CN109448060A - 一种基于蝙蝠算法的相机标定参数优化方法 - Google Patents
一种基于蝙蝠算法的相机标定参数优化方法 Download PDFInfo
- Publication number
- CN109448060A CN109448060A CN201811024046.1A CN201811024046A CN109448060A CN 109448060 A CN109448060 A CN 109448060A CN 201811024046 A CN201811024046 A CN 201811024046A CN 109448060 A CN109448060 A CN 109448060A
- Authority
- CN
- China
- Prior art keywords
- bat
- algorithm
- calibration parameter
- camera calibration
- camera
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于蝙蝠算法的相机标定参数优化方法,对相机读入的输入图像进行标定得到标定参数,同时对该图像进行角点检测,根据图像标定参数和检测到的角点定义适应度函数,然后使用蝙蝠算法对该适应度函数进行寻优搜索,在满足既定条件的情况下,蝙蝠算法进行寻优搜索,最终给出最优解,即标定参数的最优值。该方法使用简单,搜索效率高,收敛速度快,可并行处理,需调参数少,能够快速地对标定参数进行搜索优化。
Description
技术领域
本发明涉及相机标定及智能群体搜索算法领域,公开了一种基于蝙蝠算法的相机标定参数优化方法。
背景技术
随着图像技术和计算机系统的发展,计算机视觉技术已经广泛进入人们生活的各个领域。计算机视觉的基本任务之一是从摄像机获取的图像信息出发计算三维空间中物体的几何信息,并由此重建和识别物体,而空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系是由摄像机成像的几何模型决定的。在图像测量过程以及机器视觉应用中,为确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系,必须建立相机成像的几何模型,这些几何模型参数就是相机参数。在大多数条件下这些参数必须通过实验与计算才能得到,这个求解参数的过程就称之为相机标定。
无论是在图像测量或者机器视觉应用中,相机参数的标定都是非常关键的环节,其标定结果的精度及算法的稳定性直接影响相机工作产生结果的准确性。标定精度的大小,直接影响着计算机视觉(机器视觉)的精度。因此,做好相机标定是做好后续工作的前提,提高标定精度是所做工作的重点所在。
蝙蝠算法属于启发式搜索算法,是一种搜索全局最优解的有效方法。它模拟的是微型蝙蝠的回声定位原理:蝙蝠具有先进的回音定位能力,微型蝙蝠使用声波回声定位,检测到猎物,躲避障碍,并在黑暗中找到自己位于裂缝的栖息地。这些蝙蝠发出很响亮的声音,然后听到从周围物体反射回来的回音。对于不同的蝙蝠,它们的脉冲是与狩猎策略有关的。大多数蝙蝠通过一种滤波器用短且高频的信号扫描周围,而其他蝙蝠则经常使用固定频率的信号进行回声定位。其信号频宽的变化取决于蝙蝠的种类,且常常通过使用更多的谐波而增加。蝙蝠的回波定位能力使得蝙蝠能够在完全漆黑的情况下找到它们的猎物并且能够准确地区分昆虫的类型。
蝙蝠算法具有收敛速度快、鲁棒性好的优点,该算法是一种基于迭代的优化技术。与其他算法相比,蝙蝠算法在准确性和有效性方面远优于其他算法,且没有许多参数要进行调整。蝙蝠算法将种群数量为N的蝙蝠个体映射为D维问题空间中的NP个可行解,将优化过程和搜索模拟成种群蝙蝠个体移动过程和搜寻猎物利用求解问题的适应度函数值来衡量蝙蝠所处位置的优劣,将个体的优胜劣汰过程类比为优化和搜索过程中用好的可行解替代较差可行解的迭代过程。相比于其他算法,蝙蝠算法简单,能有效地提高标定的精度,增强标定结果的鲁棒性,能够快速找到使得适应度函数最优的一组变量,该变量即为标定得到的最优参数。为相机标定参数的优化提供了一种新的思路。
发明内容
本发明实施例的目的在于提供一种基于蝙蝠算法的相机标定参数优化方法,提高了相机标定的精度,优化相机的标定参数。
本发明实施例提供的一种基于蝙蝠算法的相机标定参数优化方法,包括以下步骤:
步骤1:获取下一帧图像帧;
