基于多种群风驱动优化算法的PID参数整定

针对标准风驱动优化算法容易收敛到局部最优和未成熟收敛的问题,提出了一种多种群风驱动优化算法,并将其用于PID控制器的参数整定。该算法将PID控制器的比例、积分和微分参数作为空气微团的位置矢量,以ITAE指标作为算法的适应度函数,通过多个种群协同搜索,寻求解空间中适应度值最小的位置。通过实验仿真,并与基于标准风驱动优化算法、基于遗传算法和基于粒子群算法的PID参数整定相比,该算法在收敛速度、收敛精度等方面均表现出更好的性能。     

基于图像的摄像机焦距参数的算法研究

在虚拟演播室中前景和后景的融合需要摄像机的平摇、俯仰及变焦参数.前两个参数是利用编码器来采集,而使用编码器采集焦距参数需要额外在镜头处加装复杂的机械支撑机构,在应用中不能采集到满足精确度要求的参数值.为此探讨了基于对图像的处理,利用改进的GA算法和LM算法的结合,实现对摄像机自标定中的基本矩阵及其Kruppa方程的优化运算,从而得到摄像机的内参.由于焦距属于摄像机的一个参数,当内参值确定时,便能得到摄像机焦距参数.从而能为虚拟演播室提供精确的摄像机焦距数据.     

基于OpenCV的改进两步法摄像机标定

采用改进两步法实现了摄像机的标定,并给出基于OpenCV算法,充分发挥了OpenCV的函数库功能。对两步标定法的改进是在原两步法得到摄像机参数值的基础上,用非线性优化算法对所有参数进一步优化,得到最终参数值,既提高了摄像机标定精度和计算效率,又无需对摄像机像面中心预标定,简化了标定过程。     

一种基于混沌天牛须搜索算法的摄像机标定方法

为了较好地解决传统智能优化方法在摄像机标定中存在标定精度低、效率和鲁棒性差的问题，提出一种基于混沌天牛须搜索算法的摄像机标定方法。该方法使用MATLAB标定工具箱对摄像机非线性成像模型进行预标定，预标定结果作为混沌天牛须搜索算法的初始值；构造平均重投影误差适应度函数，建立混沌天牛须搜索算法优化模型对标定参数进行优化；与基于传统智能优化方法的摄像机标定方法进行实验对比。实验结果表明，该方法得到的平均重投影误差为0.005 72像素，算法总的运行时间为46.15 s,可以有效提高摄像机标定的精度、鲁棒性与效率。     

基于改进变尺度混沌优化的自标定位置视觉伺服

提出了一种基于改进变尺度混沌优化算法 (Enhanced mutative scale chaos optimization algorithm, EMSCOA) 的机器人动态自标定位置视觉伺服算法, 算法在 Mendonca-Cipolla 和 G. Chesi 利用本质矩阵进行自标定的基础上进行了扩展. 首先依据3个奇异值的特性在线生成目标函数, 在进行动态自标定的同时, 完成视觉伺服. 算法抛弃了 G. Chesi 方法中对初值选取极为敏感的梯度下降法, 采用改进的变尺度混沌优化算法动态优化摄像机内参数. 把混沌变量映射到待寻优的5个内参数区间, 通过设置内外两层循环, 内循环进行混沌搜索, 外循环负责缩小内参数搜索区间, 避免了混沌优化在内参数区间的盲目重复搜索, 提高了搜索效率. 算法同时克服了 G. Chesi 方法迭代过程中要求选取初值时靠近摄像机内参数真值的限制, 并可以通过设置参数范围来精确逼近5个内参数. 另外, 算法不需要物体精确的三维模型, 只需要8个空间固定点坐标信息. 仿真结果表明, 该方法应用于基于位置的视觉伺服时运算速度快, 同时对内参数变化鲁棒性强, 实验结果证明了算法的有效性.     

基于改进粒子群优化算法的非线性摄像机标定

本文针对传统优化算法在摄像机标定中存在对初始值敏感、收敛性差、易陷入局部最优等缺点，研究了粒子群优化算法在非线性摄像机标定中的应用，给出了利用改进粒子群 优化算法进行摄像机参数标定的具体步骤。标定实验表明，基于该算法的摄像机标定方法可以克服传统算法的不足，是一种有效的标定方法。     

基于视频的大空间建筑消防系统研究

针对基于视频的大空间建筑火灾消防存在的实时性和有效性问题,提出了一种基于改进的自适应差分进化算法的摄像机自标定方法。用基于比值法与相关函数法融合的SURF火灾图像特征点匹配算法,快速得到准确的匹配点对;进行摄像机自标定,用较为准确的匹配点对求得基本矩阵F,利用绝对二次曲线的性质,得到优化函数。利用基于改进的差分进化算法对其进行优化,求得摄像机内参数,得到火源的三维信息。实验结果证明,该方法短时间内,算出了较为准确的火源的空间三维信息,实时性和精确度均能够满足火灾消防的标准,有效地进行灭火。     

非结构化道路中基于均质雾天的摄像机动态标定算法

现有的交通摄像机标定算法大多基于车道线长度、车辆尺寸等先验信息,由于在非结构化道路中往往不存在车道线,使得标定算法具有局限性.为了改进摄像机标定在非结构化道路中的适用性,结合摄像机线性模型与均质雾天,提出一种只包含路面以及运动车辆的摄像机动态标定算法.首先生成并更新背景和场景活动图,提取路面、天空的纹理特征,利用区域搜索算法得到感兴趣区域,并根据感兴趣区域的像素变化规律判断当前天气是否为均质雾天;其次根据暗原色先验原理计算场景透射率,将结果映射到[0,255]作为图像显示;最后结合均质雾天光线传输模型、摄像机线性模型和暗原色先验原理导出标定方程,选取路面上具有特定透射率的8个点生成2个一次方程、1个二次方程和1个三角方程,依次标定摄像机参数,将视频多帧图像标定的参数值平均得到准确值.与角点检测法、摄像机6点标定法以及基于消失点的标定算法进行对比的实验结果表明,该算法是有效的且满足视频的实时性处理要求.     

快速有效的摄像机标定方法

提出了一种快速有效的基于径向约束的两步算法.该算法综合了线性模型和非线性模型的优点,在求解摄像机参数的过程中,采用线性模型标定摄像机中的一部分参数,进一步考虑非线性畸变,通过条件化简将非线性方程转化成线性方程求解其余摄像机参数,有效避免了直接求解非线性方程带来的计算繁琐和结果不稳定的缺陷.最后对标定结果采取最优化算法求精.实验结果表明,优化后的两步算法提高了摄像机标定的效率和准确性.     

混合优化算法的摄像机自标定方法研究*

提出了一种将改进的遗传算法和Levenberg Marquardt(LM)算法相混合优化的摄像机自标定方法。首先将Hartley定义的简化Kruppa方程转换为优化代价函数,然后利用改进的遗传算法和LM算法相混合的优化算法求优化代价函数的最小值,进而求得摄像机的内参数。实验结果表明,与单一的优化方法相比,该方法的标定精度得到了较大的提高。