNG（以毫米为单位）。 python de

当前卷积神经网络结构未能充分考虑RGB图像和深度图像的独立性和相关性, 针对其联合检测效率不高的问题, 提出了一种新的双流卷积网络。将RGB图像和深度图像分别输入到两个卷积网络中, 两个卷积网络结构相同且权值共享, 经过数次卷积提取各自独立的特征后, 在卷积层根据最优权值对两个卷积网络进行融合；继续使用卷积核提取融合后的特征, 最后通过全连接层得到输出。相比于以往卷积网络对RGB-D图像采用的早期融合和后期融合方法, 在检测时间相近的情况下, 双流卷积网络检测的准确率和成功率分别提高了4.1%和3.5%。

为了获取更加清晰、更多细节的轮廓特征，充分利用Kinect传感器获取的RGB-D图像信息，将结构化的随机森林作为分类器，提出一种更加精确的轮廓提取器。首先，将RGB-D图像的多种信息利用数学公式表示出来；然后利用BSD500数据集以及NYU深度数据集训练结构化的随机森林算法，核心是将给定节点的结构化标签映射到一组离散标签；最后，利用该随机森林算法对RGB-D图像信息进行分类，得到图像轮廓。针对细节不同的四种场景图像进行对比实验，结果表明，经改进后的算法得到的轮廓效果更加清晰、准确。

matlab的代码在相机上实现单个RGB-D图像的深度深度补全 该存储库包含本文中描述的代码/数据： 张因达（Thinda Zhang），托马斯·冯克豪斯（Thomas Funkhouser） 单个RGB-D图像的深度深度补全计算机视觉和模式识别（CVPR2018） @article{zhang2018deepdepth, title={Deep Depth Completion of a Single RGB-D Image}, author={Zhang, Yinda and Funkhouser, Thomas}, journal={The IEEE Conference on Computer Vision and Pattern Recognition (CVPR)}, year={2018} } 请查看项目网页（），以获取更多详细信息。 如果您有任何疑问，请联系Yinda Zhang（yindaz猜测cs dot princeton dot edu）。 快速测试 在中下载realsense数据，然后将其解压缩。 在中下载bound.t7和normal_sc

采用新型3D传感器能够便捷地同时获取多场景、多视觉和多目标彩色和深度信息的RGB-D图像，利用其在物体重叠和遮挡下深度信息对颜色和亮度的不变特点，有效提高RGB-D图像分类的精度。对微软Kinect设备的发展及原理做详细介绍；介绍了现有的RGB-D数据集；对现有RGB-D图像特征提取与分类方法进行了归纳、分析和比较；阐述RGB-D图像分类的发展趋势。

基于加权测地驱动度量标准的室内场景RGB-D图像超像素