一種基于K-means方法的走廊消失點快速檢測算法
【專利摘要】本發(fā)明提出了一種基于K-means方法的走廊消失點快速檢測算法，當(dāng)獲得機器人實時返回的圖像數(shù)據(jù)后，先對其進(jìn)行前期處理，包括降采樣、灰度化處理、直方圖均衡化和Canny邊緣檢測；再對上一步獲得圖像利用概率霍夫變換算法進(jìn)行線條的提??；最后利用K-means算法對檢測到的直線根據(jù)斜率聚為四類，計算出每簇直線中點的均值，然后利用聚類得到的斜率和中點均值構(gòu)建四條直線代替上一步檢測到的直線，將四條直線隨機分為兩組，分別計算其交點，取交點的中點作為消失點。該方法可以快速的檢測到消失點的位置，然后利用消失點對機器人的前進(jìn)方向進(jìn)行修正，實現(xiàn)對機器人的導(dǎo)航。和現(xiàn)有的消失點檢測方法相比，本發(fā)明提出的方法具有簡單高效、實時性好、穩(wěn)定性強的特點。
【專利說明】-種基于K-means方法的走廊消失點快速檢測算法 【技術(shù)領(lǐng)域】
[〇〇〇1] 本發(fā)明涉及機器人自主導(dǎo)航領(lǐng)域，具體為一種基于K-means方法的走廊消失點檢 測算法，能夠準(zhǔn)確實時的從機器人獲得的圖像中檢測出消失點的位置坐標(biāo)，進(jìn)而為機器人 的運動提供導(dǎo)航信息。本發(fā)明也可應(yīng)用于微小型無人機在建筑物內(nèi)沿走廊的自主飛行任 務(wù)。 【背景技術(shù)】
[0002] 空間一組平行直線，在圖像平面上所成的像有且僅有一個交點，稱為消失點，它包 含了圖像上平行直線的方向信息，因此可用來為機器人提供導(dǎo)航信息，這項技術(shù)已經(jīng)被廣 泛應(yīng)用。機器人在走廊中運動時，利用從攝像頭獲得的實時圖像信息，計算出走廊中消失點 的坐標(biāo)，據(jù)此不斷修正機器人的前進(jìn)方向，最終可實現(xiàn)機器人沿走廊的自主運動。
[0003] 為了使用消失點對機器人的運動進(jìn)行導(dǎo)航，對消失點檢測算法有兩個重要的要 求：（1)計算量小，實時性高；(2)檢測到的消失點位置準(zhǔn)確。
[0004] 目前比較流行的幾種消失點檢測算法大多以霍夫變換為基本思想，而選擇不 同的參數(shù)空間，主要的參數(shù)空間有高斯球、霍夫空間和圖像空間。Barnard, Stephen T. ''Interpreting perspective images. ''Artificial intelligence21. 4(1983) :435-462. 中提出以攝像機光學(xué)中心為中心的高斯球作為累積空間。圖像中的直線在高斯球中被 映射成為一個圓，消失點在高斯球中對應(yīng)著一個點。由于無限的圖像平面被映射到一個 有限的高斯球空間，因此無限遠(yuǎn)處的消失點同樣被映射成一個點。在確定消失點的累 積投票階段，高斯球被分割成多個累積小單元，每個圓都對它經(jīng)過的累積單元投票，投 票數(shù)多的累積單元對應(yīng)于消失點。這種方法對有限遠(yuǎn)處和無限遠(yuǎn)處的消失點均能有效 檢測。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類似的思想，使用霍夫變換將平面中的直線參數(shù)轉(zhuǎn)化 至霍夫空間，在霍夫空間進(jìn)行累計投票，確定出消失點，在一定程度上減小了計算量。 Rother, Carsten.k new approach to vanishing point detection in architectural environments. "Image and Vision Computing20. 9(2002) :647-655.將所有圖像平面中檢 測到直線的兩兩交點作為消失點的候選對象，并給出了一些約束條件來確定消失點，這種 方法可以得到更為準(zhǔn)確的結(jié)果。
