准确标定摄像机的混合粒子群优化方法 下载: 930次
1 引言
摄像机标定即求解出摄像机成像模型的内外参数以及畸变系数,广泛应用在视觉计算、三维重建[1]、目标识别等计算机视觉问题中,其标定的精度对实际工程的可实现性产生了重要影响。目前,人们提出了许多摄像机标定方法,包括传统标定方法和自标定方法,这两种方法都有局限性,需要进一步改进。
传统标定方法具有精度高的优点,但标定的过程繁琐复杂,且需要高精度的已知结构信息。Tsai[2]的两步标定法和Zhang[3]的平面标定法,使传统标定法得到了一定的简化,但仍然存在对标定设备的精度要求高,无法普遍应用等缺点,针对这些问题,学者们在此两种方法[2-3]的基础上提出许多改进的方法。Zhang等[4]提出的摄像机线性标定方法,计算速度快,但标定精度不高。黄海贇等[5]提出的基于遗传算法的优化方案,虽然简化了标定过程,但在控制点的数量较少时无法保证准确度。解则晓等[6]提出的线结构光传感器内外参数同时标定的方法,标定过程操作简单,但对设备要求较高。柳升龙等[7]的标定方法操作简便且不依赖高精度合作标志,但精度依然不高。于瑾等[8]提出一种基于相位标靶的标定方法,该方法标定步骤简单且收敛速度快,但灵活性不高。卢津等[9]提出的基于新型正交消隐点的摄像机标定方法,收敛速度快且精度高,但标定过程繁琐。孙聪等[10]提出的基于广义成像模型的Scheimpflug摄像机标定方法,精度高、过程可靠,但依旧具有传统标定法标定过程复杂的缺点。
而摄像机自标定法由于不需要借助任何特殊的标定物,因此具有灵活性,但它缺乏传统方法的精度和稳健性。针对这些不足,Li等[11]提出结合遗传算法和粒子群优化(PSO)算法的自标定算法,标定精度很高,但却没有考虑摄像机产生的畸变。徐嵩等[12]提出一种新的摄像机自标定几何方法,对图像噪声不敏感,提高了标定精度和效率,但也仅考虑摄像机的内外参数。洪洋等[13]基于正交消隐点提出的摄像机内参数的自标定方法,标定结果精度高、实时性强,但同样没有考虑摄像机的畸变。自标定法由于只利用了摄像机内部参数自身存在的约束,而不考虑场景和摄像机运动,这就使得自标定方法只能应用在精度要求不高的场合。
近年来,有学者将粒子群算法应用在传统摄像机标定法研究方面[14-18],用粒子群及其改进算法对摄像机参数进行优化,得到了精确的摄像机参数,但其收敛速度和精度仍然有待提高。从学者们的研究中不难发现,未来的研究将集中在智能算法的开发上,以使摄像机标定适应多样化的现实应用要求。本文应用一种混合粒子群优化(HPSO)算法对摄像机的参数进行优化,得到了很好的效果。
2 摄像机模型和参数
摄像机模型是对从场景物体成像到成像平面的物理过程的数学描述,可以看作针孔模型。单目摄像机是日常生活中最简单的成像系统,
1)世界坐标系(
2)摄像机坐标系(
3)数字图像坐标系(
4)摄像机物理坐标系(
5)鉴于针孔摄像机模型(理想成像模型)没有考虑畸变,从世界坐标系下的坐标转换到摄像机物理坐标系下的坐标可表示为
式中:
对于空间中任意一点
式中:
在现实生活中,由于生产制造工艺不完善,导致摄像机的构造、安装及制造等因素会造成参数误差,导致摄像机存在非线性畸变,使得针孔模型不能准确地描述最终的成像关系。所以,为使摄像机标定的结果更加准确,非线性畸变不能忽略,摄像机的畸变主要分为径向畸变、偏心畸变及薄棱镜畸变3种类型[19-20]。设(
式中:
式中:
可将摄像机标定归结为一个问题,在给定足够数量的控制点
3 基于最小二乘法的初始值估计
3.1 摄像机内外参数的估计
令标定图片位于世界坐标系中
式中:
根据平面间的单应性,有
式中:
由(5)~(6)式可得,单应矩阵
式中:
将(7)式写成向量形式,表示为
又由于旋转矩阵
同样地,对于任意一幅标定图像,可以得到关于内部参数的两个方程式,令
式中:
利用最小二乘法可求解出
再根据单应性矩阵
3.2 摄像机畸变参数估计
由于偏心畸变和薄棱镜畸变对于日常使用的短焦距镜头成像效果几乎没有影响,于是,本文仅研究对成像效果影响较大的径向畸变,由(4)式和(5)式可得
式中:
将(14)式写成矩阵
由于干扰噪声的存在,所求的摄像机内外参数及畸变系数均不满足要求,需要采用以最小距离准则来优化求解,因此应用混合粒子群算法对摄像机的参数进行优化。
4 基于混合粒子群算法的摄像机参数优化
4.1 粒子群算法
PSO算法,首先由Kennedy等[21]于1995年提出并应用于函数优化。它是一种相对较新的基于种群的求解数值优化问题的搜索技术,有着十分优秀的全局优化能力。在搜索过程中,粒子或群体成员在多维搜索空间中以一定的速度飞行,寻找潜在的解,通过比较个体经验和整个群体所反映的经验对速度和位置进行调整。如在一个
