类地重力场环境下单目视觉空间识别方法技术

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。本发明专利技术简单易行，分辨率高，应用范围广。

【技术实现步骤摘要】

本专利技术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。
技术介绍
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，本专利技术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。
技术实现思路
本专利技术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，专利技术一种无需学习且能快速识别、同时准确度高、适用性广的。本专利技术的技术方案是:一种，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坐标值的超像素分害!]，以产生具有一定密度的超像素图像；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，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。本专利技术的有益效果是:本专利技术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。1.本专利技术模拟了人类视觉系统，构建一个具有一定普适性的，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。2.当取消对图像中天空亮度的约束条件时，本专利技术还可以识别城市夜景环境，如图16所示。3.本专利技术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。4.本专利技术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。【附图说明】图1是本专利技术的流程示意图。图2是本专利技术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。图3是本专利技术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。图4是人类重力场视觉认知模型示意图。图5是本专利技术的视平线位置的确定示意图。图6是本专利技术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。图7是经过本专利技术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。图8是本专利技术的立面物体与天空分类算法过程示意图。图9是本专利技术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。图10为经过本专利技术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。图11为经过本专利技术立面物体与地面进一步区分后输出的结果。图12是本专利技术的视觉成像系统物理模型示意图。图13是本专利技术的深度投影角在Lab空间中的映射示意图。图14是对应图11的深度感知图。图15是利用本专利技术的方法对NASA火星图片进行空间识别及深度识别的结果示意图。图16是利用本专利技术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】下面结构实施例和附图对本专利技术作进一步的说明。如图1-14所示。一种，它包括以下步骤:(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；(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；(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；(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。详述如下:1.超像素聚类算法。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:本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
2013.11.29 CN 201310626783.X1.一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...

【专利技术属性】
技术研发人员：郑李明，崔兵兵，
申请(专利权)人：金陵科技学院，
类型：发明
国别省市：