【技术实现步骤摘要】
本申请涉及图像处理，具体而言，涉及一种双目相机的标定方法、系统、设备及介质。
技术介绍
1、相机标定指的是求解相机的参数即成像模型参数的过程。相机的几何成像模型决定了三维空间物体表面的点与二维图像中对应点的变换关系，因此相机标定过程是三维重建中必不可少的步骤。为了提升相机标定的精度，通常会引入遗传算法进行实现相机参数的标定。但是，传统遗传算法容易产生早熟收敛和易陷入局部最优解的问题，从而，一定程度上影响了标定的精准度。
技术实现思路
1、本申请的目的在于提供一种双目相机的标定方法、系统、设备及介质，其能够快速准确的对双目相机进行标定。
2、本申请是这样实现的：
3、第一方面，本申请提供一种双目相机的标定方法，包括以下步骤：
4、初始化粒子的参数并进行二进制编码，得到粒子群；所述粒子为bp神经网络的初始参数和阈值。执行循环过程直至满足预设条件；其中，上述预设条件为个体极好值和群体极好值满足预设条件或迭代次数达到迭代阈值，上述循环过程包括：构建并基于构建的适应度函数，计算粒子群中的个体的适应度值，得到各粒子当前的个体极好值的位置并以此更新粒子的历史最优位置，以及群体极好值的位置并以此更新为全局最优位置；基于粒子的历史最优位置、全局最优位置，动态计算粒子群中的每个粒子的速度和位置、以及惯性权重。引入遗传算法，对群体中适应度较高的粒子进行交叉、变异操作，以产生新的子代，并将新的子代与原粒子群合并后，继续进行算法迭代。根据从粒子群中选取的最优解，确定bp神
5、进一步地，基于前述方案，上述适应度函数的公式为：其中，x为样本值，y为对应的期望值，n为样本个数。
6、进一步地，基于前述方案，上述动态计算粒子群中的每个粒子的速度和位置、以及惯性权重，包括：基于公式和动态计算粒子群中的每个粒子的速度vid和位置xid；其中，i＝1,2…，m；d＝1,2…，d；m为粒子群中的全部粒子个数，d为粒子群搜索空间；上标k与k+1表示迭代次数；c1和c2为动态调整的加速因子；rand()为随机生成的[0,1]区间内的随机数；pid为粒子的历史最优位置，pgbest为全局最优位置。基于公式动态计算惯性权重其中，为设定的最小惯性权重，为设定的最大惯性权重，nite为当前迭代次数，nite，max为最大迭代次数。
7、进一步地，基于前述方案，上述c1和c2是基于以下公式动态调整的：
8、
9、
10、其中，c1，min和c1，max分别为c1的最小值和最大值，c2，min和c2，max分别为c2的最小值和最大值，exp表示以e为底的指数函数，a为根据rand(0,1)在[0,1]区间内随机生成的随机数。
11、进一步地，基于前述方案，上述bp神经网络模块的正向传播函数为：其中，表示第k-1层的第j个神经元到第k层的第i个神经元的连接权值、表示第k层第i个神经元输入的总和，表示第k-1层第j个神经元输出的总和。上述bp神经网络的激活函数为：其中表示第k层第i个神经元输出的总和。上述bp神经网络的目标函数为：其中，yi是激活函数计算的理论值，z是激活函数计算的真实值。
12、进一步地，基于前述方案，上述bp神经网络模块采用自适应的学习率η，计算公式为：其中n表示迭代次数。
13、进一步地，基于前述方案，在动态计算粒子群中的每个粒子的速度和位置、以及惯性权重时，引入有遗传算法，对群体中适应度较高的粒子进行交叉、变异操作，以产生新的子代，并将新的子代与原粒子群合并后，继续进行算法迭代。
14、第二方面，本申请提供一种双目相机的标定系统，其包括：
15、初始化模块，被配置为：初始化粒子的参数并进行二进制编码，得到粒子群；所述粒子为bp神经网络的初始参数和阈值。迭代模块，被配置为：执行循环过程直至满足预设条件；其中，上述预设条件为个体极好值和群体极好值满足预设条件或迭代次数达到迭代阈值，上述循环过程包括：构建并基于构建的适应度函数，计算粒子群中的个体的适应度值，得到各粒子当前的个体极好值的位置并以此更新粒子的历史最优位置，以及群体极好值的位置并以此更新为全局最优位置；基于粒子的历史最优位置、全局最优位置，动态计算粒子群中的每个粒子的速度和位置、以及惯性权重。引入遗传算法，对群体中适应度较高的粒子进行交叉、变异操作，以产生新的子代，并将新的子代与原粒子群合并后，继续进行算法迭代。标定模块，被配置为：根据从粒子群中选取的最优解，确定bp神经网络的网络参数和权值，并利用正向传播和误差反向纠正的学习规则进行模型训练，以得到并利用得到的bp神经网络模块对双目相机进行标定。
