[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

说明书

技术领域

本发明涉及一种可以广泛应用于如机器视觉室内空间导航、目标测量、目标追踪与定位等领域的室内场景图像单目视觉空间识别方法，尤其是一种将重力场、透视投影原理及视觉空间尺度作为机器视觉空间识别的重要线索，实现对室内场景图像的视觉空间识别的方法，具体地说是一种类地重力场环境下室内场景单目视觉空间识别方法。

背景技术

本发明仅涉及类地重力场环境下的场景，因此需要对类地重力场环境给予必要的定义，本方法中所谓的类地重力场是指以硅酸盐岩石为主要成分的星体表面所构成的重力场环境，如：地球、火星、月球等重力场环境。图1给出了在万有引力场中场景图像的分类。而在类地重力场环境下的场景图像又可以分为两类，分别是通常所说的室外和室内场景图像，本发明的应用对象为室内场景。

目前对室内场景图像进行空间识别的方法主要有：动态贝叶斯网络模型法(DBN)、基于”盒子模型”的结构化学习法(SL)以及几何推理法(GR)等。这些方法能够对一些类型的室内场景图像产生一定的三维空间识别。

1.动态贝叶斯网络模型法(DBN)

Erick等人采用动态贝叶斯网络模型，以斯坦福大学校园的建筑物室内场景为训练集，通过反复机器学习获得了对建筑物室内空间识别的模型，并对由因特网上的谷歌图片(http://images.google.com)收索到44张分辨率相似的室内场景图片进行测试，该方法模型对地板边界的平均识别率为80％，对图像3D重构的平均准确率为66％。Erick等人在其文章中对其提出的方法产生的错误进行了分析，其主要原因在于该方法依赖图像中对灭点检测的准确性，当室内空间存在较多不规则物体时将影响其方法对空间中平行线灭点的检测，从而带来空间识别的错误。此外，当场景中出现弧形墙面时则该方法的错误率将会更大。

2.基于“盒子模型”的结构化学习法(SL)

Varsha等人基于Derek等人提出的“盒子模型”假设，引入了一种结构化的机器学习方法，通过对308张由网上获得的室内场景图像进行训练学习，其中随机抽取了204张图像用于训练，104张图像用于测试。该方法数据集图像空间识别情况是，其对室内空间平面的像素识别错误率在26.5％～21.2％之间；对室内空间中墙角识别的错误率为7.4％～6.3％。Varsha等人对其方法所产生的错误进行了分析，其主要原因也在于该方法依赖灭点检测的准确性。

3.几何推理法(GR)

David C.等人提出采用几何推理法来对室内场景图像进行空间识别，即通过提取室内场景图像中的线段集合，并通过对线段进行相对合理的推理解释，来重构建筑物的室内3D空间，该方法忽略了室内场景中障碍物的存在，比如：室内场景中的人体、家具等。从其推理模型中可以看出(如图2所示)，该方法仅适合摄像机在平视或接近平视条件下的墙面与天花板及地面间有明确直线交界线其障碍物较少的室内场景空间。

本发明在继承“盒内假想方法”(Thinking Inside the Box)的基础上，提出将室内空间定义为“任意形状盒子模型”，并将重力场、透视投影原理及视觉空间尺度作为机器视觉空间识别的重要线索，实现室内场景图像的空间识别，该方法不需要进行机器学习。

发明内容

本发明的目的是针对现有的各类室内场景图像空间识别方法存在的精度低、误差率大的问题，发明一种类地重力场环境下室内场景单目视觉空间识别方法，这种方法在继承“盒内假想方法”(Thinking Inside the Box)的基础上，通过分析重力场中室内环境空间特点，采用构造模糊函数的方法来构建重力场室内场景视觉空间识别模型，该模型不依赖于室内场景图像中的灭点信息。其基本思想是，在室内空间中，主导性结构物体为地面、墙面和天花板，而且它们相互之间的关系往往是正交的，因此采用“盒子模型”是可行的，但是本发明所采用的盒子模型并不是立方体，而是由底面即地面和有顶盖即天花板的“任意形状的盒子”。本发明抛弃了以往研究中提出的寻找平行线灭点方法来认知室内3D空间的方法，而是将重力场因素加入到“任意形状盒子模型”中作为约束条件，即在重力场的作用下，除了气体以外几乎所有的物体(除利用空气动力学原理的飞行器)都需要地面的支撑，如天花板需要墙体的支撑，墙体需要地面的支持，室内家具等物体必须处于地面的支持状态下才是稳定的。因此本发明中的室内场景3D空间识别方法从立面物体识别着手，以立面物体为线索推导出室内空间中的天花板和地面，进而实现对室内场景的空间认知与识别。

本发明的技术方案是：

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，如图3所示：