RGB-D显着目标检测

本仓库包含论文“用于RGB-D显着目标检测的数据级重组和轻量级融合方案”的代码实现。 代码结构 ./Ours 文件夹包含利用原始RGB和深度图计算显著性图的网络源代码。 ./Ours+ 文件夹包含改进网络的源代码，该网络用生成的显著性预测替换了原始深度图。 结果对比 | | Ours | Ours+ ||---|---|---|| | | | 评估指标 评估指标详见./Evaluation文件夹。 环境配置 下载代码并解压缩至./目录下. 下载预训练模型并存储至./model/目录下. Ours.caffemodel 用于初始结果 Ours+.caffemodel 用于最终改进结果 运行测试 在./Ours文件夹下运行test.m生成显著性图. 在./Ours+文件夹下运行test+.m获得改进结果. 训练模型 下载训练数据集并解压缩至./Dataset/Train/目录下. 下载预训练模型并放置于./Model/目录下. 运行训练脚本 sh ./o

RGB-D技术是计算机视觉领域重要研究方向，结合彩色图像和深度信息实现三维重建、物体识别、环境建模。压缩包中包含MATLAB实现的RGB-D三维重建系统，依赖已校准相机参数，经过测试可行。RGB-D相机如Kinect或RealSense，捕捉场景彩色图像和深度信息，彩色提供颜色纹理，深度提供空间距离，构建三维点云。系统包含数据获取、相机标定、特征匹配、三角测量、点云融合、可视化等步骤，MATLAB代码详细注释，帮助理解RGB-D技术及应用开发基础。

DCCT（深度相机校准工具箱）v.1.2是一个用于RGB-D相机校准的工具箱，详细介绍了如何通过球体来进行RGB-D相机的准确校准。此工具箱是以下论文的组成部分： 期刊版本：Aaron N. Staranowicz, Garrett R. Brown, Fabio Morbidi, Gian-Luca Mariottini, 'Practical and Accurate Calibration of RGB-D Cameras Using Spheres', Computer Vision and Image Understanding, 2015年4月9日，ISSN 1077-3142. 会议版本：A. Staranowicz, GR Brown, F. Morbidi, GL Mariottini, 'Easy-to-Use and Accurate Calibration of RGB-D Cameras Using Spheres', 在R. Klette, M. Rivera和S. Satoh编辑的Proc. of the 6th Pacific-Rim Image and Video Technology Conference, Volume 8333, pp. 265-278, Springer, 2014年。 版权声明：版权所有（C）2016 Aaron Staranowicz和Gian Luca Mariottini。 此工具箱提供了将RGB-D图像进行叠加的Matlab代码，方便用户进行图像融合及深度数据处理。

该存储库提供了JCSA-RM方法用于RGB-D图像分割和分析的MATLAB实现。JCSA-RM方法结合了RGB和深度信息，通过联合色彩空间轴向聚类和区域合并来实现图像分割。此存储库包含以下功能演示： 从mat文件中加载RGB-D图像数据（包括RGB图像、深度图像和法线数据），并显示它们。 生成并显示分割结果图像。 如何使用演示：- 运行MATLAB文件RGBD_Seg_JCSA_RM.m以使用GUI版本，或者运行demo_NO_GUI.m进行非GUI版本的演示。- 数据加载：使用样件名如rgbd_info_1.mat，rgbd_info_2.mat，rgbd_info_1_better_normals.mat，或rgbd_info_2_better_normals.mat。- 选择_better_normals版本，尝试使用无歧义的表面法线进行更精确的分割。- 在测试选项中选择不同的测试方法：a) JCSAb) JCSD 此代码库经MATLAB 2017b版本测试，适用于RGB-D图像分析的实验和研究。

MATLAB代码层次分析显着性树新颖性显着检测框架。此代码适用于论文： [1] Z. Liu，W。Zou，O。Le Meur，“显着性树：一种新颖的显着性检测框架”，IEEE Transactions on Image Processing，vol。23，no。5，pp. 1937-1952，2014年5月。仅限非商业用途。如果使用，请引用论文[1]。此代码需要使用VLFeat开源库，可从其官网下载，以及[2]的源代码。P. Arbelaez，M. Maire，C. Fowlkes，J. Malik，“轮廓检测和分层图像分割”，IEEE Transactions on Pattern Analysis and Machine Intelligence，vol。33，no。5，pp. 898-916，2011年5月。[2]的源代码可以在以下位置下载：运行代码（1）对于Windows，请首先使用[2]的源代码（注意，需将ST_win文件夹中的“im2ucm.m”替换为[2]中的原始文件），以生成与[1]中相同的结果。我们使用了调整大小因子0.5以提高运行速度。

这段MATLAB代码基于分层分割进行协同显着性检测，适用于以下论文：[1] Z. Liu, W. Zou, L. Li, L. Shen 和 O. Le Meur，“基于分层分段的共显着性检测”，IEEE信号处理。Lett。，第一卷21号1，第88-92页，2014年1月。代码仅限非商业用途。如需使用，请引用论文[1]。此代码依赖于[2] P. Arbelaez, M. Maire, C. Fowlkes, J. Malik，“轮廓检测和分层图像分割”，IEEE模式分析和机器智能交易，第1卷33，不。5卷，第898-916页，2011年5月。源代码包含在“ lib”文件夹中，也可以从以下位置下载。我们已在Ubuntu 12.04下测试通过。运行Demo.m在MATLAB中，您将获得一个示例。

这份文件深入探讨了利用深度学习进行目标检测的各种方法。它对不同的方法进行了分类和解析，并对它们的优缺点进行了比较。

这个程序的目标是检测彩色图像中的人脸特征。

该程序使用Matlab读取视频文件中的图像帧，并对每帧图像进行运动目标检测，实现对视频中运动目标的持续追踪。

使用Matlab编程实现车辆目标的检测，代码详细易懂，适合初学者学习使用。