式中:
式中:
4.2 混合粒子群算法原理
PSO算法结构简单,仅依靠粒子速度完成搜索,搜索速度非常快,调整的参数少,具有工程上易于实现的优点。但PSO缺乏速度的动态调节,易得到局部极值,从而导致精度低或不易收敛等问题。而模拟退火(SA)算法由于在搜索过程中概率地接受差的解,在搜索过程中能够有效地跳出局部最优值。同时,该概率由温度参数控制,并且随温度的降低而逐渐减小,使得SA算法在退火过程中能够很好地找到准确的解。
本文将SA思想与PSO算法结合得到HPSO算法,HPSO算法具有更好更快的全局搜索能力。在搜索的初始阶段,由于PSO算法具有较大的惯性权重系数
1) 种群初始化:生成
2) 计算每个粒子的适应度值,保存每个粒子的当前位置与适应度值在各微粒的
3) 按经验确定初始温度为
式中:
4) 采用轮盘赌策略概率性地从所有
5) 更新种群:根据
更新每个粒子的速度和位置。其中,
6) 进行退温操作,迭代公式为
7) 更新种群最优结果:根据新一代种群的适应度值,更新种群的个体最优和全局最优。
8) 确定终止条件是否满足:如果达到最大迭代次数,则循环终止,输出结果,否则转到3)继续以上步骤,直到满足条件为止。
5 测试结果与分析
为验证本文算法的应用性能,本研究对摄像机的内外参数和畸变系数都进行了优化。假设有
式中:
本文对摄像机的内外参数及径向畸变系数进行优化。生成40个粒子的位置和速度,设置粒子各维度的边界,即设定粒子速度的上限和下限。将初始标定值设定在一个初始值上下浮动的优化区间,具体参数优化的范围如下:
为得到更精确的结果,摄像机标定实验采用Camera Calibration Toolbox所提供的案例标定板,规格为6张13×14黑白棋盘标定板,每格的尺寸为 30 mm×30 mm。如
从
表 1. 摄像机标定参数优化结果
Table 1. Optimization results of camera calibration parameters
|
使用重投影误差来评判标定的精度。重投影误差为实际像素坐标与期望像素坐标的偏差,可以很好地体现标定值的精确度。在实验过程中,(
式中:
图 4. 使用HPSO得到的重投影误差。(a)标定图片的重投影误差;(b)标定图片的平均重投影误差
Fig. 4. Reprojection error obtained by HPSO.(a)Reprojection error of calibration image; (b)average projection error of calibration image
图 5. 使用张正友标定法得到的重投影误差。(a)标定图片的重投影误差;(b)标定图片的平均重投影误差
Fig. 5. Reprojection error obtained by Zhang's calibration method. (a)Reprojection error of calibration image; (b)average projection error of calibration image
图 6. 使用GA得到的重投影误差。(a)标定图片的重投影误差;(b)标定图片的平均重投影误差
Fig. 6. Reprojection error obtained by GA.(a)Reprojection error of calibration image;(b)average reprojection error of calibration image
现分别用HPSO算法、GA算法和张正友标定法对6张标定图片的重投影误差进行比较,每张标定图片有156个角点。结果如
6 结论
研究一种可用于摄像机精确标定的优化方法,在摄像机标定参数的过程中,结合工程实际,建立考虑摄像机畸变效应的非线性关系模型,将模拟退火算法思想结合粒子群优化算法应用于摄像机标定,此法提高了标定的精度。在求解最优参数时,先用最小二乘法得到摄像机参数,再将粒子的搜索空间界定在一定的范围内,用HPSO对参数进行非线性优化,最终获得重投影误差最小的摄像机参数。同时本文还将HPSO算法的标定效果与已有的同类标定算法的标定效果进行对比,结果表明HPSO算法具有更高的标定精度和有效性。
[1] 马颂德, 张正友. 计算机视觉: 计算理论与算法基础[M]. 北京: 科学出版社, 1998: 52- 53.
