CN115100365B - 一种基于粒子群算法的相机最优基线获取方法 - Google Patents

一种基于粒子群算法的相机最优基线获取方法 Download PDF

Info

Publication number
CN115100365B
CN115100365B CN202211022883.7A CN202211022883A CN115100365B CN 115100365 B CN115100365 B CN 115100365B CN 202211022883 A CN202211022883 A CN 202211022883A CN 115100365 B CN115100365 B CN 115100365B
Authority
CN
China
Prior art keywords
camera
cameras
optimal
pictures
particle
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
CN202211022883.7A
Other languages
English (en)
Other versions
CN115100365A (zh
Inventor
殷军
南杰胤
常安
陈振辉
刘宇浩
金岩
文青丰
李学刚
王松波
周文涛
姜明席
何潇
于妍
李隆基
胡青波
钱滨
郭新
鲁轩
王泽跃
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.)
State Grid Tianjin Electric Power Co High Voltage Branch
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Tianjin Electric Power Co High Voltage Branch
State Grid Corp of China SGCC
State Grid Tianjin Electric Power 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 State Grid Tianjin Electric Power Co High Voltage Branch, State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Tianjin Electric Power Co High Voltage Branch
Priority to CN202211022883.7A priority Critical patent/CN115100365B/zh
Publication of CN115100365A publication Critical patent/CN115100365A/zh
Application granted granted Critical
Publication of CN115100365B publication Critical patent/CN115100365B/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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Studio Devices (AREA)

Abstract

一种基于粒子群算法的相机最优基线获取方法。其包括构成相机图片库；对相机拟安装位置进行编号；计算特征匹配数目；使用改进的粒子群算法对两台相机的最佳位置布局进行寻优，最后通过两台相机从最佳位置布局确定的两个相机拟安装位置拍摄的图片获取相机镜头光心距离作为这两台相机的最优基线并保存等步骤。本方法通过以不同基线下的相机拍摄图片所得到的特征匹配数目为代价，使用粒子群算法进行相机基线组合进行寻优。利用本发明提供的基于粒子群算法的相机最优基线获取方法能够在不同基线下的相机中找到最适合拍摄景物三维重建的相机基线，从而实现更精细、更完整的多视图三维重建。

