没有合适的资源?快使用搜索试试~ 我知道了~
3732结合欠参数RANSAC和Hough变换的吴建平,张良,刘烨,陈科苏州职业大学苏州,中国215104{wujp,zhangl,liuye,cke} @ jssvc.edu.cn摘要我 们 提 出 了 一 种 新 的 方 法 , 集 成 了 欠 参 数 化RANSAC ( UPRANSAC ) 与 Hough 变 换 检 测 消 失 点(VP)从未校准的单目图像。在我们的算法中,UPRANSAC选择一个假设的内点在一个样本集中找到一部分的VP的自由度,这是一个高度可靠的蛮力表决方案(1-D霍夫变换)找到VP的剩余自由度沿延长线的假设的内点。我们的方法是能够顺序地找到一系列的VP,通过重复peatively删除内点的任何检测到的VP从最小样本集,直到停止标准达到。与选择2个边缘作为假设内点对以拟合VP假设的模型并且需要命中一对内点的传统RANSAC相比,UPRANSAC具有更高的命中一个内点的相似性并且在VP检测中更可靠。同时,极大地缩小了投票空间,只需要一个参数进行处理,显着提高了霍夫变换在我们的计划的性能效率。在著名的基准数据集上的测试结果表明,在深度实时区域运行时,该方法的检测1. 介绍3-D空间中的一组平行线在图像平面中会聚到称为消失点(VP)的公共点,消失点等价于原始世界框架中的平行线集合的无穷大。VP包含了透视投影变换的重要信息。VP的坐标完全确定了收敛到VP的平行线集合在3-D空间中的方向。此外,由多组共面平行线形成的VP共线。通过这些VP的线被称为消失线,其仅确定包含VP的平面非常多的平行线。三个相互正交的VP可以用于导出相机的内部和外部参数[6]。消失线的一种特殊且也是重要的类型是水平线,即通过一组水平消失点的虚拟线在人造环境中,由垂直于真实世界中的水平面的线形成称为天顶(或当位置在图像中心以下时的最低点)的类型的消失点。VP检测与相机校准([6],[7],[18]和[1]),3-D重建([25],[37]),虚拟现实[30],机器人导航[15]和场景跟踪相关[8]和车辆自动驾驶[16]。因此,虚拟物体检测是计算机视觉领域的一个重要研究课题VP在图像平面中的位置由显示在相机帧中的一组平行线的相对位置和方向检测VP的过程基本上是在图像平面中搜索VP的内围边缘(线段)的集合的公共交叉点,所述内围边缘(线段)的集合是原始3-D空间中的平行线段的集合的投影。由于背景噪声和图像失真,有效VP的内围边缘通常不会精确地收敛到单个点,而是它们在有界区域中彼此相交,尽管如此,该有界区域的质心仍被视为VP。1.1. 相关作品VP检测一直被认为是计算机视觉中的一个重要研究课题,但它仍然是一个具有挑战性的问题,仍然远未得到完美解决。噪声环境下的鲁棒性,Hough变换(HT)[12]是第一个被用于VP检测的。将HT应用于VP检测的困难在于HT只工作在有界的参数空间中,而图像平面是无界的。为了克服这个障碍,[28]将图像平面分成3个有界子空间,然后在其中进行级联2-D Hough变换。对于已知焦距的校准图像,Barnard [3]将图像平面映射到高斯球,并在后者空间中进行HT。后来,有人对[3]提出了3733[24][20 ][21]总的来说,HT的准确性受到在2-D参数空间内采样的霍夫单元的离散化效应的影响,并且相应的计算复杂度通常很高,以便保持令人满意的检测准确性,其与在整个2-D空间上采样的单元的数量成比例。与HT类似,RANSAC [11]也已被广泛探索用于VP检测。与HT不同,RANSAC不需要对参数空间进行划分,可以直接在图像平面上工作。RANSAC特别适合于人造环境中的VP检测,其中输入边缘的实质份额是几个并且通常相互正交的VP的内点(参见[22])。Tardif [26]提出了最有前途的基于RANSAC的方案,该方案从一组输入边缘中随机选择多达500个边缘对的最小样本集为了进一步提高Tardif算法的准确性在正交VP的内点在输入边缘中占主导地位的更有限的设置中,RANSAC假设集甚至可以扩展到属于正交VP的三元组的3个边缘[21]或属于2个或3个正交VP的4个边缘[33]。 对于校准图像,[19]提出使用与高斯球相似的焦距相关等效球,通过RANSAC进行实时VP检测。最近,神经网络已被探索用于VP检测。