CN112381885A - 一种基于多种群粒子并行结构算法的机器人相机标定方法 - Google Patents

一种基于多种群粒子并行结构算法的机器人相机标定方法 Download PDF

Info

Publication number
CN112381885A
CN112381885A CN202011270640.6A CN202011270640A CN112381885A CN 112381885 A CN112381885 A CN 112381885A CN 202011270640 A CN202011270640 A CN 202011270640A CN 112381885 A CN112381885 A CN 112381885A
Authority
CN
China
Prior art keywords
particle
value
particles
algorithm
optimal
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
Application number
CN202011270640.6A
Other languages
English (en)
Other versions
CN112381885B (zh
Inventor
王耀南
安果维
毛建旭
朱青
张辉
谭建豪
唐永鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN202011270640.6A priority Critical patent/CN112381885B/zh
Publication of CN112381885A publication Critical patent/CN112381885A/zh
Application granted granted Critical
Publication of CN112381885B publication Critical patent/CN112381885B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (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)
  • Artificial Intelligence (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Studio Devices (AREA)

Abstract

本发明公开了一种基于多种群粒子并行结构算法的机器人相机标定方法，首先，在多种群粒子并行结构的基础上引入自适应变异粒子群优化算法，根据在更新迭代过程中局部最优粒子、全局最优粒子对整个过程的影响不同，提出基于粒距变化的惯性因子调整策略，同时依据自适应变异率，对种群粒子选择性变异，具有更强的大局观，在全局范围内寻找最优解；其次，在基于并行结构的多种群粒子优化算法基础之上，对其进行优化，解决了原算法过于冗余的问题，同时对3个粒子群组进行更新迭代，提高了算法鲁棒性；最后，利用多种群粒子并行结构优化算法在相机参数初始值的基础上对相机参数进行最优值求解，得到相机参数的最优值，提高了机器人相机的标定精度。