步骤2:将相机模型简化为透镜模型。通过透镜模型获取世界坐标点在图像坐标中的像素坐标。同时,计算相机的标定参数;
步骤3:通过角点检测算法获取世界坐标下图像点的坐标在图像坐标中的像素坐标点;
步骤4:使用步骤2和步骤3得到的模型转换像素坐标和角点检测像素坐标建立相机标定参数的适应度函数;
步骤5:依据适应度函数初始化蝙蝠种群;
步骤6:设置蝙蝠算法迭代终止条件;
步骤7:计算种群中蝙蝠个体的适应度值;
步骤8:根据适应度对蝙蝠种群排序,找出当前最优蝙蝠个体;
步骤9:初始化时间阶度t,判断t值。若t值在迭代次数之内,转向步骤10;若否,则转向步骤18;
步骤10:通过调整蝙蝠个体的频率来生成新的解,同时更新蝙蝠个体的速度和位置;
步骤11:若rand>ri,则进入步骤12;若否,则进入步骤13;
步骤12:在蝙蝠个体最优解中选择一个解,形成最优解集合;然后在最优解集合里生成一个局部最优解;
步骤13:通过蝙蝠种群随机飞行来生成一个新的解,新的解由当前最佳位置扰动产生;
步骤14:对于蝙蝠个体i,在新的位置下,判断rand<Ai和f(li)<f(l*)是否同时满足。若不同时满足,则转入步骤15;若同时满足,则接受此处的新解,同时更新蝙蝠个体的脉冲发射频率和脉冲发射响度;
步骤15:将所有蝙蝠个体的位置进行排列,找出当前最优解x*;
步骤16:判断阶度t是否超过最大迭代次数,若是转至步骤17;否则转至步骤9;
步骤17:输出标定参数最优值;
步骤18:判断图像帧是否为最后一帧。若图像帧是最后一帧,则转入步骤19;若否,则转入步骤1;
步骤19:保存相机标定参数最优值;
步骤20:退出搜索寻优过程。
由上可见,应用本实施例技术方案,由于对相机读入的输入图像进行标定,得到标定参数,同时对该图像进行角点检测。根据图像标定参数和检测到的角点定义适应度函数,然后使用蝙蝠算法对该适应度函数进行寻优搜索。在满足既定条件的情况下,蝙蝠算法进行寻优搜索,最终给出最优解,即标定参数的最优值。该方法使用简单,搜索效率高,收敛速度快,可并行处理,需调参数少,能够快速地对标定参数进行搜索优化,为相机标定参数优化设计提供了一种新的思路。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于蝙蝠算法的相机标定参数优化方法的流程图;
图2为本发明提供的一种基于蝙蝠算法的相机标定参数优化方法蝙蝠算法流程图。
具体实施方式
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,所描述的实施例仅仅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。
实施例:
本实施例提供一种基于蝙蝠算法的相机标定参数优化方法,如图1和2所示,包括如下步骤:
步骤1:通过既定相机采集图像帧,每帧图像大小为Width*Height。
步骤2:将相机模型简化为透镜模型。通过透镜模型获取世界坐标点在图像坐标中的像素坐标。根据相机标定方法,计算出相机的标定参数。像素坐标系上的点可以表示成相机内参和外参的函数,记为(x,y)=F(K,R,t,P,k)。其中(x,y)为像素坐标系上的点,K表示内参矩阵,R表示外参旋转矩阵,t表示外参平移矩阵,P=(p1,p2)和k=(k1,k2,k3)分别代表相机透镜的切向畸变参数和径向畸变参数。
步骤3:通过角点检测算法获取世界坐标下点的坐标在图像坐标中的像素坐标点。这里可以得出角点坐标(x',y')=max(E(u,v)),即使得函数E(u,v)最大的像素坐标点(x',y'),记为(x',y')=G(x',y')=max(E(u,v))。其中E(u,v)表示为:
E(u,v)=∑(x′,y′)w(x′,y′)[I(x′+u,y′+v)-I((x′,y′)]2
w(x′,y′)为窗口函数,I(x′,y′)为点(x′,y′)处的灰度值,而I(x′+u,y′+v)为平移后的图像灰度。
步骤4:根据步骤3和步骤4得到的角点检测像素坐标和模型转换像素坐标构成适应度函数h(x,y):
步骤5:初始化蝙蝠种群。其中,蝙蝠种群大小初始为N(N的典型值为[25,50],但并不限于此范围),蝙蝠个体i飞行速度初始为vi,发射脉冲频率初始为fi,发射脉冲响度初始为Ai,蝙蝠搜索脉冲频率初始为ri,初始位置初始为li。
步骤6:设置迭代终止条件T。
步骤7:使用步骤4中的公式h(x,y)计算种群中蝙蝠个体的适应度值。
步骤8:根据计算得到的适应度值对蝙蝠种群(h1,h2,h3…hN)排序,找出最优蝙蝠个体hbest。
