一種人工場景圖像消失點檢測方法
【專利摘要】本發(fā)明公開了一種人工場景圖像消失點檢測方法，包括以下步驟：步驟10，采集人工場景圖像數(shù)據(jù)；步驟20，對步驟10得到的人工場景圖像數(shù)據(jù)進行高斯濾波，得到高斯濾波圖像；步驟30，在步驟20得到的高斯濾波圖像中，利用連通區(qū)域算法檢測出圖像的較長的直線邊緣；步驟40，根據(jù)步驟30中獲取的長線段延長線交點的分布，對長線段進行分組；步驟50，確定三向消失點角度；步驟60，根據(jù)步驟50中三向消失點的角度，求得焦距大??；步驟70，確定消失點位置。本發(fā)明快速高效，有效提高了檢測效率和檢測的準確率。為場景圖像的三維結(jié)構(gòu)分析打下良好的基礎(chǔ)。
【專利說明】一種人工場景圖像消失點檢測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計算機視覺領(lǐng)域的三維透視分析，特別涉及一種人工場景圖像消失點 檢測方法。

【背景技術(shù)】
[0002] 三維空間中平行的直線映射到圖像中時，往往會相交于一點（有可能是無限遠 的），這個點就稱為消失點。位于同一平面的消失點定義了一條線，叫做消失線。消失點與 消失線為推斷三維場景的結(jié)構(gòu)提供了重要線索。人工場景（如道路、建筑、人行橫道等）包 含了豐富的三維空間平行線信息，這些三維空間平行線在映射的到二維圖像產(chǎn)生的交點， 為我們求取消失點的位置提供了方便的條件。
[0003] 連通區(qū)域算法對圖像進行直線檢測是一種常見的方法，該方法不僅有著高效、準 確率高的特點，而且能夠方便的得到檢測線段的長度，容易過濾掉長度較短的線段。
[0004] 傳統(tǒng)的消失點檢測算法往往是基于二維霍夫參數(shù)空間的，復(fù)雜度高，效率低。


【發(fā)明內(nèi)容】

[0005] 發(fā)明目的：針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供了一種有效降低了方法的復(fù)雜 度，提高了檢測效率和準確率的人工場景圖像消失點檢測方法。


【發(fā)明內(nèi)容】
[0006] ：本發(fā)明提供了一種人工場景圖像消失點檢測方法，包括以下步驟：
[0007] 步驟10,采集人工場景圖像數(shù)據(jù)；
[0008] 步驟20,對步驟10得到的人工場景圖像數(shù)據(jù)進行高斯濾波，得到高斯濾波圖像；
[0009] 步驟30,在步驟20得到的高斯濾波圖像中，利用連通區(qū)域算法檢測出圖像的較長 的直線邊緣，所述較長的直線邊緣為長度超過圖像高度和寬度二者中較小值的5%的線 段；
[0010] 步驟40,根據(jù)步驟30中獲取的長線段延長線交點的分布，對長線段進行分組；
[0011] 步驟50,確定三向消失點角度；
[0012] 步驟60,根據(jù)步驟50中三向消失點的角度，求得焦距大??；
[0013] 步驟70,確定消失點位置。
[0014] 進一步，步驟30中，所述較長的直線邊緣的檢測方法，包括如下步驟：
[0015] 步驟301 :利用Canny算子對高斯濾波圖像進行邊緣檢測；
[0016] 步驟302 :步驟301中得到的Canny邊緣對應(yīng)位置對高斯濾波圖像進行求導(dǎo)，獲取 高斯濾波圖像的梯度下降方向；
[0017] 步驟303 :將梯度下降方向量化為多個區(qū)域，為每個區(qū)域定義一個標簽，對步驟 302中得到的Canny邊緣每個像素的梯度下降方向貼上對應(yīng)的標簽。
[0018] 步驟304 :利用連通區(qū)域算法，將步驟303中有著同樣標簽的Canny邊緣組合在一 起，得到全部線段。
[0019] 步驟305 :根據(jù)實際需要，設(shè)置閾值，過濾掉步驟304中過短的線段。
[0020] 進一步，步驟40中，所述對長線段進行分組的方法，包括如下步驟：
[0021] 步驟401 :延長全部線段，獲取全部線段間交點；
[0022] 步驟402 :設(shè)圖像中心為原點，按照步驟402中的全部交點到原點的角坐標進行直 方圖統(tǒng)計；
[0023] 步驟403 :對步驟402中的直方圖進行高斯濾波平滑處理；
[0024] 步驟404 :計算步驟403中得到直方圖的曲率，根據(jù)曲率過零點位置劃分峰值區(qū) 域；
[0025] 步驟405 :若步驟404中峰值區(qū)域個數(shù)小于等于3,則停止分組；若峰值區(qū)域個數(shù) 大于3,則計算相鄰峰值區(qū)域中心間距，若中心間距超過閾值，則舍棄包含線段少的組；若 中心間距不超過閾值，則合并兩小組；重復(fù)以上過程，直到剩下的3組。
[0026] 工作原理：本發(fā)明提出了一種人工場景圖像消失點檢測方法，本發(fā)明利用人工場 景圖像的長線段信息，通過對線段交點位置的對直線進行分組，并借助組內(nèi)線段交點進行 焦距的估計，最終得到消失點的位置。
[0027] 有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明快速高效，有效提高了檢測效率和檢測的準確 率。為場景圖像的三維結(jié)構(gòu)分析打下良好的基礎(chǔ)。