Description

一种基于多种群粒子并行结构算法的机器人相机标定方法
技术领域
本发明涉及工业机器人视觉感知技术领域，特别涉及一种基于多种群粒子并行结构算法的机器人相机标定方法。
背景技术
相机标定技术在机器人视觉感知，机械臂的视觉引导，移动小车的视觉避障等过程起着关键的作用。相机标定的精度直接影响到立体匹配与目标物体的识别定位精度，因此有效提高相机参数标定精确度称为了机器人视觉在工业应用中急需解决的关键问题。
目前相机标定方法可分为：传统相机标定方法、主动视觉相机标定方法与相机自标定方法。传统相机标定方法需要高精度的标定物，算法比较复杂，但是可以应用于任意的相机模型，精度比较高；主动视觉相机标定方法不需要标定物，算法比较简单，且鲁棒性较高，但是其实验设备非常昂贵，成本很高，对实验条件的要求非常高，需要控制相机做特定的运动；相机自标定方法的灵活性比较强，可以在线标定，无需借助高精度的标定物与高成本的实验设备，但是其标定精度低，鲁棒性很差。在一般的机器人视觉感知场景中，传统相机标定方法具有优势，其中的张正友相机标定方法被广泛使用。
传统的粒子群算法对每个粒子进行初始化操作，并通过迭代进行位置与速度的更新，最后得到最优解。如果粒子最优位置为局部最优位置，则粒子群算法可能出现早熟。针对传统粒子群算法容易早熟的问题，阳春华等在《自适应变异的粒子群优化算法》中引入了遗传算法变异的思路，提高了算法避免早熟收敛的能力。秦瑞康等在《基于全参数自适应变异粒子群算法的单目相机标定》将其思想引入到相机单目标定的过程中，在提高了粒子群算法的收敛速度的同时，提高了相机标定精度，但是算法仍存在多样性差，鲁棒性不强等问题。针对传统粒子群算法多样性差，鲁棒性不强等特点，张天佳在《基于并行结构的多种群粒子群优化算法》提出了新的解决思路，在基本粒子群算法的基础上，增加了分别能加速和减缓粒子群移动的两种更新公式，有效增加了算法的收敛速度，多样性与鲁棒性，提高了时间效率。
发明内容
鉴于此，本发明提供了一种基于多种群粒子并行结构算法的机器人相机标定方法，在现有技术的基础上，改进了基于并行结构的多种群粒子优化算法与自适应变异粒子群优化算法，将其结合，并对相关迭代过程进行优化，最后引入到相机标定过程，可以增加相机标定的精度。
本发明的目的通过以下技术方案实现：提供一种基于多种群粒子并行结构算法的机器人相机标定方法，包括以下步骤：
S100、获取标定板图像，利用张正友相机标定法获取相机参数的初始值；
S200、根据所述初始值，随机生成M个不同位置的粒子，并将其均匀分为3个粒子群组G1,G2,G3；
S300、分别计算G1,G2,G3中每个粒子的适应度函数值，并将每个粒子的当前位置设为个体最优位置，将对应的适应度函数值设为个体最优值，在所有个体最优值里计算出最小值作为全局最优值，对应的粒子位置为全局最优位置，其中，适应度函数值为
Figure BDA0002777593870000021
||||为二维范数，代表两点间的欧几里得距离，其中m，n分别为相机标定模板包含的检测角点的列数与行数，点p为世界坐标系下的检测角点，pij为检测角点提取得到的像素坐标，p(A,R,T,P)为点p通过相机成像模型得到的像素坐标，A为相机内参；
S400、计算G1,G2,G3每个粒子群组的平均粒距，判断G1,G2,G3每个粒子群组的平均粒距是否小于设定的最小粒距，若是，则执行变异操作；否则转向步骤S500，其中，G1,G2,G3中每个粒子群组的平均粒距通过如下公式计算：
Figure BDA0002777593870000031
式中，Z为每个粒子群组搜索空间对角的最大长度，M为设定不同位置粒子的个数，h为粒子解空间的维数，Xij为i个粒子在第j维的坐标值，
Figure BDA0002777593870000036
为所有粒子在第j维的坐标值，INT()是将一个要取整的实数向下取整为最接近的整数的函数，为克服算法的早熟收敛问题，设定自适应变异率为δ，则：
Figure BDA0002777593870000032
式中，
Figure BDA0002777593870000033
为设定值；
S500、将3个粒子组群G1,G2,G3分别按照式(1)，(2)，(3)对粒子的速度和位置进行更新迭代，其中，设定每个粒子群组最大迭代次数为N，设定3个粒子群组G1,G2,G3迭代公式分别为：
Figure BDA0002777593870000034
其中，k为当前迭代次数，vi为粒子群组中第i个粒子当前速度，Xi为第i个粒子当前位置，pbesti为个体最优值，gbest为全局最优值，w,c1,c2分别为惯性因子，局部学习因子与全局学习因子，则：
Xi(k+1)＝Xi(k)+c1·randt+c2·(gbest(k)-Xi(k)) (2)
其中，randt为t分布随机数，则：
Figure BDA0002777593870000035
S600、判断全局最优值在设定迭代次数内是否有明显变化，若是，则进入步骤S700；反之，则执行变异操作；
S700、根据粒子最近几次迭代最优适应度函数值的变化情况，分别对3个粒子组群G1,G2,G3进行惯性因子的更新；
S800、判断是否达到步骤S500设定的最大迭代次数，如果已经达到,则算法停止，输出最终获得的全局最优值与全局最优位置，此时的全局最优位置即为相机标定参数fx,fy,cx,cy,k1,k2,k3,p1,p2的精确值；反之，则返回步骤S200。
