对论文Dinh et al. 2014 [1] 中峰值分割迭代算法的疑问1

在对论文"Dinh et al. 2014 [1]"的研究中，我们关注的是一个峰值分割迭代算法，该算法用于图像分割，特别是在驾驶员分心检测的应用中。论文提出了一种基于深度直方图的分割方法，旨在识别和区分物体的不同部分。然而，对算法的理解存在一些疑问，主要涉及峰值检测和递归分割过程。 直方图是算法的基础，它以1mm为单位展示了深度数据的分布。红点表示检测到的峰值，这些峰值可能是图像中的不同特征。论文中设定的经验阈值T=400，代表了人体深度厚度的一个估计值，用于区分直方图中的峰值。在第一遍循环中，所有峰值被分成两部分，绿色虚线之前的部分对应P1，实线之后的部分对应P2。 接着，按照论文中的描述（公式2和3），算法应该递归地对P1和P2进行进一步的峰值计算和分割。这里的问题在于，如果在第一次循环后，P1中的所有峰值都已经处理过，那么在后续遍历中将找不到满足条件|X(pi+1) - X(pi)| > T的新峰值，因为直方图的结构在后续遍历中并未改变，导致递归无法继续。 为了解决这个问题，我们可以考虑两种可能的实现方式： 1. **固定bin宽度**：如果直方图的bin宽度始终保持1mm不变，那么无论多少次遍历，直方图的峰值都不会变化，因此递归过程中的"compute the new peaks"操作将无法进行，这与论文中描述的递归算法不一致。 2. **固定bin数量**：另一种假设是直方图统计时，bin的数量是固定的，但宽度可变。这样，随着递归深入，每个子区域的直方图可能会有所不同，产生新的峰值。然而，这种实现会导致最终的分割结果（如图4所示）与论文中给出的示例显著不同，可能不符合实际应用的需求。 论文中没有清楚地阐述直方图统计的bin宽度或bin数量，这给算法的实现带来困扰。为了正确理解并实现算法，我们需要更深入地理解作者的意图，或者寻求更详细的解释。可能需要进一步的研究来确定如何在保持算法有效性的同时解决这个问题。 Dinh等人的论文中提出的峰值分割迭代算法在实际应用中遇到了挑战，主要是由于直方图处理方式的不明确。理想的解决方案应能确保递归过程能够持续进行，同时生成与论文所示结果相匹配的分割效果。这可能需要对原始算法进行适当的调整，或者对论文的解释进行扩展，以便适应不同的图像和场景。