Description

一种基于粒子群算法的相机最优基线获取方法
技术领域
本发明属于多视图三维重建技术领域，尤其涉及一种基于粒子群算法的相机最优基线获取方法。
背景技术
作为计算机技术一个重要的发展方向，基于多视图的三维重建一直是人们研究的重要内容。在三维重建中获取图片时相机的位置是决定最终重建效果好坏的重要因素之一。这是因为相机位置在很大程度上决定了相机基线的大小。相机基线即两台相机镜头光心位置之间的距离。目前研究表明，相机基线越长，在进行三维重建时对目标的重建就越精细。但现实情况往往事与愿违。以输电场景为例，一般输电场景的相机都是安装在杆塔上，且镜头向下，但由于杆塔的长宽、形状等都有具体规定，所以相机基线也受到限制，那么如何在有限制的情况下能够最大限度地寻找到相机最优基线就成为一个亟待解决的问题。
发明内容
为了解决上述问题，本发明的目的在于提供一种基于粒子群算法的相机最优基线获取方法。
为了达到上述目的，本发明提供的基于粒子群算法的相机最优基线获取方法包括按顺序进行的下列步骤：
1）首先采集需要获取最优基线的两台相机在位于同一平面内的m个相机拟安装位置拍摄的包含同一景物的多张图片，每一相机拟安装位置共拍摄n张图片，由所有图片构成相机图片库；
2）分别设定上述m个相机拟安装位置的坐标，然后利用坐标分别对m个相机拟安装位置进行编号；
3）计算相机图片库中两台相机在不同相机拟安装位置处拍摄的任意两张带有编号的图片中的特征匹配数目；
4）以上述特征匹配数目作为适应度，使用改进的粒子群算法对两台相机的最佳位置布局进行寻优，最后通过两台相机从最佳位置布局确定的两个相机拟安装位置拍摄的图片获取相机镜头光心距离作为这两台相机的最优基线并保存。
在步骤1）中，所述相机图片库中共有2*m*n张图片，其中2代表两台相机，m代表相机拟安装位置的数量，n代表在每个相机拟安装位置拍摄的图片数量。
在步骤2）中，所述设定上述m个相机拟安装位置的坐标的方法是：选取m个相机拟安装位置所处平面内最左上角的位置为坐标系原点，向右为x轴正方向，向下为y轴正方向，每个相机拟安装位置的坐标由唯一的[x轴坐标，y轴坐标]确定。
在步骤2）中，所述利用坐标分别对m个相机拟安装位置进行编号的方法是：按照x轴坐标与y轴坐标之和的大小进行排序，分别获得1-m的编号。
在步骤3）中，所述计算相机图片库中两台相机在不同相机拟安装位置处拍摄的任意两张带有编号的图片中的特征匹配数目的具体方法是：利用包括sift+暴力匹配、DFM模型在内的通用特征匹配算法获得相机图片库中两台相机在不同相机拟安装位置处拍摄的任意两张带有编号的图片中的特征匹配点，然后统计出匹配特征点的数量作为特征匹配数目。
在步骤4）中，在所述改进的粒子群算法中，设定粒子维度为2，第一个维度表示第一台相机的位置，第二个维度表示第二台相机的位置，粒子位置在1-m之间，粒子群规模为2*m，在获取粒子位置时使用四舍五入的方式使粒子位置为整数；每个粒子的适应度为该粒子中数据所代表的两台相机在相机拟安装位置随机选择的两张图片的特征匹配数目。
在步骤4）中，所述通过相机从最佳位置布局确定的两个相机拟安装位置拍摄的图片获取相机镜头光心距离作为这两台相机的最优基线的方法是：随机选取最佳位置布局中两个相机拟安装位置拍摄的两张图片，通过测量这两张图片获得相机镜头光心距离作为这两台相机的最优基线；或以最佳位置布局中的一台相机作为基准，解算另一台相机的平移矩阵，平移矩阵与[0，0，0]矩阵的欧式距离即为这两台相机的最优基线。这里解算方法（如八点法）和平移矩阵是摄影测绘和三维重建中比较常见的知识，因此这里不再赘述。
本发明提供的基于粒子群算法的相机最优基线获取方法具有如下有益效果:通过以不同基线下的相机拍摄图片所得到的特征匹配数目为代价，使用粒子群算法进行相机基线组合进行寻优。利用本方法能够在不同基线下的相机中找到最适合拍摄景物三维重建的相机基线，从而实现更精细、更完整的多视图三维重建。
附图说明
图1是本发明提供的基于粒子群算法的相机最优基线获取方法流程图。
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，但并不构成对本发明保护范围的限制。
如图1所示，本发明提供的基于粒子群算法的相机最优基线获取方法包括按顺序进行的下列步骤：
1）首先采集需要获取最优基线的两台相机在位于同一平面内的m个相机拟安装位置拍摄的包含同一景物的多张图片，每一相机拟安装位置共拍摄n张图片，由所有图片构成相机图片库；
在本实施例中，相机拟安装位置的数量设定为9，即m=9；每个相机拟安装位置共随机拍摄10张图片，即n=10，因此相机图片库中共有180张图片。每张图片拍摄时相机的位姿可以发生变化，但要保证拍摄内容必须包含同一景物。
2）分别设定上述m个相机拟安装位置的坐标，然后利用坐标分别对m个相机拟安装位置进行编号；
在本实施例中，设定上述9个相机拟安装位置的坐标的方法是：选取9个相机拟安装位置所处平面内最左上角的位置为坐标系原点，向右为x轴正方向，向下为y轴正方向，每个相机拟安装位置的坐标由唯一的[x轴坐标，y轴坐标]确定。因此上述9个相机拟安装位置的坐标分别是[0，0]、[0，10]、[0，20]、[0，30]、[0，40]、[0，50]、[0，60]、[0，70]、[0，80]。
利用坐标分别对9个相机拟安装位置进行编号的方法是：按照x轴坐标与y轴坐标之和的大小进行排序，分别获得1-9的编号。虽然相机拟安装位置不同，相机不同，但是编号相同。
3）计算相机图片库中两台相机在不同相机拟安装位置处拍摄的任意两张带有编号的图片中的特征匹配数目；
具体方法是：利用包括sift+暴力匹配、DFM模型在内的通用特征匹配算法获得相机图片库中两台相机在不同相机拟安装位置处拍摄的任意两张带有编号的图片中的特征匹配点，然后统计出匹配特征点的数量作为特征匹配数目。其中DFM模型请参考网上的介绍。
4）以上述特征匹配数目作为适应度，使用改进的粒子群算法对两台相机的最佳位置布局进行寻优，最后通过两台相机从最佳位置布局确定的两个相机拟安装位置拍摄的图片获取相机镜头光心距离作为这两台相机的最优基线并保存。
在所述改进的粒子群算法中，设定粒子维度为2，第一个维度表示第一台相机的位置，第二个维度表示第二台相机的位置，粒子位置在1-m之间，粒子群规模为2*m=18，在获取粒子位置时使用四舍五入的方式使粒子位置为整数；每个粒子的适应度为该粒子中数据所代表的两台相机在相机拟安装位置随机选择的两张图片的特征匹配数目。
粒子群算法的流程为，首先初始化粒子群参数，包括粒子群规模、粒子维度、迭代次数、惯性权重、学习因子等，然后随机初始化粒子群中每个粒子的位置和速度，计算初始化粒子群的群体历史最优适应度，群体历史最优位置，粒子个体历史最优位置和粒子个体历史最优适应度。然后更新惯性权重等参数，更新每个粒子的速度和位置，再次计算粒子适应度，更新粒子群的群体历史最优适应度，群体历史最优位置，初始化粒子群参数时，粒子群规模为18，粒子维度为2，迭代次数为900，惯性权重w为1.2，学习因子分为粒子个体学习因子lr和粒子群体学习因子
Figure DEST_PATH_IMAGE002
，其数值分别为0.494和1.494。
具体地，初始化粒子群每个粒子位置和速度如下：
粒子位置P：
[[0.76，2.04，1.32，4.23，3.02，0.25，4.65，1.06，7.24，0.24，6.25，5.14，2.25，1.25，5.12，1.25，5.25，3.25]，
[8.00，4.65，6.35，7.25，6.32，1.02，8.00，4.25，6.35，4.32，2.65，8.00，7.25，7.35，4.56，5.36，6.63，0.35]]
共两个维度，每个维度18个元素， 粒子位置P[0，3]=4.23
粒子速度：
[[0.25，-0.35，0.36，-1.24，-0.32，2.15，1.36，0.21，0.57，-0.98，0.54，-0.65，0.69，0.48，-0.68，1.23，-2.34，1.35]，
[-0.25，3.02，1.25，0.68，0.69，-0.45，2.01，-1.65，0.87，0.65，1.36，2.36，-4.36，0.25，0.47，0.95，0.38，-0.12]]
具体地，在计算每个粒子的适应度之前，现将粒子位置P的元素四舍五入得到：
[[1，2，1，3，2，0，5，1，7，0，6，5，2，1，5，1，5，3]，
[8，5，6，7，6，1，8，4，6，4，2，8，7，7，4，5，6，0]]
则第一个粒子为[1，8]，那么从第一台相机在编号为1的相机拟安装位置拍摄的图片中随机选取一张图片，从第二台相机在编号为8的相机拟安装位置拍摄的图片中随机选取一张图片，使用DFM算法获取两张图片的匹配特征点，然后统计出匹配特征点的数量即特征匹配数目即为该粒子的适应度，其他粒子获取适应度的方法相同。则获得适应度：
[354，368，148，695，1154，365，486，1258，126，254，368，958，145，236，358，1456，147，158]
这里相同位置获取的适应度不同是因为即使获取到相同的相机拟安装位置，也有可能因为选取相同相机拟安装位置中不同的图片而造成适应度不同。
具体地，当获取随机生成的粒子群后，设置每个粒子的个体历史最优适应度为0，位置为0，群体历史最优适应度为0，对应的位置为0。则有每个粒子的个体历史最优适应度：
[0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0]
每个粒子个体历史最优适应度位置为：
[0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0]
具体地，更新每个粒子个体历史最优适应度和位置是指在计算得到每个粒子的适应度后，判断该粒子的适应度是否大于该粒子个体历史最优适应度，如果大于则将该粒子的适应度和位置替换作为该粒子个体历史最优适应度和位置保存，因此得到的每个粒子的个体历史最优适应度：
[354，368，148，695，1154，365，486，1258，126，254，368，958，145，236，358，1456，147，158]
每个粒子个体历史最优适应度位置为：
[[1，2，1，3，2，0，5，1，7，0，6，5，2，1，5，1，5，3]，
[8，5，6，7，6，1，8，4，6，4，2，8，7，7，4，5，6，0]]
具体地，更新群体历史最优适应度和位置为当更新完每个粒子个体历史适应度和位置后，选取其中数值最大的适应度与当前群体历史最优适应度比较，如果前者大于后者，则将该适应度及其对应位置作为群体历史最优适应度和群体历史最优适应度位置。最终得到的群体历史最优适应度为1258，群体历史最优适应度位置为[1，4]。
具体地，更新惯性权重
Figure DEST_PATH_IMAGE004
，
即1.199。
具体地使用粒子位置和速度更新公式更新后的粒子位置为：
[[1.01，1.69， ······ ，2.91，4.6]
[7.75，7.67， ······，0，2.9]]
这里如果计算得到的粒子位置小于0，则该粒子位置为0，如果粒子位置大于8，则该粒子位置为8。
更新后的粒子速度为：
[[0.85，0.35， ······ ，5.24，3.21]
[1.24，1.35， ······，3.25，6.24]]
具体地，重复上述计算直到达到最大迭代次数或者群体历史适应度的最小差值为0.00001，停止迭代。则得到最优粒子适应度为5421，粒子位置为[1，6]
所述通过相机从最佳位置布局确定的两个相机拟安装位置拍摄的图片获取相机镜头光心距离作为这两台相机的最优基线的方法是：随机选取最佳位置布局中从编号为1和6的两个相机拟安装位置拍摄的两张图片，通过测量这两张图片获得相机镜头光心距离作为这两台相机的最优基线；或以最佳位置布局中编号为1的相机作为基准，解算编号为6的另一台相机的平移矩阵，平移矩阵与[0，0，0]矩阵的欧式距离即为这两台相机的最优基线。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (6)

1.一种基于粒子群算法的相机最优基线获取方法，其特征在于：所述基于粒子群算法的相机最优基线获取方法包括按顺序进行的下列步骤:
1）首先采集需要获取最优基线的两台相机在位于同一平面内的m个相机拟安装位置拍摄的包含同一景物的多张图片，每一相机拟安装位置共拍摄n张图片，由所有图片构成相机图片库；
2）分别设定上述m个相机拟安装位置的坐标，然后利用坐标分别对m个相机拟安装位置进行编号；
3）计算相机图片库中两台相机在不同相机拟安装位置处拍摄的任意两张带有编号的图片中的特征匹配数目；
4）以上述特征匹配数目作为适应度，使用改进的粒子群算法对两台相机的最佳位置布局进行寻优，最后通过两台相机从最佳位置布局确定的两个相机拟安装位置拍摄的图片获取相机镜头光心距离作为这两台相机的最优基线并保存；
在步骤4）中，在所述改进的粒子群算法中，设定粒子维度为2，第一个维度表示第一台相机的位置，第二个维度表示第二台相机的位置，粒子位置在1-m之间，粒子群规模为2*m，在获取粒子位置时使用四舍五入的方式使粒子位置为整数；每个粒子的适应度为该粒子中数据所代表的两台相机在相机拟安装位置随机选择的两张图片的特征匹配数目。
2.根据权利要求1所述的基于粒子群算法的相机最优基线获取方法，其特征在于: 在步骤1）中，所述相机图片库中共有2*m*n张图片，其中2代表两台相机，m代表相机拟安装位置的数量，n代表在每个相机拟安装位置拍摄的图片数量。
3.根据权利要求1所述的基于粒子群算法的相机最优基线获取方法，其特征在于:在步骤2）中，所述设定上述m个相机拟安装位置的坐标的方法是：选取m个相机拟安装位置所处平面内最左上角的位置为坐标系原点，向右为x轴正方向，向下为y轴正方向，每个相机拟安装位置的坐标由唯一的[x轴坐标，y轴坐标]确定。
4.根据权利要求1所述的基于粒子群算法的相机最优基线获取方法，其特征在于:在步骤2）中，所述利用坐标分别对m个相机拟安装位置进行编号的方法是：按照x轴坐标与y轴坐标之和的大小进行排序，分别获得1-m的编号。
5.根据权利要求1所述的基于粒子群算法的相机最优基线获取方法，其特征在于:在步骤3）中，所述计算相机图片库中两台相机在不同相机拟安装位置处拍摄的任意两张带有编号的图片中的特征匹配数目的具体方法是：利用包括sift+暴力匹配、DFM模型在内的通用特征匹配算法获得相机图片库中两台相机在不同相机拟安装位置处拍摄的任意两张带有编号的图片中的特征匹配点，然后统计出匹配特征点的数量作为特征匹配数目。
6.根据权利要求1所述的基于粒子群算法的相机最优基线获取方法，其特征在于:在步骤4）中，所述通过相机从最佳位置布局确定的两个相机拟安装位置拍摄的图片获取相机镜头光心距离作为这两台相机的最优基线的方法是：随机选取最佳位置布局中两个相机拟安装位置拍摄的两张图片，通过测量这两张图片获得相机镜头光心距离作为这两台相机的最优基线；或以最佳位置布局中的一台相机作为基准，解算另一台相机的平移矩阵，平移矩阵与[0，0，0]矩阵的欧式距离即为这两台相机的最优基线。
CN202211022883.7A 2022-08-25 2022-08-25 一种基于粒子群算法的相机最优基线获取方法 Active CN115100365B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211022883.7A CN115100365B (zh) 2022-08-25 2022-08-25 一种基于粒子群算法的相机最优基线获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211022883.7A CN115100365B (zh) 2022-08-25 2022-08-25 一种基于粒子群算法的相机最优基线获取方法