神经网络方法通常支持高斯球上的数据表示(参见[3]),这是基于神经网络的VP检测的有界空间理想。[35]提出了一种方案,该方案使用经由高斯球上的深度卷积神经网络(CNN)提取的全局图像上下文来解决水平和天顶VP检测。[36]提出了基于Hough变换的圆锥卷积算子来评估从高斯球采样的一组VP候选[13]结合CNN和RANSAC,其利用由边缘线的逆日晷投影[14]提出了一种以基于多模型的顺序RANSAC为条件的神经网络,以执行不同类型的模型拟合,包括VP估计、线拟合等。[23]将Hough变换与神经网络相结合,以解决文档图像中的VP检测问题。除了上述方法之外,还提出了用于VP检测的其他方法。An- tunes等。[1]提出了一种全局算法,使用局部消息传递方法来解决VP检测作为多模型拟合问题,其显示出与[26]相当的检测精度; [17]采用PClines对偶空间[10]来执行VP检测;[4]提出了一种数学方法。保证的全局最优方式,其固有地增强VP正交性。1.2. 贡献在找到VP的2个自由度时,现有RANSAC([26])需要2个假设的VP内点来拟合VP模型。对于边缘集包含大量VP离群值的图像,以合理的概率命中全内点(无离群值)最小集所需的样本集数量呈指数级增长。为了在不牺牲可靠性的情况下减少样本集的数量在UPRANSAC仅固定VP的自由度(DOF)的一部分的情况下,其剩余的DOF稍后通过可靠的蛮力表决方案(沿着HVPI的延长线进行的1-DHT在执行HT时,整个霍夫空间由所有所选HVPI的延长线组成,其中每条线被视为霍夫子空间。每个子空间被进一步划分成一组近似相等概率的Hough单元在投票之后,通过搜索具有最优一致性的HVPI来检测VP,该最优一致性被定义为其相关联的子空间在整个Hough空间中具有峰值单元的HVPI。我们的方法通过从最小样本集中移除检测到的VP的HVPI(并且从霍夫空间中移除与这些HVPI相关联的子空间)并且重复直到停止标准(例如,从最小样本集中移除检测到的VP的HVPI)来依次检测多个VP。检测到的VP的数量高于某个阈值,或者达到其霍夫空间低于规定阈值的峰值单元的投票计数)因此,我们在本文中的主要贡献是提出了一个实时VP检测器,集成RANSAC和HT,2传统上相互排斥的技术,与他们每个人都恢复VP的2自由度的一部分。这种新颖的方法带来3个直接好处:1)拟合VP模型所需的样本集的数量基本上小于完全参数化的RANSAC(我们的:100对[34]:最多3,000); 2)由多个1-D子空间组成的Hough空间比典型HT方法所使用的2-D空间(通常为高斯球)更容易处理;3)投票是由图像边缘而不是边缘对(参见[3],[20],[24],[28])投出的,并且投票在1-D空间(HVPI的延长线)而不是2-D空间中更简洁地进行,从而导致计算成本的显著下降。由于VP可以在HVPI的延长线上的任何地方,我们的另一个贡献是提出了一个方案,将HVPI的延长线(一个显然不可分割的无界空间)映射到一个有界空间(一个角空间),然后可以将其分割成一组近似相同概率的细胞。我们的映射方案3734一. Σ−into=tan,其中a是依赖于−∈图1.将点P沿直线的坐标t映射到角空间中的坐标θ=tan−1t。示于图1.一、假设Q是HVPI的延长线(用粗红色标记)上的O的踏板,P是表决边缘的延长线与HVPI的延长线之间的交点,我们使用t=QP来表示HVPI线上的P的坐标(如果P在OQ的右侧,则t为正,否则为负)。虽然t是无界的,我们提出了一个方案,1t一HVPI线的位置和方向。 显然,位于一维有界空间中,这使得它对于HT是理想的我们的VP检测算法直接在图像域中操作。由于图像域中的一致性和距离度量具有清晰的几何解释,因此我们的算法能够实现与现有技术相当的检测精度和鲁棒性;此外,一维Hough变换的计算量小和空间紧凑性保证了算法的实时性。2. 算法假设从图像中提取一组N个边缘,该算法的流水线运行以下4个1). 在UPRANSAC步骤中,从N个输入边缘中随机选择总共n个样本边缘,每个样本边缘被认为是HVPI2). 对于每个HVPI,通过将其延长线划分为具有近似相等概率的m个3). 每个输入边在每个子空间中投票一次,投票给投票边的延长线穿过的单元。由于HVPI不允许在其相关联的子空间中投票,因此在每个子空间中对m个小区投(N1)4).