CN112883650B - 一种基于遗传算法的刚体标记点优化方法、设备以及可读存储介质 - Google Patents

一种基于遗传算法的刚体标记点优化方法、设备以及可读存储介质 Download PDF

Info

Publication number
CN112883650B
CN112883650B CN202110222478.9A CN202110222478A CN112883650B CN 112883650 B CN112883650 B CN 112883650B CN 202110222478 A CN202110222478 A CN 202110222478A CN 112883650 B CN112883650 B CN 112883650B
Authority
CN
China
Prior art keywords
rigid body
genetic algorithm
point
marking
coordinates
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.)
Active
Application number
CN202110222478.9A
Other languages
English (en)
Other versions
CN112883650A (zh
Inventor
黄少光
许秋子
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.)
Shenzhen Ruilishi Intelligent Technology Co ltd
Shenzhen Realis Multimedia Technology Co Ltd
Original Assignee
Shenzhen Ruilishi Intelligent Technology Co ltd
Shenzhen Realis Multimedia Technology Co Ltd
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 Shenzhen Ruilishi Intelligent Technology Co ltd, Shenzhen Realis Multimedia Technology Co Ltd filed Critical Shenzhen Ruilishi Intelligent Technology Co ltd
Priority to CN202110222478.9A priority Critical patent/CN112883650B/zh
Publication of CN112883650A publication Critical patent/CN112883650A/zh
Application granted granted Critical
Publication of CN112883650B publication Critical patent/CN112883650B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Generation (AREA)

Abstract

本申请提供了一种基于遗传算法的刚体标记点优化方法，包括：固定每个刚体上的其中一个标记点位置作为刚体中心点，建立遗传算法模型，根据该刚体中心点和遗传算法模型进行优化每个刚体上的每个标记点的x，y，z坐标；设置遗传算法的相关参数，将优化后的每个标记点的x，y，z坐标值作为其中参数，并将该参数归一化映射到[‑1，1]范围，根据遗传算法公式最终得到进化最优的参数，该进化最优的参数则为每个标记点x，y，z坐标的最终优化数据，由此完成对刚体标记点的优化。通过上述优化方法可实现自动化给出多样性的刚体，且能大大降低刚体参数不可靠、刚体之间大量存在相似的可能性。

