[发明专利]一种基于改进的海鸥算法的多相机标定方法

说明书

本发明公开了一种基于改进的海鸥算法的多相机标定方法，在传统海鸥算法的基础上，采取了自适应参数差分进化算法对参数进行优化以解决算法局部收敛的问题，提出了一种基于SOA‑SaDE融合算法的多相机标定优化方法，并且将张正友标定法、SOA算法和本发明所提出的SOA‑SaDE融合算法进行分析比较。本发明可以准确有效地对相机内参数进行优化，也可以应用于多维非线性问题优化的求解。

技术领域

本发明属于机器视觉技术领域，特别涉及一种基于改进的海鸥算法的多相机标定方法。

背景技术

多相机广泛应用到各个领域，多相机的融合可以提供范围更为宽广的实时场景信息，相机作为机器视觉的重要工具，提高相机的标定精度是其研究的重点，更高精度的相机标定，更有利于相机图像匹配、识别定位等后续操作的精度。

相机标定计算是一个多维的非线性问题，每一幅标定图像都对应着不同的外参数，因此在对标定点进行反投影的过程中，难以找到具体的计算方程。常见的优化算法如拟牛顿法等，必须依赖具体的函数形式，不能适用于相机标定的优化，因此，研究者们多聚焦于使用粒子群算法对相机标定结果进行优化。

海鸥算法(SOA)是一种元启发式算法，适用于求解多参数的目标优化问题，采用传统海鸥算法寻优时，初始海鸥群具有很强的随机性，但是寻优过程效率低且易陷入局部最优。

R.Storn和K.Price在1995提出了差分进化算法，使用差分进化算法可以实现对多目标的优化，实现对多维空间中目标整体最优解的求解。

发明内容

本发明的目的在于提供一种基于改进的海鸥算法的多相机标定方法，解决相机标定过程中存在着标定精度不足，准确性差的问题，实现相机内参数优化。

实现本发明目的的技术解决方案为：一种基于改进的海鸥算法的多相机标定方法，包括以下步骤：

步骤1、对拍摄得到的图片进行图像预处理；

步骤2、求解内参数的初值，将海鸥种群初始化成N个不同的海鸥个体，初始化种群位置和最大迭代次数；

步骤3、初始化当前迭代次数，计算本次迭代最优个体适应度值和下一次迭代最优个体适应度值并进行比较，若则进行步骤4；否则，进行步骤5；

步骤4、利用海鸥算法更新海鸥个体位置；

步骤5、利用改进的差分进化算法—自适应差分进化算法更新海鸥个体位置；

步骤6、检查达到最大迭代次数或满足收敛条件，若满足，输出最优解；否则，返回步骤3。

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基于改进的海鸥算法的多相机标定方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述基于改进的海鸥算法的多相机标定方法的步骤。

本发明与现有技术相比，其显著优点为：1)本发明提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，能较好的改善普通海鸥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。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为本发明基于改进的海鸥算法的多相机标定方法流程图。

图2为部分标定图片。

图3为SOA迭代500次、1000次目标函数曲线图。