基于遺傳算法雙目立體視覺(jué)傳感器的優(yōu)化設(shè)計(jì)

喬德軍,張延軍,石磊娜

(邯鄲學(xué)院，中國(guó) 邯鄲 056005)

基于遺傳算法雙目立體視覺(jué)傳感器的優(yōu)化設(shè)計(jì)

喬德軍,張延軍,石磊娜*

(邯鄲學(xué)院，中國(guó) 邯鄲 056005)

為了提高雙目立體視覺(jué)傳感器的測(cè)量精度，采用最優(yōu)回歸設(shè)計(jì)，建立雙目立體視覺(jué)傳感器的結(jié)構(gòu)參數(shù)優(yōu)化模型，并運(yùn)用遺傳算法對(duì)建立的優(yōu)化模型進(jìn)行求解.通過(guò)GA算法的優(yōu)化，雙目立體視覺(jué)傳感器的測(cè)量精度有了較大幅度的提高，優(yōu)于傳統(tǒng)方法的結(jié)果．

雙目立體視覺(jué)傳感器；遺傳算法；最優(yōu)回歸設(shè)計(jì)；種群大小；交叉概率；變異概率

隨著計(jì)算機(jī)視覺(jué)技術(shù)的不斷發(fā)展，視覺(jué)傳感器得到了越來(lái)越廣泛的應(yīng)用，尤其是立體視覺(jué)傳感器由于原理直觀、結(jié)構(gòu)簡(jiǎn)單、使用方便、測(cè)量精度較高、測(cè)量速度快等諸多優(yōu)點(diǎn)，已經(jīng)大量地應(yīng)用于工業(yè)檢測(cè)、目標(biāo)識(shí)別、工件定位、機(jī)器人引導(dǎo)等領(lǐng)域[1]．

雙目立體視覺(jué)傳感器通常由位于同一平面、互成一定角度的兩臺(tái)攝像機(jī)組成，其結(jié)構(gòu)參數(shù)對(duì)其測(cè)量精度有直接的影響．目前大多數(shù)雙目立體視覺(jué)傳感器的結(jié)構(gòu)搭建是根據(jù)人們的經(jīng)驗(yàn)來(lái)選擇，結(jié)構(gòu)參數(shù)很少有可借鑒的理論依據(jù)[2]．

為了提高雙目立體視覺(jué)傳感器的測(cè)量精度．本文先采用最優(yōu)回歸設(shè)計(jì)，建立雙目立體視覺(jué)傳感器的結(jié)構(gòu)參數(shù)優(yōu)化模型，再運(yùn)用遺傳算法對(duì)建立的優(yōu)化模型進(jìn)行求解，從而提高雙目立體視覺(jué)傳感器的測(cè)量精度．

1 雙目立體視覺(jué)傳感器參數(shù)

圖1 雙目立體視覺(jué)傳感器結(jié)構(gòu)圖Fig.1 Structure of binocular stereo vision sensor

雙目立體視覺(jué)傳感器由兩臺(tái)CCD攝像機(jī)組成，如圖1所示．兩臺(tái)攝像機(jī)水平交向放置，o、o′分別為兩攝像機(jī)的透視中心，坐標(biāo)原點(diǎn)設(shè)在o點(diǎn)，空間點(diǎn)p(x，y，z)在xoz面上的投影為p′．左右攝像機(jī)圖像坐標(biāo)系分別為O1X1Y1和O2X2Y2；經(jīng)過(guò)左像平面中心O1和透鏡中心o的直線是左側(cè)攝像機(jī)光軸O1o，經(jīng)過(guò)右像面中心O2和透鏡中心o′的直線是右側(cè)攝像機(jī)光軸O2o′；兩攝像機(jī)光軸與基線的夾角分別為α0和β0，兩攝像機(jī)的透鏡中心連線oo′為基線，基線距離記為B，攝像機(jī)的焦距分別為f1和f2，被測(cè)物體到基線的垂直距離為H[3]．

據(jù)上述分析，雙目視覺(jué)傳感器的結(jié)構(gòu)參數(shù)主要包括：兩攝像機(jī)光軸與基線的夾角、基線距離、攝像機(jī)有效焦距和被測(cè)物體到基線的垂直距離，它們之間不是獨(dú)立變化的，而是存在一定約束關(guān)系[4]．本文中兩攝像機(jī)對(duì)稱擺放，兩攝像機(jī)光軸與基線的夾角相等，即α0=β0=α，兩攝像機(jī)的焦距為固定值，選擇f1=f2=25 mm．因此，需要優(yōu)化的參數(shù)為：攝像機(jī)光軸與基線的夾角、基線距離和被測(cè)物體到基線的垂直距離．