Description

一种基于遗传算法的刚体标记点优化方法、设备以及可读存 储介质
技术领域
本申请涉及测量领域，尤其涉及了基于遗传算法的刚体标记点优化方法、设备以及可读存储介质。
背景技术
在现有的标记点动捕系统中，动捕系统的算法对刚体和标记点的设计与安装具有一定要求，刚体的特性在一定程度上决定了动捕系统的准确性。现有的刚体标记点一般是人工布点，即在固定的插槽上插入带杆反光球，该人工方法存在不能自动化给出多样性刚体的缺陷，而且容易造成刚体之间大量存在相似性的问题，这些问题都会降低算法的性能。此外，带杆反光球碰撞或用力挤压后也会影响动捕系统准确性，且对于动捕产品而言带杆反光球也显得十分不美观，这样对产品使用范围会造成过多约束和降低产品的实用性。因此，有必要解决这些问题。
发明内容
有鉴于此，本发明提出一种基于遗传算法的刚体标记点优化方法、设备以及可读存储介质，本发明可以自动化给出多样性的刚体，而且大大降低了刚体参数不可靠、刚体之间大量相似的可能性。
第一方面，本申请提供了一种基于遗传算法的刚体标记点优化方法，该方法包括：
一种基于遗传算法的刚体标记点优化方法，所述方法包括：
固定每个刚体上的其中一个标记点位置作为刚体中心点，其坐标记为(0，0，0)；
建立遗传算法模型，根据所述刚体中心点和所述遗传算法模型优化每个刚体上的每个标记点的x，y，z坐标；
设置遗传算法的相关参数，将优化后的每个标记点的x，y，z坐标值作为其中参数，并将所述参数归一化映射到[-1，1]范围，根据遗传算法公式最终得到进化最优的参数，所述进化最优的参数则为每个标记点x，y，z坐标的最终优化数据。
所述遗传算法模型为：
Figure BDA0002953264710000021
Figure BDA0002953264710000022
/>
Figure BDA0002953264710000023
其中，N为刚体总个数，n为刚体编号，i为每个刚体标记点的编号，
Figure BDA0002953264710000024
Figure BDA0002953264710000025
为待优化的每个标记点的x，y，z坐标，/>
Figure BDA0002953264710000026
为待优化的每个标记点的x，y，z坐标的最小值下限，/>
Figure BDA0002953264710000027
为待优化的每个标记点的x，y，z坐标的最大值上限，Cst为刚体s和刚体t存在的不相似三角形的个数，Ts为刚体s中非近似等边三角形的个数，THminedge为刚体中任意两个标记点距离的最小阈值。
所述根据所述刚体中心点和所述遗传算法模型优化每个刚体上的每个标记点的x，y，z坐标，包括：
统计刚体与刚体之间存在的不相似三角形的总个数以及所有刚体中不为近似等边三角形的总个数，并得到符合不相似三角形总个数和不为近似等边三角形总个数条件的刚体标记点；
判断所述符合条件的刚体标记点的x，y，z坐标值是否介于最小值下限和最大值上限之间；若是，则根据所述刚体中心点坐标计算任意两个标记点之间的距离：
Figure BDA0002953264710000028
若所述距离大于最小阈值，则完成对所述每个刚体上的每个标记点的x，y，z坐标的初次优化。
判断存在不相似三角形的方法包括：分别取刚体s和刚体t上的任意三个标记点组成两个三角形，所述两个三角形的边长按大小顺序排列为{es1，es2，es3}、{et1，et2，et3}，若有任一对应边长符合：|esd-etd|>TH1，d＝1，2，3，TH1为一设定阈值，则判断所述两个三角形为不相似三角形，否则为相似三角形。
判断不为近似等边三角形的方法包括：取刚体s中的任意3个标记点组成三角形，若所述三角形上任意两条边长es1、es2符合：|es1-es2|＞TH2，其中TH2为一设定阈值，则认为所述三角形不为近似等边三角形。
所述每个刚体还需要符合刚体上的标记点不能存在任意四个点共面的情况，判断是否共面的方法包括：设三个标记点p0，p1，p2组成空间平面S，若刚体上其他点p3到平面S的距离小于一定阈值，则认为p0，p1，p2和p3四点共面，否则不共面。
所述遗传算法的相关参数包括：种群大小、染色体大小、最大进化代数、交叉概率、变异概率，其中参数染色体大小可为所述优化后的每个标记点的x，y，z坐标值。
所述遗传算法公式为：
Figure BDA0002953264710000031
其中，x’为映射后的染色体参数，x1，xu分别为坐标值x的预设最小、最大取值，则通过所述公式计算得到进化最优的染色体参数x，所述进化最优的染色体参数则为每个标记点x，y，z坐标的最终优化数据。
第二方面，本申请提供了一种基于遗传算法的刚体标记点优化设备，所述设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于遗传算法的刚体标记点优化程序，所述基于遗传算法的刚体标记点优化程序被所述处理器执行时实现如上述第一方面或者第一方面任一种可能的实现方式所提供的方法。
第三方面，本申请提供了一种计算机可读存储介质，其上存储有基于遗传算法的刚体标记点优化程序，所述基于遗传算法的刚体标记点优化程序被处理器执行时实现如本申请第一方面或者第一方面任一种可能的实现方式所提供的方法。
