基于改进遗传算法的摄像机自标定方法

摄像机自标定技术不受标定板和相机运动轨迹的限制,其标定过程简单、适用性强。由于传统的遗传算法在摄像机自标定参数优化过程中易出现过早收敛、停滞现象和解易陷入局部最优的问题,提出一种改进的遗传算法。首先,通过结合精英保留策略和随机联赛选择算法作为初始化种群的方法、改进轮盘赌选择方法、采用自适应杂交概率和变异概率方法对遗传算法进行改进;然后,将Hartley定义的简化Kruppa方程转化为目标函数,采用改进的遗传算法搜索目标函数的最优值;最后,实验结果表明,该方法能较好地缓解过早收敛和停滞显现,提高了精度。     

一种基于Kruppa方程的分步自标定方法

针对摄像机自标定中Kruppa方程求解的非线性优化问题和标定结果的欠鲁棒性,提出一种基于Kruppa方程的分步自标定方法。根据两图像匹配的特征点对采用8点算法求解相应的基本矩阵,其中待匹配图像选用摄像机对同一场景在不同焦距下拍摄的两帧图片,对图片的特征匹配点建立约束关系,采用最小二乘法求出摄像机的主点坐标,然后利用遗传算法优化Kruppa方程的比例因子,最后通过优化后的比例因子完成摄像机的标定。实验表明,该方法可提高标定精度,并通过对特征点坐标加入高斯噪声,验证了算法的鲁棒性。     

基于序列图像的摄像机自标定方法

提出了一种新的结合摄影测量和计算机视觉相关理论的摄像机自标定方法。首先通过序列图像的匹配点对,利用计算机视觉理论中的8点法求得摄像机基础矩阵F,通过矩阵F利用Kruppa方程求得矩阵C,对矩阵C进行Cholesky分解得到摄像机的内参数矩阵K,然后将求出的内参数作为初始值,利用摄影测量理论进行相对定向和绝对定向,最小二乘前方交会计算得到匹配点对的三维空间坐标,最后由匹配点对的三维空间坐标及其图像坐标,采用三维直接线性变换和光束法平差方法解算出摄像机内、外参数及畸变系数。该方法不依赖于特定的场景几何约束条件,只要序列图像之间有匹配点对,就可以进行自标定工作,具有广泛的适用性。模拟数据和真实图像的实验结果表明：该方法计算过程简单,标定精度高,是一种值得借鉴的摄像机自标定方法。     

Kruppa方程与摄像机自标定

首先研究探讨了基于绝对二次曲线(the absolute conic)进行摄像机自标定鲁棒性差的内在原因.研究发现,该类方法鲁棒性不足的原因主要有三个方面:1)在目标函数的全局最小点处存在大范围的平坦区域,使得任何数值优化算法难以达到全局最小点;2)当存在噪声时,上述平坦区域内会出现大量局部极小值,这样数值优化算法就非常容易收敛到靠近初值的局部极小值,使得算法对初始值的选取十分敏感;3)当有噪声时,目标函数的全局最小值极易偏离正确值.这样,即使数值算法找到了全局最小值,该最小值也不再对应正确的摄像机内参数值.鉴于上述情况,探讨了如何通过平面场景来确定内参数矩阵的初始值,而后进一步利用Kruppa方程的约束来精化内参数矩阵的二步式方法.     

一种新的基于Kruppa方程的摄像机自标定方法

主要针对传统的基于Kruppa方程的摄像机自标定算法的欠鲁棒性提出了一种新的二步式标定方法．在新标定方法中，首先利用传统的LM优化算法或遗传算法求解出Kruppa方程中通常需要被消去的比例因子，然后再利用线性方法完成对摄像机的标定．大量的仿真和真实图像实验表明，该方法可以大大提高基于Kruppa方程标定算法的鲁棒性及标定精度．     

基于张量投票的摄像机自标定方法研究

针对传统的基于Kruppa方程摄像机自标定算法的欠鲁棒性,首次提出将鲁棒的张量投票算法用于摄像机自标定方法中。利用基于尺度不变的SIFT算法查找并匹配出每对图像的特征点,其中待匹配图像由摄像机对同一场景从三个不同角度位置拍摄,对图像张量投票后按棒张量特征值降序排序,由此筛选得到具有鲁棒性边缘特征的前八对特征点,利用八点算法求解相应的基础矩阵和极点,根据Kruppa方程和三维重建（SFM）算法求得摄像机参数矩阵。实验结果证明,该方法具有较高标定精度,并通过加入高斯噪声的仿真实验证明该算法是一种鲁棒的摄像机自标定方法。     

基于遗传算法的摄像机自标定方法

针对摄像机自标定方法大多需要求解一个多元高维的非线性方程组,其求解过程非常困难,为此提出一种基于遗传算法的摄像机自标定方法,该方法通过二幅或多幅图像的多个对应匹配特征点,利用二个视图之间的极几何关系,建立某些相关约束,最后得到一个代价函数;然后,通过使用Matlab遗传算法工具箱来求解该函数的最小值,进而一次性求出摄像机所有内、外参数.因为该方法不必用到摄像机的外部信息,所以可推广到序列图像中的变参数情况下的摄像机自标定.实验结果表明,该方法简单、有效、快速,可用于摄像机自标定.     

