[发明专利]基于自适应变异的天牛群优化算法的相机内参校准方法

说明书

本发明公开了基于自适应变异的天牛群优化算法的相机内参校准方法，包括：将预制的标定模板置于待标定相机的视场内，采集标定模板图像；提取标定模板图中的特征点，求解单应性矩阵、相机内参数矩阵、相机外参数矩阵、镜头畸变参数；利用自适应变异的天牛群优化算法对相机内参进行校准，所述相机内参包括相机内参数矩阵和镜头畸变参数。本发明设计的自适应变异的天牛群优化算法，算法流程简单，运算量小，收敛速度更快，具有较强的全局寻优能力，能够减少早熟收敛，跳出局部极值，计算结果精度高，特别适合高维复杂优化问题。本发明的相机内参校准方法的精度高、收敛性快，能够实时快速、准确地得到相机内参的最优解。

技术领域

本发明涉及机器视觉技术领域，尤其是基于自适应变异的天牛群优化算法的相机内参校准方法。

背景技术

在机器视觉测量中，为确定物体表面上点三维坐标与物体图像像素点之间的关系，必须建立摄相机成像几何模型，求解几何模型参数的过程称为相机标定。相机标定是非常关键的环节，相机标定是进行位姿估计、三维重建、视觉导航与定位等研究的关键技术之一，其标定精度和算法稳定性会直接影响测量结果准确性。

针对相机参数的标定，国内外学者根据不同的应用场景和思路对其进行了广泛研究，获得了一系列的研究成果。例如：利用图像中的极点信息来线性标定相机，如“一种基于主动视觉的摄像机内参数自定标方法，杨长江等，计算机学报，1998年05期”，但基于该方法的系统成本高且不适用于相机运动参数未知或无法精确控制相机运动的场合。另一种不依赖于标定参照物，仅利用相机在自然运动过程中对周围环境多视图之间的对应关系，对相机进行标定，如：“摄像机自标定的线性理论与算法，吴福朝等，计算机学报，2001年24期11卷”，但该方法属于非线性标定，标定结果的精度欠佳，鲁棒性不高。

现有技术的缺陷和不足：

(1)现有相机标定算法流程复杂，后期收敛速度较慢，容易陷入局部最优；

(2)现有相机标定算法的计算量大、模型复杂。

发明内容

为了克服上述现有技术中的缺陷，本发明提供基于自适应变异的天牛群优化算法的相机内参校准方法，自适应变异的天牛群优化算法是指在天牛群优化算法采用多维扰动群体最优位置的变异方法，该算法实现了减少早熟收敛和跳出局部极值的功能，本发明的相机内参校准方法的精度高、收敛性快，能够实时快速、准确地得到相机内参的最优解。

为实现上述目的，本发明采用以下技术方案，包括：

基于自适应变异的天牛群优化算法的相机内参校准方法，包括以下步骤：

S1，将预制的标定模板置于待标定相机的视场内，采集标定模板图像；

S2，提取标定模板图像中的特征点，通过特征点对应在世界坐标系的坐标和在像素坐标系的坐标，求解单应性矩阵、相机内参数矩阵、相机外参数矩阵、镜头畸变参数；

S3，利用天牛群优化算法对相机内参进行校准，所述相机内参包括相机内参数矩阵和镜头畸变参数。

步骤S2中，单应性矩阵H的计算方式为：

设世界坐标系的点坐标为X＝[X_ω,Y_ω,Z_ω,1]^T，二维相机平面像素点的坐标即在像素坐标系中的坐标为m＝[x₀,y₀,1]^T；故标定用的世界坐标系到像素坐标系的单应性关系为：

sm＝K[R,W]X；

其中，s为尺度因子；R＝[r₁,r₂,r₃]为旋转矩阵；W＝[θ]为平移向量；K为相机内参数矩阵；[R,W]为相机外参数矩阵；