一种基于蚁群算法的摄像机标定方法

摘要

本发明实施例公开了一种基于蚁群算法的摄像机标定方法，包括以下步骤：根据弧形标定模板对摄像机进行拍摄画面校准；通过线性标定计算获得各摄像参数对应的参数集合；在所述各参数集合中分别随机选择一个元素，通过蚂蚁进行随机搜索，搜索完成后在该元素上留下信息素；对所述各参数集合中的元素中的信息素根据预设算法进行调节，根据调解结果对信息素进行更新，直至所述各参数集合中的元素中的信息素收敛于最优解；输出所述最优解作为所述摄像机的标定结果。通过本发明实施例，实现在摄像机标定过程中综合应用蚁群算法，从而，获取了真正揭示摄像机成像的参数关系，减少了测量结果在摄像系统标定环节的系统误差。

说明书

技术领域

本发明涉及媒体技术领域，特别是涉及一种基于蚁群算法的摄像机标定方法。

背景技术

蚁群算法(Ant Colony Algorithm)是九十年代由意大利学者M.Dorigo等人首先提出来的。蚁群算法作为一种全局式概率选择算法，通过创建一个有限规模的人工蚂蚁群体，蚂蚁间相互协作搜寻某问题的最优解。每只蚂蚁根据问题给定的准则，从被选的初始状态出发建立一可行解，但此解很可能是较差解，蚁群中不同个体同时建立很多不同解决方案，找出高质量的解是所有个体在全局范围相互协作的结果。在建立自己解决方案时，每只蚂蚁不使用直接通讯，而是用信息素指引相互间的信息交换，搜索过程采用一种结构上的贪婪式启发法，与信息素密度函数共同决定蚂蚁的行进轨迹。

利用蚁群算法进行优化求解的基本思想是：假定有M个待优化的参数，记为p1，p2，…pM，对于其中任一参数，将其设置为可能取值范围内的N个随机非零数，形成一个集合，全部蚂蚁从蚁巢出发去寻找食物。每只蚂蚁从集合出发，根据集合中每个元素的信息素状态和转移概率，独立随机地从每个集合中唯一地选择一个元素；当蚂蚁在所有集合中完成元素的选择后，它就到达了食物源，即完成一次随机搜索。每只蚂蚁走过的路线构成优化问题的一个候选解。然后按一定规则调节集合中各元素的信息素。这一过程被反复进行，直至找到最优解而停止搜索。当进化趋势不明显或达到指定迭代最大次数时，就能找到最优解。

在实现本发明的过程中，发明人发现现有技术至少存在以下问题：

蚁群算法的应用已经很广泛，但在摄像参数获取领域却没有应用，因此，虽然人们对摄像机标定过程做了多方面的探讨，但该过程中至今还没有一种综合应用蚁群算法，真正揭示摄像机成像参数关系的标定方法，从而使测量结果在摄像系统标定环节就带来较大的误差。

发明内容

本发明实施例要解决的问题是提供一种蚁群算法的摄像机标定方法，通过在摄像机标定过程中综合应用蚁群算法，从而，获取真正揭示摄像机成像的参数关系，减少测量结果在摄像系统标定环节的系统误差。

为达到上述目的，本发明实施例一方面提出一种基于蚁群算法的摄像机标定方法，包括以下步骤：

根据弧形标定模板对摄像机进行拍摄画面校准；

通过线性标定计算获得各摄像参数对应的参数集合；

在所述各参数集合中分别随机选择一个元素，通过蚂蚁进行随机搜索，搜索完成后在该元素上留下信息素；

对所述各参数集合中的元素中的信息素根据预设算法进行调节，根据调解结果对信息素进行更新，直至所述各参数集合中的元素中的信息素收敛于最优解；

输出所述最优解作为所述摄像机的标定结果。

其中，所述根据弧形标定模板对摄像机进行拍摄画面校准，具体包括：

在摄像机前方放置主体形状为弧形的标定模板；

调整所述标定模板的放置方式，使所述标定模板上的控制点在所述摄像机中的成像清晰；

根据所述标定模板的放置方式的变化拍摄所述标定模板的图像。

其中，所述通过线性标定计算获得各摄像参数对应的参数集合，具体包括以下步骤：

通过线性标定计算获得各摄像参数的初始值；

将所述各摄像参数的初始值构造成一个集合；

将所述集合中的每一个元素乘以N各随机常数，获得所述各摄像参数对应的参数集合。

其中，所述通过线性标定计算获得摄像参数的初始值，具体包括：

获取摄像设备的尺度因子；

通过线性标定方法求取旋转矩阵、平移矩阵、有效焦距和图像中心。

其中，所述各摄像参数，具体为：

s_r＝<θ_x，θ_y，θ_z，t₁，t₂，t₃，f，u₀，v₀，dx，dy，k>，

其中，θ_x、θ_y、θ_z分别为坐标系绕各坐标轴旋转的角度，<t₁、t₂、t₃>为平移矩阵，f为有效焦距，u₀、v₀为图像中心，dx，dy为所述摄像设备的尺度因子，k为设定的畸变参数。