步骤9:初始化时间阶度t。判断t值是否满足终止条件T。若不满足终止条件T,转向步骤10;若否,则转至步骤18。
步骤10:通过调整蝙蝠个体i的频率来生成新的解,同时按照如下公式更新蝙蝠个体i的速度和位置
fi=fmin+(fmax-fmin)*β
其中,fi为蝙蝠个体的搜索频率;β∈[0,1],符合均匀分布;和为蝙蝠个体i分别在t-1和t时刻的飞行速度;为蝙蝠i在t时刻的空间位置,l*为当前群体中最佳蝙蝠所处的位置。
步骤11:若rand>ri(rand∈[0,1],且为满足均匀分布的随机数),则进入步骤12;若否,则进入步骤13。
步骤12:在蝙蝠个体最优解中选择一个解,形成最优解集合;然后在最优解即集合里生成一个局部解。
步骤13:通过蝙蝠种群随机飞行来生成一个新的解。新解的当前最佳位置lnew按如下公式计算:
lnew=lold+εAt
其中,ε∈[-1,1],且满足均匀分布的随机数。At为在t时刻,所有蝙蝠个体的平均响度值:
步骤14:对于蝙蝠个体i,在新的位置下,判断rand<Ai和h(li)<h(l*)是否同时满足。若不同时满足,则转至步骤15;若同时满足,则接受此处的新解,同时更新蝙蝠个体的脉冲发射频率和脉冲发射响度:
其中,为蝙蝠个体i的初始脉冲频率;为蝙蝠个体i在t+1时刻的脉冲频率;γ为脉冲频度增加因子;为t时刻蝙蝠i发射脉冲的音强;α为脉冲音强衰减因子。一般情况下,取γ=α=0.9。
步骤15:将所有蝙蝠个体的位置进行排列,找出当前最优解l*。
步骤16:判断阶度t是否超过最大迭代次数,若是转至步骤17;否则转至步骤9。
步骤17:输出标定参数最优值。找出最优值对应的相机标定参数(K,R,t,P,k),即为标定参数的最优解。
步骤18:判断图像帧是否为最后一帧。若图像帧是最后一帧,则转入步骤19;若否,则转入步骤1。
步骤19:保存相机标定参数最优值(K,R,t,P,k)。
步骤20:退出搜索寻优过程。
本发明采用搜索能力强的蝙蝠算法对相机标定的参数进行寻优,建立作为寻优判别标准的适应度函数,得到蝙蝠种群的历史全局最优值,作为满足所需相机的最佳标定参数。在进行标定参数的寻优操作中,算法使用简单,搜索效率高,收敛速度快,可并行处理,能够更快地对标定参数进行搜索优化。蝙蝠个体在寻优过程中不断利用其历史知识和群体知识调整优化,有利于群体成员向更好的方向移动,可加快算法收敛速度。
以上所述的实施方式,并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等,均应包含在该技术方案的保护范围之内。
Claims (8)
1.一种基于蝙蝠算法的相机标定参数优化方法,其特征在于,包括如下步骤:
步骤1:读取一帧图像;
步骤2:将相机模型简化为透镜模型,通过透镜模型获取世界坐标点在图像坐标中的像素坐标,并计算相机的标定参数;
步骤3:通过角点检测算法获取世界坐标下图像点的坐标在图像坐标中的像素坐标点;
步骤4:使用步骤2和步骤3得到的模型转换像素坐标和角点检测像素坐标建立相机标定参数的适应度函数;
步骤5:针对相机标定参数的适应度函数,基于蝙蝠算法对适应度函数进行搜索更新;
步骤6:判断蝙蝠搜索算法是否满足终止条件,若满足终止条件,则转至
步骤7;若否,则转至步骤4;
步骤7:输出标定参数最优值;
步骤8:判断当前图像是否为最后一帧图像,若是则转至步骤9;若否,则转至步骤1;
步骤9:保存相机标定参数的最优值。
2.如权利要求1所述的一种基于蝙蝠算法的相机标定参数优化方法,其特征在于:所述步骤1中的图像的图像源为标定板图像源或是满足给定条件的视频帧输入。
3.如权利要求1所述的一种基于蝙蝠算法的相机标定参数优化方法,其特征在于:所述步骤2中标定参数的计算方法基于相机透镜模型进行标定。
4.如权利要求1所述的一种基于蝙蝠算法的相机标定参数优化方法,其特征在于:所述步骤3中角点检测算法是基于模板的角点检测方法进行计算。
5.如权利要求1所述的一种基于蝙蝠算法的相机标定参数优化方法,其特征在于:所述步骤3中适应度函数基于使步骤2中的标定参数与步骤3中角点坐标误差最小的数学函数建立。
6.如权利要求1所述的一种基于蝙蝠算法的相机标定参数优化方法,其特征在于:所述步骤5中的蝙蝠算法基于标准或改进后的蝙蝠算法进行搜索更新。