Publications (2)

Publication Number Publication Date
CN115100365A CN115100365A (zh) 2022-09-23
CN115100365B true CN115100365B (zh) 2023-01-20

Family

ID=83300426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211022883.7A Active CN115100365B (zh) 2022-08-25 2022-08-25 一种基于粒子群算法的相机最优基线获取方法

Country Status (1)

Country Link
CN (1) CN115100365B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8645294B1 (en) * 2004-02-03 2014-02-04 Hrl Laboratories, Llc Method for image registration utilizing particle swarm optimization
CN105654476A (zh) * 2015-12-25 2016-06-08 江南大学 基于混沌粒子群优化算法的双目标定方法
CN107063228A (zh) * 2016-12-21 2017-08-18 上海交通大学 基于双目视觉的目标姿态解算方法
CN107563308A (zh) * 2017-08-11 2018-01-09 西安电子科技大学 基于粒子群优化算法的slam闭环检测方法
CN110415332A (zh) * 2019-06-21 2019-11-05 上海工程技术大学 一种非单一视角下复杂织物表面三维重建系统及其方法
CN110598834A (zh) * 2019-09-19 2019-12-20 吉林大学 一种双目视觉探测系统结构优化方法
CN112258587A (zh) * 2020-10-27 2021-01-22 上海电力大学 一种基于灰狼粒子群混合算法的相机标定方法
CN112381885A (zh) * 2020-11-13 2021-02-19 湖南大学 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
CN112685591A (zh) * 2020-12-31 2021-04-20 荆门汇易佳信息科技有限公司 用户兴趣区域与反馈引导的图片精准检索方法
CN114240076A (zh) * 2021-11-26 2022-03-25 成都睿芯行科技有限公司 一种基于改进粒子群算法的多agv任务分配方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8793200B1 (en) * 2009-09-22 2014-07-29 Hrl Laboratories, Llc Method for particle swarm optimization with random walk
CN108694356B (zh) * 2017-04-10 2024-05-07 京东方科技集团股份有限公司 行人检测装置及方法、辅助驾驶系统
CN109978957B (zh) * 2019-03-22 2023-01-31 青岛鑫慧铭视觉科技有限公司 基于量子行为粒子群的双目系统标定方法
CN111652941B (zh) * 2020-05-21 2023-04-07 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
CN112085845B (zh) * 2020-09-11 2021-03-19 中国人民解放军军事科学院国防科技创新研究院 基于无人机影像的室外场景快速三维重建装置
CN112465918B (zh) * 2020-12-06 2024-04-02 西安交通大学 一种基于Tsai标定的显微视觉标定方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8645294B1 (en) * 2004-02-03 2014-02-04 Hrl Laboratories, Llc Method for image registration utilizing particle swarm optimization
CN105654476A (zh) * 2015-12-25 2016-06-08 江南大学 基于混沌粒子群优化算法的双目标定方法
CN107063228A (zh) * 2016-12-21 2017-08-18 上海交通大学 基于双目视觉的目标姿态解算方法
CN107563308A (zh) * 2017-08-11 2018-01-09 西安电子科技大学 基于粒子群优化算法的slam闭环检测方法
CN110415332A (zh) * 2019-06-21 2019-11-05 上海工程技术大学 一种非单一视角下复杂织物表面三维重建系统及其方法
CN110598834A (zh) * 2019-09-19 2019-12-20 吉林大学 一种双目视觉探测系统结构优化方法
CN112258587A (zh) * 2020-10-27 2021-01-22 上海电力大学 一种基于灰狼粒子群混合算法的相机标定方法
CN112381885A (zh) * 2020-11-13 2021-02-19 湖南大学 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
CN112685591A (zh) * 2020-12-31 2021-04-20 荆门汇易佳信息科技有限公司 用户兴趣区域与反馈引导的图片精准检索方法
CN114240076A (zh) * 2021-11-26 2022-03-25 成都睿芯行科技有限公司 一种基于改进粒子群算法的多agv任务分配方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
""Method for horizontal alignment deviation measurement using binocular camera without common target;Qinwen Li等;《IEEE Access》;20201008;pp184540-184549 *
"基于双更新策略加权差分进化粒子群的双目相机标定";张贵阳等;《红外与激光工程》;20210430;第168-178页 *

