CN105447869A - 基于粒子群优化算法的摄像机自标定方法及装置 - Google Patents
基于粒子群优化算法的摄像机自标定方法及装置 Download PDFInfo
- Publication number
- CN105447869A CN105447869A CN201510860947.4A CN201510860947A CN105447869A CN 105447869 A CN105447869 A CN 105447869A CN 201510860947 A CN201510860947 A CN 201510860947A CN 105447869 A CN105447869 A CN 105447869A
- Authority
- CN
- China
- Prior art keywords
- particle
- image
- point
- unique point
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Studio Devices (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种基于粒子群优化算法的摄像机自标定方法及装置,涉及摄像机自标定领域,包括:获取待标定的摄像机拍摄的多幅图像,提取所述多幅图像的特征点;对所述多幅图像的特征点进行相似性度量,得到相互匹配的匹配特征点;基于粒子群优化算法,利用所述匹配特征点及所述摄像机的非线性模型,获得所述摄像机参数的解集合。该摄像机自标定方法精度好,鲁棒性高。
Description
技术领域
本发明涉及摄像机自标定领域,具体而言,涉及一种基于粒子群优化算法的摄像机自标定方法及装置。
背景技术
目前,随着计算机视觉技术的不断发展,视觉传感器以其简单、使用方便等诸多优点被成功在用于物体识别、视频监控等领域,双目立体视觉是基于视差原理,由多幅图像获取物体三维几何信息的方法;摄像机标定技术是三维视觉重建工作和实现目标精确定位过程中的关键步骤,经过多年的技术研究,众多具有较好实用价值和先进有效的摄像机标定方法一一问世,但目前为止没有一种标定方法能满足所有标定要求,它们都有着各自的优缺点。
传统的摄像机标定方法都需要一个标定参照物,并且已知参照物上点的三维坐标和它的图像图标,在实际应用中,焦距、放大倍数等一些参数会根据需要发生相应的改变,如果每次都需要用标准参照物对摄像机重新进行标定会很不方便,因此研究摄像机标定方法具有重要的理论研究意义和实际应用价值。
虽然现有技术中的摄像机自标定方法灵活,不需要依赖于场景和标定物,然而得到的解精度低、鲁棒性差,所以自标定方法研究的重点可以放在如何提高标定的精度和鲁棒性方面;摄像机标定方法与时俱进,并随着需求和现有实验条件的完善,摄像机的标定研究方法是没有尽头,因为由于我们的需求总是在不断的发生变化,研究效率需要不断提高,因此我们需要使用更灵活方便,运算更快,精度更高的标定方法,同时也意味着我们需要更好地解决优化问题中存在的缺陷(冗余参数、模型表达、方程病态等),这也是目前不断提高标定技术的主要方向和研究的重要内容。
发明内容
有鉴于此,本发明实施例提供了一种基于粒子群优化算法的摄像机自标定方法及装置,该方法依靠多幅图像特征点之间的对应关系,基于粒子群优化算法从复杂的客观世界中准确搜索出摄像机的内外参数及畸变系数,再通过提取出的摄像机的内外参数及畸变系数计算摄像机的三维空间坐标,即摄像机的位置,以改善现有技术中精度低及鲁棒性差的题。
为了实现上述目的,本发明采用的技术方案如下:
一种基于粒子群优化算法的摄像机自标定方法,包括:
获取待标定的摄像机拍摄的多幅图像,利用SURF算法提取所述多幅图像的特征点;对所述多幅图像的特征点进行相似性度量,得到相互匹配的匹配特征点;基于粒子群优化算法,利用所述匹配特征点及所述摄像机的非线性模型,获得所述摄像机的各种参数的解集合。
一种基于粒子群优化算法的摄像机自标定装置,包括:
特征点获取模块,用于获取待标定的摄像机拍摄的多幅图像,提取所述多幅图像的特征点;特征点匹配模块,用于对所述多幅图像的特征点进行相似性度量,得到相互匹配的匹配特征点;摄像机最佳参数获取模块,用于基于粒子群优化算法,利用所述匹配特征点及所述摄像机的非线性模型,获得所述摄像机参数的解集合。
本发明实施例提供的基于粒子群优化算法的摄像机自标定方法,首先获取待标定的摄像机拍摄的具有重叠区域的多幅图像,提取该多幅图像的特征点,再利用相似性度量的方法将该多幅图像上的特征点进行匹配,得到相互匹配的匹配点,最后利用粒子群优化算法搜索摄像机的内参数、外参数及畸变参数等各种摄像机参数,基于两幅图像的一对匹配点可以确定唯一一个三维空间坐标位置,获取匹配点xw、yw、zw的空间位置,以匹配点之间的空间距离大小作为判断条件,迭代判断来获得摄像机参数的解。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1示出了本发明实施例1所提供的基于粒子群优化算法的摄像机自标定方法的流程图;