在投票之后,进行多轮VP检测,其中每轮检测单个VP并且移除与作为VP的有效内点的那些HVPI相关联的子空间。当停止时,VP检测结束。teria到达。2.1. HVPI边缘集的选择与全参数化RANSAC VP检测器(如[26],其中每个样 本 集 包 含 2 个 HVPI 以 拟 合 VP 模 型 ) 不 同 ,UPRANSAC选择单个HVPI作为样本集,在这种情况下,VP不完全固定,而是绑定到HVPI的延长线这带来了明显的优点,因为需要少得多的最小样本集来实现与全参数化RANSAC相同的命中全内点样本集的概率例如,假设图像具有1,000个边缘,其中50个是VP的内点。然后,在我们的方法中,每个样本集具有0.05的概率来命中VP内点;相比之下,使用一对HVPI作为样本集的完全参数化RANSAC中的样本集具有0的概率。052=0. 0025以命中全内围集合。由于典型的平均图像中有意义的边缘(或线段)的数量通常小于1,000,因此UNPANSAC所需的最小样本集的大小可以低至200个输入边缘,以确保足够的检测可靠性(针对假阴性检测)。在实践中,在最小样本集(高达输入边缘的全集)比必要的更大的尺寸仅略微提高检测精度。2.2. Hough空间我们的方法的Hough空间由一组子空间组成,每个子空间都是沿着HVPI的延长线构建的。为了优化HT的可靠性,有必要制定一个方案,将每个子空间划分成一个集合霍夫细胞的概率大致相等。以这种方式,由VP的离群值投出的投票倾向于均匀地分布在子空间的单元上,并且因此使假阳性VP检测的风险最小化。为了简单起见,图像首先被归一化为一个单位正方形,其中心固定在原点,如图2所示。我们用l(d,φ)表示HVPI的延长线,其中d是O与HVPI线之间的距离,Q是O到HVPI的垂直投影的踏板,φ是OQ的水平线角。一幅图像通常包含许多边缘(线段),其位置和方向分布与均匀分布有很大的不同。然而,对于大量相同尺寸的图像,通过统计,它们的边缘被期望均匀地分布在图像区域内,并且它们的方向也被期望均匀地分布在〇和π之间。总的来说,这些边缘可以由简单的通用随机边缘e(u,v,θ)建模,其中点C(图2中的(u,v))均匀分布在图像区域内,并且其水平线角度θ也均匀分布在角空间(θ(0,π))中。e(u,v,θ)的概率密度函数可以是3735∫∫∫∫1+tπ∫∫θ+dθ,其中t和θ通过等式2相互关联因此,我们有:fd,φ(t)|DT|为0的情况。5杜-0。50的情况。5-0。5dvf(u,v,θ)|dθ|(三)S.T. tanθ=v−dsinφ+tcosφu−dcosφ −tsinφ其中S.T.是“subject to”的缩写。当量(3)可以通过移动|DT|右边:fd,φ(t)=0的情况。5杜-0。50的情况。5-0。5dvf(u,v,θ)dθ.DT.(四)图2.任意边的延长线的交点e(u,v,θ)和HVPI(l(d,φ).写为:S.T. tanθ=v−dsinφ+tcosφu−dcosφ −tsinφ结合等式1和等式4,我们得到:1∫0. 5∫0. 5|ucosφ+vsinφ−d|哑弹f(u,v,θ)=1如果u,v ∈(−0.5,0。第五章)和 θ∈(0,π),fd,φ(t)=π-0。五比零5(u−dcosφ−tsinφ)2+(v−dsinφ+tcosφ)2(五)0否则。(一)等式5给出了交点P是如何的PDF我们的目标是导出一个解析近似,将l(d,φ)(HVPI的延长线)划分为一组1-D Hough单元,使得e(u,v,θ)的延长线近似相等地穿过每个单元。这样的沿l(d,φ)分布。虽然PDF本身显然不是解析可解的,但我们仍然可以导出其解析解。标准近似 为此,我们引入了两个新术语:g(d,φ)≡fd,φ(0)和h(d,φ)=limt →∞t2fd,φ(t):由于e(u,v,θ)具有与一般图像中的边缘集合的集体效应类似的行为,因此期望模型适用于一般图像如图2、假设范围的延长线1g(d,φ)≡π0的情况。505-0。五比零5|ucosφ+vsin φ−d|杜德夫(u−dcosφ)2+(v−dsinφ)2(六)dom边e(u,v,θ)与l(d,φ)在P处相交。沿着l(d,φ)引入新变量t=QP。这里t被赋值为pos-1h(d,φ)≡π∫0.5∫0.5|中文(简体)|dudv(7)如果P位于OQ的右侧且赋值为负,则为正否则,请执行以下操作。