2 最優(yōu)回歸設(shè)計(jì)模型

根據(jù)對(duì)雙目立體視覺(jué)傳感器結(jié)構(gòu)圖的分析，發(fā)現(xiàn)有3個(gè)參數(shù)需要進(jìn)行優(yōu)化設(shè)計(jì)，因此采用最優(yōu)回歸設(shè)計(jì)中的311-A方案進(jìn)行實(shí)驗(yàn)．它將3 個(gè)因素(即參數(shù)x1，x2和x3)的不同取值分成 11 個(gè)組合，以形成 11 組實(shí)驗(yàn)，每組實(shí)驗(yàn)中 3 個(gè)參數(shù)的取值是用編碼值來(lái)確定的[5-8]．最優(yōu)回歸設(shè)計(jì) 311-A 方案的編碼值見(jiàn)表1．

表1 最優(yōu)設(shè)計(jì)編碼值

實(shí)驗(yàn)參數(shù)的取值，按照x1,x2,x3三個(gè)因素的編碼值進(jìn)行線性編碼代換，以便把因變量y對(duì)自變量的回歸關(guān)系轉(zhuǎn)化成y對(duì)x1，x2，x3的編碼值關(guān)系，從而建立y與x1，x2，x3的回歸方程[9-13]：

式中：b0為常數(shù)項(xiàng)；bj為一次項(xiàng)回歸系數(shù)；bij為互作項(xiàng)回歸系數(shù)；bjj為二次項(xiàng)回歸系數(shù)．

3 雙目立體視覺(jué)傳感器參數(shù)模型的建立

本文以攝像機(jī)光軸與基線的夾角α，基線距離B，被測(cè)物體到基線的距離H為實(shí)驗(yàn)因子，以高度為9 mm 的量塊高度測(cè)量值為實(shí)驗(yàn)指標(biāo)．根據(jù)使用的雙目立體視覺(jué)傳感器，確定各參數(shù)的取值范圍如下：B：34～46 cm；H：28.5～34.5 cm；α：56°～60°．現(xiàn)將B的值記為x1，H的值記為x2，α的值記為x3，參照文獻(xiàn)[14 ]中的實(shí)驗(yàn)設(shè)計(jì)數(shù)據(jù)，建立量塊測(cè)量高度與傳感器結(jié)構(gòu)參數(shù)之間的回歸方程[11]：

0.058x2x3.

4 遺傳算法的雙目傳感器結(jié)構(gòu)參數(shù)的優(yōu)化

4.1 遺傳算法的概述

遺傳算法(Genetic Algorithm)是由美國(guó)Holland 教授提出的一類借鑒生物界自然選擇和自然遺傳機(jī)制的隨機(jī)化搜索算法.它起源于達(dá)爾文的進(jìn)化論，是模擬達(dá)爾文的遺傳選擇和自然淘汰的生物進(jìn)化過(guò)程的計(jì)算模型，其主要步驟如下(圖2)：

(1)生成初始種群；

(2)計(jì)算初始種群中每個(gè)個(gè)體的適應(yīng)度，并判是否符合優(yōu)化條件.如果符合，則輸出相應(yīng)的最優(yōu)解，否則執(zhí)行下列步驟；

(3)根據(jù)適應(yīng)度的大小，選擇個(gè)體，適應(yīng)度越高被選中幾率越大，反之則可能淘汰；

(4)按照一定的交叉方法和交叉概率Pc執(zhí)行交叉操作；

(5)按照一定的變異方法和變異概率Pm執(zhí)行變異操作；

(6)返回上述步驟(2).

圖2 標(biāo)準(zhǔn)遺傳算法的流程圖Fig.2 Flow chart of standard genetic algorithm

4.2 建立結(jié)構(gòu)參數(shù)優(yōu)化模型

在測(cè)量中，測(cè)量值與真實(shí)值之差越小，說(shuō)明測(cè)量精度越高．因此，建立以量塊測(cè)量高度值y與量塊的實(shí)際高度值h(h=9 mm)差的平方為目標(biāo)函數(shù)，以3個(gè)參數(shù)的取值范圍為約束條件，建立如下優(yōu)化模型：

0.059x1x3+0.058x2x3-9)2，

4.3 基于遺傳算法的優(yōu)化

運(yùn)用Matlab軟件，編制遺傳算法優(yōu)化程序，設(shè)置相應(yīng)的參數(shù)，初始種群大小為20，交叉概率為0.6，變異概率為0.08，最大遺傳代數(shù)為1 000．仿真求解得到最優(yōu)結(jié)果：x1=0.066 5,x2=0.287 6,x3=0.991 7,求解結(jié)果收斂圖如圖3所示．

圖3 遺傳算法的求解收斂圖Fig.3 Convergence graph of genetic algorithm

再將最優(yōu)編碼值轉(zhuǎn)化成具體參數(shù)，最佳的參數(shù)組合為B=41.168，H=31.777，α=57.86°.

