一种基于K-means方法的走廊消失点快速检测算法
【专利摘要】本发明提出了一种基于K-means方法的走廊消失点快速检测算法，当获得机器人实时返回的图像数据后，先对其进行前期处理，包括降采样、灰度化处理、直方图均衡化和Canny边缘检测；再对上一步获得图像利用概率霍夫变换算法进行线条的提取；最后利用K-means算法对检测到的直线根据斜率聚为四类，计算出每簇直线中点的均值，然后利用聚类得到的斜率和中点均值构建四条直线代替上一步检测到的直线，将四条直线随机分为两组，分别计算其交点，取交点的中点作为消失点。该方法可以快速的检测到消失点的位置，然后利用消失点对机器人的前进方向进行修正，实现对机器人的导航。和现有的消失点检测方法相比，本发明提出的方法具有简单高效、实时性好、稳定性强的特点。
【专利说明】-种基于K-means方法的走廊消失点快速检测算法 【技术领域】
[〇〇〇1] 本发明涉及机器人自主导航领域，具体为一种基于K-means方法的走廊消失点检 测算法，能够准确实时的从机器人获得的图像中检测出消失点的位置坐标，进而为机器人 的运动提供导航信息。本发明也可应用于微小型无人机在建筑物内沿走廊的自主飞行任 务。 【背景技术】
[0002] 空间一组平行直线，在图像平面上所成的像有且仅有一个交点，称为消失点，它包 含了图像上平行直线的方向信息，因此可用来为机器人提供导航信息，这项技术已经被广 泛应用。机器人在走廊中运动时，利用从摄像头获得的实时图像信息，计算出走廊中消失点 的坐标，据此不断修正机器人的前进方向，最终可实现机器人沿走廊的自主运动。
[0003] 为了使用消失点对机器人的运动进行导航，对消失点检测算法有两个重要的要 求：（1)计算量小，实时性高；(2)检测到的消失点位置准确。
[0004] 目前比较流行的几种消失点检测算法大多以霍夫变换为基本思想，而选择不 同的参数空间，主要的参数空间有高斯球、霍夫空间和图像空间。Barnard, Stephen T. ''Interpreting perspective images. ''Artificial intelligence21. 4(1983) :435-462. 中提出以摄像机光学中心为中心的高斯球作为累积空间。图像中的直线在高斯球中被 映射成为一个圆，消失点在高斯球中对应着一个点。由于无限的图像平面被映射到一个 有限的高斯球空间，因此无限远处的消失点同样被映射成一个点。在确定消失点的累 积投票阶段，高斯球被分割成多个累积小单元，每个圆都对它经过的累积单元投票，投 票数多的累积单元对应于消失点。这种方法对有限远处和无限远处的消失点均能有效 检测。Tuytelaars, Tinne, et al. 〃The cascaded Hough transform as an aid in aerial image interpretation. "Computer Vision，1998. Sixth International Conference on. IEEE，1998.采用和Barnard类似的思想，使用霍夫变换将平面中的直线参数转化 至霍夫空间，在霍夫空间进行累计投票，确定出消失点，在一定程度上减小了计算量。 Rother, Carsten.k new approach to vanishing point detection in architectural environments. "Image and Vision Computing20. 9(2002) :647-655.将所有图像平面中检 测到直线的两两交点作为消失点的候选对象，并给出了一些约束条件来确定消失点，这种 方法可以得到更为准确的结果。
[0005] 但是，上述几种方法存在以下几点不足：（1)在高斯球空间和霍夫空间方法中，经 高斯球变换和霍夫变换后，减少了线段和消失点的空间位置信息，同时，这两种方法检测到 的消失点精度受累积单元大小的影响较大，当累积单元较大时，得到消失点的误差较大，当 累积单元过小时，计算量将会成倍增加，不能满足实时性要求；(2)在图像平面进行消失点 的检测时，对所有可能的直线交点进行计算，这种方法的精度较高，但在实际应用时，由于 检测到直线数量较大，算法复杂度高，计算量大，因此实时性较差，无法满足实际需要。
【发明内容】
[0006] 为了克服现有技术的不足，本发明提出了一种基于κ-means方法的走廊消失点快 速检测算法，采用K-means方法进行消失点检测，只需要计算直线的两个交点，即可快速准 确的计算出图像中消失点的位置。
[0007] 本发明的技术方案为：
[0008] 所述一种基于K-means方法的走廊消失点快速检测算法，其特征在于：采用以下 步骤：
[0009] 步骤1 :对采集的图像进行预处理，去除掉图像中的冗余信息，减小噪声的影响； 预处理过程依次为：对采集的图像进行降采样、灰度化处理、直方图均衡化、采用Canny算 子进行边缘检测；
[0010] 步骤2 :采用概率霍夫变换算法检测步骤1处理后的图像，提取图像中的线条；
[0011] 步骤3 :采用K-means方法根据线条斜率将步骤2提取的线条聚类为四类，分别求 出四类线条中点的均值；根据每类线条斜率和对应线条中点均值共确定出四条直线，四条 直线随机分成两组，每组两条直线得到一个交点，取两个交点的中点作为消失点。
[0012] 进一步的优选方案为：
[0013] 所述一种基于K-means方法的走廊消失点快速检测算法，其特征在于：步骤3中采 用K-means方法根据线条斜率将步骤2提取的线条聚类为四类的过程如下：