可以很容易地导出P(dcosφ+tsinφ,dsinφ−tcosφ)。由于CP-0。五比零5研究了g(d,φ)和h(d,φ)在d ∈(0,0. 第五章)和φ∈(0,2π)的关系如图所示3(a)和图3(b)、角为θ,则有:尊重我。这里引入一个新的函数fd,φ(t)来tanθ=v−dsinφ+tcosφu−dcosφ −tsinφ(二)近似fd,φ(t):fd,φg(d,φ)(t)=g(d,φ)2h(d,φ)(八)因为交集P沿l (d, φ)的纵坐标t是范围的累积效应。.3736| |以来fd,φ(0)=1和limfd,φ(t)=1和两者dom edgee(u,v,θ) over the edgefd,φ(0)t→∞fd,φ(t)t的tic密度函数(PDF)与u、v和θ无关。因此,t的PDF可以定义为fd,φ(t)。fd,φ(t)和fd,φ(t)是的单调递减函数|不|,f∈d,φ(t)被期望是的一个很好的近似推导fd,φ(t) ,让fd,φ(t). 由于g(d,φ)和h(d,φ)仍然不是解析的形式,我们介绍了各自的经验近似如图所示,交点P落在t和t + dt之间。2,其中dt是t的无穷小增量。一方面,该概率等于fd,φ(t)dt;另一方面,该概率也等于随机边缘的水平线角度落在θ到θ之间的概率。解决方案:g(d,φ)≈0。九比零第二章(九)h(d,φ)≈ 0。111+ 0。155d2(10)3737−t−1。.且满足QR=。(d,φ)-×=tan−1(11)h(d,φ)g(d,φ)2222(a)(b)第(1)款图3. g(d,φ)(a)和h(d,φ)(b)在d和φ。在上述近似解中,变量Φ被忽略,因为与d相比,它对g(d,Φ)和h(d,Φ)两者的影响是不显著的。作为一个完美的PDF具有的属性图4.从t空间到空间的映射。等式14定义了点P在图1中的均匀分布+∫∞(,上述解析近似空间。 因为将空间划分为一组相等的-fd,φ(t)dt≡1−∞+∞大小的单元导致每个单元具有相同的捕获P的概率,因此空间对于HT是理想的。满足|−∫∞fd,φ(t)dt−1|≤0。01,d≤0。6的在实践中,HT是在t空间中进行的,但就空间划分而言,它隐含地在- voking空间中进行假设makesfd, φ ( t ) a satisfactory probabilisti c densityfunction对于距图像中心不超过归一化图像宽度(或高度)的0.6倍的HVPI边缘。因为f∈d,φ(t)仍然是一个定义在一个不确定区域上的函数HVPI线被划分为m个(偶数整数)的集合Hough单元格(通过数字),编号为(0,1,2,...,m1),并且投票边缘在t处与HVPI线相交,则投票边缘对其投票的单元的序列号k为:有界1-D空间(t∈(−∞,+∞)),我们引入一个新的变量:tk=roundm+M谭。中国(15)由于lim=π,显然被定义在有界中,其中g(d,φ)和h(d,φ)的解析近似t→∞2空间(∈. −π,π),其中π=±π对应的具体分别由等式9和等式10给出,并且函数,该函数产生参数周围最接近的整数这类似于随机边e(u,v,θ)(投票边在图4中,线I(d,φ)平行于HVPI线I(d,φ)。如图4.假设一条表决边与l(d,φ)相交于距离点Q(O在l(d,φ)上的踏板)t的点P,则t可映射为一个角变量=PRQ,R为QO的延长线上h(d,φ)g(d,φ)对应于t空间中点P的PDF fd,φ(t),我们也将空间中点P的PDF定义为fd,φ()。这两个PDF以以下形式相互关联括号中的字符2.3. 基于HVPI的投票假设已经从图像中提取了总共N个边缘,在最小HVPI集中选择包含n个边缘的子集。霍夫空间由n个子空间组成,每个子空间沿着单个HVPI的延长线构建并且包含m个霍夫单元。首先,每个霍夫单元格被初始化为0(包含0票)。然后,N个输入边中的每一个都投射一个等式11产生:fd,φ()d=f(t)dt(12)在每个子空间中投票,投票给其序列号通过等式15导出的小区。在投票边缘平行于HVPI的情况下,投票去往第一HVPI。fd,φ ()=ˆ(d,φ)德尔特(吨)(十三)Hough cell(k=0)。为了确保投票过程的公平性,HVPI边缘不允许在其相关联的中投票。亚空间总的来说,(N 1) n票被投出。