一种基于单目视觉的三次元图像校准方法技术

本发明专利技术公开了一种基于单目视觉的三次元图像校准方法，它包括对遗传算法进行了进一步调整，通过修正其杂交概率Pc和变异概率Pm，使得自适应遗传算法能在种群演化的各个时期有较好的通用性；接着，在参考径向基神经网络算法的基础上，运用改进的遗传算法对径向基神经网络进行改进，使得使径向基神经网络算法的故障分类问题训练误差进一步减小，训练收敛性更好；最后，通过超分辨图像重构数学处理方法将图像进行重构，使获取到的低分辨率图像清晰度得到显著提高。

【技术实现步骤摘要】
一种基于单目视觉的三次元图像校准方法
本专利技术涉及三次元图像处理
，特别是一种基于单目视觉的三次元图像校准方法。
技术介绍
传统遗传算法也称为标准遗传算法(SGA)，在应用于三次元图像的最优化分割时，优点表现为即使在复杂背景下也能通过对目标灰度进行变异和优化。该方法也存在一些缺点，比如：在交叉和变异的环节使用的固定的交叉率Pc和变异率Pm，容易导致种群收敛的速度过快，陷入的收敛，稳定性不够。SGA对系统中的反馈信息利用不够，在寻优过程的后期要做大量无谓的冗余迭代，求精确解的效率比较低，难以在较快的收敛速度的前提下保持较强的鲁棒性。应用于三次元图像处理
，其处理后的三次元图像清晰度不足。
技术实现思路
有鉴于现有技术的上述缺陷，本专利技术的目的就是提供一种基于单目视觉的三次元图像校准方法，能够可以使获取到的低分辨率三次元图像清晰度得到显著的提高。。本专利技术的目的是通过这样的技术方案实现的，一种基于单目视觉的三次元图像校准方法，它包括有：所述方法步骤如下：S1：对传统自适应遗传算法的杂交概率Pc和变异概率Pm进行修正；S2：使用步骤S1中改进后的遗传算法对径向基神经网络算法处理单目视觉图像的过程进行优化。进一步，步骤S1中所述杂交概率Pc和变异概率Pm修正后的公式如下：其中：Pc表示杂交概率；Pm表示变异概率；fmax为种群中最大适应度值；f’表示交叉的两个个体中较大的适应度值；favg表示种群的平均适应度值；f表示要变异的个体的适应度值；k1’表示当fmax和f’相等时的杂交概率；k2’表示最大杂交概率；k3’表示当fmax和f相等时的变异概率；k4’表示最大变异概率。进一步，步骤S2中所述遗传算法对径向基神经网络算法处理单目视觉三次元图像的过程进行优化的具体步骤如下：S21：确定输入输出将输入样本三次元图像中各像素点的R、G、B值，各像素点周围8个相邻点的灰度值Gr，组成一个具有11维的输入模式：I＝{R,G,B,GrL,GrLT,GrLB,GrT,GrB,GrR,GrRT,GrRB}其中：R、G、B为像素的R、G、B颜色分量；GrL、GrB、GrT……为像素点相邻的8个像素的灰度值；输出模式为一维，根据目标图像中各点对应的颜色情况，将背景颜色取为0.将前景颜色取为1；S22：用随机方法产生一维数据ωij，设含有n组神经网络权值生成的种群，隐层神经元个数为m，则生成的初始权值为：{(ω11,ω12,…,ω1m),(ω21,ω22,…,ω2m),(ωn1,ωn2,…,ωnm)}；S23：利用logistic方程产生子代网络权值序列；S24：适应值计算设p为输出节点数，yi为网络计算结果，ti为实际值，则节点误差：则其适应值为：判断其适应值是否达到预设要求，若达到则结束处理，若没有达到则转向步骤S25；S25：K-均值聚类选取m个样本为聚类中心，将输入样本按最近邻规则分组，将满足式di＝min|Xj-Ci|的样本进行分配，其平均值用式进行计算；其中：Xj表示输入样本，j＝1,2,……,n；Ci表示第i个聚类中心；Ci’表示新的聚类中心。进一步，所述方法还包括有：S31：输入层到隐层的计算采用高斯函数为径向基函数：其中，其中：x表示输入向量；m表示隐层神经元个数；dm表示所选中心的最大距离；σ表示Ci围绕中心的宽度；S32：隐层到输出层的计算S33：选择对每一种群的选择概率用公式进行计算，对累计概率用公式进行计算。进一步，所述方法还包括有：S41：交叉确定交叉概率的公式为：若随机数小于交叉概率，则该种群参加交叉操作；S42：变异确定变异概率的公式为：若随机数小于变异概率，则对该位进行变异，进行变异操作，将原位为1的变为0，将原位为0的变为1，并转向步骤S24；S43：对图像进行重构，重构公式为：bk＝Hkx+nk，1≤k≤p其中，p为得到的低分辨率图像帧数，bk是第k帧低分辨率图像，用一个M×1的向量来表示，其中M＝m×n为获得的每帧低分辨率图像的大小，x为高分辨率的图像，用l2M×1来表示，其中l为每个方向上的分辨率提高系数，为Hk表示包含相对参考帧运动、欠采样因素在内的一个系数矩阵，nk表示附加噪声，用M×1来表示；高分辨率图像可以通过以下式子来计算：x＝HT(HHT+λI)-1b其中，λ表示正则化参数，I为单位矩阵。由于采用了上述技术方案，本专利技术具有如下的优点：本专利技术对遗传算法进行了进一步调整，通过修正其杂交概率Pc和变异概率Pm，使得自适应遗传算法能在种群演化的各个时期有较好的通用性；接着，在参考径向基神经网络算法的基础上，运用改进的遗传算法对径向基神经网络进行改进，使得使径向基神经网络算法的故障分类问题训练误差进一步减小，训练收敛性更好；最后，通过超分辨三次元图像重构数学处理方法将三次元图像进行重构，使获取到的低分辨率三次元图像清晰度得到显著提高。本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。附图说明本专利技术的附图说明如下：图1为本专利技术的流程示意图。图2为本专利技术的单目摄像机图像获取原理图。图3为本专利技术的遗传算法流程示意图。图4为传统径向基神经网络算法的故障分类问题误差训练曲线。图5为改进径向基神经网络算法的故障分类问题误差训练曲线。具体实施方式下面结合附图和实施例对本专利技术作进一步说明。实施例：如图1至图5所示；一种基于单目视觉的三次元图像校准方法，它包括有：所述方法步骤如下：S1：对传统自适应遗传算法的杂交概率Pc和变异概率Pm进行修正；S2：使用步骤S1中改进后的遗传算法对径向基神经网络算法处理单目视觉图像的过程进行优化。步骤S1中所述杂交概率Pc和变异概率Pm修正后的公式如下：其中：Pc表示杂交概率；Pm表示变异概率；fmax为种群中最大适应度值；f’表示交叉的两个个体中较大的适应度值；favg表示种群的平均适应度值；f表示要变异的个体的适应度值；k1’表示当fmax和f’相等时的杂交概率；k2’表示最大杂交概率；k3’表示当fmax和f相等时的变异概率；k4’表示最大变异概率。步骤S2中所述遗传算法对径向基神经网络算法处理单目视觉三次元图像的过程进行优化的具体步骤如下：S21：确定输入输出将输入样本三次元图像中各像素点的R、G、B值，各像素点周围8个相邻点的灰度值Gr，组成一个具有11维的输入模式：I＝{R,G,B,GrL,GrLT,GrLB,GrT,GrB,GrR,GrRT,GrRB}其中：R、G、B为像素的R、G、B颜色分量；GrL、GrB、GrT……为像素点相邻的8个像素的灰度值；输出模式为一维，根据目标图像中各点对应的颜色情况，将背景颜色取为0.将前景颜色取为1；S22：用随机方法产生一维数据ωij，设含有n组神经网络权值生成的种群，隐层神经元个数为m，则生成的初始权值为：{(ω11,ω12,…,ω1m),(ω21,ω22,…,ω2m),(ωn1,ωn2,…,ωnm)}；S23：利用logistic方程产生子代网络权值序列；S24：适应值计算设p为输出节点数，yi为网络计算结果本文档来自技高网...