图2为本发明实施例1提供的利用SURF算法提取特征点的流程图;
图3示出了本发明实施例1提供的通过欧氏距离进行特征点匹配的流程图;
图4示出了本发明实施例1提供的粒子群优化算法的流程图;
图5示出了本发明实施例2提供的基于粒子群优化算法的摄像机自标定装置的结构图;
图6示出了本发明实施例提供的基于粒子群优化算法的摄像机自标定装置可储存的计算机结构框图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
如图1所示,本发明实施例提供的基于粒子群优化算法的摄像机自标定方法,包括:
步骤S100:获取待标定的摄像机拍摄的多幅图像,利用SURF算法提取所述多幅图像的特征点;
当需要对一个设置于某固定位置的摄像机进行标定,利用该摄像机拍摄其可拍摄区域内的多幅图像,该多幅图像应该存在重叠区域,提取该多幅图像的特征点。在本实施例中,用于标定的摄像机可以是单目摄像机,也可以是双目摄像机,可以是枪机,即固定位置不变的摄像机,也可以是球机,即可以360度转动的摄像机,具体摄像机种类并不作为本发明实施例的限制。
在本实施例中,所拍摄的多幅图像至少应该为两幅存在重叠区域的图像,在此以两幅为例进行说明,可以理解的,图像的幅数并不作为本发明实施例的限制。
如图2所示,在本实施例中,提取该两幅图像的特征点时,可以利用SURF算法进行提取。SURF算法提取特征点包括:
步骤S101:构建该两幅图像上所有像素点的Hessian矩阵。
步骤S102:计算所有像素点Hessian矩阵的判别式,根据判别式的结果来判定对应的点是不是可能的极值点,即是不是可能的特征点。若像素点对应的Hessian矩阵的判别式的取值为正或者零,则该像素点可能为极值点,若像素点对应的Hessian矩阵的判别式的取值为负,则该点不可能为极值点,即不可能为我们需要提取的特征点,将该像素点舍弃,不进行后续步骤。
步骤S103:构建图像的尺度空间。图像的尺度空间为图像在不同解析度下的表示。算法允许尺度空间多层图像同时被处理,从而提高算法性能。
步骤S104:精确定位特征点。设置Hessian矩阵判别式的大小的预设阈值,判定在步骤S102中保留下来的可能为极值点的像素点的判别式取值是否小于预设阈值,若是,则对应的该点不是需要提取的特征点,将其舍弃,若否,则提取该点为特征点。
步骤S105:根据提取出来的特征点,确定每个特征点的主方向,并且根据该具有主方向的特征点获得特征点描述算子,每一个特征点的描述算子用特征向量表示。
应当说明的是,在本实施例中,提取图像中的特征点的算法并不作为限制,也可以为其他合适的算法。
步骤S110:对所述多幅图像的特征点进行相似性度量,得到相互匹配的匹配特征点;
摄像机提取的具有重叠区域的图像在提取特征点后,可以对特征点进行相似性度量,针对两幅图像,即在第二图像中寻找第一图像的每个特征点的匹配点。具体的,使用将步骤S100中提取出来的两幅图像的特征点进行一对一的对应匹配,在本实施例中,可以通过计算欧式距离来实现匹配。
进一步的,在计算欧式距离之前,可以先对图像中的特征点进行初步判断,即根据图像中的每个特征点的迹,判断相应的两个像素点的对比度是否相同。
具体的,在图像中,若第一图像中的某一特征点与第二图像中的某些特征点对比度不同,那么这些对比度不同的点就不是第一图像中的该特征点的匹配特征点,不需要再进行相似性度量。
特征点的对比度可以通过计算其Hessian矩阵的迹判定,即计算该特征点的Hessian矩阵的对角元素之和,若和为正,表明该特征点及其周围小领域的亮度比背景区域要亮,若和为负,表明该特征点及其周围小领域的亮度比背景区域要暗,根据第一图像及第二图像中的两个特征点的Hessian矩阵的迹,判断其是否同为亮或同为暗,即判定其对比度是否相同,若是,对这两点进行相似性度量,若否,则放弃其相似性度量。由于在步骤S100中利用SURF算法求取每幅图像的特征点时,求得了图像中每个像素点的Hessian矩阵,在判定特征点的对比度时,可以利用该SURF算法中求得的特征点的Hessian矩阵的计算每个特征点对应的对比度。
具体步骤可以是:计算图像中每个特征点的Hessian矩阵的对角元素之和,获得对应所述每个特征点的Hessian矩阵的迹;对比第一图像上的每一个特征点与第二图像上的所有特征点的迹,若两个特征点的迹异号,放弃所述第一图像上的对应特征点与所述第二图像上的对应特征点的相似性度量。
在利用Hessian矩阵的迹判断第一图像中的特征点与第二图像中的特征点的对比度后,对对比度相同的特征点再进行相似性度量,即如下步骤中与第一图像中的每一个特征点所进行的相似性度量的第二图像中的特征点不包括与其对比度不同的特征点。
