[发明专利]基于EOBL-SSA算法的多相机标定优化方法

说明书

本发明涉及一种基于EOBL‑SSA算法的多相机标定优化方法，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和麻雀搜索算法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发明所提出的EOBL‑SSA优化方法进行对比分析。本发明可以提高机器人视觉相机标定的精度，为机器人视觉的三维重建和路径规划提供更高的视觉精度。

技术领域

本发明属于机器视觉技术领域，特别涉及一种基于EOBL-SSA算法的多相机标定优化方法。

背景技术

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。

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。

发明内容

本发明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。

实现本发明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：

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。

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。

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。

本发明与现有技术相比，其显著优点为：1)本发明比传统方法的重投影误差更小，标定精度更高。2)本发明鲁棒性强，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)本发明对相机内参优化有着良好的准确性和可行性。4)本发明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

图1为本发明的流程图。

图2为部分标定图片。

图3为SSA迭代500次、1000次目标函数曲线图。

图4为EOBL-SSA迭代500次、1000次目标函数曲线图。