类地重力场环境下单目视觉空间识别方法
【专利摘要】一种类地重力场环境下单目视觉空间识别方法，其特征是它包括以下步骤：首先，对图像进行基于像素的CIELAB色彩空间值L,a,b和x,y坐标值的超像素分割，以产生超像素图像；其次，采用基于超像素颜色特性、纹理特征向量距离及邻接关系的普聚类算法，将分割形成的超像素图像降维并生成大图块；第三，将代表天空、地面及立面物体的重力场模糊分布密度函数分别与所得的大图块像素相乘，并求出大图块的期望值，从而完成天空、地面及立面物体的初步分类；第四，通过单层小波采样和曼哈顿方向特征提取出天空、地面及立面物体的分类图；最后，基于小孔成像模型及地面线性透视信息生成空间深度感知图。本发明简单易行，分辨率高，应用范围广。
【专利说明】类地重力场环境下单目视觉空间识别方法
【技术领域】
[0001]本发明涉及一种图像处理方法，尤其是一种可以广泛应用于如机器人视觉导航、大空间的目标测量、目标追踪与定位等领域的能提高空间识别的图像处理方法，具体地说是一种类地重力场环境下单目视觉空间识别方法。
【背景技术】
[0002]理解3D空间结构作为机器视觉的基本问题，长期以来被人们关注并研究着，早期的研究工作关注于立体视觉或通过视角的运动来获得3D的线索。近年来，许多研究人员将关注点聚焦于从单目视觉图像中重构3D空间结构，目前大多数单目视觉3D空间识别方法多采用监督型机器学习方法，比如:马尔可夫随机场(MRFs)、条件概率随机场(CRFs)以及动态贝叶斯网络(DBN)等。然而，这些方法常常依赖于其先验知识，即仅能学习训练集中所采集的图像环境。因此，当采样设备或采样环境发生变化时，单目视觉3D空间识别的结果将产生较大差异。为了解决这个问题，本发明提出将重力场因素添加到图像分析中，构建了一种新的非监督学习单目空间识别方法。
【发明内容】
[0003]本发明的目的是针对现有的图像识别方法大都需要通过对图像的学习才能完成，这些方法存在数据处理量大、速度慢，适应性差，使用范围受限较多的问题，发明一种无需学习且能快速识别、同时准确度高、适用性广的类地重力场环境下单目视觉空间识别方法。
[0004]本发明的技术方案是:
[0005]一种类地重力场环境下单目视觉空间识别方法，其特征是它包括以下步骤:·[0006]首先，对图像进行基于像素的CIELAB色彩空间值L，a, b和x，y坐标值的超像素分害!]，以产生具有一定密度的超像素图像；
[0007]其次，采用基于超像素颜色特性、纹理特征向量距离及邻接关系的普聚类算法，将分割形成的超像素图像降维并生成大图块；
[0008]第三，将代表天空、地面及立面物体的重力场模糊分布密度函数分别与所得的大图块像素相乘，并求出大图块的期望值，从而完成天空、地面及立面物体的初步分类；
[0009]第四，通过单层小波采样和曼哈顿方向特征提取出天空、地面及立面物体的分类图；
[0010]最后，基于小孔成像模型及地面线性透视信息生成空间深度感知图，从而完成由摄像设备获取的平面图像向立体图像的转换，实现类地重力场环境下单目视觉空间识别。
[0011]本发明的有益效果是:
[0012]本发明首次提出了将重力场因素添加到图像分析中，构建了一种新的非监督学习单目空间识别方法，模拟了人类视觉系统对地面连续表面集成处理方法，构建一个具有一定普适性类地重力场环境下单目视觉空间识别模式，它改变了传统的单目视觉系统3D重构及深度感知的算法模式。[0013]1.本发明模拟了人类视觉系统，构建一个具有一定普适性的类地重力场环境下单目视觉空间识别方法，需要指出的是该方法可以应用于对火星表面及月球表面等类地重力场环境下的视觉空间测量，如图15所示。
[0014]2.当取消对图像中天空亮度的约束条件时，本发明还可以识别城市夜景环境，如图16所示。
[0015]3.本发明无需对计算机进行先验知识的学习与训练就可以对类地重力场环境下的单目视觉图像进行有效识别与3D重构。
[0016]4.本发明改变了传统的单目视觉系统3D重构及深度感知的算法模式，可以广泛应用于如机器人视觉导航、大空间的目标测量、目标追踪与定位等领域。
【专利附图】
【附图说明】
[0017]图1是本发明的流程示意图。
[0018]图2是本发明的基于超像素的普聚类过程及效果示意图。图2中:(a)为原图像、(b)为951个超像素分割图像、(c) 145个谱聚类的图像、(d) 3次迭代收敛的92个聚类的图像。
[0019]图3是本发明的利用几何包含关系消除图块中孤岛的过程示意图。图3中:(a)为建筑物窗户聚类算法后留下孤岛图块、(b)为基于几何包含关系聚类算法消除图块孤岛的结果。
[0020]图4是人类重力场视觉认知模型示意图。
[0021]图5是本发明的视平线位置的确定示意图。
[0022]图6是本发明的图像视平线位置确定等效原理图，图中=H1为图像的高度，H1 =hs+hg。
[0023]图7是经过本发明的基于重力场模糊分布密度函数所得的地面、天空、立面物体分类过程示意图。
[0024]图8是本发明的立面物体与天空分类算法过程示意图。
[0025]图9是本发明的重力场模糊函数判断中出现不符合重力场的结果示意图。图中
(a)为原图、(b)为经过立面物体与地面区分计算后的结果。