在存在m个霍夫小区的情况下,每个小区接收关于av的N-1个投票将等式8、等式11和等式13组合得到:fd,φ()=√g(d,φ)h(d,φ)(14)Fπh(d,φ)g(d,φ)3738Merage。图5显示图像HVPI(红色)及其投票分布3739−×- ×≤≤图5. 4 HVPI及其各自子空间中的投票分布。相应的子空间(红色、绿色、蓝色和青色)。注意,每个子空间包含显著峰值,该显著峰值是由其他霍夫单元捕获的平均投票数的至少4倍。还观察到,峰周围的每个有效区域(其包含捕获由峰单元接收的投票的一半的那些周围单元)覆盖不超过3个单元(在图1B中)。5,m= 120)。2.4. 多轮VP检测检测阶段是一个多轮过程,每轮主要包括以下3个步骤:1). 搜索并验证最佳HVPI。这是HVPI,其相关联的子空间包含峰值单元(在整个霍夫空间上捕获最多投票的单元)。如果峰值小区2). 提取VP的初始估计及其所有内点边缘,并基于内点细化VP估计。VP的初始估计被设置在最佳HVPI的相关联子空间中的峰值单元的中点处。对于每个检测到的VP,我们创建一个内点集,其中最佳HVPI是第一个条目。然后,将其投票落在峰值单元格的半最大值全宽区域中的那些投票边缘添加到VP的内围集,该区域覆盖峰值周围的单元格,请注意,在子空间中,最左边的单元(k=0)和最右边的单元(k=m-1)是相邻的单元,因为它们各自的值由π/m分开。我们使用类似于[35]的方法来细化VP;3). 基于VP的内点集更新Hough空间图6.检测到的VP点及其相应的内围边缘集。假设边缘可以是不超过一个VP的内点,因此从当前霍夫空间中移除被识别为新检测到的VP的内点的那些HVPI的子空间,以防止重复检测;此外,丢弃当前霍夫空间中的VP的内点边缘中的每一个所投出的投票,以防止它们干扰随后的检测轮次。上述过程重复运行,直到检测到的VP的数量达到规定的阈值N_MAX_VP或者由最佳HVPI的峰值小区接收的投票图6示出了基于如图1所示五、注意,仅示出了分别被标记为绿色、蓝色和青色的3个水平VP如所预期的,3个水平VP共线并且落在红色虚线(水平线)上。3. 复杂性分析我们的方法的计算成本主要来自3个来源,投票,VP检测和VP精炼。这里,N、n和m分别是输入边缘的数量、在该实现中,n和m被限制为n=min(N,500)和m200。投票过程涉及(N1)n票。当n为500时,其计算复杂度为O(N)。VP检测涉及至多NMAXVP(在我们的实现中为6)轮,其中每轮搜索至多m n个单元。在m和n都有限的情况下,它具有计算COM。复杂度为O(1)VP细化涉及最多N MAXVPVP,每个VP细化涉及O(N)个内点边缘,因此总细化成本为O(N)。总的来说,该算法就空间复杂度而言,由于霍夫空间涉及n个子空间,每个子空间包含m个单元3740图7.使用我们的方法的示例性VP检测结果第1行和第2行显示满意的检测,第3行显示不太理想的检测病例,占总病例的7%以下内点边缘基于其各自的VP类型(顶点:洋红色; 2个主要水平VP:黄色和青色)。地面实况VP和检测到的VP分别显示为圆圈和红色圆圈;地面实况水平线和检测到的水平线分别显示为绿色实线和红色虚线。注意,一些VP在可显示区域之外,因此仅示出它们的内点。(bothn和m是有限的),我们的方法具有O(mn)=O(1)的空间复杂性。4. 评价我们的VP检测方案进行检查和评估对SOTA VP检测。为了进行公平的比较,我们使用了一台使用6年的笔记本电脑,该笔记本电脑由2Ghz Intel Core i7 CPU和4GB DRAM供电,类似于[17]中的硬件设置,以执行测试。我们的算法用C++语言实现,与用C语言实现的[34]、[35]和[29]以及用Matlab+mex实现的[17]我们使用两个基准数据集来评估我们的算法,约克城市数据集(YUD,[9])和欧亚城市数据集(ECD,[2])。YUD包含102个640×480像素的校准图像,服从曼哈顿世界假设[8]。ECD包含103个不同宽度和高度的未校准图像。ECD包含具有比YUD更复杂场景的更大图像,并且因此关于VP检测比YUD更有我们使用Canny边缘检测器[5]结合[32]来提取图像边缘,因为其速度优于[31]。表1列出了我们的实现用于评估的参数及其值。图7示出了针对YUD和ECD中的一些图像的我们的算法的结果。