Also Published As

Publication number Publication date
CN115100365A (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN110853075B (zh) 一种基于稠密点云与合成视图的视觉跟踪定位方法
CN109697728B (zh) 数据处理方法、装置、系统和存储介质
CN110246163B (zh) 图像处理方法及其装置、设备、计算机存储介质
CN109165680B (zh) 基于视觉slam的室内场景下单一目标物体字典模型改进方法
CN108364319B (zh) 尺度确定方法、装置、存储介质及设备
CN105654476B (zh) 基于混沌粒子群优化算法的双目标定方法
CN109977466B (zh) 一种三维扫描视点规划方法、装置及计算机可读存储介质
CN110276804B (zh) 数据处理方法及装置
CN113096234A (zh) 利用多张彩色图片生成三维网格模型的方法及装置
JP2013083505A (ja) ３次元座標位置推定装置、その方法、そのプログラムおよび３次元座標推定システム、ならびに、カメラ較正情報生成装置
CN113048980B (zh) 位姿优化方法、装置、电子设备及存储介质
CN109765936A (zh) 移动终端的定位和控制方法、装置及无人机
CN113361365B (zh) 定位方法和装置、设备及存储介质
CN106611441A (zh) 三维地图的处理方法和装置
CN109029464B (zh) 一种自设特征图形的视觉二维码室内定位方法
CN110276774A (zh) 物体的绘图方法、装置、终端和计算机可读存储介质
CN112233149A (zh) 场景流的确定方法及装置、存储介质、电子装置
CN115100365B (zh) 一种基于粒子群算法的相机最优基线获取方法
CN114255285A (zh) 视频与城市信息模型三维场景融合方法、系统及存储介质
CN108460797A (zh) 深度相机相对位姿及场景平面高度计算方法及装置
CN107240133A (zh) 一种立体视觉映射模型建立方法
CN106157321A (zh) 基于平面表面高动态范围图像的真实点光源位置测算方法
CN114913245B (zh) 一种基于无向有权图的多标定块多摄像头标定方法及系统
CN116740488A (zh) 一种用于视觉定位的特征提取模型的训练方法及装置
CN110555880A (zh) 一种焦距未知的p6p相机位姿估计方法

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
CB03 Change of inventor or designer information

Inventor after: Yin Jun

Inventor after: Zhou Wentao

Inventor after: Jiang Mingxi

Inventor after: He Xiao

Inventor after: Yu Yan

Inventor after: Li Longji

Inventor after: Hu Qingbo

Inventor after: Qian Bin

Inventor after: Guo Xin

Inventor after: Lu Xuan

Inventor after: Wang Zeyue

Inventor after: Nan Jieyin

Inventor after: Chang An

Inventor after: Chen Zhenhui

Inventor after: Liu Yuhao

Inventor after: Jin Yan

Inventor after: Wen Qingfeng

Inventor after: Li Xuegang

Inventor after: Wang Songbo

Inventor before: Yin Jun

Inventor before: Wang Songbo

Inventor before: Jin Yan

Inventor before: Chen Zhenhui

Inventor before: He Xiao

Inventor before: Chang An

Inventor before: Jiang Mingxi

Inventor before: Qian Bin

Inventor before: Hu Qingbo

Inventor before: Zhou Wentao

Inventor before: Lu Xuan

Inventor before: Guo Xin

Inventor before: Li Xuegang

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information

Inventor after: Yin Jun

Inventor after: Zhou Wentao

Inventor after: Jiang Mingxi

Inventor after: He Xiao

Inventor after: Yu Yan

Inventor after: Li Longji

Inventor after: Hu Qingbo

Inventor after: Qian Bin

Inventor after: Guo Xin

Inventor after: Lu Xuan

Inventor after: Wang Zeyue

Inventor after: Nan Jieyin

Inventor after: Chang An

Inventor after: Chen Zhenhui

Inventor after: Liu Yuhao

Inventor after: Jin Yan

Inventor after: Wen Qingfeng

Inventor after: Li Xuegang

Inventor after: Wang Songbo

Inventor before: Yin Jun

Inventor before: Zhou Wentao

Inventor before: Jiang Mingxi

Inventor before: He Xiao

Inventor before: Yu Yan

Inventor before: Li Longji

Inventor before: Hu Qingbo

Inventor before: Qian Bin

Inventor before: Guo Xin

Inventor before: Lu Xuan

Inventor before: Wang Zeyue

Inventor before: Nan Jieyin

Inventor before: Chang An

Inventor before: Chen Zhenhui

Inventor before: Liu Yuhao

Inventor before: Jin Yan

Inventor before: Wen Qingfeng

Inventor before: Li Xuegang

Inventor before: Wang Songbo

CB03 Change of inventor or designer information