7.如权利要求1-6中任一所述的一种基于蝙蝠算法的相机标定参数优化方法,其特征在于:所述蝙蝠算法还包括依据适应度函数初始化蝙蝠种群;设置蝙蝠算法迭代终止条件;计算种群中蝙蝠个体的适应度值;根据适应度对蝙蝠种群排序,找出当前最优蝙蝠个体;通过调整蝙蝠个体的频率来生成新的解,同时更新蝙蝠个体的速度和位置;在蝙蝠个体最优解中选择一个解,形成最优解集合;然后在最优解集合里生成一个局部最优解;通过蝙蝠种群随机飞行来生成一个新的解,新的解由当前最佳位置扰动产生;将所有蝙蝠个体的位置进行排列,找出当前最优解。
8.如权利要求7所述的一种基于蝙蝠算法的相机标定参数优化方法,其特征在于,初始化蝙蝠种群包括:蝙蝠种群大小初始,蝙蝠个体飞行速度初始为,发射脉冲频率初始,发射脉冲响度初始,蝙蝠搜索脉冲频率初始,初始位置初始。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811024046.1A CN109448060B (zh) | 2018-09-04 | 2018-09-04 | 一种基于蝙蝠算法的相机标定参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811024046.1A CN109448060B (zh) | 2018-09-04 | 2018-09-04 | 一种基于蝙蝠算法的相机标定参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109448060A true CN109448060A (zh) | 2019-03-08 |
CN109448060B CN109448060B (zh) | 2020-11-06 |
Family
ID=65533330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811024046.1A Active CN109448060B (zh) | 2018-09-04 | 2018-09-04 | 一种基于蝙蝠算法的相机标定参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109448060B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383288A (zh) * | 2020-03-02 | 2020-07-07 | 东北林业大学 | 樽海鞘-自适应差分进化混合相机内参优化算法 |
CN113570671A (zh) * | 2021-06-30 | 2021-10-29 | 惠州市德赛西威智能交通技术研究院有限公司 | 鱼眼摄像头标定方法、存储介质和电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049912A (zh) * | 2012-12-21 | 2013-04-17 | 浙江大学 | 一种基于任意三面体的雷达-相机系统外部参数标定方法 |
CN103426168A (zh) * | 2013-07-18 | 2013-12-04 | 北京航空航天大学 | 基于一维标定杆的普通、广角、鱼眼立体摄像机的通用标定方法 |
CN106023142A (zh) * | 2016-05-06 | 2016-10-12 | 北京信息科技大学 | 利用共面直线阵列标定摄影测量相机的算法 |
CN106127137A (zh) * | 2016-06-21 | 2016-11-16 | 长安大学 | 一种基于3d轨迹分析的目标检测识别算法 |
CN108121999A (zh) * | 2017-12-10 | 2018-06-05 | 北京工业大学 | 基于混合蝙蝠算法的支持向量机参数选择方法 |
-
2018
- 2018-09-04 CN CN201811024046.1A patent/CN109448060B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049912A (zh) * | 2012-12-21 | 2013-04-17 | 浙江大学 | 一种基于任意三面体的雷达-相机系统外部参数标定方法 |
CN103426168A (zh) * | 2013-07-18 | 2013-12-04 | 北京航空航天大学 | 基于一维标定杆的普通、广角、鱼眼立体摄像机的通用标定方法 |
CN106023142A (zh) * | 2016-05-06 | 2016-10-12 | 北京信息科技大学 | 利用共面直线阵列标定摄影测量相机的算法 |
