1.RGBD视频中基于局部刚性假设的场景流估计方法，其特征在于，具体操作过程包括如下步骤：

步骤1，分别输入连续两帧RGB图像和深度图像，并计算连续两帧RGB图像之间的光流信息；

步骤2，根据坐标转换配准输入的深度图像和RGB图像，修复深度图像中的洞和消除噪声点；

步骤3，使用K‑means算法对修复后的深度图像分层，将深度值接近的像素值分为同一层；

步骤4，使用局部刚性全局非刚性假设，将深度图像的每一层分成许多块，计算每一块的运动信息，得到深度图像的运动信息；具体过程如下：根据步骤3得到的深度图像的分层信息，将每一层分为许多大小为3*3的块，每一个块具有相同的运动信息，不同的块之间存在有不同的运动信息；

假设第t桢RGB图像中的像素点α1＝(x1,y1)在第t+1桢中对应点的像素为α2＝(x2,y2)，则对应的光流信息为(u1,v1)＝(x2‑x1,y2‑y1)，第t桢RGB图像中的像素点α1在对应的深度图像中对应的深度值为z1，第t+1桢RGB图像中的像素点α2在对应的深度图像中对应的深度值为z2，则对应的深度变化为z＝z2‑z1；

根据像素点的透视投影关系得到图像像素点α1和α2对应的3D空间点坐标如式(4)所示：u＝X2‑X1,v＝Y2‑Y1,z＝z2‑z1  (4)式中，α12＝(X1,Y1,Z1)是像素点α1对应的3D坐标，α22＝(X2,Y2,Z2)是像素点α2对应的3D坐标，X1,Y1,Z1,X2,Y2,Z2,根据3D和2D之间的映射关系如式(5)得到：式中，fx,fy和cx,cy分别是相机的焦距和畸变系数；场景的运动包含旋转Rtk和平移空间点α22的坐标根据空间点α12得到，如式(6)所示：T

α22＝Rt,kα12+τt,k  (6)空间点α22对应的图像坐标为 则对应的场景流如式(7)‑(9)所示：其中， 分别为水平，垂直和深度方向的变化；

步骤5，根据步骤1得到的RGB图像的光流信息和步骤4的深度图像的每一层的运动信息，计算得到最终的场景流信息。

2.如权利要求1所述的RGBD视频中基于局部刚性假设的场景流估计方法，其特征在于，所述步骤2中将深度图像中的噪声根据深度值为0的连通区域的大小区分为洞和噪声点，然后根据区域相似性和颜色一致性修补洞，采用双边滤波消除噪声点。

3.如权利要求1所述的RGBD视频中基于局部刚性假设的场景流估计方法，其特征在于，所述步骤2的具体过程如下：

深度图像和RGB图像的配准过程：在深度图像和RGB图像中分别找到四对对应的点，这四对对应点坐标的位置信息根据式(1)得到投影矩阵，使用opencv中的函数warpPerspective()得到深度图像与RGB图像的配准图像；

式中，(X,Y)为RGB图像中的像素点坐标，(x,y)为深度图像中的像素点坐标，A为投影矩阵；

如果深度图像中深度值为0的连通区域的面积大于4，则该区域是洞，根据区域一致性和颜色的一致性修补洞，然后根据双边滤波消除噪声点；

如果深度图像中深度值为0的连通区域的面积为4或者小于4，则该区域是噪声点，根据双边滤波消除噪声点。

4.如权利要求1所述的RGBD视频中基于局部刚性假设的场景流估计方法，其特征在于，所述步骤3的具体过程如下：

步骤3.1，初始化实验数据，假设深度图像D为m*n的矩阵，D＝{d1,d2,...dn}，聚类数目设为k，设定k个聚类中心(m1,m2,...mk)；输出k个类簇Cj(j＝1,2,...,k)；

步骤3.2，对每一个样本dj，计算出距离它最近的聚类中心，然后将其分配到该类；

步骤3.3，计算每一个簇中所有像素点的均值，用于重新确定聚类中心，如公式(2)所示：

式中，Ni为第i个聚类的所有像素点，dij为第i簇中的第j个样本；

步骤3.4，计算深度图像各点与其对应的簇中心的偏差，如式(3)所示：式中，ni表示第i簇中像素点的个数；

步骤3.5，判断J值是否收敛，如果收敛，则聚类中心不变，并返回原聚类中心(m1,m2,...mk)和其对应的簇，得到深度图像的分层信息；否则，跳转依次执行步骤3.2‑步骤3.5。

5.如权利要求1所述的RGBD视频中基于局部刚性假设的场景流估计方法，其特征在于，所述步骤5的具体过程如下：

使用坐标下降法最小化RGBD分层场景流能量函数，如式(10)所示：式中， 是每层的运动，包括2D运动{utk,vtk}和深度变化wtk，Edata反应了第t连和第t+1帧连续两帧在2D运动{utk,vtk}后的时间一致性；Espa反映了每层像素分别在垂直，水平，深度方向上经过运动R,τ后的区域一致性，这里R是旋转，τ是平移；Esup反映了层辅助函数的空间一致性和表面运动{utk,vtk}的时间一致性；λdata,λspa,λsup分别是Edata,Espa,Esup相对应的权重系数；gtk是辅助函数，‑1.5≤gtk≤1.5，反映了像素属于第t帧第k层的概率；

其中，根据公式(11)‑公式(13)分别得到水平，垂直和深度变换的半参数模型：式中，ρu,ρv,ρw和ρb分别是惩罚函数。