定性地,没有观察到完全失败的情况,因为我们的方法总是成功地检测到天顶VP和至少一个水平VP。图1中的第一行和第二行图7显示水平线检测误差小于0.01(总共205个图像中的92个)的情况,其中检测到的水平线(红色虚线)非常接近地面实况(实线3741.ΣC 2.4最大值5,阈值名称使用幅度n2.1、2.2、3最小值(500,N)M2.1、2.2、3158(YUD)或180(ECD)N MAXVP2.3、363NM表1.使用的算法参数(一)(b)第(1)款图8.地平线估计的定量评价。水平轴表示水平线检测误差。垂直轴表示水平线误差低于相应横坐标的图像的比率。每条曲线的AUC显示在图例中。有关更多详细信息,请参见绿线),而第三行示出了水平区域检测误差高于0.05的情况,这由检测到的水平区域和地面实况之间显著更宽的间隙来指示实验结果表明,该方法能够很好地处理各种类型的噪声,包括不规则建筑物轮廓(第一行的第三和第四幅图像以及第一行和第三行的第三和第四幅图像)。第二行中的第二个图像)、楼梯手柄(第一行中的第二个图像)、车道标记和其他路面对象(第二行中的第二、第三和第四个图像)。部分失败的检测,这是定义为地平线检测误差大于0.05,占6.3%的所有测试的图像。部分VP检测失败的主要原因是将不相关的边缘聚类到同一VP的一组内点中。容易出现VP检测错误的边缘通常包括车辆轮廓(第3行中的第1和第3图像)、电线(第3行中的第3和第4图像)、属于不同平行线集合的边缘(第3行中的第2和第4图像)。根据以前的研究工作,我们使用的水平检测误差作为基准的VP检测精度。水平线检测误差被定义为图像内检测到的水平线与由图像高度归一化的地面真实水平线之间的最大垂直距离根据[34]、[17]、[35]、[29]使用的方案,显示了这些误差的累积直方图,并报告了曲线下面积(AUC)。图8(a)示出了使用YUD数据集的8种计算算法的准确度比较。我们的方法实现了95.47%的最佳AUC,比[35]实现的94.78%的第二佳AUC好0.69%。图8(b)示出了ECD数据上的8算法的检测误差,其中我们的方法实现了89.64%的第二最佳AUC,其比由[35]实现的最佳AUC(90.80%)低约1.16%,但比由[17]实现的第三最佳AUC(89.20%)好0.44%。对于YUD图像,我们的方法的平均端到端处理时间-包括图像加载,边缘检测和VP检测-为43毫秒,不包括图像加载和边缘检测,下降到9.3毫秒。相比之下,[35]和[17]平均分别需要1秒和30秒来处理YUD图像。5. 结论我们提出了一种新的VP检测方案,该方案在实时处理效率方面具有竞争力的准确性进一步的工作将是增加神经网络模块来识别属于无关对象的边缘,以减少部分失败的检测错误。6. 确认本研究得到了国家自然科学基金(61672372)和苏州工业应用基金(SG1819)的部分资助引用[1] Michel Antunes和Joao P Barreto。一种检测消失点和相互正交消失方向的全局方法。InProceedings of the IEEEConference3742,第1336- 1343页,2013年。一、二[2] 奥尔加·巴里诺娃,维克多·兰皮斯基,埃琳娜·特雷蒂亚克,还有"推见面",科利.人造环境中的几何图像解析欧洲计算机视觉会议,第57-70页。施普林格,2010年。7[3] 斯蒂芬·T·巴纳德解释透视图像。Artificial intelligence,21(4):435-462,1983. 一、二[4] Jean-CharlesBazin、YongduekSeo、Ce´dricDemonceaux、Pascal Vasseur、Katsushi Ikeuchi、Inso Kweon和Marc Pollefeys。曼哈顿世界中的全局最优直线聚类与消失点估计。在2012年IEEE计算机视觉和模式识别会议上,第638-645页IEEE,2012。2[5] 约翰·坎尼。边缘检测的计算方法。IEEE Transactionson Pattern Analysis and Machine Intelligence,(6):679-698,1986. 7[6] 布鲁诺·卡普里和文森特·托瑞。使用消失点进行相机校准。国际计算机视觉杂志,4(2):127-139,1990。