如图3所示,具体通过欧式距离进行匹配的步骤可以是:
步骤S111:利用所述第一图像上的所有特征点的特征向量与所述第二图像上的所有特征点的特征向量,依次计算所述第一图像上的所述待匹配的特征点到第二图像上的所有特征点的欧氏距离,分别得到与所述第一图像上的每个所述待匹配的特征点对应的距离集合;
在本实施例中,两个特征点之间的欧式距离可以通过使用在步骤S100中得到的特征点的描述算子来得到,即对应的两个特征点之间欧式距离通过使用表示该两个特征点的描述算子的特征向量来计算。具体的,依次将第一图像中的每一个特征点作为待匹配的特征点,计算每一个待匹配的特征点与第二图像中所有的用于匹配的特征点之间的欧式距离,得到一个对应该待匹配的特征点的距离集合,即对应第一图像上的每一个特征点都构建有一个距离集合,该距离集合内存储的元素为该第一图像上对应的特征点到第二图像中的所有特征点的欧氏距离。
步骤S112:计算所述距离集合中的最小欧式距离与次小欧式距离的比值,若所述比值小于预设阈值,则判定所述第二图像中与所述待匹配的特征点具有最小欧式距离的对应的特征点为所述待匹配特征点的匹配特征点,若所述比值大于所述预设阈值,则在所述第二图像中没有特征点与所述第一图像中的待匹配特征点匹配。。
在步骤S111中计算出的第一图像中的每一个待匹配的特征点的距离集合中,都对应存在一个与其欧式距离最小的第二图像中的特征点,但是该第二图像中的对应特征点不一定为其匹配特征点,所以,可以将第一图像中的每一个特征点的距离集合中的最小欧式距离与次小欧式距离求比,若其比值小于预设阈值,则判断与第一图像中的该特征点的欧氏距离最小的第二图像中的特征点为其匹配特征点,否则,第一图像中的该待匹配的特征点在第二图像中不存在匹配特征点,即在第二图像中没有特征点与该待匹配的特征点匹配,可以将该第一图像中的待匹配的特征点舍弃。从而求得第一图像中的所有在第二图像中存在匹配特征点的特征点,将该第一图像中的特征点及其匹配特征点对应存为匹配点。
在本实施例中,这种利用欧式距离进行特征点匹配的方式为一种局部特征点的检测理论,是一种局部不变特征的提取和描述,与人眼视觉的选择类似。
在本实施例中,比值的预设阈值越小,得到的匹配点的匹配越稳定,但是相应得到的可以匹配的匹配点也越少。在本实施例中,比值的预设阈值可以取值为0.8,但是,可以理解的,比值的预设阈值并不作为本发明实施例的限制,也可以是其他合适的值。
步骤S120:基于粒子群优化算法,利用所述匹配特征点及所述摄像机的非线性模型,获得所述摄像机参数的解集合。
本算法采用的非线性模型,由线性模型和畸变因子组成,线性模型是指经典的小孔模型,其表达式为:
其中, K为摄像机的内参数,表示K的矩阵中,表示摄像机水平方向的焦距,fv表示摄像机垂直方向的焦距,表示图像中心。R及T为摄像机的外参数,R表示摄像机的旋转因子,T表示摄像机在三个坐标方向的位移参数。
摄像机的非线性模型的成像过程不服从小孔模型,表示为线性模型+畸变因子。在本实施例中,由于考虑过多的畸变因子不仅不能提高标定精度,反而会使标定结果不稳定,故在本方法中只考虑径向畸变。非线性模型可以用如下公式描述:
其中,表示线性模型下的图像点坐标,表示图像上图像点的实际坐标,表示非线性畸变因子,
为径向畸变参数,其中,
在本实施例中,根据畸变因子及匹配特征点在图像中的坐标基于非线性模型相关公式得到新的图像特征点(x,y);
根据内参数R、外参数K、T及新的图像特征点(x,y),利用线性模型的表达式求得匹配特征点的三维空间坐标该三维空间坐标表示匹配特征点所对应的三维空间的位置,在本实施例中,利用匹配特征点的三维空间坐标计算粒子群优化算法的适应度,以此来选择摄像机的内参数K、摄像机的外参数R和T、摄像机的畸变参数
如图4所示,利用粒子群优化算法获取摄像机参数的解包括:
步骤S121:初始化粒子群;
在粒子群优化算法的模型为,假设在一个D维的搜索空间中,有N个粒子组成一个群体,其中
第i个粒子的位置坐标,表示为向量:
其速度表示为向量:
个体最优位置表示为向量:Pi=(Pi1,Pi2,Pi3,…,Pid,…,PiD)T
粒子全局最优位置为向量:Pg=(Pg1,Pg2,Pg3,…,Pgd,…,PgD)T
在本实施例中,粒子群优化算法模型中空间的维数对应的是所要求解的摄像机的参数的个数,粒子个数N对应在步骤S110中所得到的相互匹配的匹配点的对数,即第一图像中与第二图像相匹配的匹配特征点个数。