从以上技术方案可以看出，本申请具有以下有益效果：
固定每个刚体上的其中一个标记点位置作为刚体中心点后，建立遗传算法模型，根据该刚体中心点和遗传算法模型进行优化每个刚体上的每个标记点的x，y，z坐标；设置遗传算法的相关参数，将优化后的每个标记点的x，y，z坐标值作为其中参数，并将该参数归一化映射到[-1，1]范围，根据遗传算法公式最终得到进化最优的参数，该进化最优的参数则为每个标记点x，y，z坐标的最终优化数据，由此完成对刚体标记点的优化。通过上述优化方法可实现自动化给出多样性的刚体，且能大大降低刚体参数不可靠、刚体之间大量存在相似的可能性。
附图说明
图1示出了本申请一种基于遗传算法的刚体标记点优化方法的流程示意图；
图2示出了本申请一种基于遗传算法的刚体标记点优化设备的一种结构示意图。
具体实施方式
本申请提供了一种基于遗传算法的刚体标记点优化方法、设备以及可读存储介质，用于自动化得到数据可靠、不相似的多样性刚体，从而提高动捕系统的计算精度。
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。在本申请中出现的对步骤进行的命名或者编号，并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤，已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序，只要能达到相同或者相类似的技术效果即可。
本申请中所出现的模块的划分，是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行，另外，所显示的或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块之间的间接耦合或通信连接可以是电性或其他类似的形式，本申请中均不作限定。并且，作为分离部件说明的模块或子模块可以是也可以不是物理上的分离，可以是也可以不是物理模块，或者可以分布到多个电路模块中，可以根据实际的需要选择其中的部分或全部模块来实现本申请方案的目的。
下面，则基于上述的背景说明，开始对本申请的基于遗传算法的刚体标记点优化方法进行详细介绍。
参阅图1，图1示出了本申请基于遗传算法的刚体标记点优化方法的一种流程示意图，具体的，该方法可包括如下步骤：
步骤S101，固定每个刚体上的其中一个标记点位置作为刚体中心点，其坐标记为(0，0，0)；可以理解，每个刚体上有多个标记点(反光球)，固定其中一个标记点作为该刚体的中心点，且令中心点坐标为(0，0，0)，以便于后续计算其他标记点的三维空间坐标、标记点之间的距离等数据。
步骤S102，建立遗传算法模型，根据刚体中心点和该遗传算法模型优化每个刚体上的每个标记点的x，y，z坐标；
可以理解，本实施例通过建立的遗传算法模型进行优化每个刚体上的每个标记点的x，y，z坐标数据，该遗传算法模型为：
Figure BDA0002953264710000061
Figure BDA0002953264710000062
Figure BDA0002953264710000063
其中，N为刚体总个数，n为刚体编号，i为每个刚体标记点的编号，
Figure BDA0002953264710000064
Figure BDA0002953264710000065
为待优化的每个标记点的x，y，z坐标，/>
Figure BDA0002953264710000066
为待优化的每个标记点的x，y，z坐标的最小值下限，/>
Figure BDA0002953264710000067
为待优化的每个标记点的x，y，z坐标的最大值上限，Cst为刚体s和刚体t存在的不相似三角形的个数，Ts为刚体s中非近似等边三角形的个数，THminedge为刚体中任意两个标记点距离的最小阈值。
采用该模型，就是为了将动捕系统获得的每个刚体标记点的坐标数据也即位置数据进行优化筛选，进而得到符合上述遗传算法模型条件的标记点x，y，z坐标数据。一般的，根据上述刚体中心点和遗传算法模型优化每个刚体上的每个标记点的x，y，z坐标的具体步骤包括：
统计刚体与刚体之间存在的不相似三角形的总个数以及所有刚体中不为近似等边三角形的总个数，并得到符合不相似三角形总个数和不为近似等边三角形总个数条件的刚体标记点；
判断符合上述不相似三角形总个数和不为近似等边三角形总个数条件的刚体标记点的x，y，z坐标值是否介于预设的最小值下限和最大值上限之间；若是，则根据刚体中心点坐标计算任意两个标记点
Figure BDA0002953264710000068
之间的距离：
Figure BDA0002953264710000069
若该距离大于最小阈值，则完成对每个刚体上的每个标记点的x，y，z坐标的初次优化。
其中，判断存在不相似三角形的方法包括：分别取刚体s和刚体t上的任意三个标记点组成两个三角形，将这两个三角形的边长按大小顺序排列为{es1，es2，es3}、{et1，et2，et3}，若有任一对应边长符合：|esd-etd|>TH1，d＝1，2，3，TH1为一设定阈值，则判断两个三角形为不相似三角形，否则为相似三角形。