16、第三方面，本申请提供一种电子设备，包括至少一个处理器、至少一个存储器和数据总线；其中：上述处理器与上述存储器通过上述数据总线完成相互间的通信；上述存储器存储有被上述处理器执行的程序指令，上述处理器调用上述程序指令以执行如上述第一方面中任一项所述的方法。
17、第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项所述的方法。
18、相对于现有技术，本申请至少具有如下优点或有益效果：
19、本申请通过对标定流程进行改进，以利用网络的动态学习和不断修正的优点用以实现摄像头参数的标定，与传统的张正友标定和ga-bp网络标定相比，精确度都有所提升。并且解决了传统遗传算法(ga)容易产生早熟收敛和易陷入局部最优解的问题，改进了搜索最佳值的能力，具有更快的收敛速度，能保持种群的多样性，并提高了全局搜索能力。其中，ga变异初期可以明显增强局部搜索能力，增加种群的多样性，但稳定后，ga变异操作会打破种群稳定的平衡，使种群迭代过程被迫停止。而粒子群算法在寻找最优解的过程中存在大量低速聚集粒子，消耗大量计算资源，延缓后期收敛速度，导致pso搜索陷入局部最优解。而本申请中对pso进行改进，并引入交叉和变异操作，可以用以解决上述问题。
本文档来自技高网...【技术保护点】
1.一种双目相机的标定方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种双目相机的标定方法，其特征在于，所述适应度函数的公式为：其中，x为样本值，y为对应的期望值，n为样本个数。
3.如权利要求1所述的一种双目相机的标定方法，其特征在于，所述动态计算粒子群中的每个粒子的速度和位置、以及惯性权重，包括：
4.如权利要求3所述的一种双目相机的标定方法，其特征在于，所述c1和c2是基于以下公式动态调整的：
5.如权利要求1所述的一种双目相机的标定方法，其特征在于，所述BP神经网络模块的正向传播函数为：其中，表示第k-1层的第j个神经元到第k层的第i个神经元的连接权值、表示第k层第i个神经元输入的总和，表示第k-1层第j个神经元输出的总和；
6.如权利要求1所述的一种双目相机的标定方法，其特征在于，所述BP神经网络模块采用自适应的学习率η，计算公式为：
7.一种双目相机的标定系统，其特征在于，包括：
8.一种电子设备，其特征在于，包括至少一个处理器、至少一个存储器和数据总线；其中：所述处理器与所
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
...【技术特征摘要】
1.一种双目相机的标定方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种双目相机的标定方法，其特征在于，所述适应度函数的公式为：其中，x为样本值，y为对应的期望值，n为样本个数。
3.如权利要求1所述的一种双目相机的标定方法，其特征在于，所述动态计算粒子群中的每个粒子的速度和位置、以及惯性权重，包括：
4.如权利要求3所述的一种双目相机的标定方法，其特征在于，所述c1和c2是基于以下公式动态调整的：
5.如权利要求1所述的一种双目相机的标定方法，其特征在于，所述bp神经网络模块的正向传播函数为：其中，表示第k-1层的第j个神经元到第k层的第i个神经元的连接权值、表示第k层第i个神...
【专利技术属性】
技术研发人员：杨记鑫，胡伟霞，简毅，赵杰，黄小军，杨金龙，沈文坛，
申请(专利权)人：成都理工大学工程技术学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。