作为进一步的改进，所述变异操作具体包括如下过程：
步骤1：根据粒子适应度函数值的大小对粒子群组内所有粒子进行排序，取适应度函数值最好的l个粒子，对应产生l个分布于[0,1]之间的随机数rt，t∈[1,l]；
步骤2：判断如果rt＜δ，则依照公式Xk+1＝Xk·(1+0.8α2)产生新的粒子位置，且新的粒子位置为该粒子的历史最优位置，其中，α为服从t分布的随机数。
作为进一步的改进，所述步骤S700具体表现为：设定参数值β，
Figure BDA0002777593870000041
依照公式
Figure BDA0002777593870000042
对3个粒子群组G1,G2,G3进行惯性因子w的更新，其中，w1,w2为设定值，且w1＞w2。
作为进一步的改进，所述步骤S500对粒子的速度和位置进行更新迭代的具体表现为：如果粒子的适应度函数值比该粒子个体最优适应度函数值pbesti低，则将此适应度函数值对应的位置代替该粒子个体最优位置；如果粒子的适应度函数值比全局最优函数值gbest低，则将此适应度函数值对应的位置代替全局最优位置。
与现有技术相比，本发明的优点在于：
(1)解决粒子群算法早熟问题
粒子群算法是对每个粒子进行初始化，然后通过迭代寻找最优解。在此过程中，如果某个粒子位置为全局最优，则其他所有粒子会向其靠拢，但是如果该粒子位置为局部最优，则粒子群有可能出现早熟。本发明在多种群粒子并行结构的基础上引入自适应变异粒子群优化算法，根据在更新迭代过程中局部最优粒子、全局最优粒子对整个过程的影响不同，提出基于粒距变化的惯性因子调整策略，同时依据自适应变异率，对种群粒子选择性变异。因此，种群粒子在更新迭代过程中，可以避免局部早熟，具有更强的大局观，在全局范围内寻找最优解。
(2)解决粒子群算法多样性差、鲁棒性不强等问题。
传统粒子群算法是一个种群由一个传统公式来更新迭代，多样性差，鲁棒性不强。本发明在基于并行结构的多种群粒子优化算法基础之上，对其进行优化，解决了原算法过于冗余的问题，提出三个效果更佳的不同公式(即公式(1)、(2)和(3))来同时对3个粒子群组G1,G2,G3进行更新迭代，解决了粒子群多样性差的问题，并且提高了算法的鲁棒性。
(3)提高机器人相机标定精度
本发明利用特征检测算法，提取到检测角点，直接计算出其像素坐标，将其与该检测角点通过相机成像模型得到的像素坐标进行对比。利用多种群粒子并行结构优化算法在相机参数初始值的基础上对相机参数进行最优值求解。通过多种群粒子并行结构优化算法对相机成像模型得到的像素坐标的优化计算过程，可以得到相机参数的最优值，提高了机器人相机的标定精度。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明一种基于多种群粒子并行结构算法的机器人相机标定方法的流程图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步详细的描述，需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
如图1所示，本发明实施例提供的一种基于多种群粒子并行结构算法的机器人相机标定方法，包括以下步骤：
S100、获取标定板图像，利用张正友相机标定法获取相机参数的初始值，即fx,fy,cx,cy,k1,k2,k3,p1,p2的初始值，其中，fx,fy为相机的焦距，单位为像素，cx,cy为像素坐标系的坐标原点到光轴的偏移量，单位为像素，fx,fy,cx,cy称为相机内参，k1,k2,k3为相机的径向畸变参数，p1,p2为相机的切向畸变参数，k1,k2,k3,p1,p2称为相机的畸变参数；
S200、根据所述初始值，随机生成M个不同位置的粒子，并将其均匀分为3个粒子群组G1,G2,G3；
S300、分别计算G1,G2,G3中每个粒子的适应度函数值，并将每个粒子的当前位置设为个体最优位置，将对应的适应度函数值设为个体最优值，在所有个体最优值里计算出最小值作为全局最优值，对应的粒子位置为全局最优位置，其中，适应度函数值为
Figure BDA0002777593870000061
||||为二维范数，代表两点间的欧几里得距离，其中m，n分别为相机标定模板包含的检测角点的列数与行数，点p为世界坐标系下的检测角点，pij为检测角点提取得到的像素坐标，p(A,R,T,P)为点p通过相机成像模型得到的像素坐标，A为相机内参。即本步骤中检测角点p利用特征检测算法提取得到，并直接计算出其像素坐标pij，将其与该检测角点通过相机成像模型得到的像素坐标p(A,R,T,P)进行对比。
S400、计算G1,G2,G3每个粒子群组的平均粒距，判断G1,G2,G3每个粒子群组的平均粒距是否小于设定的最小粒距，若是，则执行变异操作；否则转向步骤S500，其中，G1,G2,G3中每个粒子群组的平均粒距通过如下公式计算：
Figure BDA0002777593870000071
式中，Z为每个粒子群组搜索空间对角的最大长度，M为设定不同位置粒子的个数，h为粒子解空间的维数，Xij为第i个粒子在第j维的坐标值，，
Figure BDA0002777593870000072