[0026]图10为经过本发明的模糊函数及立面物体与天空分类后的计算结果示意图。其中(a)为对不符合重力场图块重新归类、(b)为立面物体与地面区分后的聚类结果。
[0027]图11为经过本发明立面物体与地面进一步区分后输出的结果。
[0028]图12是本发明的视觉成像系统物理模型示意图。
[0029]图13是本发明的深度投影角在Lab空间中的映射示意图。
[0030]图14是对应图11的深度感知图。
[0031]图15是利用本发明的方法对NASA火星图片进行空间识别及深度识别的结果示意图。
[0032]图16是利用本发明的方法对城市夜景图片的空间识别及3D重构图。
【具体实施方式】
[0033]下面结构实施例和附图对本发明作进一步的说明。[0034]如图1-14所示。
[0035]一种类地重力场环境下单目视觉空间识别方法，它包括以下步骤:
[0036](I)首先对图像进行基于像素色彩及空间位置的超像素图像分割，形成具有一定密度的超像素图像；
[0037](2)通过运用基于超像素颜色空间距离、纹理特征向量距离及几何邻接关系的普聚类算法将超像素图像降维到10%以下的大图块聚类图像；
[0038](3)代表天空、地面及立面物体的重力场模糊分布密度函数分别与这些大图块像素相乘，并求出这些大图块的期望值，从而产生天空、地面及立面物体的初步分类，通过进一步的一层小波采样、曼哈顿方向提取等特性分类算法，提取出较为准确的天空、地面和立面物体分类图；
[0039](4)最后，基于小孔成像模型及地面线性透视信息生成空间深度感知图。从而完成由单台摄像设备获取的平面图像向立体图像的转换，实现类地重力场环境下单目视觉空间识别。
[0040]详述如下:
[0041]1.超像素聚类算法。
[0042]可采用Achanta R提出的简单线性迭代聚类算法即SLIC (Simple LinearIterative Clustering),该算法以像素的CIELAB色彩空间的L、a、b值及像素的x, y轴坐标构建5维空间，并定义了规范化的距离测量方法Ds，具体定义如下:
【权利要求】
1.一种类地重力场环境下单目视觉空间识别方法，其特征是它包括以下步骤: 首先，对图像进行基于像素的CIELAB色彩空间值L，a, b和x，y坐标值的超像素分割，以产生超像素图像； 其次，采用基于超像素颜色特性、纹理特征向量距离及邻接关系的普聚类算法，将分割形成的超像素图像降维并生成大图块； 第三，将代表天空、地面及立面物体的重力场模糊分布密度函数分别与所得的大图块像素相乘，并求出大图块的期望值，从而完成天空、地面及立面物体的初步分类； 第四，通过单层小波采样和曼哈顿方向特征提取出天空、地面及立面物体的分类图； 最后，基于小孔成像模型及地面线性透视信息生成空间深度感知图。
2.根据权利要求1所述的方法，其特征是所述的普聚类算法包括超像素聚类方法及在超像素的基础上的普聚类方法，所述的超像素聚类方法采用Achanta R提出的简单线性迭代聚类算法即SLIC (Simple Linear Iterative Clustering),该算法以像素的CIELAB色彩空间的L、a、b值及像素的X，y轴坐标构建5维空间，并定义了规范化的距离测量方法Ds，具体定义如下:
3.根据权利要求1所述的方法，其特征是所述的大图块生成采用几何包含关系聚类方法，以消除孤岛图块，所谓的孤岛图块是指一个或多个图块被一个大图块完全包围的图块，几何包含关系的聚类算法可以将孤岛图块聚类成完全包围该孤岛的大图块，从而避免了几何上下文算法对孤岛图块空间分类所产生的奇异；具体方法为: (1)寻找镂空图块，其判据为当Nb-nb>0时则图块为镂空图块，其中Nb为图块所有边界的像素值，nb为图块外边界的像素值，如果Nb-nb>0则进入下一步，否则图块不为镂空图块； (2)以外边界为边界以原图块的标记值来填充图块； (3)以填充图块代替原镂空图块。
4.根据权利要求1所述的方法，其特征是所述的采用单层小波采样提取天空和立面物体的分类图时采用I2范数计算各对象图块的平均能量测度，即
5.根据权利要求1所述的方法，其特征是所述的采用单层小波采样提取地面和立面物体的分类图时采用以下判别方法: (1)根据地面的连续性及其重力场空间几何上下性质，将悬空于立面物体中的地面图块归为立面物体； (2)通过对图像中被判别为立面物体图块进行Hogh变换，并通过基于直线方向角度的统计直方图，通过对其曼哈顿方向信息的强度，来判断图中是否存在大型近距离建筑物，如果不存在则结束对地面的修正，如果存在则进入下一步； (3)以立面物体中建筑物的曼哈顿方向信息修正其与地面图块的连接边界。
6.根据权利要求1所述的方法，其特征是所述的天空、地面及立面物体的重力场模糊分布密度函数分别为: (1)地面重力场模糊分布密度函数G:
7.根据权利要求1所述的方法，其特征是所述的期望值是通过对大图块中各像素在图像垂直方向上与地面模糊分布密度函数G、天空模糊分布密度函数S以及立面物体模糊分布密度函数V，在(-He，Hs)范围内相乘所得，其计算公式为:
【文档编号】G06K9/62GK103632167SQ201310652422
【公开日】2014年3月12日 申请日期:2013年12月5日 优先权日:2013年11月29日
【发明者】郑李明, 崔兵兵 申请人:金陵科技学院