因此,对应于粒子群优化算法的模型中的每个粒子的位置向量,在本实施例中,每个粒子的位置向量表示的是该匹配点对应的摄像机的参数,即内参数、外参数及畸变参数,粒子群优化算法的模型中每个粒子的速度向量对应于该粒子在对应位置的改变速度,在本实施例中,即表示对应的该对匹配点代表的摄像机参数在对应于当前变化步数的改变的速度。个体最优位置即存储当前粒子所对应的参数的当前最优解,粒子全局最优位置即代表当前粒子在当前位置,在所有粒子中的最优解,即当前确定的摄像机参数的最优解,表示我们需要获得的摄像机参数的解集合。
在最优解搜索之前,需要对粒子种群进行初始化,初始化包括粒子位置初始化,粒子速度初始化,粒子个体最优位置初始化、全局最优位置初始化,速度和位置的最大值、最小值的设置以及迭代总步数itermax、学习因子、惯性权重值及Rand参数等的数值设置。
具体的,对应于本实施例,将每个粒子的位置及速度随机初始化或者初始化为0,个体最优位置、全局最优位置随机初始。
初始设置速度的最大值Vimax及最小值使第i个粒子的速度满足其中,速度的最大值Vimax及最小值在本实施例中并不作为限制,优选的,满足及在0.01到0.1的范围之内。
初始设置搜索空间的大小,即设置位置向量的最大值及最小值使每个粒子的位置空间满足
具体位置最大值及位置最小值由用户根据实际情况确定。
步骤S122:根据当前粒子的当前步数对应的适应度值与当前粒子经过的所有的适应度值,获取当前粒子的最优位置。
在本实施例中,计算粒子的适应度值的粒子适应度函数表示为:
为粒子的适应度值,i代表当前搜索到第i个粒子,(xw(i),yw(i),zw(i))表示第一图像中的第i个特征点搜索到当前步数所对应的匹配特征点的三维空间的位置,(xw(i)′,yw(i)′,zw(i)′)表示与该特征点对应的第二图像中的匹配特征点所对应的三维空间的位置,其中,该匹配点的三维空间位置是通过上述的摄像机的线性模型计算得到。
具体的,根据当前粒子的当前步数对应的粒子个体最优位置即摄像机的参数,计算当前粒子对应的三维空间的位置(xw(i),yw(i),zw(i)),再根据该三维空间位置作为匹配点之间距离最小的约束条件和所有粒子中距离最小值做为适应度函数来取全局最优位置。
即:用该适应度值与该粒子之前的步数所计算得到的适应度值比较,判断当前适应度值是否比之前得到的适应度值小,若否,根据匹配点的约束条件判断下一步操作。其中,约束条件为
其中,i表示第i对匹配点对应的第i个粒子,N表示粒子个数,即本实施例中的匹配点总的对数,δ为约束条件的一个约束值,其取值并不作为本实施例的限制,优选的,可以为0.01。
表示在当前粒子在当前位置时,匹配点中的两个特征点分别对应求得的当前匹配点空间坐标位置之间的位置距离,即表示第i个粒子所对应的第i对匹配点在第k步时计算得到的位置距离,表示第i个粒子所对应的第i对匹配点在第k+1步时计算得到的位置距离,δ表示该匹配点空间坐标位置之间的位置距离的临界值。
具体的,若当前粒子对应的步数为第k+1步,根据判断当前粒子对应当前步数的位置距离若该位置距离比前一步所求得的位置距离大,即不满足约束条件但是却没达到该约束条件的约束值δ,也就是没有达到位置距离的临界值,且在连续迭代三步的过程中都不满足约束条件且都没有达到约束值,淘汰该对匹配点及其所对应的摄像机的未知参数,或者将该匹配点及其所对应的摄像机的未知参数存入最差解集合。
若该位置距离比前一步所求得的位置距离大,即在第k+1步不满足但是达到了位置距离的临界值,将该点当前步数的惯性权重因子与前一步所得到的惯性权重因子w取平均值,作为下一步的惯性权重因子,更新粒子的位置和速度。
其中,惯性权重因子表示为 为设置的惯性权重因子的最大值,为设置的惯性权重因子的最小值,在本实施例中,的大小并不作为限制,优选的, k为当前迭代步数,为迭代总步数,的具体大小可以根据情况有用户自己设置。
另外,若当前匹配点在当前步数求得的匹配点空间坐标位置之间的距离与上一步得到的位置距离比较在变小,直接更新该粒子的速度和位置。
更新粒子的速度和位置即将粒子的当前步数的速度向量更新为下一步所对应的速度向量,位置向量更新为下一步所对应的位置向量,具体更新第i个粒子的速度和位置的公式为
其中,Vi(k)表示当前粒子搜索到第k步时的速度,表示当前粒子搜索到第步时的速度,表示当前粒子在搜索到第k步时的位置,表示粒子在搜索到第步时的位置,表示当前粒子在第k步时存储的个体最优位置,表示当前粒子在第k步时存储的全局最优位置。c1、c2为学习因子,同样的,其大小并不作为本实施例取值的限制,优选的,可以取值c1=2、c2=2,Rand表示(0~1)之间的一个随机数。
粒子的速度公式及位置公式表明,当前粒子在当前步数对应的速度根据其在前一步时的速度及位置、个体最优位置、全局最优位置决定,而当前粒子在当前步数对应的由其在前一步时的位置及速度决定。
对于第i个粒子,当计算到当前步数对应的适应度值小于之前经过的所有步数的适应度值,则将当前粒子的当前步数所对应的粒子的位置存储为该粒子的个体最优位置并且将该粒子的当前适应度值与目前所保存的全局最优位置的对应的匹配点的适应度值做比较,若当前适应度值较小,将当前粒子的个体最优位置存储为全局最优位置,该粒子的搜索结束,进入下一个粒子的搜索,即第i+1个粒子进行搜索。
当所有粒子都搜索结束后,获得的全局最优位置即为最后需要输出的最优解,对应于本实施例,获得摄像机的最优的参数,即最后求得的摄像机的内参数R、外参数K、T和畸变因子的解集合。
在本实施例中,提取待标定的摄像机拍摄的具有重叠区域的照片特征点,并利用相似性度量的方法将该多幅图像上的特征点进行匹配,获得相互匹配的匹配点,最后在粒子群优化算法中根据匹配点数量初始化粒子种群求取的摄像机的参数,即摄像机的内参数、外参数及畸变参数等各种参数。
实施例2
如图6所示,本发明实施例提供的基于粒子群优化算法的摄像机自标定装置,包括特征点获取模块200,用于获取待标定的摄像机拍摄的多幅图像,提取所述多幅图像的特征点;
特征点匹配模块210,用于对所述多幅图像的特征点进行相似性度量,得到相互匹配的匹配特征点;
摄像机最佳参数获取模块220,用于基于粒子群优化算法,利用所述匹配特征点及所述摄像机的非线性模型,获得所述摄像机的各种参数的解集合。
所述特征点匹配模块210还用于:
计算第一图像上的每一个特征点到第二图像上的所有特征点的欧氏距离,得到所述第一图像上的每一个特征点对应的距离集合;
计算所述距离集合中的最小欧式距离与次小欧式距离的比值,若所述比值小于预设阈值,将所述最小欧式距离对应的两点存为匹配点,若所述比值大于预设阈值,将所述第一图像中对应的所述特征点舍弃。
参阅图6,本发明实施例提供的另一种计算机600,包括:处理器500,存储器501,总线502和通信接口503,所述处理器500、通信接口503和存储器501通过总线502连接;处理器500用于执行存储器501中存储的可执行模块,例如计算机程序。所述基于粒子群优化算法的摄像机自标定装置储存于所述存储器501。
其中,存储器501可能包含高速随机存取存储器(RAM:RandomAccessMemory),也可能还包括非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。通过至少一个通信接口503(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线502可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器501用于存储程序,所述处理器500在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流程定义的装置所执行的方法可以应用于处理器500中,或者由处理器500实现。
处理器500可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器500中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器500可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称数据请求端)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器501,处理器500读取存储器501中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的服务器和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于粒子群优化算法的摄像机自标定方法,其特征在于,包括:
获取待标定的摄像机拍摄的多幅图像,利用SURF算法提取所述多幅图像的特征点;
对所述多幅图像的特征点进行相似性度量,得到相互匹配的匹配特征点;
基于粒子群优化算法,利用所述匹配特征点及所述摄像机的非线性模型,获得所述摄像机参数的解集合。
2.根据权利要求1所述的方法,其特征在于,获取待标定的摄像机拍摄的多幅图像,包括:
获取待标定的摄像机在待标定区域拍摄的至少两幅图像,所述至少两幅图像之间有重叠区域。
3.根据权利要求2所述的方法,其特征在于,所述至少两幅图像包括第一图像以及第二图像,
所述利用SURF算法提取所述多幅图像的特征点包括获得每个特征点的特征点描述算子,所述特征点描述算子用特征向量表示,
所述对所述多幅图像的特征点进行相似性度量,得到相互匹配的匹配特征点,包括:
利用所述第一图像上的所有特征点的特征向量与所述第二图像上的所有特征点的特征向量,依次将所述第一图像中的每一个特征点作为待匹配的特征点,依次计算所述第一图像上的待匹配的特征点到第二图像上的所有特征点的欧氏距离,分别得到与所述第一图像上的待匹配的特征点对应的距离集合;
计算所述距离集合中的最小欧式距离与次小欧式距离的比值,若所述比值小于预设阈值,则判定所述第二图像中与所述待匹配的特征点具有最小欧式距离的对应的特征点为所述待匹配特征点的匹配特征点,若所述比值大于所述预设阈值,则在所述第二图像中没有特征点与所述第一图像中的待匹配特征点匹配。
4.根据权利要求3所述的方法,其特征在于,所述粒子群优化算法中计算适应度值的适应度函数为:
其中,N为粒子总个数,i代表当前搜索到第i个粒子,(xw(i),yw(i),zw(i))表示第一图像中的第i个特征点所对应的三维空间的位置参数,(xw(i)′,yw(i)′,zw(i)′)表示与该特征点对应的第二图像中的匹配特征点所对应的三维空间的位置参数,所述匹配点三维空间的位置参数利用摄像机的线性模型求得。
5.根据权利要求4所述的方法,其特征在于,所述摄像机参数包括摄像机的内参数K、外参数R、T以及畸变参数,所述粒子群优化算法包括初始化粒子的个数、粒子搜索空间的维数,所述粒子的个数等于相互匹配的匹配特征点的组数,所述空间的维数等于摄像机参数的个数。
6.根据权利要求5所述的方法,其特征在于,所述粒子群优化算法中包括全局最优位置、每个粒子的位置向量、每个粒子的速度向量以及每个粒子的个体最优位置,所述位置向量为代表各种摄像机参数的向量,所述速度向量代表相应的位置向量的改变速度,所述个体最优位置表示当前粒子的摄像机参数的最优解,所述全局最优位置为在所有粒子中搜索到的摄像机参数的最优解。
7.根据权利要求6所示的方法,其特征在于,所述粒子群优化算法中,比较当前粒子的当前步数对应的适应度值是否小于当前粒子经过的所有的适应度值,
若否,根据所述当前粒子的约束条件判断是否更新所述当前粒子的位置向量及速度向量;
若是,将所述当前粒子的当前步数所对应的粒子的位置向量存储为所述当前粒子的个体最优位置向量,并且将所述当前粒子的当前的适应度值与当前所保存的所述全局最优位置对应的适应度值比较,若所述当前粒子的当前的适应度值较小,将所述当前粒子的个体最优位置存储为全局最优位置。
8.根据权利要求7所述的方法,其特征在于,所述约束条件为:
Di(k+1)≤Di(k)≤δ,其中,Di(k+1)表示第i个粒子在第k+1步计算得到的Di,Di(k)表示第i个粒子在第k步计算得到的Di,δ表示Di的约束值,
所述根据所述当前粒子的约束条件判断是否更新所述当前粒子的位置向量及速度向量包括:
若所述第i个粒子连续三步不满足Di(k+1)≤Di(k)且所述连续三步的每一步的Di都没有达到所述约束值δ,淘汰该粒子;
若所述第i个粒子在第k+1步不满足Di(k+1)≤Di(k)且所述Di(k+1)达到所述约束值δ,将所述粒子群优化算法中更新所述第i个粒子的第k+1步的下一步的速度向量的惯性权重因子更新为所述第i个粒子在第k+1步的惯性权重因子及在第k步的惯性权重因子的平均值;
若所述第i个粒子在第k+1步满足Di(k+1)≤Di(k)≤δ,更新当前粒子的速度向量和位置向量。
9.一种基于粒子群优化算法的摄像机自标定装置,其特征在于,包括:
特征点获取模块,用于获取待标定的摄像机拍摄的多幅图像,提取所述多幅图像的特征点;
特征点匹配模块,用于对所述多幅图像的特征点进行相似性度量,得到相互匹配的匹配特征点;
摄像机最佳参数获取模块,用于基于粒子群优化算法,利用所述匹配特征点及所述摄像机的非线性模型,获得所述摄像机的各种参数的解集合。
10.根据权利要求9所述的装置,其特征在于,所述特征点匹配模块用于获取待标定的摄像机在待标定区域拍摄的至少两幅图像,所述至少两幅图像之间有重叠区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510860947.4A CN105447869B (zh) | 2015-11-30 | 2015-11-30 | 基于粒子群优化算法的摄像机自标定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510860947.4A CN105447869B (zh) | 2015-11-30 | 2015-11-30 | 基于粒子群优化算法的摄像机自标定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105447869A true CN105447869A (zh) | 2016-03-30 |
CN105447869B CN105447869B (zh) | 2019-02-12 |
Family
ID=55558002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510860947.4A Active CN105447869B (zh) | 2015-11-30 | 2015-11-30 | 基于粒子群优化算法的摄像机自标定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105447869B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171759A (zh) * | 2018-01-26 | 2018-06-15 | 上海小蚁科技有限公司 | 双鱼眼镜头全景相机的标定方法及装置、存储介质、终端 |
CN110580737A (zh) * | 2018-06-11 | 2019-12-17 | 深圳市优必选科技有限公司 | 图像处理方法、系统以及具有存储功能的装置 |
CN112183311A (zh) * | 2020-09-25 | 2021-01-05 | 国网上海市电力公司 | 一种基于双模态数据融合的变电站设备故障检测方法 |
CN113256696A (zh) * | 2021-06-28 | 2021-08-13 | 中国人民解放军国防科技大学 | 基于自然场景的激光雷达和相机的外参标定方法 |
CN114255285A (zh) * | 2021-12-23 | 2022-03-29 | 奥格科技股份有限公司 | 视频与城市信息模型三维场景融合方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354399A (zh) * | 2011-09-26 | 2012-02-15 | 深圳普捷利科技有限公司 | 一种摄像机外部参数自定标方法及装置 |
CN102509304A (zh) * | 2011-11-24 | 2012-06-20 | 江南大学 | 基于智能优化的摄像机标定方法 |
CN104647390A (zh) * | 2015-02-11 | 2015-05-27 | 清华大学 | 用于机械臂遥操作的多摄像机联合主动跟踪目标的方法 |
CN105096328A (zh) * | 2015-08-13 | 2015-11-25 | 北京理工大学 | 一种基于ios-pso的摄像机自标定方法 |
-
2015
- 2015-11-30 CN CN201510860947.4A patent/CN105447869B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354399A (zh) * | 2011-09-26 | 2012-02-15 | 深圳普捷利科技有限公司 | 一种摄像机外部参数自定标方法及装置 |
CN102509304A (zh) * | 2011-11-24 | 2012-06-20 | 江南大学 | 基于智能优化的摄像机标定方法 |
CN104647390A (zh) * | 2015-02-11 | 2015-05-27 | 清华大学 | 用于机械臂遥操作的多摄像机联合主动跟踪目标的方法 |
CN105096328A (zh) * | 2015-08-13 | 2015-11-25 | 北京理工大学 | 一种基于ios-pso的摄像机自标定方法 |
Non-Patent Citations (4)
Title |
---|
JING LI 等: "CAMERA SELF-CALIBRATION METHOD BASED ON GA-PSO ALGORITHM", 《PROCEEDINGS OF IEEE CCIS2011》 * |
XIAONA SONG 等: "Camera Calibration Based on Particle Swarm Optimization", 《2009 IEEE》 * |
李泽东: "基于图像序列的目标跟踪及三维重建技术研究", 《万方学位论文数据库》 * |
江泽涛 等: "基于本质矩阵的摄像机自标定方法", 《中国图象图形学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171759A (zh) * | 2018-01-26 | 2018-06-15 | 上海小蚁科技有限公司 | 双鱼眼镜头全景相机的标定方法及装置、存储介质、终端 |
CN110580737A (zh) * | 2018-06-11 | 2019-12-17 | 深圳市优必选科技有限公司 | 图像处理方法、系统以及具有存储功能的装置 |
CN110580737B (zh) * | 2018-06-11 | 2023-04-14 | 深圳市优必选科技股份有限公司 | 图像处理方法、系统以及具有存储功能的装置 |
CN112183311A (zh) * | 2020-09-25 | 2021-01-05 | 国网上海市电力公司 | 一种基于双模态数据融合的变电站设备故障检测方法 |