为所有粒子在第j维的坐标的平均值，INT()是将一个要取整的实数向下取整为最接近的整数的函数，为克服算法的早熟收敛问题，设定自适应变异率为δ，则：
Figure BDA0002777593870000073
式中，
Figure BDA0002777593870000074
为设定值；
S500、将3个粒子组群G1,G2,G3分别按照式(1)，(2)，(3)对粒子的速度和位置进行更新迭代，其中，设定每个粒子群组最大迭代次数为N，设定3个粒子群组G1,G2,G3迭代公式分别为：
Figure BDA0002777593870000075
其中，k为当前迭代次数，vi为粒子群组中第i个粒子当前速度，Xi为第i个粒子当前位置，pbesti为个体最优值，gbest为全局最优值，w,c1,c2分别为惯性因子，局部学习因子与全局学习因子，则：
Xi(k+1)＝Xi(k)+c1·randt+c2·(gbest(k)-Xi(k)) (2)
其中，randt为t分布随机数，则：
Figure BDA0002777593870000076
具体地，本步骤中粒子群组G1按照公式(1)更新迭代，如果粒子群组G1中粒子的适应度函数值比该粒子个体最优适应度函数值pbesti低，则将此适应度函数值对应的位置代替该粒子个体最优位置；如果粒子的适应度函数值比全局最优函数值gbest低，则将此适应度函数值对应的位置代替全局最优位置。粒子群组G2按照公式(2)更新迭代，如果粒子群组G2中粒子的适应度函数值比该粒子个体最优适应度函数值pbesti低，则将此适应度函数值对应的位置代替该粒子个体最优位置；如果粒子的适应度函数值比全局最优函数值gbest低，则将此适应度函数值对应的位置代替全局最优位置。粒子群组G3按照公式(3)更新迭代，如果粒子群组G3中粒子的适应度函数值比该粒子个体最优适应度函数值pbesti低，则将此适应度函数值对应的位置代替该粒子个体最优位置；如果粒子的适应度函数值比全局最优函数值gbest低，则将此适应度函数值对应的位置代替全局最优位置。
S600、判断全局最优值在设定迭代次数内是否有明显变化，若是，则进入步骤S700；反之，则执行变异操作，其中，变异操作为：
步骤1：根据粒子适应度函数值的大小对粒子群组内所有粒子进行排序，取适应度函数值最好的l个粒子，对应产生l个分布于[0,1]之间的随机数rt，t∈[1,l]；
步骤2：判断如果rt＜δ，，则依照公式Xk+1＝Xk·(1+0.8α2)产生新的粒子位置，且新的粒子位置为该粒子的历史最优位置，其中，α为服从t分布的随机数，t-分布(t-distribution)用于根据小样本来估计呈正态分布且方差未知的总体的均值；
S700、根据粒子最近几次迭代最优适应度函数值的变化情况，分别对3个粒子组群G1,G2,G3进行惯性因子w的更新；具体表现为：设定参数值β，
Figure BDA0002777593870000081
依照公式
Figure BDA0002777593870000082
对3个粒子群组G1,G2,G3进行惯性因子的更新，其中，w1,w2为设定值，且w1＞w2。
S800、判断是否达到步骤S500设定的最大迭代次数，如果已经达到,则算法停止，输出最终获得的全局最优值与全局最优位置，此时的全局最优位置即为相机标定参数fx,fy,cx,cy,k1,k2,k3,p1,p2的精确值；反之，则返回步骤S200。
与现有技术相比，本发明的优点在于：
(1)解决粒子群算法早熟问题
粒子群算法是对每个粒子进行初始化，然后通过迭代寻找最优解。在此过程中，如果某个粒子位置为全局最优，则其他所有粒子会向其靠拢，但是如果该粒子位置为局部最优，则粒子群有可能出现早熟。本发明在多种群粒子并行结构的基础上引入自适应变异粒子群优化算法，根据在更新迭代过程中局部最优粒子、全局最优粒子对整个过程的影响不同，提出基于粒距变化的惯性因子调整策略，同时依据自适应变异率，对种群粒子选择性变异。因此，种群粒子在更新迭代过程中，可以避免局部早熟，具有更强的大局观，在全局范围内寻找最优解。
(2)解决粒子群算法多样性差、鲁棒性不强等问题。
传统粒子群算法是一个种群由一个传统公式来更新迭代，多样性差，鲁棒性不强。本发明在基于并行结构的多种群粒子优化算法基础之上，对其进行优化，解决了原算法过于冗余的问题，提出三个效果更佳的不同公式(即公式(1)、(2)和(3))来同时对3个粒子群组G1,G2,G3进行更新迭代，解决了粒子群多样性差的问题，并且提高了算法的鲁棒性。
(3)提高机器人相机标定精度
本发明利用特征检测算法，提取到检测角点，直接计算出其像素坐标，将其与该检测角点通过相机成像模型得到的像素坐标进行对比。利用多种群粒子并行结构优化算法在相机参数初始值的基础上对相机参数进行最优值求解。通过多种群粒子并行结构优化算法对相机成像模型得到的像素坐标的优化计算过程，可以得到相机参数的最优值，提高了机器人相机的标定精度。
上面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，不能理解为对本发明保护范围的限制。
总之，本发明虽然列举了上述优选实施方式，但是应该说明，虽然本领域的技术人员可以进行各种变化和改型，除非这样的变化和改型偏离了本发明的范围，否则都应该包括在本发明的保护范围内。

