标签：MAP OM 消失 ORIENTATION 直线 线段 INDOOR GC 方向
GEOMETRIC CONTEXT AND ORIENTATION MAP COMBINATION FOR INDOOR CORRIDOR MODELING USING A SINGLE IMAGE(ISPRS 2016)
传统方法恢复房间布局，本文侧重对走廊图片进行布局恢复，主要分以下步骤：消失点估计，基于消失点的布局生成，布局评分(结合方向图OM和几何上下文GC)
Vanishing Points
消失点估计方法：
- Hough Transform (HT)
- Random Sample Consensus (RANSAC)
- Exhaustive Search on some of the unknown entities
- Expectation Maximization
HT:
- 可以使用霍夫变换求得直线，然后在图像空间中根据直线求消失点。
- Real Projective Plane Mapping for Detection of Orthogonal Vanishing Points提出基于平行坐标系(Parallel Coordinates, PC)参数化方法检测直线:PCLines，在此基础上结合级联霍夫变换(Cascaded Hough Transform, CHT)思想直接在二次PC空间中检测消失点，和以往方法相比，其将检测直线步骤包含在第一次变换中。
RANSAC:
基本流程如下：
- 建立一个拟合模型，选择拟合函数和距离函数。这里，拟合函数选择将多条线，按顺序两两寻找它们的相交点，最后取这些相交点的平均位置为我们估计的消失点位置。模型的误差函数(判断模型好坏)选择消失点到所有直线的正交距离累加
- 从线段数据集中随机采样，也为内群 ( inliers )，因为两条线相交于一点，这里我们可以选择随机采样数为2
- 根据随机采样的线段（数目为2），估计其相交点，即消失点的位置
- 计算估计的消失点到线段数据集中其他线段的距离，距离小于阈值的线段加入内群 ( inliers )
- 再次估计内群中的线段相交点位置，同时如第1点所述，计算模型的拟合误差
不断重复1~5，最终选择模型拟合误差最小的消失点估计位置
Layout Hypotheses Creation
布局假设生成步骤：
- 由于走廊布局往往是由多个box layout组合而成，首先生成key box layout。上图实线是直线检测得到的，虚线是根据消失点推测出的。选择和虚线相交的实线，数目不少于4
- 在得到key box layout后side box layout依次加入
Layout Evaluation
评分函数：
S volume \mathrm{S}_{\text {volume}} Svolume：布局的体积最大更有可能是真实布局
Lee, D.C., Gupta, A., Hebert, M., Kanade, T., 2010. Estimating spatial layout of rooms using volumetric reasoning about objects and surfaces. In: Advances in Neural Information Processing Systems, pp. 1288-1296.
S
edge
\mathrm{S}_{\text {edge}}
Sedge：在布局的边缘的线段像素数目，即生成假设的实直线线段越长越好
S
om & gc
\mathrm{S}_{\text {om \& gc}}
Som & gc：兼顾OM和GC
Orientation Map
方向图的主要概念是定义图像中哪些区域具有相同的方向。一个区域的方向由该区域法线的方向决定。如果一个区域属于XY曲面，那么它的方向是Z。
思想：
一个点如果由2个不同方向的线段支持，比如上图(1)中的点，由2个方向(绿、蓝)支持，所以(1)中的点的方向垂直于绿、蓝。
(2)中的点，由2个方向(红、蓝)支持，所以(2)中的点的方向垂直于红、蓝线。下方的绿线被蓝线阻挡，所以不能作为(2)中点的支持方向。
Geometric Context
大体来说，使用图像中已有线索：material, location, texture gradients, shading, and vanishing points. 对区域分块。
也可以使用简单的线束进行简单分割，使用grouping superpixels方法扩大分割区域。评估分割好坏(homogeneous)
其实就是传统方法对图像进行语义分割，理解超像素，利用Color, texture, edge, and vanishing points 作为线索(特征)
Orientation Map and Geometric Context Combination
在PanoContext(ECCV 2014)论文中，也使用OM和GC组合的方式，其在全景图中，上部分使用OM，下部分使用GC。这里作者解释为：由于PanoContext数据集中的大多数图像都是从单个房间中采集的，这种差异要么是由于大多数房间存在杂乱(OM表现不好原因？室内往往底部家具比较多)，要么是因为他们的模型是基于略微向下看的图像训练的。
实验结论就是：在图像的两边，GC优于OM，而图像中心，OM优于GC。
本文用的数据可能大多数都是这种消失点位于中心的图，所以两边往往是墙，更有可能有遮挡物，纹理更复杂，而往中心距离更远，遮挡影响相对减弱。
GC和OM组合:
组合前各种需要先标准化
结合OM给GC的区域设置方向，上式计算真实布局的方向和OM+GM组成方向平均误差。
标签：MAP,OM,消失,ORIENTATION,直线,线段,INDOOR,GC,方向 来源： https://blog.csdn.net/qq_29598161/article/details/110100726
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。