CN113256696A (zh) * | 2021-06-28 | 2021-08-13 | 中国人民解放军国防科技大学 | 基于自然场景的激光雷达和相机的外参标定方法 |
CN114255285A (zh) * | 2021-12-23 | 2022-03-29 | 奥格科技股份有限公司 | 视频与城市信息模型三维场景融合方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105447869B (zh) | 2019-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022002150A1 (zh) | 一种视觉点云地图的构建方法、装置 | |
JP7453470B2 (ja) | 3次元再構成及び関連インタラクション、測定方法及び関連装置、機器 | |
WO2020259481A1 (zh) | 定位方法及装置、电子设备、可读存储介质 | |
CN107369183A (zh) | 面向mar的基于图优化slam的跟踪注册方法及系统 | |
CN113012212A (zh) | 一种基于深度信息融合的室内场景三维点云重建方法和系统 | |
CN105447869A (zh) | 基于粒子群优化算法的摄像机自标定方法及装置 | |
CN111862213A (zh) | 定位方法及装置、电子设备、计算机可读存储介质 | |
CN110765882B (zh) | 一种视频标签确定方法、装置、服务器及存储介质 | |
CN103700099A (zh) | 一种旋转和尺度不变的宽基线立体匹配方法 | |
JP7430243B2 (ja) | 視覚的測位方法及び関連装置 | |
CN103839277A (zh) | 一种户外大范围自然场景的移动增强现实注册方法 | |
WO2021136386A1 (zh) | 数据处理方法、终端和服务器 | |
CN108198172B (zh) | 图像显著性检测方法和装置 | |
CN112966725B (zh) | 匹配模板图像的方法、装置及终端设备 | |
KR20220004009A (ko) | 키 포인트 검출 방법, 장치, 전자 기기 및 저장 매체 | |
CN114511452B (zh) | 融合多尺度空洞卷积和三元组注意力的遥感图像检索方法 | |
CN106407978B (zh) | 一种结合似物度的无约束视频中显著物体检测方法 | |
Deng et al. | ReDFeat: Recoupling detection and description for multimodal feature learning | |
Zou et al. | Microarray camera image segmentation with Faster-RCNN | |
CN111368860B (zh) | 重定位方法及终端设备 | |
CN111709317A (zh) | 一种基于显著性模型下多尺度特征的行人重识别方法 | |
CN111373393A (zh) | 图像检索方法和装置以及图像库的生成方法和装置 | |
Haggui et al. | Centroid human tracking via oriented detection in overhead fisheye sequences | |
Hofmann et al. | Efficiently annotating object images with absolute size information using mobile devices | |
CN113344994A (zh) | 图像配准方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: Two Lu Tian Hua high tech Zone of Chengdu City, Sichuan province 610000 No. 219 Tianfu Software Park C District 10 Building 16 layer Patentee after: Huayan Intelligent Technology (Group) Co., Ltd Address before: Two Lu Tian Hua high tech Zone of Chengdu City, Sichuan province 610000 No. 219 Tianfu Software Park C District 10 Building 16 layer Patentee before: Sichuan Whayer Information Industry Co., Ltd. |