Claims (4)

1.一种基于多种群粒子并行结构算法的机器人相机标定方法，其特征在于，包括以下步骤：
S100、获取标定板图像，利用张正友相机标定法获取相机参数的初始值；
S200、根据所述初始值，随机生成M个不同位置的粒子，并将其均匀分为3个粒子群组G1,G2,G3；
S300、分别计算G1,G2,G3中每个粒子的适应度函数值，并将每个粒子的当前位置设为个体最优位置，将对应的适应度函数值设为个体最优值，在所有个体最优值里计算出最小值作为全局最优值，对应的粒子位置为全局最优位置，其中，适应度函数值为
Figure FDA0002777593860000011
|| ||为二维范数，代表两点间的欧几里得距离，其中m，n分别为相机标定模板包含的检测角点的列数与行数，点p为世界坐标系下的检测角点，pij为检测角点提取得到的像素坐标，p(A,R,T,P)为点p通过相机成像模型得到的像素坐标，A为相机内参；
S400、计算G1,G2,G3每个粒子群组的平均粒距，判断G1,G2,G3每个粒子群组的平均粒距是否小于设定的最小粒距，若是，则执行变异操作；否则转向步骤S500，其中，G1,G2,G3中每个粒子群组的平均粒距通过如下公式计算：
Figure FDA0002777593860000012
式中，Z为每个粒子群组搜索空间对角的最大长度，M为设定不同位置粒子的个数，h为粒子解空间的维数，Xij为第i个粒子在第j维的坐标值，
Figure FDA0002777593860000015
为所有粒子在第j维的坐标的平均值，INT()是将一个要取整的实数向下取整为最接近的整数的函数，为克服算法的早熟收敛问题，设定自适应变异率为δ，则：
Figure FDA0002777593860000013
式中，
Figure FDA0002777593860000014
为设定值；
S500、将3个粒子组群G1,G2,G3分别按照式(1)，(2)，(3)对粒子的速度和位置进行更新迭代，其中，设定每个粒子群组最大迭代次数为N，设定3个粒子群组G1,G2,G3迭代公式分别为：
Figure FDA0002777593860000021
其中，k为当前迭代次数，vi为粒子群组中第i个粒子当前速度，Xi为第i个粒子当前位置，pbesti为个体最优值，gbest为全局最优值，w,c1,c2分别为惯性因子，局部学习因子与全局学习因子，则：
Xi(k+1)＝Xi(k)+c1·randt+c2·(gbest(k)-Xi(k)) (2)
其中，randt为t分布随机数，则：
Figure FDA0002777593860000022
S600、判断全局最优值在设定迭代次数内是否有明显变化，若是，则进入步骤S700；反之，则执行变异操作；
S700、根据粒子最近几次迭代最优适应度函数值的变化情况，分别对3个粒子组群G1,G2,G3进行惯性因子的更新；
S800、判断是否达到步骤S500设定的最大迭代次数，如果已经达到,则算法停止，输出最终获得的全局最优值与全局最优位置，此时的全局最优位置即为相机标定参数的精确值；反之，则返回步骤S200。
2.根据权利要求1所述的基于多种群粒子并行结构算法的机器人相机标定方法，其特征在于，所述变异操作具体包括如下过程：
步骤1：根据粒子适应度函数值的大小对粒子群组内所有粒子进行排序，取适应度函数值最好的l个粒子，对应产生l个分布于[0,1]之间的随机数rt，t∈[1,l]；
步骤2：判断如果rt＜δ，则依照公式Xk+1＝Xk·(1+0.8α2)产生新的粒子位置，且新的粒子位置为该粒子的历史最优位置，其中，α为服从t分布的随机数。
3.根据权利要求1所述的基于多种群粒子并行结构算法的机器人相机标定方法，其特征在于，所述步骤S700具体表现为：设定参数值β，
Figure FDA0002777593860000031
依照公式
Figure FDA0002777593860000032
对3个粒子群组G1,G2,G3进行惯性因子w的更新，其中，w1,w2为设定值，且w1＞w2。
4.根据权利要求1所述的基于多种群粒子并行结构算法的机器人相机标定方法，其特征在于，所述步骤S500对粒子的速度和位置进行更新迭代的具体表现为：如果粒子的适应度函数值比该粒子个体最优适应度函数值pbesti低，则将此适应度函数值对应的位置代替该粒子个体最优位置；如果粒子的适应度函数值比全局最优函数值gbest低，则将此适应度函数值对应的位置代替全局最优位置。
CN202011270640.6A 2020-11-13 2020-11-13 一种基于多种群粒子并行结构算法的机器人相机标定方法 Active CN112381885B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011270640.6A CN112381885B (zh) 2020-11-13 2020-11-13 一种基于多种群粒子并行结构算法的机器人相机标定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011270640.6A CN112381885B (zh) 2020-11-13 2020-11-13 一种基于多种群粒子并行结构算法的机器人相机标定方法