Ma SD, Zhang ZY. Computer vision: computational theory and algorithmic basis[M]. Beijing: Science Press, 1998: 52- 53.
[2] Tsai R Y. A versatile camera calibration technique for high-accuracy 3D machine vision metrology using off-the-shelf TV cameras and lenses[J]. IEEE Journal on Robotics and Automation, 1987, 3(4): 323-344.
[4] Zhang Z, Zhao R J, Liu E H, et al. A single-image linear calibration method for camera[J]. Measurement, 2018, 130: 298-305.
[5] 黄海贇, 戚飞虎. 一种精确标定摄像机的遗传算法方案[J]. 红外与毫米波学报, 2000, 19(1): 1-6.
[6] 解则晓, 张安祺. 超大尺度线结构光传感器内外参数同时标定[J]. 光学学报, 2018, 38(3): 0315001.
[7] 柳升龙, 孙聪, 刘海波, 等. 一种新的移轴相机两步标定方法[J]. 中国科学, 2018, 48(8): 836-844.
[8] 于瑾, 陈超, 高楠, 等. 基于相位标靶的相机标定[J]. 激光与光电子学进展, 2018, 55(11): 111203.
[9] 卢津, 孙惠斌, 常智勇. 新型正交消隐点的摄像机标定方法[J]. 中国激光, 2014, 41(2): 0208001.
[10] 孙聪, 刘海波, 陈圣义, 等. 基于广义成像模型的Scheimpflug相机标定方法[J]. 光学学报, 2018, 38(8): 0815009.
[11] LiJ, Yang YM, Fu GP. Camera self-calibration method based on GA-PSO algorithm[C]∥2011 IEEE International Conference on Cloud Computing and Intelligence Systems, September 15-17, 2011, Beijing, China. New York: IEEE, 2011: 149- 152.
[12] 徐嵩, 孙秀霞, 刘希, 等. 基于矩形的摄像机自标定几何方法[J]. 光学学报, 2014, 34(11): 1115002.
[13] 洪洋, 孙秀霞, 蔡鸣, 等. 基于正交消隐点无穷单应的摄像机内参数自标定方法[J]. 中国激光, 2015, 42(12): 1208001.
[14] 王道累, 胡松. 基于量子粒子群优化算法的摄像机标定优化方法[J]. 激光与光电子学进展, 2018, 55(12): 121502.
[15] 陈甦欣, 张晓峰. 基于改进粒子群算法的相机标定优化[J/OL]. 中国科技论文在线, ( 2018-04-06)[2019-03-10]. http:∥www.paper.edu.cn/releasepaper/content/201804-74.
Chen SX, Zhang X F. Optimization of camera calibration based on improve particle algorithm[J/OL]. Sciencepaper Online, ( 2018-04-06)[2019-03-10]. http:∥www.paper.edu.cn/releasepaper/content/201804-74.
[16] 郭彤颖, 李宁宁, 刘雍. 基于粒子群算法的摄像机内参数优化方法[J]. 激光与光电子学进展, 2017, 54(11): 111504.
[17] 黄伟光, 董安国. 基于粒子群算法的摄像机自标定[J]. 计算机应用与软件, 2015, 32(5): 216-219, 233.
[18] 江祥奎, 范永青, 王婉. 基于粒子群遗传算法的BP神经网络摄像机标定[J]. 计算机科学与探索, 2014, 8(10): 1254-1262.
[21] KennedyJ, EberhartR. Particle swarm optimization[C]∥Proceedings of the IEEE International Conference on Neural Networks, November 27-December 1, 1995, The University of Western Australia, Perth, Western Australia. New York: IEEE, 1995: 1941- 1948.
Article Outline
雷阳, 张宏立, 王聪. 准确标定摄像机的混合粒子群优化方法[J]. 激光与光电子学进展, 2019, 56(21): 211506. Yang Lei, Hongli Zhang, Cong Wang. Hybrid Particle-Swarm-Optimization Method for Accurately Calibrating Cameras[J]. Laser & Optoelectronics Progress, 2019, 56(21): 211506.