[发明专利]类地重力场环境下室内场景单目视觉空间识别方法

权利要求书

1.一种类地重力场环境下室内场景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；

其次，基于人类视觉多尺度感知特性的色彩空间谱聚类方法将超像素图像进一步聚类，生成接近人类视觉色彩分类感知的图块图像，以降维超像素图像；

第三，对色彩分类图块进行基于轮廓形态谱聚类，将立面物体的图像聚类成大立面图块；

第四，采用室外重力场视觉模糊分布密度函数进行室内场景的初步空间分类，初步找出可能的天花板、立面及地面的空间区域；

第五，利用曼哈顿强度特性将具有强立面轮廓特征的图块归类成立面；

第六，基于室内场景透视原理对天花板与立面、地面与立面边界进行搜索；

第七，采用室内重力场视觉模糊分布密度函数进行室内场景图像空间识别；

第八，基于地面与天花板透视原理标注室内空间生成深度图；

所述的多尺度感知特性的色彩空间谱聚类方法是先采用简单线性迭代聚类方法即SLIC(Simple Linear Iterative Clustering)进行超像素聚类，它以像素的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Ds，具体定义如下：

其中：C_k＝[l_k,a_k,b_k,x_k,y_k]^T为聚类的中心；[l_i,a_i,b_i,x_i,y_i]^T为图像像素点的5维空间坐标；N为图像的像素数；K为期望获得的超像素的数目；s为超像素中心栅格间距；D_s为色彩lab距离d_lab和d_xy基于s的规范化距离；m为可控的超像素密度因子；其次采用以下方法进行多尺度特性色彩空间谱聚类：

(1)将SLIC方法所产生的n个超像素作为无向权值图G的顶点V＝{v₁,v₂,…,v_n}；

(2)构建邻接矩阵，i＝1,2…n；j＝1,2…n，其中，n为超像素的个数；

(3)构建权值邻接矩阵，i＝1,2…n；j＝1,2…n；

其中权值W(i,j)为相邻两个超像素之间的规范化CIELAB颜色直方图Bhattacharyya系数进行度量计算，具体构建方法是将图像的色彩空间转换到CIELAB空间，并将L通道的取值范围划分为8级等分，a通道的取值范围划分为16等分，将b通道的取值范围划分成16个等级，其中将L通道取值范围划分为8级的目的是降低色彩亮度变化对权值的扰动，每个超像素在8×16×16＝2048维度的空间计算值直方图为：

其中l＝2048，则当E_i,j＝1时

式中：h₁(i)、h₂(i)、h_l(i)、h_u(i)、h_u(j)是超像素中像素点在CIELAB标准色彩空间中a通道、b通道、L通道中相应等级中的像素点个数所组成2048维的直方图向量；其中a通道的取值范围划分为16等分，将b通道的取值范围划分成16个等级，其中将L通道取值范围划分为8级；其下标为等级数，i，j为超像素图块的标号；

“W”表述为权值矩阵，其中权值W(i,j)为相邻两个超像素之间的规范化CIELAB颜色直方图Bhattacharyya系数进行度量计算得出；

“R^k”是矩阵论中的规范表达，表述k维实向量；

对于权值W(i,j)的取值通过增加一个基于Bhattacharyya系数的色彩距离的约束条件进行选取，选取条件为：

当W(i,j)≤0.71≈cos 45°时，则令W(i,j)＝0；

增加此约束条件的目的是提高相邻超像素间色彩的相似性阈值以提高方法的干扰能力和鲁棒性；

(4)构建度矩阵，i＝1,2…n；j＝1,2…n；

(5)构建规范化Laplacian矩阵，采用Normalized-cut准则来计算规范化的Laplacian矩阵：L_sym＝I-D^-1/2WD^-1/2 (9)

(6)计算L_sym进行特征值分解，并取前K个最小特征值所对应的特征向量，V₁，V₂，…，V_k；其中K＝[0.1×n]，即取n的10％作为图像聚类特征向量的维度，从而实现将超像素图像降维到接近10％以下的目的；

(7)将V₁，V₂，…，V_k排列组成R^n×k矩阵并将矩阵中的每个元素取绝对值得矩阵U；

(8)对于i＝1,2…n，令y_i∈R^k为矩阵U的第i行向量；

(9)对非零的y_i∈R^k向量进行归一化，并用Bhattacharyya系数法进行聚类，其中Bhattacharyya距离的B_U阈值为cos20°≈0.95，即当B_U≥0.95时，超像素间进行聚类；

(10)采用以下方法对每个谱聚类图块进行聚类，生成接近人类视觉色彩分类感知的图块图像：

①构建颜色多尺度空间模型：

采用一个以a＝0，b＝0为圆心，R_m为半径的圆柱体将CIELAB色彩空间分割成两个部分：

对于在ab平面上投影的模长大于R_m的颜色向量，采用两个颜色向量在ab平面投影向量间的夹角和颜色向量在ab平面上投影的模长之差的绝对值作为颜色聚类的近似性测度，具体的数学表达如下：

其中：和为两个颜色向量在ab平面投影向量，θ_T和Δm_T分别为两向量聚类夹角的阈值和模长之差的阈值，θ_T的取值范围为θ_T＝5～20°，Δm_T的取值范围为Δm_T＝15～40；

对于在ab平面上投影的模长小于R_m的颜色向量，则采用两个颜色向量在ab平面投影向量间的夹角，其表达式同(10)式，以及向量在L上的亮度差作为其颜色聚类的近似性测度，具体的数学表达如下：

ΔL＝|L_a-L_b|≤ΔL_T (12)

其中：ΔL_T的取值范围为ΔL_T＝5～20；

②应用颜色多尺度空间模型进行图像聚类：

a.计算每个聚类图块平均色彩向量值，并将向量投影到ab平面上；

b.计算每个聚类图块平均色彩向量值投影在ab平面上向量的模长，并根据向量在ab平面上的模长将其归于不同的测度空间；

c.对相邻图块类采用式(10)进行向量间的夹角的计算；

d.以公式(10)(11)(12)为判据，将符合条件的图块进行聚类；

e.重复a～d步，直到收敛。