基于本质矩阵的摄像机自标定方法

本质矩阵描述了在摄像机内参数矩阵已知的条件下的对极几何关系,是归一化图像坐标下的基础矩阵。鉴于本质矩阵具有两相等的非零奇异值,提出了一种基于本质矩阵的自标定方法,该方法首先利用本质矩阵这个特性来构造目标函数,考虑到传统非线性优化算法的诸多不足,最后用粒子群优化算法来求解。实验结果表明,该方法精度较高、鲁棒性较强,是一种简单而有效的自标定方法。     

平移初值操作的基于Kruppa方程的自标定方法

针对传统的基于Kruppa方程的摄像机自标定算法鲁棒性差的情况提出了一种新的二步式标定方法。首先对Kruppa方程进行简化,确定了经简化后的目标函数,再通过摄像机的三次线性无关的任意平移运动确定初值,然后用非线性优化目标函数法精化初值。实验结果表明,该方法可以大大提高基于Kruppa方程标定算法的鲁棒性及标定精度。     

基于二次曲线的纯旋转摄像机自标定

研究探讨了一种基于平面二次曲线的纯旋转摄像机自标定方法.在不同的方位拍摄三幅或三幅以上图像,每幅图像至少包含两个空间平面二次曲线、或两个二次曲面、或一个平面二次曲线与一个二次曲面的投影,利用图像之间的二次曲线对应关系,可以确定摄像机的内参数矩阵,同时可以获得摄像机不同方位之间的旋转矩阵.由于使用的定标基元为二次曲线,是较点和直线包含更多信息的基元,因而基元之间的匹配容易自动实现,并有助于提高标定算法的鲁棒性和在线实时性.模拟实验和真实图像实验表明文中所介绍的方法是可行的.     

无重叠视域视频传感器外部参数自校准算法综述

视频传感器外部参数自校准,即确定视频传感器的坐标和转角,是实现视频传感器网络应用的重要前提.不同于有重叠视域的视频传感器网络,无重叠视域的视频传感器网络中的视频传感器之间没有可以共享的、可以辅助求解它们的外部参数的信息,所以实现无重叠视域视频传感器外部参数自校准更加富有挑战性.本文回顾了国内外学者在无重叠视域视频传感器外部参数自校准方面的研究工作,着重对目前已有的算法进行了详细的分类和介绍,最后从多方面综合评述了各种算法的性能.     

基于改进遗传算法的基础矩阵估计方法

基础矩阵估计是计算机视觉的基础。提出了一种新的基于改进遗传算法的基础矩阵估计方法,它以8个匹配点作为最小匹配点集组成染色体,并利用改进8点法估计出相应的基础矩阵,同时以对极距离为核心构造适应度函数,并对传统遗传算法进行了优化改进。实验证明,此方法在估计精度和鲁棒性等方面有很大提高,易于实际应用。     

Self-Calibration of Stationary Cameras

A new practical method is given for the self-calibration of a camera. In this method, at least three images are taken from the same point in space with different orientations of the camera and calibration is computed from an analysis of point matches between the images. The method requires no knowledge of the orientations of the camera. Calibration is based on the image correspondences only. This method differs fundamentally from previous results by Maybank and Faugeras on self-calibration using the epipolar structure of image pairs. In the method of this paper, there is no epipolar structure since all images are taken from the same point in space, and so Maybank and Faugeras's method does not apply. Since the images are all taken from the same point in space, determination of point matches is considerably easier than for images taken with a moving camera, since problems of occlusion or change of aspect or illumination do not occur.A non-iterative calibration algorithm is given that works with any number of images. An iterative refinement method that may be used with noisy data is also described. The algorithm is implemented and validated on several sets of synthetic and real image data.     

基于遗传算法的最优控制加权阵的设计

遗传算法作为一种全局优化算法在自动控制领域得到了广泛的应用，在线性二次型最优控制设计中加权阵的选择是一项既重要又困难的工作，提出一种根据系统瞬态响应这一具有直接工程意义的品质指标，通过遗传算法来确定线性二次型最优控制加权阵的设计方法。根据这样确定的加权阵设计的最优控制器可实现闭环系统具有所期望的响应特性，且满足最优性以保证闭环系统的渐近稳定性及具有较大的稳定裕量。通过一个单输入单输出三阶系统的仿真实例说明了此方法的可行性与有效性。     

WSNS中基于箱线图的误差自校正定位算法

针对基于接收信号强度指示(RSSI)的无线传感器网络(WSNs)节点定位技术易受环境影响、算法运算量大等问题,提出一种基于箱线图的误差自校正定位算法.该算法采用箱线图法处理测距过程中的异常RSSI值,利用自校正最小二乘法消除测距误差进而实现节点定位.仿真和实验结果表明,该算法可以有效抑制异常RSSI值,显著提高节点定位的准确性和稳定性,而且无需建立复杂的数据传播模型或构造RSSI位置指纹分布图.