[发明专利]一种基于强化学习的大视场摄像机标定方法

说明书

本发明公开了一种基于强化学习的大视场摄像机标定方法，其方法步骤为：首先，建立标定图像采集过程的马尔科夫决策模型，并利用先验知识初始化马尔科夫决策模型；然后，建立大视场摄像机成像系统仿真模型，用于模拟标定系统并计算标定误差；再结合标定精度要求以及马尔科夫决策模型的状态空间约束，设计奖励模型，将标定误差增量等信息转换为状态‑动作对对应的奖励；最后，基于值函数逼近的Q‑learning方法结合约束条件进行训练，求解马尔科夫决策模型的标定操作最优策略。该发明操作简单，精度高，稳定性好。

技术领域

本发明涉及计算机视觉领域，具体涉及一种基于强化学习的大视场摄像机标定方法。

背景技术

根据系统模型构建方式不同，摄像机标定方法可分为基于经典几何光学模型的方法和基于神经网络的方法两大类。

基于经典几何光学模型的方法，包括传统靶标标定方法、主动视觉标定方法和自标定方法三个小类。主动视觉标定方法需要精确控制相机的移动轨迹，通常实现难度较大，仅适用于一些特定场合；自标定方法实现起来较为灵活方便，适用于视觉导航等场景。这两种标定方法的标定精度一般都不如基于靶标的标定方法，因此，高精度视觉测量系统中一般采用靶标标定方法。

基于神经网络的新兴标定方法，包括基于浅层神经网络和深度神经网络训练学习摄像机成像系统模型的标定方法。浅层神经网络由于模型逼近能力有限，标定精度不高；深度学习网络目前主要用于场景复杂但精度要求较低的自动驾驶视觉导航系统标定。

随着经济和机械制造水平的不断发展，在航空航天、港口机械、冶金制造等领域中出现了许多大型工件几何量精确测量的需求。大视场条件下高精度三维测量需求迅速增长，而大视场和高精度是一对矛盾的指标。因此，对大视场摄像机标定方法提出了新的挑战，使得大视场摄像机标定成为计算机视觉研究领域的难点和热点。

发明内容

本发明的目的在于提供一种基于强化学习的大视场摄像机标定方法，旨在解决大视场摄像机标定存在的依赖主观经验、操作复杂、精度不稳定等问题。

为实现上述目的，本发明采用如下技术方案。

一种基于强化学习的大视场摄像机标定方法，其特征在于，包括以下步骤：

(1)针对视场面积大于标定靶标面积4倍以上的摄像机标定问题，建立大视场摄像机标定图像采集过程的马尔科夫决策模型，并初始化马尔科夫决策模型。即，先随机初始化标定状态(一组靶标的位置姿态)，利用张正友标定法计算当前标定状态的摄像机标定误差，通过旋转平移动作得到下一标定状态，并计算下一标定状态对应的标定误差，根据误差变化对标定的状态-动作对进行奖励；

(2)建立大视场摄像机成像系统仿真模型，作为马尔科夫决策模型的仿真环境，用于模拟标定系统并计算标定误差。即，根据摄像机小孔成像光学原理以及镜头镜像和切向畸变模型，结合相机感光阵列和镜头的出厂参数，以及散焦模糊和噪声模型，把所有靶标标记点的已知世界坐标映射成靶标标定图像上标记点像素坐标，然后利用张正友标定法优化得到摄像机内外参数，再利用内外参数计算靶标标记点的反投影误差作为标定误差；

(3)结合标定精度要求以及马尔科夫决策模型的状态空间约束，设计奖励模型，将标定误差增量等信息转换为状态-动作对相对应的奖励；

(4)利用基于值函数逼近的Q-learning方法和约束条件，训练马尔科夫决策模型，得到标定操作最优策略。

进一步地，上述步骤(1)具体包括以下步骤：