基于EOBL-SSA算法的多相机标定优化方法技术

本发明专利技术涉及一种基于EOBL

【技术实现步骤摘要】
基于EOBL
‑
SSA算法的多相机标定优化方法


[0001]本专利技术属于机器视觉
，特别涉及一种基于EOBL
‑
SSA算法的多相机标定优化方法。

技术介绍

[0002]相机广泛应用到工业领域的各个方面，包括无人汽车、移动机器人、工业机器人等，为生产制造提供视觉辅助。相比于昂贵的激光雷达，视觉相机在目标识别检测领域的影响力越来越大。目标的位姿精确获得是目标识别检测的关键，而相机参数的标定是实现这一目标的基础和关键技术。相机内部参数和外部参数的标定的可靠性，直接影响到目标位姿的测量的精度和稳定性。因此，提高相机标定的精度对工业生产制造有着十分重要的意义。
[0003]反向学习是由Tizhoosh[15]提出的一种新颖的智能计算方法，并广泛地应用于提高各种优化算法的性能。基于反向学习策略的有效性，Wang等人对反向学习策略进行了改进，在反向学习的基础上引入了一个一般化的反向因子，提出一般反向学习策略，并进行了一系列的比较实验。实验结果表明，一般反向学习策略比反向学习策略具有更优越的性能。随后，汪慎文等人在一般反向学习策略的基础上引入精英学习的思想，提出精英反向学习策略，在一系列函数优化测试问题上的比较实验结果表明，精英反向学习策略能够在很大程度上增强一般反向学习策略的性能。

