[发明专利]一种基于K‑means方法的走廊消失点快速检测算法

摘要

本发明提出了一种基于K‑means方法的走廊消失点快速检测算法，当获得机器人实时返回的图像数据后，先对其进行前期处理，包括降采样、灰度化处理、直方图均衡化和Canny边缘检测；再对上一步获得图像利用概率霍夫变换算法进行线条的提取；最后利用K‑means算法对检测到的直线根据斜率聚为四类，计算出每簇直线中点的均值，然后利用聚类得到的斜率和中点均值构建四条直线代替上一步检测到的直线，将四条直线随机分为两组，分别计算其交点，取交点的中点作为消失点。该方法可以快速的检测到消失点的位置，然后利用消失点对机器人的前进方向进行修正，实现对机器人的导航。和现有的消失点检测方法相比，本发明提出的方法具有简单高效、实时性好、稳定性强的特点。

主权项

一种基于K‑means方法的走廊消失点快速检测方法，其特征在于：采用以下步骤：步骤1：对采集的图像进行预处理，去除掉图像中的冗余信息，减小噪声的影响；预处理过程依次为：对采集的图像进行降采样、灰度化处理、直方图均衡化、采用Canny算子进行边缘检测；步骤2：采用概率霍夫变换算法检测步骤1处理后的图像，提取图像中的线条；步骤3：采用K‑means方法根据线条斜率将步骤2提取的直线线条聚类为四类，分别求出四类线条中点的均值；根据每类线条斜率和对应线条中点均值共确定出四条直线，四条直线随机分成两组，每组两条直线得到一个交点，取两个交点的中点作为消失点；其中采用K‑means方法根据线条斜率将步骤2提取的直线线条聚类为四类的过程如下：步骤3.1：计算步骤2检测到的n条线条的斜率，并将得到的n个斜率值作为待聚类的对象；从n个对象中任意选择四个作为初始聚类中心；初始聚类中心为所要聚成四个类别的初始中心；步骤3.2：计算每个待聚类对象到所有聚类中心的欧氏距离，并将每个聚类对象划分到距离它最近的聚类中心，作为该聚类中心对应类别的一个成员；步骤3.3：重新计算每个类别中各成员的均值，作为该类别新的聚类中心；步骤3.4：当每个待聚类对象到其所属类别聚类中心的距离之和不能再减小时，聚类结束，否则返回步骤3.2。