欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2018110491347
申请人: 南京邮电大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于条件生成对抗网络的室内场景布局估计方法,其特征在于,包括以下步骤:

(1)运用训练集训练条件生成对抗网络,训练集中样本的格式为AB模式,即室内场景图像和其对应的边缘图并行排列,所述条件生成对抗网络包括生成网络和判别网络,室内场景图像作为生成网络的输入,由生成网络生成的室内场景图像对应的边缘图作为判别网络的输入;所述生成网络输出的边缘图与输入的室内场景图像尺寸相同;

(2)将待测的室内场景图像输入训练完成的条件生成对抗网络,得到预测布局边缘图;

(3)估计待测的室内场景图像中的位于垂直方向和水平方向上的三个消失点,对于每个消失点等角度间隔的引出射线生成若干扇形区域;

(4)对于每个消失点,根据预测布局边缘图中对应扇形区域的平均边缘强度最大准则和消失点类型选择一或两个扇形区域作为采样扇形区域;

(5)对预测布局边缘图加高斯模糊,然后对采样扇形区域进行采样,由在采样扇形区域中从三个消失点引出的射线两两相交生成一系列布局候选项;

(6)计算各布局候选项与预测布局边缘图的相似度,并选出与预测布局边缘图最为相似的布局估计作为最终的布局估计结果。

2.根据权利要求1所述的一种基于条件生成对抗网络的室内场景布局估计方法,其特征在于,所述条件生成对抗网络中生成网络的反卷积部分由两个分支组成,第一个分支包括八层反卷积层,用于生成预测布局边缘图,第二个分支包括两层反卷积层,用于监督第一个分支工作,由第一个分支的第四层的输出结果经过两层反卷积后将输出结果大小设置成与预测布局边缘图的大小一致,然后两个结果一同输出。

3.根据权利要求2所述的一种基于条件生成对抗网络的室内场景布局估计方法,其特征在于,所述条件生成对抗网络中生成网络的损失函数为:其中,

其中,G*表示生成网络的损失函数, 表示最大化判别网络D中输入数据分布与真实数据分布之间的差异,最小化生成网络G的输出数据分布与真实数据分布之间的差异。x表示输入的室内场景图像,z表示输入的随机噪声,x~px(x)表示x的数据分布,x,y~pdata(x,y)表示x和y的联合数据分布,z~pz(z)表示z的数据分布,G(x,z)表示生成网络的输出,y表示对应于x的真实边缘图,VcGAN(G,D)表示对抗损失函数,E表示求归一化期望值,VL2(G)表示L2损失函数,λ表示L2损失函数的权重,||·||符号表示取绝对值运算,VL2(Gd4)表示生成网络中监督部分的L2损失函数,η表示该网络部分的L2损失的权重,Gd4表示生成网络中反卷积部分第四层的输出结果通过两层反卷积网络后的输出结果。

4.根据权利要求1所述的一种基于条件生成对抗网络的室内场景布局估计方法,其特征在于,步骤(3)中消失点的估计包括:(3.1)检测出室内场景图像中满足一定长度要求的线段,将检测出的线段集合记为{li},1≤i≤n,n为线段的数目,Pk为{li}中线段两两相交的形成第K个交点,即为候选消失点,1≤k≤K,K为{li}中线段两两相交的形成的交点数目,则第i个线段li对Pk的得分贡献为:其中,α表示li与Pk和li中点的连线之间的夹角,σ为鲁棒性阈值,表示线段的长度;

(3.2)计算每条线段对候选消失点Pk的投票得分,得到Pk的贡献值

(3.3)对所有K个候选消失点的投票得分做统计,其中得分最高的为竖直方向的消失点VP1,然后基于消失点的正交性准则:<VP1,VP2>=0、<VP1,VP3>=0、<VP2,VP3>=0,获得投票得分最高的一组消失点为水平方向的远消失点VP2与水平方向的近消失点VP3。

5.根据权利要求1所述的一种基于条件生成对抗网络的室内场景布局估计方法,其特征在于,步骤(4)中按照以下两个标准选择固定数目的采样扇形区域:扇区的总数记为H,每个扇区的平均边缘强度记为di,i=1,2,3......H,定义d0=0和dH+1=0,只有同时满足以下两个条件时,才选择第i个扇区:(1)di>di+1,and,di>di-1

(2)di-di+1>T,or,di-di-1>T

其中,T为设定的阈值,对于垂直消失点选择一个扇形区域,对于水平消失点选择两个扇形区域。

6.根据权利要求1所述的一种基于条件生成对抗网络的室内场景布局估计方法,其特征在于,步骤(6),采用如下公式计算布局候选项与预测布局边缘图的相似度:其中,mi表示第i个布局候选项,M是条件生成对抗网络输出的预测布局边缘图,||·||F表示弗罗贝尼乌斯规范,μ为设定的比重值。

7.根据权利要求1所述的一种基于条件生成对抗网络的室内场景布局估计方法,其特征在于,通过水平旋转扩大训练数据集对条件生成对抗网络进行训练,获得高分辨率的预测布局边缘图,用于后续的最优布局估计的选择。

8.一种基于条件生成对抗网络的室内场景布局估计装置,其特征在于,包括:

网络训练模块,用于运用训练集训练条件生成对抗网络,训练集中样本的格式为AB模式,即室内场景图像和其对应的边缘图并行排列,所述条件生成对抗网络包括生成网络和判别网络,室内场景图像作为生成网络的输入,由生成网络生成的室内场景图像对应的边缘图作为判别网络的输入;所述生成网络输出的边缘图与输入的室内场景图像尺寸相同;

预测布局边缘图生成模块,用于将待测的室内场景图像输入训练完成的条件生成对抗网络,得到预测布局边缘图;

消失点估计模块,用于估计待测的室内场景图像中的位于垂直方向和水平方向上的三个消失点,对于每个消失点等角度间隔的引出射线生成若干扇形区域;

采样区域选择模块,用于对于每个消失点,根据预测布局边缘图中对应扇形区域的平均边缘强度最大准则和消失点类型选择一或两个扇形区域作为采样扇形区域;

布局候选项生成模块,用于对预测布局边缘图加高斯模糊,然后对采样扇形区域进行采样,由在采样扇形区域中从三个消失点引出的射线两两相交生成一系列布局候选项;

以及,布局估计确定模块,用于计算各布局候选项与预测布局边缘图的相似度,并选出与预测布局边缘图最为相似的布局估计作为最终的布局估计结果。

9.一种基于条件生成对抗网络的室内场景布局估计装置,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-7所述的基于条件生成对抗网络的室内场景图像布局估计方法。