判断不为近似等边三角形的方法包括：取刚体s中的任意3个标记点组成三角形，若该三角形上任意两条边长es1、es2符合：|es1-es2|＞TH2，其中TH2为一设定阈值，则认为该三角形不为近似等边三角形。
除了判断上述是否存在不相似三角形和不为近似等边三角形的情况外，每个刚体还需要符合刚体上的标记点不能存在任意四个点共面的情况，即刚体上三个以上标记点不能存在对称结构，此时就需要判断刚体上的标记点是否存在共面的情况，具体方法包括：设三个标记点p0，p1，p2组成空间平面S，若刚体上其他点p3到平面S的距离小于一定阈值，则认为p0，p1，p2和p3四点共面，否则不共面。
步骤S103，设置遗传算法的相关参数，将优化后的每个标记点的x，y，z坐标值作为其中参数，并将该参数归一化映射到[-1，1]范围，根据遗传算法公式最终得到进化最优的参数，该进化最优的参数则为每个标记点x，y，z坐标的最终优化数据。
需要说明的是，经过上述建立的遗传算法模型进行优化筛选后，得到初次优化后的刚体标记点x，y，z坐标数据，该初次优化后的坐标数据还需要进行步骤S103参数推导计算过程，从而才能得到最终优化后的坐标数据。这时，需要设置遗传算法的相关参数，该相关参数可包括：种群大小、染色体大小、最大进化代数、交叉概率、变异概率等参数。利用这些相关参数进行遗传算法推导时，需要选择每代最优T_SIZE作为下一代进化的个体，其中参数染色体大小可为上述经过初次优化后的每个标记点的x，y，z坐标值，同时为了方便算法的运算，需将染色体参数即初次优化后的每个标记点的x，y，z坐标值，归一化映射到[-1，1]范围，这样可根据遗传算法公式(也即获得最终优化后的标记点坐标的计算公式)最终得到进化最优的参数，该进化最优的参数则为每个标记点x，y，z坐标的最终优化数据。
具体的，遗传算法公式为：
Figure BDA0002953264710000081
其中，x’为映射后的染色体参数，x1，xu分别为坐标值x的预设最小、最大取值，则通过该公式计算得到进化最优的染色体参数x，即计算得到最终优化结果：每个标记点的坐标值x，同理每个标记点的坐标值y和z也由上述遗传算法公式计算得到，这样该进化最优的染色体参数则为每个标记点x，y，z坐标的最终优化数据，从而完成了对刚体标记点的优化筛选。
以上是对本申请基于遗传算法的刚体标记点优化方法的介绍，下面开始介绍本申请的基于遗传算法的刚体标记点优化设备，请参阅图2，图2示出了本申请提供的一种基于遗传算法的刚体标记点优化设备，具体的，该设备包括处理器201、存储器202以及存储在存储器202上并可在处理器201上运行的基于遗传算法的刚体标记点优化程序，基于遗传算法的刚体标记点优化程序被处理器201执行时实现如图1对应的任意实施例中基于遗传算法的刚体标记点优化方法的各步骤。
示例性的，基于遗传算法的刚体标记点优化程序，该计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器202中，并由处理器201执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。
基于遗传算法的刚体标记点优化设备可包括，但不仅限于处理器201、存储器202。本领域技术人员可以理解，所述示意仅仅是计算机装置的示例，并不构成对基于遗传算法的刚体标记点优化设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如基于遗传算法的刚体标记点优化设备还可以包括输入输出设备、网络接入设备、总线等，处理器201、存储器202、输入输出设备以及网络接入设备等通过总线相连。
处理器201可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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，处理器是基于遗传算法的刚体标记点优化设备的控制中心，利用各种接口和线路连接整个基于遗传算法的刚体标记点优化设备的各个部分。
存储器202可用于存储计算机程序和/或模块，处理器201通过运行或执行存储在存储器202内的计算机程序和/或模块，以及调用存储在存储器202内的数据，实现计算机装置的各种功能。存储器202可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本申请还提供一种可读存储介质，其上存储有基于遗传算法的刚体标记点优化程序，该程序被处理器执行时实现如图1对应任意实施例中的基于遗传算法的刚体标记点优化方法。
可以理解，集成的单元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，本申请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全部或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)执行本申请各方法实施例的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (9)