【專利附圖】

【附圖說明】
[0028] 圖1是本發(fā)明的一種人工場景圖像消失點檢測方法的流程圖；
[0029] 圖2是本發(fā)明中梯度下降方向標簽示意圖；
[0030] 圖3是本發(fā)明中連通區(qū)域示意圖；
[0031] 圖4是本發(fā)明中所述較長的直線邊緣的檢測方法流程圖；
[0032] 圖5是本發(fā)明中對長線段進行分組的過程的流程圖；
[0033] 圖6是YorkUrban數(shù)據(jù)集上分別采用EM算法和本發(fā)明提供的方法的測試結(jié)果對 比圖。

【具體實施方式】
[0034] 下面結(jié)合附圖，對本發(fā)明進行詳細說明。
[0035] 如圖1所示，本發(fā)明的一種人工場景圖像消失點檢測方法，其步驟如下：
[0036] 步驟10 :采集人工場景圖像數(shù)據(jù)；
[0037] 采集一幅人工場景圖像，主要包含了豐富的三維空間平行線信息的圖像，比如道 路、建筑、人行橫道等等。
[0038] 步驟20 :對步驟101得到的人工場景圖像進行高斯濾波；
[0039] 步驟30 :使用canny邊緣檢測以及CCA算法，對步驟20得到的預(yù)處理后的圖像 進行線段檢測，并保留較長線段，最終得到保留的長線段端點位置、線段長度以及斜率等信 息；
[0040] 其中，如圖4所示，對步驟20得到的預(yù)處理后的圖像進行線段檢測的方法為：
[0041] 步驟301 :由于直線邊緣是全部邊緣的子集，因此用Canny算子對高斯濾波圖像進 行邊緣檢測；
[0042] 步驟302 :步驟301中得到的Canny邊緣對應(yīng)位置對高斯濾波圖像進行求導(dǎo)，獲取 高斯濾波圖像的梯度下降方向；
[0043] 步驟303:將梯度方向量化為k個區(qū)域，所有的邊緣像素的梯度方向都會落在這k 個區(qū)域之一，我們給它貼上相應(yīng)的標簽。如圖2所示，例如區(qū)域數(shù)為8時，為每個區(qū)域定義 一個標簽,對步驟302中得到的Canny邊緣每個像素的梯度下降方向貼上對應(yīng)的標簽。
[0044] 步驟304:如圖3所示，然后利用連通區(qū)域算法（CCA:ConnectedComponent Algorithm)將有著同樣標簽的邊緣像素組合在一起，得到全部線段。
[0045] 這種方法較好的完成了直線檢測工作。然而在實際的直線檢測中，有時會出現(xiàn)屬 于同一直線的像素落在不同的區(qū)域中，它往往出現(xiàn)在梯度下降方向與方向區(qū)域分界線方向 相近的地方，這會導(dǎo)致部分直線邊緣漏檢，不過在實驗中，檢測到的線段數(shù)量是很大的，這 種漏檢對實驗結(jié)果的影響微乎其微。
[0046] 步驟305:常根據(jù)圖像的尺寸來設(shè)置閾值，過濾掉步驟304中短的線段。由于只有 那些較長的直線對我們的工作才有意義，因此，我們只考慮長度超過設(shè)置的閾值的連通區(qū) 域。由于圖像的大小不一，設(shè)定統(tǒng)一的閾值就顯得并不合理，因此在具體應(yīng)用中，常根據(jù)圖 像的尺寸來設(shè)定閾值，其中，閾值最好設(shè)為圖像高度和寬度二者中較小值的5%，。
[0047] 直線的位置通過其端點像素的坐標（Xi，yi)來保存。其他參數(shù)由矩陣D的特征值 入i和A2以及特征向量ei和e2組成。