其中，所述设定的畸变参数k，具体为：

根据经验设定，所述畸变参数的数量级具体为10^-4～10^-1。

其中，所述在各参数集合中分别随机选择一个元素，通过蚂蚁进行随机搜索的概率，具体通过以下公式进行计算：

$p\left({\tau }_j^k\left(I_{\mathrm{pi}}\right)\right)=\frac{{\tau }_j\left(I_{\mathrm{pi}}\right){\eta }_j^{\beta }\left(I_{\mathrm{pi}}\right)}{\underset{j=1}{\overset{N}{\Sigma }}{\tau }_j\left(I_{\mathrm{pi}}\right)},$${\eta }_j^{\beta }={\mathrm{fit}}^k\left(x\right)$

其中，k表示蚂蚁序数，i表示参数集合序数，j表示元素序数，τ_j^k(I_pi)意味着第k个蚂蚁在第i个参数集合Ip_i中的第j个元素上留下的信息素，η_j^β表示蚂蚁k选择第i个参数集合Ip_i中第j个元素的期望程度。

其中，所述τ_j^k(I_pi)，具体通过以下方式进行计算：

进一步的，

e^k＝fit(x′)-fit(x)

其中，所述对各参数集合中的元素中的信息素根据预设算法进行调节，具体通过以下算法进行调节：

τ_j(I_pi)(t+n)＝ρτ_j(I_pi)(t)+τ_j(I_pi)

${\tau }_j^k\left(I_{\mathrm{pi}}\right)=\underset{k=1}{\overset{K}{\Sigma }}{\tau }_j^k\left(I_{\mathrm{pi}}\right)$

其中，参数ρ为信息素的持久性系数，0＜ρ＜1；1-ρ为信息素的消逝程度。

本发明实施例的技术方案具有以下优点，通过在摄像机标定过程中综合应用蚁群算法，从而，获取真正揭示摄像机成像的参数关系，减少测量结果在摄像系统标定环节的系统误差。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供一种基于蚁群算法的摄像机标定方法的流程示意图；

图2为本发明实施例提供一种基于蚁群算法的摄像机标定方法的流程示意图。

具体实施方式

本发明实施例提供了一种基于蚁群算法的摄像机标定方法，通过在摄像机标定过程中综合应用蚁群算法，从而，获取真正揭示摄像机成像的参数关系，减少测量结果在摄像系统标定环节的系统误差。

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，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施例提供一种基于蚁群算法的摄像机标定方法，包括以下步骤：

步骤S101、根据弧形标定模板对摄像机进行拍摄画面校准，具体包括：

在摄像机前方放置主体形状为弧形的标定模板；

调整蚁群算法标定模板的放置方式，使蚁群算法标定模板上的控制点在蚁群算法摄像机中的成像清晰；

根据蚁群算法标定模板的放置方式的变化拍摄蚁群算法标定模板的图像。

步骤S102、通过线性标定计算获得各摄像参数对应的参数集合，具体包括以下步骤：

(1)通过线性标定计算获得各摄像参数的初始值，具体包括：

获取摄像设备的尺度因子；

通过线性标定方法求取旋转矩阵、平移矩阵、有效焦距和图像中心。

(2)将蚁群算法各摄像参数的初始值构造成一个集合；

(3)将蚁群算法集合中的每一个元素乘以N各随机常数，获得蚁群算法各摄像参数对应的参数集合。

其中，蚁群算法各摄像参数具体为：

s_r＝<θ_x，θ_y，θ_z，t₁，t₂，t₃，f，u₀，v₀，dx，dy，k>，

在该式中，θ_x、θ_y、θ_z分别为坐标系绕各坐标轴旋转的角度，<t₁、t₂、t₃>为平移矩阵，f为有效焦距，u₀、v₀为图像中心，dx，dy为蚁群算法摄像设备的尺度因子，k为设定的畸变参数。

进一步的，畸变参数k具体为：

根据经验设定，蚁群算法畸变参数的数量级具体为10^-4～10^-1。

步骤S103、在蚁群算法各参数集合中分别随机选择一个元素，通过蚂蚁进行随机搜索，搜索完成后在该元素上留下信息素。

其中，通过蚂蚁进行随机搜索的概率，具体通过以下公式进行计算：

$p\left({\tau }_j^k\left(I_{\mathrm{pi}}\right)\right)=\frac{{\tau }_j\left(I_{\mathrm{pi}}\right){\eta }_j^{\beta }\left(I_{\mathrm{pi}}\right)}{\underset{j=1}{\overset{N}{\Sigma }}{\tau }_j\left(I_{\mathrm{pi}}\right)},$${\eta }_j^{\beta }={\mathrm{fit}}^k\left(x\right)$

其中，k表示蚂蚁序数，i表示参数集合序数，j表示元素序数，τ_j^k(I_pi)意味着第k个蚂蚁在第i个参数集合Ip_i中的第j个元素上留下的信息素，η_j^β表示蚂蚁k选择第i个参数集合Ip_i中第j个元素的期望程度。

其中，蚁群算法τ_j^k(I_pi)，具体通过以下方式进行计算：

进一步的，

e^k＝fit(x′)-fit(x)