1.一种基于遗传算法的刚体标记点优化方法，其特征在于，所述方法包括：
固定每个刚体上的其中一个标记点位置作为刚体中心点，其坐标记为(0,0,0)；
建立遗传算法模型，根据所述刚体中心点和所述遗传算法模型优化每个刚体上的每个标记点的x,y,z坐标；
设置遗传算法的相关参数，将优化后的每个标记点的x,y,z坐标值作为其中参数，并将所述参数归一化映射到[-1,1]范围，根据遗传算法公式最终得到进化最优的参数，所述进化最优的参数则为每个标记点x,y,z坐标的最终优化数据；
所述遗传算法模型为：
max
Figure FDA0004180462350000011
max
Figure FDA0004180462350000012
Figure FDA0004180462350000013
其中，N为刚体总个数，n为刚体编号，i为每个刚体标记点的编号，
Figure FDA0004180462350000014
Figure FDA0004180462350000015
为待优化的每个标记点的x,y,z坐标，/>
Figure FDA0004180462350000016
为待优化的每个标记点的x,y,z坐标的最小值下限，/>
Figure FDA0004180462350000017
为待优化的每个标记点的x,y,z坐标的最大值上限，Cst为刚体s和刚体t存在的不相似三角形的个数，Ts为刚体s中非近似等边三角形的个数，
Figure FDA0004180462350000018
为任意两个标记点之间的距离，THminedge为刚体中任意两个标记点距离的最小阈值。
2.根据权利要求1所述的方法，其特征在于，所述根据所述刚体中心点和所述遗传算法模型优化每个刚体上的每个标记点的x,y,z坐标，包括：
统计刚体与刚体之间存在的不相似三角形的总个数以及所有刚体中不为近似等边三角形的总个数，并得到符合不相似三角形总个数和不为近似等边三角形总个数条件的刚体标记点；
判断所述符合条件的刚体标记点的x,y,z坐标值是否介于最小值下限和最大值上限之间；若是，则根据所述刚体中心点坐标计算任意两个标记点之间的距离：
Figure FDA0004180462350000021
若所述距离大于最小阈值，则完成对所述每个刚体上的每个标记点的x,y,z坐标的初次优化。
3.根据权利要求2所述的方法，其特征在于，判断存在不相似三角形的方法包括：分别取刚体s和刚体t上的任意三个标记点组成两个三角形，所述两个三角形的边长按大小顺序排列为{es1,es2,es3}、{et1,et2,et3}，若有任一对应边长符合：|esd-etd|＞TH1,d＝1,2,3，TH1为一设定阈值，则判断所述两个三角形为不相似三角形，否则为相似三角形。
4.根据权利要求2所述的方法，其特征在于，判断不为近似等边三角形的方法包括：
取刚体s中的任意3个标记点组成三角形，若所述三角形上任意两条边长es1、es2符合：|es1-es2|＞TH2，其中TH2为一设定阈值，则认为所述三角形不为近似等边三角形。
5.根据权利要求1所述的方法，其特征在于，所述每个刚体还需要符合刚体上的标记点不能存在任意四个点共面的情况，判断是否共面的方法包括：设三个标记点p0,p1,p2组成空间平面S，若刚体上其他点p3到平面S的距离小于一定阈值，则认为p0,p1,p2和p3四点共面，否则不共面。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述遗传算法的相关参数包括：种群大小、染色体大小、最大进化代数、交叉概率、变异概率，其中参数染色体大小可为所述优化后的每个标记点的x,y,z坐标值。
7.根据权利要求6所述的方法，其特征在于，所述遗传算法公式为：
Figure FDA0004180462350000022
其中，x'为映射后的染色体参数，xl,xu分别为坐标值x的预设最小、最大取值，则通过所述公式计算得到进化最优的染色体参数x，所述进化最优的染色体参数则为每个标记点x,y,z坐标的最终优化数据。
8.一种基于遗传算法的刚体标记点优化设备，其特征在于，所述设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于遗传算法的刚体标记点优化程序，所述基于遗传算法的刚体标记点优化程序被所述处理器执行时实现如权利要求1至7中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，其上存储有基于遗传算法的刚体标记点优化程序，所述基于遗传算法的刚体标记点优化程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
CN202110222478.9A 2021-02-26 2021-02-26 一种基于遗传算法的刚体标记点优化方法、设备以及可读存储介质 Active CN112883650B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110222478.9A CN112883650B (zh) 2021-02-26 2021-02-26 一种基于遗传算法的刚体标记点优化方法、设备以及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110222478.9A CN112883650B (zh) 2021-02-26 2021-02-26 一种基于遗传算法的刚体标记点优化方法、设备以及可读存储介质