Publications (2)

Publication Number Publication Date
CN112381885A true CN112381885A (zh) 2021-02-19
CN112381885B CN112381885B (zh) 2022-02-22

Family

ID=74582545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011270640.6A Active CN112381885B (zh) 2020-11-13 2020-11-13 一种基于多种群粒子并行结构算法的机器人相机标定方法

Country Status (1)

Country Link
CN (1) CN112381885B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100365A (zh) * 2022-08-25 2022-09-23 国网天津市电力公司高压分公司 一种基于粒子群算法的相机最优基线获取方法
CN116976218A (zh) * 2023-08-09 2023-10-31 中国科学院微小卫星创新研究院 多磁偶极子反演方法、装置和电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631844A (zh) * 2014-10-28 2016-06-01 上海大学 一种摄像机标定方法
CN108932216A (zh) * 2018-06-22 2018-12-04 上海工程技术大学 一种基于粒子群优化算法的机器人逆运动学求解方法
CN110695991A (zh) * 2019-09-26 2020-01-17 南京理工大学 基于变异粒子群优化的自动手眼标定方法
CN110728718A (zh) * 2019-09-29 2020-01-24 上海电力大学 改进摄像机标定各参数的方法
CN111652941A (zh) * 2020-05-21 2020-09-11 合肥工业大学 基于自适应变异的天牛群优化算法的相机内参校准方法
US20200349738A1 (en) * 2019-04-30 2020-11-05 Mando Corporation Camera-calibration system and method thereof