1[7] James M Coughlan和Alan L Yuille。曼哈顿世界:基于贝叶斯推断的单幅图像罗盘方位。第七届IEEE计算机视觉国际会议集,第2卷,第941IEEE,1999年。1[8] James M Coughlan和Alan L Yuille。 曼哈顿世界假设:使贝叶斯推理成为可能的场景统计规律。 NIPS,第2卷,第3页,2000年。 1、7[9] Patrick Denis,James H Elder,and Francisco J Estrada.有效的基于边缘的城市图像曼哈顿帧估计方法在欧洲计算机视觉会议上,第197-210页。Springer,2008. 7[10] Marke' ta杜布斯克亚当赫鲁特和吉日Havel.使用平行坐标的直线检测。CVPR 2011,第1489-1494页。IEEE,2011年。2[11] Martin A Fischler和Robert C Bolles。随机样本一致性:一个范例模型拟合与应用程序的图像分析和自动制图。Communications of the ACM,24(6):381-395,1981.2[12] 保罗·VC·霍夫。气泡室照片的机械分析。在高能量加速器和仪器国际会议上,9月。1959,第554-556页,1959。1[13] Florian Kluger , Hanno Ackermann , Michael YingYang,and Bodo Rosenhahn.使用逆日晷投影进行消失点检测的深度学习。德国模式识别会议,第17-28页。Springer,2017. 2[14] Florian Kluger,Eric Brachmann,Hanno Ackermann,Carsten Rother , Michael Ying Yang , and BodoRosenhahn. Consac:通过条件样本一致性进行稳健的多模型拟合。在IEEE/CVF计算机视觉和模式识别会议论文集,第4634-4643页,2020年。2[15] Till Kroeger,Dengxin Dai,Luc Van Gool。关节消失点提取与跟踪。InProceedings of theIEEE计算机视觉和模式识别会议,第2449-2457页,2015年。1[16] Seokju Lee 、 Junsik Kim 、 Jae Shin Yoon 、 SeunghakShin 、 Oleksandr Bailo 、 Namil Kim 、 Tae-Hee Lee 、Hyun Seok Hong 、 Seung-Hoon Han 和 In So Kweon 。VPgnet:用于车道和道路标记检测和识别的消失点引导网络。在IEEE国际计算机视觉会议集,第1947-1955页,2017年。1[17] 何塞·莱扎马、拉斐尔·格罗彭·冯·吉欧、格雷戈里·兰德尔和让·米歇尔·莫雷尔。通过图像原始域和对偶域中的点 对 齐 来 寻 找 消 失 点 。 在 Proceedings of the IEEEConference on Computer Vision and Pattern Recognition,第509-515页,2014中。二七八[18] David Liebowitz和Andrew Zisserman。结合场景和自动校准约束。在第七届IEEE计算机视觉国际会议的会议录,第1卷,第293-300页中。IEEE,1999年。1[19] Xiaohu Lu , Jian Yaoy , Haoang Li , Yahui Liu , andXiaofeng Zhang.2-曼哈顿世界中用于实时消失点估计的线穷举搜索。在2017年IEEE Winter计算机视觉应用会议(WACV)中,第345-353页。IEEE,2017年。2[20] Evelyne Lutton,Henri Maitre和Jaime Lopez-Krahe。对利用霍夫变换确定消失点的贡献。IEEE模式分析与机器智能学报,16(4):430-438,1994。2[21] Faraz M Mirzaei和Stergios I Roumeliotis。曼哈顿世界中消失点的最优估计。2011年国际计算机视觉会议,第2454- 2461页。IEEE,2011年。