步骤S104、对蚁群算法各参数集合中的元素中的信息素根据预设算法进行调节，根据调解结果对信息素进行更新，直至蚁群算法各参数集合中的元素中的信息素收敛于最优解。

具体通过以下算法进行调节：

τ_j(I_pi)(t+n)＝ρτ_j(I_pi)(t)+θ_j(I_pi)

${\tau }_j^k\left(I_{\mathrm{pi}}\right)=\underset{k=1}{\overset{K}{\Sigma }}{\tau }_j^k\left(I_{\mathrm{pi}}\right)$

其中，参数ρ为信息素的持久性系数，0＜ρ＜1；1-ρ为信息素的消逝程度。

步骤S105、输出蚁群算法最优解作为蚁群算法摄像机的标定结果。

本发明实施例的技术方案具有以下优点，通过在摄像机标定过程中的参数获取流程中综合考虑各种畸变，从而，获取真正揭示摄像机成像的参数关系，减少测量结果在摄像系统标定环节的系统误差。

在具体的应用环境中，本发明实施例还提供了一种基于蚁群算法的摄像机标定方法，如图2所示，包括以下步骤：

步骤S201、由线性算法可以估算出s_r＝<θ_x，θ_y，θ_z，t₁，t₂，t₃，f，u₀，v₀，dx，dy，k>的每一个初值(其中畸变参数k为的取值根据经验确定，其数量级一般为10^-4～10^-1)，这样我们第一步获得了这12个待优化参数的初值pi。

步骤S202、然后构造集合Ip_i。

具体方法是：计算机生成N个随机非零数(这个用程序很好做)，把这N个随机非零数归一到0～1之间，然后乘以Pi，这样得到了跟Pi相关的N个可选参数，依次类推，我们可以得到12个这样的集合。

--------------------------------------

θ_x(θ_x1、θ_x2、θ_x3，……，θ_xn)

θ_y(θ_y1、θ_y2、θ_y3，……，θ_yn)

……

K(k1，k2，k3，……，kn)

---------------------------

对应理论中的对于其中任一参数p_i(1≤i≤M)，将其设置为可能取值范围内的N个随机非零数，形成一个集合Ip_i。

步骤S203、每个蚂蚁都是这么走，先从上面的θ_x集合中找一个元素，然后在θ_y集合中找一个元素，在从θ_z集合中找一个元素，……，在从k集合中找一个元素，依次走完这12个参数，就算完成一次随机搜索。

其中蚂蚁都是根据下式计算的概率，依次在每个集合Ip_i中随机选择第j个元素。

第k个蚂蚁在第i个参数集合Ip_i中的第j个元素的概率为：

$p\left({\tau }_j^k\left(I_{\mathrm{pi}}\right)\right)=\frac{{\tau }_j\left(I_{\mathrm{pi}}\right){\eta }_j^{\beta }\left(I_{\mathrm{pi}}\right)}{\underset{j=1}{\overset{N}{\Sigma }}{\tau }_j\left(I_{\mathrm{pi}}\right)},$${\eta }_j^{\beta }={\mathrm{fit}}^k\left(x\right)$

其中τ_j^k(I_pi)意味着第k个蚂蚁在第i个参数集合Ip_i中的第j个元素上留下的信息素。

e^k＝fit(x′)-fit(x)

其中η_j^β表示蚂蚁k选择第i个参数集合Ip_i中第j个元素的期望程度。

步骤S204、信息素更新。

当所有蚂蚁在每个集合中都选择了一个元素后，计算各蚂蚁所选元素的构出的解的适应值，记录当前所选参数中的最优解。并对所有集合Ip_i(1≤i≤M)中各元素的信息素按下式进行调节(设上述蚂蚁觅食过程经历了n个时间单位)。

τ_j(I_pi)(t+n)＝ρτ_j(I_pi)(t)+τ_j(I_pi)

${\tau }_j^k\left(I_{\mathrm{pi}}\right)=\underset{k=1}{\overset{K}{\Sigma }}{\tau }_j^k\left(I_{\mathrm{pi}}\right)$

式中，参数ρ为信息素的持久性系数，0＜ρ＜1；1-ρ为信息素的消逝程度。

步骤S205、迭代循环，重复步骤S203和S204，直到所有的蚂蚁全部收敛到一条路径(也就是说所有的蚂蚁在每个集合中都是选择相同或近似相同的参数)或者是达到了最大的迭代次数时，输出最优的解，算法结束。

具体的，在本发明实施例中，选择M＝20个蚂蚁，迭代次数N＝200，信息素初始值C＝1，Δτ＝0，Q＝1，ρ＝0.85，并通过以上步骤进行计算，

本发明实施例的技术方案具有以下优点，通过在摄像机标定过程中综合应用蚁群算法，从而，获取真正揭示摄像机成像的参数关系，减少测量结果在摄像系统标定环节的系统误差。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可以通过硬件实现，也可以可借助软件加必要的通用硬件平台的方式来实现基于这样的理解，本发明的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)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)执行本发明各个实施例所述的方法。

本领域技术人员可以理解附图只是一个优选实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

以上所述仅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，这些改进和润饰也应视本发明的保护范围。