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631844A (zh) * 2014-10-28 2016-06-01 上海大学 一种摄像机标定方法
CN108932216A (zh) * 2018-06-22 2018-12-04 上海工程技术大学 一种基于粒子群优化算法的机器人逆运动学求解方法
US20200349738A1 (en) * 2019-04-30 2020-11-05 Mando Corporation Camera-calibration system and method thereof
CN110695991A (zh) * 2019-09-26 2020-01-17 南京理工大学 基于变异粒子群优化的自动手眼标定方法
CN110728718A (zh) * 2019-09-29 2020-01-24 上海电力大学 改进摄像机标定各参数的方法
CN111652941A (zh) * 2020-05-21 2020-09-11 合肥工业大学 基于自适应变异的天牛群优化算法的相机内参校准方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘彬等: "基于速度交流的多种群多目标粒子群算法研究", 《计量学报》 *
张天佳等: "基于并行结构的多种群粒子群优化算法", 《传感器与微系统》 *
秦瑞康等: "基于全参数自适应变异粒子群算法的单目相机标定", 《东南大学学报(自然科学版)》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100365A (zh) * 2022-08-25 2022-09-23 国网天津市电力公司高压分公司 一种基于粒子群算法的相机最优基线获取方法
CN115100365B (zh) * 2022-08-25 2023-01-20 国网天津市电力公司高压分公司 一种基于粒子群算法的相机最优基线获取方法
CN116976218A (zh) * 2023-08-09 2023-10-31 中国科学院微小卫星创新研究院 多磁偶极子反演方法、装置和电子设备
CN116976218B (zh) * 2023-08-09 2024-06-11 中国科学院微小卫星创新研究院 多磁偶极子反演方法、装置和电子设备

Also Published As

Publication number Publication date
CN112381885B (zh) 2022-02-22

Similar Documents

Publication Publication Date Title
CN107292911B (zh) 一种基于多模型融合和数据关联的多目标跟踪方法
CN109344882B (zh) 基于卷积神经网络的机器人控制目标位姿识别方法
CN107301654B (zh) 一种多传感器的高精度即时定位与建图方法
CN111076733B (zh) 一种基于视觉与激光slam的机器人室内建图方法及系统
CN112381885B (zh) 一种基于多种群粒子并行结构算法的机器人相机标定方法
CN110853075B (zh) 一种基于稠密点云与合成视图的视觉跟踪定位方法
CN111062990A (zh) 一种面向水下机器人目标抓取的双目视觉定位方法
CN109947097B (zh) 一种基于视觉和激光融合的机器人定位方法及导航应用
CN111897349A (zh) 一种基于双目视觉的水下机器人自主避障方法
CN111667535B (zh) 一种针对遮挡场景下的六自由度位姿估计方法
CN112907735B (zh) 一种基于点云的柔性电缆识别与三维重建方法
CN105631899B (zh) 一种基于灰度纹理特征的超声图像运动目标跟踪方法
CN111998862B (zh) 一种基于bnn的稠密双目slam方法
Chen et al. Research on the calibration of binocular camera based on BP neural network optimized by improved genetic simulated annealing algorithm
CN112164117A (zh) 一种基于Kinect相机的V-SLAM位姿估算方法
CN110717934A (zh) 一种基于strcf的抗遮挡目标跟踪方法
CN111583342A (zh) 一种基于双目视觉的目标快速定位方法及装置
CN113587904B (zh) 一种融合机器视觉和激光参照点信息的目标位姿测量方法
CN114434441A (zh) 基于自适应动态规划的移动机器人视觉伺服跟踪控制方法
CN112101145B (zh) 基于svm分类器的移动机器人位姿估计方法
CN116299525A (zh) 一种基于点云区域相关性的动态环境rgb-d视觉slam方法
CN113793371B (zh) 目标分割追踪方法、装置、电子设备和存储介质
CN113702941A (zh) 一种基于改进icp的点云测速方法
CN112634367A (zh) 一种基于深度神经网络的抗遮挡的物体位姿估计方法
Zheng et al. Camera Imaging Calibration Optimization for Stereo Vision System of Marine Unmanned Ship

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