tli < fit、< fit^
[0179] 实验用相机为Sony Dev-50,如图9,选取校园内三辆停放在一起的汽车做为本次 实验的场景目标。拍摄时，从东向西依次拍摄pic(a)、pic(b)、pic(c)、pic(d)，如图10。拍 摄得到的四幅图片，如图11。经过测量，目标物体距离照相机的距离约为43.4m ;pic(a) 与pic(b)的距离约为2. 72m，用于计算目标到相机的距离。相机拍摄时分辨率为640*480。 fu，fv，u，v，s 的搜索区间选取上述[0, 2000]，[0, 2000]，[310, 330]，[230, 250]，[0, 0.01] 值。注意拍摄时四幅图像的共同区域尽可能多，以提取尽可能多的匹配点；为了后期计算目 标距离拍摄相机的距离，拍摄过程中尽可能保持相机的姿态一致。
[0180] 首先，从第一幅图像，pic(a)中选定要实际进行定位的目标物体一一三辆小汽车 部分，并将选定部分记为pic (a) 然后，对pic (a) '、pic (b)、pic (c)、pic (d)进行特征点提 取，并将pic (a) '分别与pic (b)、pic (c)、pic (d)匹配，利用匹配特征点建立约束来分别求 取pic (a) '与pic (b)、pic (c)、pic (d)之间的基础矩阵共三个；最后利用具体实施措施Sl 的方法建立代价函数。
[0181] 将内参数矩阵的五个未知参数匕，1，11。，￥。，8作为103-?30的输入参数，将式 (1. 19)代价函数的取值作为输出值，亦适应值，训练次数设置为6000次。实验结果如表2。 因为fv，为了结果更精确，将f u，fv的搜索结果取平均f作为最后两者的取值结果。为 了说明本算法的高精度，本发明同时提供了粒子群算法（PSO)、遗传算法（GA)、共辄梯度法 (CG)的自标定结果，三个算法的标定结果分别为表3、表4、表5。四种算法中，每种算法均 运行10次，求解目标与摄像机距离时均带入f u，fv的平均值f。图12则提供了四种算法10 次标定结果求得的距离相对误差的分布对照 CN 105096328 A 说明书 12/15 页
[0182]
[0183] 表2I0S-PS0标定结果
[0184]
[0185] 表3PS0标定结果
[0186]
[0189]
[0192] 1.由计算的距离分析精度；
[0193] 由表2、表3、表4、表5可以看到I0S_PS0、PS0、GA、CG最终标定得到的结果求得的 10次距离平均值分别为42. 500m、75. 9716m、54. 927m、63. 7969m。而本发明目标的距离约为 43.4m。可以得出，IOS-PSO算法的标定精度最高。由图12可以看到四种算法中，IOS-PSO 的十次标定误差波动最小，标定结果最稳定。说明本发明公开的算法不仅标定结果稳定，而 且误差小，精度高。
[0194] 2. u。，V。，s 分析；
[0195] 由表2、表3、表4、表5可以看到，四种算法10次运算的u。，v。，s值均比较平稳精 确。
[0196] 3.fu，fv 分析；
[0197] 由表2、表3、表4、表5可以看到，IOS-PSO标定的fu，fv值，在10次运算中比较平 稳，而后三者震荡比较大。
[0198] 由图12可以看到，GA算法的波动性最大。这是因为，搜索算法本身在优化高维函 数时具有比较的波动性，GA算法中交叉、变异的作用是增加种群的多样性，这就导致GA的 搜索更不易收敛。CG算法属于数学迭代，波动比较小，但是它容易收敛到距离最优值稍微远 一点的区域；这是因为，CG算法是按照梯度值进行迭代寻优的，而本发明的代价函数的值 量级非常小，这就导致了 CG算法最终因为寻优步长太小，无法进一步寻优就停止搜索。
[0199] 综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。 凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的 保护范围之内。
【主权项】