[0014] 步骤3. 1 :计算步骤2检测到的η条线条的斜率，并将得到的η个斜率值作为待聚 类的对象；从η个对象中任意选择四个作为初始聚类中心；初始聚类中心为所要聚成四个 类别的初始中心；
[0015] 步骤3. 2 :计算每个待聚类对象到所有聚类中心的欧氏距离，并将每个聚类对象 划分到距离它最近的聚类中心，作为该聚类中心对应类别的一个成员；
[0016] 步骤3. 3 :重新计算每个类别中各成员的均值，作为该类别新的聚类中心；
[0017] 步骤3. 4:当每个待聚类对象到其所属类别聚类中心的距离之和不能再减小时， 聚类结束，否则返回步骤3. 2。
[0018] 有益效果
[〇〇19] 本发明实现了一种准确高效的走廊消失点检测算法，该方法可以在机器人获得的 图像中，快速的检测到消失点的位置，然后利用消失点对机器人的前进方向进行修正，实现 对机器人的导航。和现有的消失点检测方法相比，本发明提出的方法具有简单高效、实时性 好、稳定性强的特点。
[0020] 本发明之所以具有上述有益效果其原因在于：本发明提出的方法首先对机器人获 得的走廊图像进行预处理，去除掉对计算消失点没有帮助的图像数据，只保留决定走廊消 失点的图像数据部分，极大地减少了所需处理的信息量，降低了计算的复杂度。而且由于 概率霍夫变换是一个相对比较耗时的过程，步骤（1)去除大量无关数据后，步骤（2)的线 条提取过程也节省了计算成本，而且检测到的线条对消失点的确定均是有用的。在确定消 失点位置时，未采用对大量直线两两求交点的方法，而是充分考虑走廊中的结构特征，采用 K-means方法将图像中检测到的直线聚为四类，利用得到的四条直线代替前面检测到的大 量直线，这四条直线就可决定了消失点的位置，采用这种方法进一步简化了计算，最终在只 需计算直线两个交点的情况下，就可求出走廊中的消失点。 【专利附图】
【附图说明】
[0021] 图1 :本发明的方法流程图；
[0022] 图2 :实施例中的处理图像。 【具体实施方式】
[0023] 下面结合附图和实施例对本发明进一步说明。
[0024] 附图1展示了本发明实现走廊中消失点检测的整体流程，该流程包含了确定消失 点所需的各个主要步骤。本发明的目的是利用走廊中运动的机器人返回的图像信息，快速 计算出走廊中消失点的位置，并利用检测到的消失点对机器人沿走廊运动进行导航。附图 2展示了利用本发明提出的方法在一幅随机拍摄的走廊图像中检测消失点的各个过程。
[0025] 下面是具体的实现步骤，以附图2中的输入图像为例对整个过程进行说明。
[0026] -、图像的前期预处理
[0027] 当机器人返回一张图片后，先使用计算机视觉的方法对图像进行相关处理，以减 少周围环境中噪声的干扰，去除掉对确定消失点没有作用的图像数据，并对图像中的边缘 进行检测，为下一步提取线条做好准备。
[0028] (1)图像的降采样处理
[0029] 首先对采集到的图像进行将降采样处理，减小需处理图像的尺寸，在实际操作中， 我们将图像的长和宽均变为原来的1/2。该步骤减少了需要处理的信息量，降低了运算过程 中的时间成本。
[0030] (2)灰度化图像
[0031] 由于计算机视觉的方法很容易受到所处环境中光照条件的影响，为了将这种影响 降至最低，我们把降采样得到的RGB图像利用公式（1)转化为灰度图像，减少光照变化对消 失点检测的影响。得到附图2-b所示图像。
[0032] Gray = 0. 229R+0. 587G+0. 114B (1)
[0033] (3)直方图均衡化
[0034] 直方图均衡化是图像处理领域中利用图像直方图对图像对比度进行调整的方法。 对于步骤（2)得到的灰度图像，让^表示灰度i出现的次数，这样图像中灰度为i的像素 的出现率是
[0035]
【权利要求】
1. 一种基于κ-means方法的走廊消失点快速检测算法，其特征在于：采用以下步骤： 步骤1 :对采集的图像进行预处理，去除掉图像中的冗余信息，减小噪声的影响；预处 理过程依次为：对采集的图像进行降采样、灰度化处理、直方图均衡化、采用Canny算子进 行边缘检测； 步骤2 :采用概率霍夫变换算法检测步骤1处理后的图像，提取图像中的线条； 步骤3 :采用K-means方法根据线条斜率将步骤2提取的线条聚类为四类，分别求出四 类线条中点的均值；根据每类线条斜率和对应线条中点均值共确定出四条直线，四条直线 随机分成两组，每组两条直线得到一个交点，取两个交点的中点作为消失点。
2. 根据权利要求1所述一种基于K-means方法的走廊消失点快速检测算法，其特征在 于：步骤3中采用K-means方法根据线条斜率将步骤2提取的线条聚类为四类的过程如下： 步骤3. 1 :计算步骤2检测到的η条线条的斜率，并将得到的η个斜率值作为待聚类的 对象；从η个对象中任意选择四个作为初始聚类中心；初始聚类中心为所要聚成四个类别 的初始中心； 步骤3. 2 :计算每个待聚类对象到所有聚类中心的欧氏距离，并将每个聚类对象划分 到距离它最近的聚类中心，作为该聚类中心对应类别的一个成员； 步骤3. 3 :重新计算每个类别中各成员的均值，作为该类别新的聚类中心； 步骤3. 4 :当每个待聚类对象到其所属类别聚类中心的距离之和不能再减小时，聚类 结束，否则返回步骤3. 2。
【文档编号】G06K9/62GK104063711SQ201410283061
【公开日】2014年9月24日 申请日期:2014年6月23日 优先权日:2014年6月23日
【发明者】布树辉, 程少光, 刘贞报 申请人:西北工业大学