Publications (2)

Publication Number Publication Date
CN112883650A CN112883650A (zh) 2021-06-01
CN112883650B true CN112883650B (zh) 2023-06-09

Family

ID=76054887

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110222478.9A Active CN112883650B (zh) 2021-02-26 2021-02-26 一种基于遗传算法的刚体标记点优化方法、设备以及可读存储介质

Country Status (1)

Country Link
CN (1) CN112883650B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610979B (zh) * 2021-07-12 2023-12-01 深圳市瑞立视多媒体科技有限公司 一种预警刚体之间相似度的方法、设备及光学动作捕捉系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600627A (zh) * 2016-12-07 2017-04-26 成都通甲优博科技有限责任公司 一种基于标志点的刚体运动捕捉方法及系统
CN107806837A (zh) * 2017-10-29 2018-03-16 北京工业大学 一种非侵入式腕关节轴线运动模型测量方法
CN108171359A (zh) * 2017-11-29 2018-06-15 安徽四创电子股份有限公司 一种方舱布局的最优化方法
CN109949418A (zh) * 2019-03-12 2019-06-28 上海曼恒数字技术股份有限公司 一种刚体生成方法、装置、设备及存储介质
CN110162567A (zh) * 2019-05-21 2019-08-23 山东大学 基于颜色表优化的二维标量场数据可视化方法及系统
CN111931614A (zh) * 2020-07-24 2020-11-13 深圳市瑞立视多媒体科技有限公司 主动光刚体识别方法、装置、设备及存储介质
CN112085848A (zh) * 2020-08-21 2020-12-15 深圳市瑞立视多媒体科技有限公司 一种刚体标记点优化选择方法、设备及光学动作捕捉系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600627A (zh) * 2016-12-07 2017-04-26 成都通甲优博科技有限责任公司 一种基于标志点的刚体运动捕捉方法及系统
CN107806837A (zh) * 2017-10-29 2018-03-16 北京工业大学 一种非侵入式腕关节轴线运动模型测量方法
CN108171359A (zh) * 2017-11-29 2018-06-15 安徽四创电子股份有限公司 一种方舱布局的最优化方法
CN109949418A (zh) * 2019-03-12 2019-06-28 上海曼恒数字技术股份有限公司 一种刚体生成方法、装置、设备及存储介质
CN110162567A (zh) * 2019-05-21 2019-08-23 山东大学 基于颜色表优化的二维标量场数据可视化方法及系统
CN111931614A (zh) * 2020-07-24 2020-11-13 深圳市瑞立视多媒体科技有限公司 主动光刚体识别方法、装置、设备及存储介质
CN112085848A (zh) * 2020-08-21 2020-12-15 深圳市瑞立视多媒体科技有限公司 一种刚体标记点优化选择方法、设备及光学动作捕捉系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于遗传寻优的刚体运动参数估计方法;叶桦等;《东南大学学报(自然科学版)》;19990520(第03期);第101-105页 *

Also Published As

Publication number Publication date
CN112883650A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN109117825B (zh) 车道线处理方法和装置
US11043000B2 (en) Measuring method and apparatus for damaged part of vehicle
CN109284280B (zh) 仿真数据优化方法、装置及存储介质
EP3620981A1 (en) Object detection method, device, apparatus and computer-readable storage medium
CN108875537B (zh) 对象检测方法、装置和系统及存储介质
CN111707279B (zh) 一种激光点云与地图的匹配评价方法、介质、终端和装置
CN112883650B (zh) 一种基于遗传算法的刚体标记点优化方法、设备以及可读存储介质
CN111160242A (zh) 图像目标检测方法、系统、电子终端及存储介质
WO2021253789A1 (zh) 重定位效果的评价方法、装置、电子设备和存储介质
CN112085056A (zh) 目标检测模型生成方法、装置、设备及存储介质
CN111340801A (zh) 一种牲畜盘点方法、装置、设备及存储介质
CN111027412B (zh) 一种人体关键点识别方法、装置及电子设备
TWI769603B (zh) 影像處理方法及存儲介質
CN115457202B (zh) 一种三维模型更新的方法、装置及存储介质
WO2021092771A1 (zh) 一种目标检测方法及装置、设备、存储介质
CN107193656B (zh) 多核系统的资源管理方法、终端设备及计算机可读存储介质
CN112633299B (zh) 一种目标检测方法、网络、装置、终端设备及存储介质
CN115984671A (zh) 模型在线更新方法、装置、电子设备及可读存储介质
CN113378864B (zh) 一种锚框参数的确定方法、装置、设备及可读存储介质
TWI772932B (zh) 圖像處理及神經網路訓練方法、電子設備和電腦儲存介質
CN108764344A (zh) 一种基于边缘识别卡片的方法、装置及存储设备
CN112581500A (zh) 用于在目标跟踪中匹配行人和人脸的方法和装置
US10362553B2 (en) Determining location of wireless-enabled device
TWI748867B (zh) 圖像瑕疵檢測方法、裝置、電子設備及存儲介質
US20220414312A1 (en) Wafer searching method and device

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