[0005] 但是，上述幾種方法存在以下幾點不足：（1)在高斯球空間和霍夫空間方法中，經(jīng) 高斯球變換和霍夫變換后，減少了線段和消失點的空間位置信息，同時，這兩種方法檢測到 的消失點精度受累積單元大小的影響較大，當(dāng)累積單元較大時，得到消失點的誤差較大，當(dāng) 累積單元過小時，計算量將會成倍增加，不能滿足實時性要求；(2)在圖像平面進(jìn)行消失點 的檢測時，對所有可能的直線交點進(jìn)行計算，這種方法的精度較高，但在實際應(yīng)用時，由于 檢測到直線數(shù)量較大，算法復(fù)雜度高，計算量大，因此實時性較差，無法滿足實際需要。
【發(fā)明內(nèi)容】

[0006] 為了克服現(xiàn)有技術(shù)的不足，本發(fā)明提出了一種基于κ-means方法的走廊消失點快 速檢測算法，采用K-means方法進(jìn)行消失點檢測，只需要計算直線的兩個交點，即可快速準(zhǔn) 確的計算出圖像中消失點的位置。
[0007] 本發(fā)明的技術(shù)方案為：
[0008] 所述一種基于K-means方法的走廊消失點快速檢測算法，其特征在于：采用以下 步驟：
[0009] 步驟1 :對采集的圖像進(jìn)行預(yù)處理，去除掉圖像中的冗余信息，減小噪聲的影響； 預(yù)處理過程依次為：對采集的圖像進(jìn)行降采樣、灰度化處理、直方圖均衡化、采用Canny算 子進(jìn)行邊緣檢測；
[0010] 步驟2 :采用概率霍夫變換算法檢測步驟1處理后的圖像，提取圖像中的線條；
[0011] 步驟3 :采用K-means方法根據(jù)線條斜率將步驟2提取的線條聚類為四類，分別求 出四類線條中點的均值；根據(jù)每類線條斜率和對應(yīng)線條中點均值共確定出四條直線，四條 直線隨機分成兩組，每組兩條直線得到一個交點，取兩個交點的中點作為消失點。
[0012] 進(jìn)一步的優(yōu)選方案為：
[0013] 所述一種基于K-means方法的走廊消失點快速檢測算法，其特征在于：步驟3中采 用K-means方法根據(jù)線條斜率將步驟2提取的線條聚類為四類的過程如下：
[0014] 步驟3. 1 :計算步驟2檢測到的η條線條的斜率，并將得到的η個斜率值作為待聚 類的對象；從η個對象中任意選擇四個作為初始聚類中心；初始聚類中心為所要聚成四個 類別的初始中心；
[0015] 步驟3. 2 :計算每個待聚類對象到所有聚類中心的歐氏距離，并將每個聚類對象 劃分到距離它最近的聚類中心，作為該聚類中心對應(yīng)類別的一個成員；
[0016] 步驟3. 3 :重新計算每個類別中各成員的均值，作為該類別新的聚類中心；
[0017] 步驟3. 4:當(dāng)每個待聚類對象到其所屬類別聚類中心的距離之和不能再減小時， 聚類結(jié)束，否則返回步驟3. 2。
[0018] 有益效果
[〇〇19] 本發(fā)明實現(xiàn)了一種準(zhǔn)確高效的走廊消失點檢測算法，該方法可以在機器人獲得的 圖像中，快速的檢測到消失點的位置，然后利用消失點對機器人的前進(jìn)方向進(jìn)行修正，實現(xiàn) 對機器人的導(dǎo)航。和現(xiàn)有的消失點檢測方法相比，本發(fā)明提出的方法具有簡單高效、實時性 好、穩(wěn)定性強的特點。
[0020] 本發(fā)明之所以具有上述有益效果其原因在于：本發(fā)明提出的方法首先對機器人獲 得的走廊圖像進(jìn)行預(yù)處理，去除掉對計算消失點沒有幫助的圖像數(shù)據(jù)，只保留決定走廊消 失點的圖像數(shù)據(jù)部分，極大地減少了所需處理的信息量，降低了計算的復(fù)雜度。而且由于 概率霍夫變換是一個相對比較耗時的過程，步驟（1)去除大量無關(guān)數(shù)據(jù)后，步驟（2)的線 條提取過程也節(jié)省了計算成本，而且檢測到的線條對消失點的確定均是有用的。在確定消 失點位置時，未采用對大量直線兩兩求交點的方法，而是充分考慮走廊中的結(jié)構(gòu)特征，采用 K-means方法將圖像中檢測到的直線聚為四類，利用得到的四條直線代替前面檢測到的大 量直線，這四條直線就可決定了消失點的位置，采用這種方法進(jìn)一步簡化了計算，最終在只 需計算直線兩個交點的情況下，就可求出走廊中的消失點。 【專利附圖】

【附圖說明】