根據(jù)遺傳算法優(yōu)化后的參數(shù)值組合，調(diào)節(jié)視覺(jué)傳感器的結(jié)構(gòu)參數(shù)，進(jìn)行驗(yàn)證實(shí)驗(yàn)，測(cè)得量塊的高度值為8.901，比文獻(xiàn)[14]中的測(cè)量精度有較大提高．

5 結(jié)論

為了提高雙目立體視覺(jué)傳感器的測(cè)量精度，本文首先采用最優(yōu)回歸設(shè)計(jì)建立雙目立體視覺(jué)傳感器的結(jié)構(gòu)優(yōu)化模型，之后運(yùn)用遺傳算法對(duì)建立的結(jié)構(gòu)優(yōu)化模型進(jìn)行優(yōu)化，得到最優(yōu)解，經(jīng)過(guò)遺傳算法的優(yōu)化，雙目立體視覺(jué)傳感器的測(cè)量精度有了較大幅度的提高．

[1] 周學(xué)斌，楊學(xué)友，楊 楠，等. 立體視覺(jué)傳感器優(yōu)化設(shè)計(jì)技術(shù)研究[J]. 計(jì)算機(jī)測(cè)量與控制，2007，15(6)：831-832.

[2] 孫鳳梅，黃鳳榮，胡占義，等. 視覺(jué)測(cè)量誤差的研究與討論[J]. 北方工業(yè)大學(xué)學(xué)報(bào)，2005，17(1)：61-63.

[3] 吳彰良，盧榮勝，胡鵬浩，等. 雙目立體視覺(jué)傳感器精度分析與參數(shù)設(shè)計(jì)[J]. 鄭州輕工業(yè)學(xué)院學(xué)報(bào)：自然科學(xué)版，2006，21(3)：32-34.

[4] 王建華，韓紅艷，王春平，等. CCD雙目立體視覺(jué)測(cè)量系統(tǒng)的理論研究[J]. 電光與控控制，2007，14(4)：94-96.

[5] 張 蕾，徐鏡波，楊 麗. 析因試驗(yàn)設(shè)計(jì)在環(huán)境污染物聯(lián)合毒性研究中的應(yīng)用[J]. 干旱環(huán)境監(jiān)測(cè)，2004，18(1)：20-22.

[6] 李 偉，朱 紅. 均勻?qū)嶒?yàn)設(shè)計(jì)在驅(qū)油劑配方研制上的應(yīng)用[J]. 北京交通大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，32(3)：67-69.

[7] 婁國(guó)強(qiáng)，呂文彥. 回歸最優(yōu)設(shè)計(jì)在麥田雜草防除中的應(yīng)用[J]. 安徽農(nóng)業(yè)科學(xué)，2006，34(12)：2766-2768.

[8] 劉紅波，陸 剛，邊 寬. 幾種實(shí)驗(yàn)設(shè)計(jì)方法的比較[J]. 安徽農(nóng)業(yè)科學(xué)，2007，35(36)：11738-11739.

[9] 呂桂善，楊志偉，楊正興. 最優(yōu)回歸設(shè)計(jì)在食品加工工業(yè)中的應(yīng)用[J]. 廣西大學(xué)學(xué)報(bào)：自然科學(xué)版，2001，26(2)：125-126.

[10] 羅宇鋒，范耀祖，富 立. 正交設(shè)計(jì)及D最優(yōu)設(shè)計(jì)在陀螺測(cè)試中的應(yīng)用[J]. 壓電與聲光，2008，30(4)：393-394.

[11] MONTGOMERY D C. Design and analysis of experiments[M]. 6th ed. New York：John Wiley & Sons Inc，2004.

[12] 齊力旺，韓一凡，李 玲. 應(yīng)用 311-A 最優(yōu)回歸設(shè)計(jì)研究ABA、PEG 4000 及 AgNO3對(duì)落葉松體細(xì)胞胚發(fā)生數(shù)量的影響[J]. 生物工程學(xué)報(bào)，2001，17(1)：84-86.

[13] 張雅文，陳梁俊. 最優(yōu)回歸設(shè)計(jì)在落葉松遺傳轉(zhuǎn)化體系主導(dǎo)因子優(yōu)化篩選試驗(yàn)中的應(yīng)用[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2004，34(1)：99-100.

[14] 王以忠，李孝猛.雙目立體視覺(jué)傳感器結(jié)構(gòu)參數(shù)優(yōu)化設(shè)計(jì)[J].天津科技大學(xué)學(xué)報(bào)，2010,6(3)：11-14.

(編輯 陳笑梅)

Optimization Design of Binocular Stereo Vision Sensor Based on Genetic Algorithm

QIAODe-jun,ZHANGYan-jun,SHILei-na*

(Handan College, Handan 056005, China)

In order to improve the measurement accuracy of binocular stereo vision sensor, by using optimal regression design, the structural parameters optimization model of binocular stereoscopic vision sensor is established, which is solved by the genetic algorithm. Measurement precision of binocular stereo vision sensor is greatly improved and better than the result of traditional method.

binocular stereo visual sensor; genetic algorithm; optimal regression design; population size; crossover probability; mutation probability

2014-05-30

河北省科技計(jì)劃項(xiàng)目(112135128)

*

,E-mail：qdj@hdc.edu.cn

TP391.41

A

1000-2537(2014)06-0053-04