基于粒子群优化算法的摄像机自标定方法及装置的制造方法
【技术领域】
[0001 ]本发明设及摄像机自标定领域，具体而言，设及一种基于粒子群优化算法的摄像 机自标定方法及装置。
【背景技术】
[0002] 目前，随着计算机视觉技术的不断发展，视觉传感器W其简单、使用方便等诸多优 点被成功在用于物体识别、视频监控等领域，双目立体视觉是基于视差原理，由多幅图像获 取物体Ξ维几何信息的方法;摄像机标定技术是Ξ维视觉重建工作和实现目标精确定位过 程中的关键步骤，经过多年的技术研究，众多具有较好实用价值和先进有效的摄像机标定 方法一一问世，但目前为止没有一种标定方法能满足所有标定要求，它们都有着各自的优 缺点。
[0003] 传统的摄像机标定方法都需要一个标定参照物，并且已知参照物上点的Ξ维坐标 和它的图像图标，在实际应用中，焦距、放大倍数等一些参数会根据需要发生相应的改变， 如果每次都需要用标准参照物对摄像机重新进行标定会很不方便，因此研究摄像机标定方 法具有重要的理论研究意义和实际应用价值。
[0004] 虽然现有技术中的摄像机自标定方法灵活，不需要依赖于场景和标定物，然而得 到的解精度低、鲁棒性差，所W自标定方法研究的重点可W放在如何提高标定的精度和鲁 棒性方面;摄像机标定方法与时俱进，并随着需求和现有实验条件的完善，摄像机的标定研 究方法是没有尽头，因为由于我们的需求总是在不断的发生变化，研究效率需要不断提高， 因此我们需要使用更灵活方便，运算更快，精度更高的标定方法，同时也意味着我们需要更 好地解决优化问题中存在的缺陷(冗余参数、模型表达、方程病态等），运也是目前不断提高 标定技术的主要方向和研究的重要内容。
【发明内容】
[0005] 有鉴于此，本发明实施例提供了一种基于粒子群优化算法的摄像机自标定方法及 装置，该方法依靠多幅图像特征点之间的对应关系，基于粒子群优化算法从复杂的客观世 界中准确捜索出摄像机的内外参数及崎变系数，再通过提取出的摄像机的内外参数及崎变 系数计算摄像机的Ξ维空间坐标，即摄像机的位置，W改善现有技术中精度低及鲁棒性差 的题。
[0006] 为了实现上述目的，本发明采用的技术方案如下：
[0007] -种基于粒子群优化算法的摄像机自标定方法，包括：
[000引获取待标定的摄像机拍摄的多幅图像，利用SURF算法提取所述多幅图像的特征 点;对所述多幅图像的特征点进行相似性度量，得到相互匹配的匹配特征点;基于粒子群优 化算法，利用所述匹配特征点及所述摄像机的非线性模型，获得所述摄像机的各种参数的 解集合。
[0009] -种基于粒子群优化算法的摄像机自标定装置，包括：
[0010] 特征点获取模块，用于获取待标定的摄像机拍摄的多幅图像，提取所述多幅图像 的特征点;特征点匹配模块，用于对所述多幅图像的特征点进行相似性度量，得到相互匹配 的匹配特征点;摄像机最佳参数获取模块，用于基于粒子群优化算法，利用所述匹配特征点 及所述摄像机的非线性模型，获得所述摄像机参数的解集合。
[0011] 本发明实施例提供的基于粒子群优化算法的摄像机自标定方法，首先获取待标定 的摄像机拍摄的具有重叠区域的多幅图像，提取该多幅图像的特征点，再利用相似性度量 的方法将该多幅图像上的特征点进行匹配，得到相互匹配的匹配点，最后利用粒子群优化 算法捜索摄像机的内参数、外参数及崎变参数等各种摄像机参数，基于两幅图像的一对匹 配点可W确定唯一一个Ξ维空间坐标位置，获取匹配点Xw、yw、Zw的空间位置，W匹配点之间 的空间距离大小作为判断条件，迭代判断来获得摄像机参数的解。
[0012] 为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合 所附附图，作详细说明如下。
【附图说明】
[0013] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例 中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是 本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员 在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0014] 图1示出了本发明实施例1所提供的基于粒子群优化算法的摄像机自标定方法的 流程图；
[0015] 图2为本发明实施例1提供的利用SURF算法提取特征点的流程图；