【權(quán)利要求】
1. 一種人工場景圖像消失點檢測方法，其特征在于，包括以下步驟： 步驟10,采集人工場景圖像數(shù)據(jù)； 步驟20,對步驟10得到的人工場景圖像數(shù)據(jù)進行高斯濾波，得到高斯濾波圖像； 步驟30,在步驟20得到的高斯濾波圖像中，利用連通區(qū)域算法檢測出圖像中較長的直 線邊緣，所述較長的直線邊緣為長度超過圖像高度和寬度二者中較小值的5%的線段； 步驟40,根據(jù)步驟30中獲取的長線段延長線交點的分布，對長線段進行分組； 步驟50,確定三向消失點角度； 步驟60,根據(jù)步驟50中三向消失點的角度，求得焦距大??； 步驟70,確定消失點位置。
2. 根據(jù)權(quán)利要求1中所述的一種基于人工場景圖像的消失點檢測方法，其特征在于， 步驟30中所述較長的直線邊緣的檢測方法，包括如下步驟： 步驟301 :利用Canny算子對高斯濾波圖像進行邊緣檢測； 步驟302 :步驟301中得到的Canny邊緣對應(yīng)位置對高斯濾波圖像進行求導(dǎo)，獲取高斯 濾波圖像的梯度下降方向； 步驟303 :將梯度下降方向量化為多個區(qū)域，為每個區(qū)域定義一個標簽，對步驟302中 得到的Canny邊緣每個像素的梯度下降方向貼上對應(yīng)的標簽； 步驟304 :利用連通區(qū)域算法，將步驟303中有著同樣標簽的Canny邊緣組合在一起， 得到全部線段； 步驟305 :設(shè)置閾值，過濾掉步驟304中過短的線段；其中，閾值設(shè)為圖像高度和寬度二 者中較小值的5%。
3. 根據(jù)權(quán)利要求1中所述的一種基于人工場景圖像的消失點檢測方法，其特征在于， 步驟40中所述對長線段進行分組的方法，包括如下步驟： 步驟401 :延長全部線段，獲取全部線段間交點； 步驟402 :設(shè)步驟10中人工場景圖像的中心為原點，按照步驟402中的全部交點到原 點的角坐標進行直方圖統(tǒng)計； 步驟403 :對步驟402中的直方圖進行高斯濾波平滑處理； 步驟404 :計算步驟403中得到直方圖的曲率，根據(jù)曲率過零點位置劃分峰值區(qū)域； 步驟405 :若步驟404中峰值區(qū)域個數(shù)小于等于3,則停止分組；若峰值區(qū)域個數(shù)大于 3,則計算相鄰峰值區(qū)域中心間距，若中心間距超過閾值，則舍棄包含線段少的組；若中心間 距不超過閾值，則合并兩小組；重復(fù)以上過程，直到剩下的3組。
【文檔編號】G06T7/00GK104392451SQ201410713552
【公開日】2015年3月4日 申請日期:2014年11月28日 優(yōu)先權(quán)日:2014年11月28日
【發(fā)明者】王敏, 陳肖 申請人:河海大學(xué)