技术实现思路

[0004]本专利技术的目的在于提供一种基于EOBL
‑
SSA算法的多相机标定优化方法，对基于传统张正有标定法的相机标定的内参和畸变系数的优化，从而提高机器人视觉相机标定的精度。
[0005]实现本专利技术目的的技术解决方案为：一种基于EOBL
‑
SSA算法的多相机标定优化方法，包括以下步骤：
[0006]步骤1、获取不同角度的标定板图像，对图片预处理并提取角点特征；
[0007]步骤2、求解内参数和畸变系数初值；
[0008]步骤3、初始化SSA算法的相关参数以及对EOBL的参数；
[0009]步骤4、更新麻雀中的发现者、加入者和警戒者的位置；
[0010]步骤5、利用精英反向策略对优秀个体进行反向求解，保留优秀个体，与上一次迭代的麻雀位置比较并替换，更新这一组麻雀的位置；
[0011]步骤6、判断最优个体适应度的值是否满足预设精度或者是否达到最大迭代次数，如果没有就返回到步骤4，否则保留最优个体的位置，该个体对应的参数即为相机标定的结果。
[0012]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述相机标定优化方法的步骤。
[0013]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述相机标定优化方法的步骤。
[0014]本专利技术与现有技术相比，其显著优点为：1)本专利技术比传统方法的重投影误差更小，标定精度更高。2)本专利技术鲁棒性强，可重复使用，能较好的改善麻雀算法的局部收敛的问题，得到更好结果。3)本专利技术对相机内参优化有着良好的准确性和可行性。4)本专利技术提出的算法可以与实际工程案例结合，能准确、有效地用于多维非线性问题优化求解。
附图说明
[0015]图1为本专利技术的流程图。
[0016]图2为部分标定图片。
[0017]图3为SSA迭代500次、1000次目标函数曲线图。
[0018]图4为EOBL
‑
SSA迭代500次、1000次目标函数曲线图。
具体实施方式
[0019]麻雀搜索算法(Sparrow Search Algorithm,SSA)是于2020年提出来的一种新型的元启发式智能优化算法。SSA的产生主要是受到麻雀觅食行为和反捕食行为的启发，不断更新发现者、加入者、警戒者。具有寻优能力强，收敛速度快的优点。
[0020]本专利技术以麻雀算法为基础，结合精英反向策略对相机参数进行优化，利用精英反向策略降低麻雀算法陷入局部最优的可能性，提高种群的多样性，提高算法的收敛速度，进而保证算法的全局求解精度和效率，从而降低相机的重投影误差。
[0021]本专利技术提出一种基于改进麻雀算法在机器人可视化定位中相机标定的应用，采用融合模型优化技术，针对机器人在可视化定位中视觉相机标定精度的问题进行研究。根据当前新型智能算法的优缺点的问题，提出基于精英反向学习算法(EOBL)和麻雀搜索算法(SSA)融合的机器人视觉相机标定优化算法，并将麻雀搜索算法与本专利技术所提出的EOBL
‑
SSA优化方法进行对比分析。
[0022]下面结合附图对本专利技术的技术方案进行详细说明。
[0023]一种基于EOBL
‑
SSA算法的多相机标定优化方法，包括以下步骤：
[0024]步骤1、获取不同角度的标定板图像，对图片预处理并提取角点特征；
[0025]步骤2、求解内参数f
x
，f
y
，u0，v0和畸变系数k1，k2，k3，p1，p2初值；
[0026]步骤3、初始化SSA算法的相关参数以及对EOBL的参数；
[0027]步骤4、更新麻雀中的发现者、加入者和警戒者的位置；
[0028]步骤5、利用精英反向策略对前10％优秀个体进行反向求解，保留优秀个体，与上一次迭代的麻雀位置比较并替换，更新这一组麻雀的位置。
[0029]步骤6、判断最优个体适应度的值是否满足预设精度或者是否达到最大迭代次数，如果没有就返回到步骤4，否则保留最优个体的位置，该个体对应的参数即为相机标定的结果。
[0030]进一步的，步骤1中获取待标定相机对标定板在不同方向的图像，图像的数量应为6张以上；对获得图像进行灰度化处理，并对图像中棋盘格的角点提取。
[0031]进一步的，步骤2具体为：
[0032]根据相机成像关系和相机内部关系f
x
＝f
c1
/d
x
,f
y
＝f
c2
/d
y
，得到f
x
，f
y
，u0，v0的初值；其中f
c1
和f
c2
是相机焦距；d
x
和d
y
是像素的物理长度；u0和v0是相机光轴和图像平面交点；
[0033]相机成像关系式为：
[0034][0035]其中，z
c
为物距，x
d
,y
d
为像素坐标系，x
w
、y
w
、z
w
为世界坐标系，R、T为图像旋转平移矩阵；
[0036]由于该初值是在理想条件下求得，需要引入畸变系数k1,k2,k3,p1,p2加以校正，其中k1,k2,k3为径向畸变系数，p1,p2为切向畸变系数；
[0037]利用径向畸变数学模型<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于EOBL
‑
SSA算法的多相机标定优化方法，其特征在于，包括以下步骤：步骤1、获取不同角度的标定板图像，对图片预处理并提取角点特征；步骤2、求解内参数和畸变系数初值；步骤3、初始化SSA算法的相关参数以及对EOBL的参数；步骤4、更新麻雀中的发现者、加入者和警戒者的位置；步骤5、利用精英反向策略对优秀个体进行反向求解，保留优秀个体，与上一次迭代的麻雀位置比较并替换，更新这一组麻雀的位置；步骤6、判断最优个体适应度的值是否满足预设精度或者是否达到最大迭代次数，如果没有就返回到步骤4，否则保留最优个体的位置，该个体对应的参数即为相机标定的结果。2.根据权利要求1所述的基于EOBL
‑
SSA算法的多相机标定优化方法，其特征在于，步骤1中获取待标定相机对标定板在不同方向的图像，图像的数量应为6张以上；对获得图像进行灰度化处理，并对图像中棋盘格的角点进行提取。3.根据权利要求1所述的基于EOBL
‑
SSA算法的多相机标定优化方法，其特征在于，步骤2具体为：根据相机成像关系和相机内部关系f
x
＝f
c1
/d
x
,f
y
＝f
c2
/d
y
，得到u0，v0的初值；其中f
c1
和f
c2
是相机焦距；d
x
和d
y
是像素的物理长度；u0和v0是相机光轴和图像平面交点；相机成像关系式为：其中，z
c
为物距，x
d
，y
d
为像素坐标系，x
w
、y
w
、z
w
为世界坐标系，R、T为图像旋转平移矩阵；由于该初值是在理想条件下求得，需要引入畸变系数加以校正，k1,k2,k3为径向畸变系数，p1,p2为切向畸变系数；利用径向畸变数学模型和切向畸变数学模型以及联立得到求得畸变下的初值；式中，[x
u
,y
u
]图像归一化平面任一点p的坐标，r为点p与坐标系原点之间的距离；利用张正有标定法对相机标定，得到优化前的参数值。4.根据权利要求1所述的基于EOBL
‑
SSA算法的多相机标定优化方法，其特征在于，步骤
3中初始化SSA算法和EOBL算法的相关参数过程为：包括种群的数量n，搜索空间的范围，迭代次数iter
max
；随机选取n个个体初始位置找出当前种群中最优个体的位置，并计算其适应度，其中d为种群个体的维数；建立相机标定问题的目标函数：其中p
ij
为图像的匹配点，p为p
ij
对应的重投影的点；根据目标函数获...

【专利技术属性】
技术研发人员：郭佳，诸云，杜帅，王建宇，苏岩，黄成文渊，王阳，于捷平，
申请(专利权)人：江苏省中以产业技术研究院，
类型：发明
国别省市：