[0016] 图3示出了本发明实施例1提供的通过欧氏距离进行特征点匹配的流程图；
[0017] 图4示出了本发明实施例1提供的粒子群优化算法的流程图；
[0018] 图5示出了本发明实施例2提供的基于粒子群优化算法的摄像机自标定装置的结 构图；
[0019] 图6示出了本发明实施例提供的基于粒子群优化算法的摄像机自标定装置可储存 的计算机结构框图。
【具体实施方式】
[0020] 下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整 地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在 此处附图中描述和示出的本发明实施例的组件可各种不同的配置来布置和设计。因 此，W下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的 范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做 出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0021] 实施例1
[0022] 如图1所示，本发明实施例提供的基于粒子群优化算法的摄像机自标定方法，包 括：
[0023] 步骤S100:获取待标定的摄像机拍摄的多幅图像，利用SURF算法提取所述多幅图 像的特征点；
[0024] 当需要对一个设置于某固定位置的摄像机进行标定，利用该摄像机拍摄其可拍摄 区域内的多幅图像，该多幅图像应该存在重叠区域，提取该多幅图像的特征点。在本实施例 中，用于标定的摄像机可W是单目摄像机，也可W是双目摄像机，可W是枪机，即固定位置 不变的摄像机，也可W是球机，即可W360度转动的摄像机，具体摄像机种类并不作为本发 明实施例的限制。
[0025] 在本实施例中，所拍摄的多幅图像至少应该为两幅存在重叠区域的图像，在此W 两幅为例进行说明，可W理解的，图像的幅数并不作为本发明实施例的限制。
[0026] 如图2所示，在本实施例中，提取该两幅图像的特征点时，可W利用SURF算法进行 提取。SURF算法提取特征点包括：
[0027] 步骤S101:构建该两幅图像上所有像素点的化ssian矩阵。
[0028] 步骤S102:计算所有像素点化ssian矩阵的判别式，根据判别式的结果来判定对应 的点是不是可能的极值点，即是不是可能的特征点。若像素点对应的Hessian矩阵的判别式 的取值为正或者零，则该像素点可能为极值点，若像素点对应的化ssian矩阵的判别式的取 值为负，则该点不可能为极值点，即不可能为我们需要提取的特征点，将该像素点舍弃，不 进行后续步骤。
[0029] 步骤S103:构建图像的尺度空间。图像的尺度空间为图像在不同解析度下的表示。 算法允许尺度空间多层图像同时被处理，从而提高算法性能。
[0030 ]步骤S10 4:精确定位特征点。设置化S S i an矩阵判别式的大小的预设阔值，判定在 步骤S102中保留下来的可能为极值点的像素点的判别式取值是否小于预设阔值，若是，贝U 对应的该点不是需要提取的特征点，将其舍弃，若否，则提取该点为特征点。
[0031] 步骤S105:根据提取出来的特征点，确定每个特征点的主方向，并且根据该具有主 方向的特征点获得特征点描述算子，每一个特征点的描述算子用特征向量表示。
[0032] 应当说明的是，在本实施例中，提取图像中的特征点的算法并不作为限制，也可W 为其他合适的算法。
[0033] 步骤S110:对所述多幅图像的特征点进行相似性度量，得到相互匹配的匹配特征 占 .
[0034] 摄像机提取的具有重叠区域的图像在提取特征点后，可W对特征点进行相似性度 量，针对两幅图像，即在第二图像中寻找第一图像的每个特征点的匹配点。具体的，使用将 步骤S100中提取出来的两幅图像的特征点进行一对一的对应匹配，在本实施例中，可W通 过计算欧式距离来实现匹配。
[0035] 进一步的，在计算欧式距离之前，可W先对图像中的特征点进行初步判断，即根据 图像中的每个特征点的迹，判断相应的两个像素点的对比度是否相同。
[0036] 具体的，在图像中，若第一图像中的某一特征点与第二图像中的某些特征点对比 度不同，那么运些对比度不同的点就不是第一图像中的该特征点的匹配特征点，不需要再 进行相似性度量。
[0037] 特征点的对比度可W通过计算其Hessian矩阵的迹判定，即计算该特征点的 Hessian矩阵的对角