【技术保护点】
一种基于单目视觉的三次元图像校准方法，其特征在于，所述方法步骤如下：S1：对传统自适应遗传算法的杂交概率Pc和变异概率Pm进行修正；S2：使用步骤S1中改进后的遗传算法对径向基神经网络算法处理单目视觉图像的过程进行优化。

【技术特征摘要】
1.一种基于单目视觉的三次元图像校准方法，其特征在于，所述方法步骤如下：S1：对传统自适应遗传算法的杂交概率Pc和变异概率Pm进行修正；S2：使用步骤S1中改进后的遗传算法对径向基神经网络算法处理单目视觉图像的过程进行优化。2.如权利要求1所述的基于单目视觉的三次元图像校准方法，其特征在于，步骤S1中所述杂交概率Pc和变异概率Pm修正后的公式如下：其中：Pc表示杂交概率；Pm表示变异概率；fmax为种群中最大适应度值；f’表示交叉的两个个体中较大的适应度值；favg表示种群的平均适应度值；f表示要变异的个体的适应度值；k1’表示当fmax和f’相等时的杂交概率；k2’表示最大杂交概率；k3’表示当fmax和f相等时的变异概率；k4’表示最大变异概率。3.如权利要求2所述的基于单目视觉的三次元图像校准方法，其特征在于，步骤S2中所述遗传算法对径向基神经网络算法处理单目视觉三次元图像的过程进行优化的具体步骤如下：S21：确定输入输出将输入样本三次元图像中各像素点的R、G、B值，各像素点周围8个相邻点的灰度值Gr，组成一个具有11维的输入模式：I＝{R,G,B,GrL,GrLT,GrLB,GrT,GrB,GrR,GrRT,GrRB}其中：R、G、B为像素的R、G、B颜色分量；GrL、GrB、GrT……为像素点相邻的8个像素的灰度值；输出模式为一维，根据目标图像中各点对应的颜色情况，将背景颜色取为0.将前景颜色取为1；S22：用随机方法产生一维数据ωij，设含有n组神经网络权值生成的种群，隐层神经元个数为m，则生成的初始权值为：{(ω11,ω12,…,ω1m),(ω21,ω22,…,ω2m),(ωn1,ωn2,…,ωnm)}；S23：利用logistic方程产生子代网络权值序列；S24：适应值计算设p为输出节点数，yi为网络计算结果，ti为实际值，则节点误差：则其适应值为：

【专利技术属性】
技术研发人员：李建，喻常庆，岳翰林，
申请(专利权)人：重庆高铁计量检测有限公司，
类型：发明
国别省市：重庆,50