1. 一种基于IOS-PSO的摄像机自标定方法，其特征在于，包括如下步骤： 步骤1、建立摄像机基于内参数的代价函数Lst=f(fu,fv,U。，V。，S)，其中fu和f￥分别 表示以像素为单位的图像平面坐标系中X方向和y方向的等效焦距；u。和V。是图像平面的 主点坐标；s是倾斜因子； 步骤2、将匕和f v各自的搜索区间分别均分为N个搜索单元，f u的搜索单元与f v的搜 索单元--对应；每一个fu的搜索单元与对应的fv搜索单元以及U (J、V。和S的搜索区间形 成一个子区间block，则共形成N个子区间block ;N为大于或等于4的整数； 步骤3、子区间并行叠进式搜索； 从第一个子区间block开始，数M个子区间block，形成第一个搜索子区间x-search ; 从第二子区间block开始，数M个子区间block，形成第二个搜索子区间x-search ;以此类 推，形成多个搜索子区间x-search ;M为大于或等于3的整数； 步骤4、采用粒子表征摄像机的5个内参数fu、fv、u。、V。和s，在每个搜索子区间 x-search的各个子区间block中分别初始化粒子，然后同时采用粒子群优化算法对各子区 间block进行搜索，得到各子区间block的局部最优粒子以及对应的适应值； 步骤5、步骤4中获得的适应值最小的局部最优粒子则为搜索子区间x-search的局部 最优粒子；按照步骤4的方法获得各个搜索子区间x-search的局部最优粒子，再确定最小 适应值及对应的局部最优粒子，即为整个搜索区间对应的全局最优粒子； 步骤6、将该全局最优粒子对应的内参数代入到所述摄像机的代价函数中，则完成对摄 像机的标定。2. 如权利要求1所述的一种基于IOS-PSO的摄像机自标定方法，其特征在于， 在所述步骤4得到各子区间block的局部最优粒子以及对应的适应值后，判断所述各 个搜索子区间x-search的各子区间block的适应值是否同时单调递减或单调递增：如果 是，返回所述步骤4,对各个子区间block中粒子重新进行初始化，搜索最优子区间，然后继 续依次执行步骤5和6 ;否则，直接依次执行步骤5和步骤6。3. 如权利要求2所述的一种基于IOS-PSO的摄像机自标定方法，其特征在于，在所述 步骤4得到各子区间block的局部最优粒子以及对应的适应值后，当所述各个搜索子区 间x-search的局部最优粒子的适应值不满足均为单调递减或单调递增关系时，所述步骤5 中，获得全局最优粒子后，先判断全局最优粒子是否满足如下条件： 条件1、当全局最优粒子落在一些搜索子区间x-search的重叠区域时，并且，其它没有 重叠区域的搜索子区间x-search对应的局部最优粒子所在子区间block应为所在搜索子 区间x-search中最靠近所述全局最优粒子的子区间block ; 条件2、当全局最优粒子只落在其中一个搜索子区间x-search中时，其它不包含全局 最优粒子的搜索子区间x-search对应的局部最优粒子所在子区间block应为所在搜索子 区间x-search中最靠近所述全局最优粒子的子区间block ; 如果满足条件1和条件2中的任意一个，则采用所述全局最优粒子的内参数进行摄像 机标定；否则，返回所述步骤4,对各个个子区间block中粒子重新进行初始化，搜索局部最 优粒子，然后继续执行步骤5和步骤6。
【专利摘要】本发明公开了一种基于IOS-PSO的摄像机自标定方法，该方法不仅算法比较简单、效率较高，而且寻优结果精度较高。主要包括三个步骤：S1、建立摄像机基于内参数的代价函数；S2、IOS-PSO优化代价函数；S3、IOS-PSO搜索结果限定规则。该方法的具体步骤为：采集同一场景的不同角度的四幅图片；进行图像特征点提取、匹配；利用匹配点对，采用RANSAC方法求取三个基础矩阵F，然后通过基础矩阵的SVD分解，构造代价函数作为粒子群算法的适应值函数；对设定的初始搜索区间划分，并按照最优值的取值情况设定搜索规则；将要标定的摄像机五个未知内参数fu,fv,u0,v0,s作为粒子群粒子的元素；采用IOS-PSO优化搜索；若搜索结果符合搜索规则，则取最终搜索结果，否则重新搜索。通过四种算法的对比实验，验证了本发明标定结果精确、稳定、高效。
【IPC分类】G06T7/00
【公开号】CN105096328
【申请号】CN201510497112
【发明人】邓方, 徐建萍, 陈杰, 窦丽华, 张乐乐, 陈文颉, 白永强, 代凤驰, 周睿
【申请人】北京理工大学
【公开日】2015年11月25日
【申请日】2015年8月13日