CN106127137A (zh) * | 2016-06-21 | 2016-11-16 | 长安大学 | 一种基于3d轨迹分析的目标检测识别算法 |
CN108121999A (zh) * | 2017-12-10 | 2018-06-05 | 北京工业大学 | 基于混合蝙蝠算法的支持向量机参数选择方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383288A (zh) * | 2020-03-02 | 2020-07-07 | 东北林业大学 | 樽海鞘-自适应差分进化混合相机内参优化算法 |
CN111383288B (zh) * | 2020-03-02 | 2022-11-11 | 东北林业大学 | 樽海鞘-自适应差分进化混合相机内参优化算法 |
CN113570671A (zh) * | 2021-06-30 | 2021-10-29 | 惠州市德赛西威智能交通技术研究院有限公司 | 鱼眼摄像头标定方法、存储介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109448060B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862293B (zh) | 基于对抗生成网络的雷达生成彩色语义图像系统及方法 | |
Kang et al. | Automatic targetless camera–lidar calibration by aligning edge with gaussian mixture model | |
CN109344702B (zh) | 基于深度图像和彩色图像的行人检测方法及装置 | |
CN110689562A (zh) | 一种基于生成对抗网络的轨迹回环检测优化方法 | |
CN110675418A (zh) | 一种基于ds证据理论的目标轨迹优化方法 | |
CN105865462B (zh) | 带有深度增强视觉传感器的基于事件的三维slam方法 | |
CN104778688A (zh) | 点云数据的配准方法及装置 | |
CN112634340A (zh) | 基于点云数据确定bim模型的方法、装置、设备和介质 | |
CN109448060A (zh) | 一种基于蝙蝠算法的相机标定参数优化方法 | |
CN108921818A (zh) | 一种焊缝跟踪激光中心线提取方法 | |
CN110120093A (zh) | 一种多元特征混合优化的rgb-d室内三维测图方法及系统 | |
CN107610219A (zh) | 一种三维场景重构中几何线索感知的像素级点云稠密化方法 | |
CN115015881A (zh) | 一种全向旋转的单线激光雷达装置及组网点云配准方法 | |
CN114140539A (zh) | 一种室内物体的位置获取方法和装置 | |
CN115810133B (zh) | 基于图像处理和点云处理的焊接控制方法及相关设备 | |
CN112329699A (zh) | 一种像素级精度的人眼注视点定位方法 | |
CN114137564A (zh) | 一种室内物体自动标识定位方法和装置 | |
CN108664860A (zh) | 房间平面图的识别方法及装置 | |
CN116612097A (zh) | 一种基于表面缺陷图像的木材内部节子形态预测方法及系统 | |
CN109887035A (zh) | 基于蝙蝠算法优化bp神经网络双目视觉标定 | |
CN105513071A (zh) | 一种地形图图式质量评价方法 | |
CN115187558A (zh) | 一种胚胎发育检测装置及其训练平台 | |
CN114814776A (zh) | 基于图注意力网络和迁移学习的pd雷达目标检测方法 | |
Laufer-Goldshtein et al. | Multi-view source localization based on power ratios | |
Ortigosa et al. | Fuzzy free path detection from disparity maps by using least-squares fitting to a plane |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |