1.一种面向视觉特征退化图像的固废对象分割方法，所述分割方法包括如下步骤：

1)、通过一系列背景点云数据的深度信息建立背景深度高斯混合模型，对于图像中每一个像素，通过高斯混合分布来建模，一个像素的深度等于d的概率分布用公式(1.1)来表示，其中，wj是第j个高斯分布的权重， K是高斯分布的总数，η(d；Θj)是第j个高斯分布，用公式(1.2)来表示，其中，μk是第k个高斯分布的均值，∑k是第k个高斯分布的协方差矩阵，∑k＝σk2I，I是单位矩阵，σk是第k个高斯分布的标准差，K个高斯分布按照wk/σk排序，排序前B的高斯分布，被作为背景模型，B通过公式(1.3)得到，其中，T是最小的阈值，对于固废点云中任意一个像素，找到对应位置的背景模型，如果它的深度值和背景模型中所有高斯分布的均值μk的差的绝对值大于标准差σk的设定倍数，该像素被作为前景像素；

2)、通过比较背景模型和待处理固废点云，在二值图上，前景像素对应位置设为255，背景像素设为0，得到前景mask，提取前景mask中连通的局部maskMlocal，并且提取相应的局部RGB图，局部mask的外轮廓图Fc和局部深度边缘图Em，将整张图像的分割问题转换成多个局部mask的分割问题；

3)、对于每一个局部mask，在相应的局部RGB图像上进行超像素分割，得到超像素集合S＝{s1,s2,s3,…,sn-1,sn}，si表示一个单独的超像素，同时也是一个点集，由多个特征相近的像素组成；

4)、通过局部mask的外轮廓图Fc和局部边缘图Em，根据公式(4.1)得到内部边缘Einner图，其中， 表示在Fc上执行模糊核大小为(2*k+1)的膨胀操作，通过公式(4.2)提取边缘像素集Ep，Ep＝{p(x,y)|Einner(x,y)＝255}，   (4.2)

其中，p(x,y)为满足条件的像素点，Einner(x,y)为Einner图上第y行，第x列的像素值；

5)、通过超像素集合S和边缘像素集Ep，根据公式(5.1)提取边缘超像素集Bsp，其中，p是图像中任意像素点，sk是满足条件的超像素，将Bsp中邻接的超像素提取出来作为邻接超像素集合，每一个邻接超像素集定义为边界区域Bregion；

6)、基于边界区域Bregion，通过一个迭代来生成模糊区，迭代过程如公式(6.1)，其中， 是Bregion经过x次扩张后的边界区域，边界区域每次扩张通过合并邻接的超像素来完成， 通过公式(6.2)扩张为其中， 是边界区域 的邻接超像素集，x初始为0，每一次迭代，x加1，经过一次或者多次迭代后，Mobj会被分为多个独立的块，对于一个独立的块，如果它含有设定数量个或者更多的超像素，那么认为它是组成一个对象的有效部分，否则认为是无效部分，当x大于设定阈值或者Mobj拥有两块或者两块以上相互独立的有效部分时，迭代过程停止，通过公式(6.3)计算得到的边界区域 的可信度，其中， 是最终生成的边界区域，y是最终边界区域扩张的次数，

表示 拥有的像素个数，边界区域占局部mask的比例越大，它成为模糊区的可能性越小，f＝1表示Mobj含有两块或者两块以上相互独立的有效部分；f＝0表示Mobj没有两块或者两块以上相互独立的有效部分，如果 大于一个阈值C，这个边界区域就被选择作为模糊区，是粘连和遮挡物体间难以区分的区域，如果一个局部mask没有模糊区，则认为是单个物体；如果存在模糊区，则需要7)的精确分割；

7)、通过对局部mask上的所有像素进行分配标签来实现精确分割，进行初级标记时，将不同标签la分配给不同有效部分的像素，la＝{1,2,3…}，然后分配0给模糊区和Mobj中无效部分的像素；

8)、为了精确标记模糊区，提取模糊区的邻接超像素集，根据这些超像素的标签，分为两个或者两个以上的邻接超像素集，计算超像素集中的每一块超像素的LAB颜色和深度的均值，和超像素的中心坐标，对于任意一个la＝0的像素，通过公式(8.1)计算它与超像素的差异度，其中，dlab为LAB颜色空间上的欧式距离，ddepth为深度的欧式距离，dxy是图像坐标系上坐标的欧氏距离，wlab,wdepth和wxy是各个距离的权重，i是超像素集中超像素的序号，得到像素与超像素集合中所有超像素的差异度后，通过公式(8.2)来计算像素与邻接超像素集合间差异度，d＝min 0＜i≤n(di)，(8.2)

其中，i是超像素集中超像素的序号，n是邻接超像素集中超像素的个数，对于得到的d，d越小表示像素与邻接超像素集越相似，将最相似的超像素集的标签分配给该像素，当la＝

0的所有像素重标记结束后，局部mask完成分割，检查结果是否存在孤立的点或者区域，通过分配最多邻居像素拥有的标签来实现分割结果的优化。