[0021] 圖1 :本發(fā)明的方法流程圖；
[0022] 圖2 :實施例中的處理圖像。 【具體實施方式】
[0023] 下面結(jié)合附圖和實施例對本發(fā)明進(jìn)一步說明。
[0024] 附圖1展示了本發(fā)明實現(xiàn)走廊中消失點檢測的整體流程，該流程包含了確定消失 點所需的各個主要步驟。本發(fā)明的目的是利用走廊中運動的機器人返回的圖像信息，快速 計算出走廊中消失點的位置，并利用檢測到的消失點對機器人沿走廊運動進(jìn)行導(dǎo)航。附圖 2展示了利用本發(fā)明提出的方法在一幅隨機拍攝的走廊圖像中檢測消失點的各個過程。
[0025] 下面是具體的實現(xiàn)步驟，以附圖2中的輸入圖像為例對整個過程進(jìn)行說明。
[0026] -、圖像的前期預(yù)處理
[0027] 當(dāng)機器人返回一張圖片后，先使用計算機視覺的方法對圖像進(jìn)行相關(guān)處理，以減 少周圍環(huán)境中噪聲的干擾，去除掉對確定消失點沒有作用的圖像數(shù)據(jù)，并對圖像中的邊緣 進(jìn)行檢測，為下一步提取線條做好準(zhǔn)備。
[0028] (1)圖像的降采樣處理
[0029] 首先對采集到的圖像進(jìn)行將降采樣處理，減小需處理圖像的尺寸，在實際操作中， 我們將圖像的長和寬均變?yōu)樵瓉淼?/2。該步驟減少了需要處理的信息量，降低了運算過程 中的時間成本。
[0030] (2)灰度化圖像
[0031] 由于計算機視覺的方法很容易受到所處環(huán)境中光照條件的影響，為了將這種影響 降至最低，我們把降采樣得到的RGB圖像利用公式（1)轉(zhuǎn)化為灰度圖像，減少光照變化對消 失點檢測的影響。得到附圖2-b所示圖像。
[0032] Gray = 0. 229R+0. 587G+0. 114B (1)
[0033] (3)直方圖均衡化
[0034] 直方圖均衡化是圖像處理領(lǐng)域中利用圖像直方圖對圖像對比度進(jìn)行調(diào)整的方法。 對于步驟（2)得到的灰度圖像，讓^表示灰度i出現(xiàn)的次數(shù)，這樣圖像中灰度為i的像素 的出現(xiàn)率是
[0035]
【權(quán)利要求】
1. 一種基于κ-means方法的走廊消失點快速檢測算法，其特征在于：采用以下步驟： 步驟1 :對采集的圖像進(jìn)行預(yù)處理，去除掉圖像中的冗余信息，減小噪聲的影響；預(yù)處 理過程依次為：對采集的圖像進(jìn)行降采樣、灰度化處理、直方圖均衡化、采用Canny算子進(jìn) 行邊緣檢測； 步驟2 :采用概率霍夫變換算法檢測步驟1處理后的圖像，提取圖像中的線條； 步驟3 :采用K-means方法根據(jù)線條斜率將步驟2提取的線條聚類為四類，分別求出四 類線條中點的均值；根據(jù)每類線條斜率和對應(yīng)線條中點均值共確定出四條直線，四條直線 隨機分成兩組，每組兩條直線得到一個交點，取兩個交點的中點作為消失點。
2. 根據(jù)權(quán)利要求1所述一種基于K-means方法的走廊消失點快速檢測算法，其特征在 于：步驟3中采用K-means方法根據(jù)線條斜率將步驟2提取的線條聚類為四類的過程如下： 步驟3. 1 :計算步驟2檢測到的η條線條的斜率，并將得到的η個斜率值作為待聚類的 對象；從η個對象中任意選擇四個作為初始聚類中心；初始聚類中心為所要聚成四個類別 的初始中心； 步驟3. 2 :計算每個待聚類對象到所有聚類中心的歐氏距離，并將每個聚類對象劃分 到距離它最近的聚類中心，作為該聚類中心對應(yīng)類別的一個成員； 步驟3. 3 :重新計算每個類別中各成員的均值，作為該類別新的聚類中心； 步驟3. 4 :當(dāng)每個待聚類對象到其所屬類別聚類中心的距離之和不能再減小時，聚類 結(jié)束，否則返回步驟3. 2。
【文檔編號】G06K9/62GK104063711SQ201410283061
【公開日】2014年9月24日 申請日期:2014年6月23日 優(yōu)先權(quán)日:2014年6月23日
【發(fā)明者】布樹輝, 程少光, 劉貞報 申請人:西北工業(yè)大學(xué)