2[22] 卡斯滕·罗瑟建筑环境中消失点检测的新方法图像与视觉计算,20(9-10):647-655,2002。2[23] Alexander Sheshkus,Anastasia Ingacheva,Vladimir Ar-lazarov,and Dmitry Nikolaev. Houghnet:用于消失点检测的神经网络架构。2019年国际文件分析和识别会议(ICDAR),第844-849页。IEEE,2019。2[24] 杰弗里·舒费尔特。灭点侦测技术之效能评估与分析。IEEE模式分析与机器智能学报,21(3):282-288,1999。2[25] Sudipta Sinha,Drew Steedly,and Rick Szeliski.用于基于图像的渲染的分段平面立体。2009. 1[26] 让-菲利普·塔迪夫快速准确检测消失点的非迭代方法在2009年IEEE第12届计算机视觉国际会议上,第1250IEEE,2009年。 二、三[27] Elena Tretyak Olga Barinova Pushmeet Kohli 和 Vic torLempitsky人造环境中的几何图像解析。InternationalJournal of Computer Vision,97(3):305-321,2012. 2[28] Tinne Tuytelaars,Luc Van Gool,Marc Proesmans,andTheo Moons.级联霍夫变换在航空影像判读中的应用。第 六 届 计 算 机 视 觉 国 际 会 议 ( IEEE Cat. 号 98 CH36271),第67-72页。IEEE,1998年。一、二3743[29] 安德里亚·维达尔迪和安德鲁·齐瑟曼自相似草图。欧洲计算机视觉会议,第87Springer,2012. 七、八[30] JonathanVentura和TobiasH o¨ llere r. 使用直立全景图的城市环境中的结构和运动Virtual Reality,17(2):147-156,2013. 1[31] 拉斐尔·格隆彭·冯·焦伊,杰瑞米·雅库博维奇,让-米歇尔·莫雷尔,格雷戈里·兰德尔。Lsd:一个快速线段检测 器 , 带 有 错 误 检 测 控 制 。 IEEE Transactions onPattern Analysis and Machine Intelligence,32(4 ):722-732,2008. 7[32] Geoff AW West和Paul L Rosin。多阶段组合椭圆和直线检测。在BMVC 92,第197Springer,1992年。7[33] Horst Wildenauer和Allan Hanbury。曼哈顿世界单目图像的鲁棒摄像机自校准。 2012年IEEE计算机视觉和模式识别会议,第2831-2838页。IEEE,2012。2[34] Yiliang Xu,Sangmin Oh,and Anthony Hoogs.一种用于人造环境中未标定单目图像的最小误差消失点检测方法。在Proceedings of the IEEE Conference on ComputerVision and Pattern Recognition,第1376-1383页,2013中。二七八[35] Menghua Zhai,Scott Workman,and Nathan Jacobs. 在非曼哈顿世界中使用全局图像上下文检测消失点。在IEEE计算机视觉和模式识别会议论文集,第5657- 5665页,2016年。二、六、七、八[36] Yichao Zhou,Haozhi Qi,Jingwei Huang,and Yi Ma.Neurvps:通过圆锥卷积进行神经消失点扫描。arXiv预印本arXiv:1910.06316,2019。2[37] Yichao Zhou , Haozhi Qi , Yuexiang Zhai , Qi Sun ,Zhili Chen,Li-Yi Wei,and Yi Ma.学习从单个图像重建3d manhat-tan线框。在IEEE/CVF计算机视觉国际会议论文集,第7698-7707页,2019年。1
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功