[发明专利]类地重力场环境下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：

dlab=(lk-li)2+(ak-ai)2+(bk-bi)2---(1)]]>

dxy=(xk-xi)2+(yk+yi)2---(2)]]>

S=N/K---(3)]]>

Ds=dlab+msdxy---(4)]]>

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；

所述的基于超像素的普聚类方法为：

(1)将SLIC算法所产生的n个超像素作为无向权值图G的顶点V＝{v₁，v₂，...，v_n}；(2)邻接矩阵构建，i＝1，2...n；j＝1，2...n，其中，n为超像素的个数；

(3)权值邻接矩阵的构建，i＝1，2...n；j＝1，2...n；

Wi,j=w(i,j)Ei,j=10Ei,j=0---(6)]]>

其中权值w(i，j)为相邻两个超像素之间的规范化CIELAB颜色直方图计算Bhattacharyya系数，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维度的空间计算直方图

H(i)=(h1(i),h2(i)...hl(i)),]]>其中l＝2048，则当E_i，j＝1时

w(i,j)=Σu=1lhu(i)hu(j)Σu=1lhu(i)Σu=1lhu(j)---(7)]]>

对于权值w(i，j)的取值增加两个非别基于色彩距离和纹理能量距离的约束条件，分述如下：

①基于色彩距离约束条件：当时w(i,j)≤W_T，则取w(i,j)=0,其中W_T的取值范围为（0.7～1.0）之间；

②纹理能量距离的约束条件：采用l₂范数计算各超像素图块的平均能量测度，即

E=1NpΣi=rbrtΣj=c1crR2(i,j)---(8)]]>

其中R(i,j)为图像中(i,j)点处的小波采样值，根据公式(8)计算每个超像素块的四维小波特征向量，即e(i)＝(e_i(LL)，e_i(LH)，e_i(HL)，e_i(HH))，并求取其相邻超像素之间的Bhattacharyya系数值B_e(i,j)。

Be(i,j)=e*(i)·e*(j)|e*(i)|·|e*(j)|---(9)]]>

其中，|e*(i)|=e2i(LH)+e2i(HL)+e2i(HH)---(10)]]>

当B_e(i,j)≤B_T时，则取w(i,j)＝0，其中B_T的取值范围在（0.85～1.0）之间；

以上两个约束条件的目的是提高相邻超像素点的色彩及纹理的相似性阈值，以保护天空与立面物体间、立面物体与地面间的边界特征；

(4)度矩阵的构建，i＝1，2...n；j＝1，2...n;

(5)规范化Laplacian矩阵的构建，采用Normalized-cut准则来计算规范化的Laplacian矩阵：

L_sym＝I-D^-1/2WD^-1/2                     (12)

(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，以实现降维目的；

(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（0.85～1.0）之间，即当B_U大于等于阈值时，超像素间进行聚类；

(10)对每个聚类图块采用规范化CIELAB颜色直方图，并对相邻图块类采用式(7)进行Bhattacharyya距离w(i,j)，同时采用式(9)计算相邻图块的B_e(i，j)，当w(i,j)≥W_T且B_e(i,j)≥B_T时进行聚类；

(11)重复第(10)步，直到收敛。