CN111460735A - 基于基因遗传的相机布局函数优化方法及相关设备 - Google Patents
基于基因遗传的相机布局函数优化方法及相关设备 Download PDFInfo
- Publication number
- CN111460735A CN111460735A CN202010268735.8A CN202010268735A CN111460735A CN 111460735 A CN111460735 A CN 111460735A CN 202010268735 A CN202010268735 A CN 202010268735A CN 111460735 A CN111460735 A CN 111460735A
- Authority
- CN
- China
- Prior art keywords
- camera
- parameters
- layout function
- target
- camera layout
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Studio Devices (AREA)
Abstract
本发明涉及计算机视觉领域,公开了一种基于基因遗传的相机布局函数优化方法及相关设备,用于提高光学运动捕捉***的相机布局效率。基于基因遗传的相机布局函数优化方法包括:对预置类型相机进行参数配置,得到相机参数和场景参数;根据相机参数和场景参数,确定预置的基因遗传算法中的目标函数,得到初始相机布局函数;对初始相机布局函数中的实际安装位置参数进行优化,得到候选相机布局函数;对候选相机布局函数进行目标参数配置,得到目标相机布局函数,目标参数包括基因个数、种群个数、最大迭代次数、最小迭代次数、稳定迭代次数、交叉概率和变异概率。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及一种基于基因遗传的相机布局函数优化方法及相关设备。
背景技术
光学运动捕捉***是一种通过安装在动捕空间中的高精度相机,去定位和跟踪场景中运动目标上的标记Maker点,以实现对运动的捕捉任务。最终捕捉效果的好坏受很多步骤的影响,其中很重要的一步就包括优秀的相机安装位置。目前市面上的相机安装方法,主要根据工程经验来确定安装位置,以及采用等距分布的方式确定安装位置,即间隔一定距离就安装一个相机。
在现有技术中,根据工程经验来确定安装位置的方法存在诸多劣势,一是过度依赖员工的工程经验,导致效果很难把控;二是这种安装方法,无疑特别耗时耗力,需要不断地拆卸再安装,进行大量的测试调整,工作量明显不轻松;三是由于安装较为粗糙,导致最终的效果也不是特别好,严重影响后期的运动捕捉效果。采用等距分布的方式确定安装位置,存在相机冗余和相机的需求数量增多,导致成本增加的问题。因而,导致光学运动捕捉***的相机布局效率低。
发明内容
本发明的主要目的在于解决光学运动捕捉***的相机布局效率低的问题。
本发明第一方面提供了一种基于基因遗传的相机布局函数优化方法,包括:
对预置类型相机进行参数配置,得到相机参数和场景参数;
根据所述相机参数和所述场景参数,确定预置的基因遗传算法中的目标函数,得到初始相机布局函数;
对所述初始相机布局函数中的实际安装位置参数进行优化,得到候选相机布局函数;
对所述候选相机布局函数进行目标参数配置,得到目标相机布局函数,所述目标参数包括基因个数、种群个数、最大迭代次数、最小迭代次数、稳定迭代次数、交叉概率和变异概率。
可选的,在本发明第一方面的第一种实现方式中,所述对预置类型相机进行参数配置,得到相机参数和场景参数,包括:
设定预置类型相机的期望安装数量、所述预置类型相机对应的布置范围信息以及所述预置类型相机的可安装区域信息,得到相机参数;
对所述预置类型相机的场景捕捉区域进行离散化处理和区域大小设置,得到场景参数。
可选的,在本发明第一方面的第二种实现方式中,所述对所述预置类型相机的场景捕捉区域进行离散化处理和区域大小设置,得到场景参数,包括:
按照预置离散精度对所述预置类型相机的场景捕捉区域进行离散化处理,得到离散点群;
将所述场景捕捉区域的范围,相对所述可安装区域信息中行架的位置进行向内缩进,得到场景捕捉区域大小;
根据所述离散点群和所述场景捕捉区域大小生成点云,并将所述点云确定为场景参数。
可选的,在本发明第一方面的第三种实现方式中,所述根据所述相机参数和所述场景参数,确定预置的基因遗传算法中的目标函数,得到初始相机布局函数,包括:
计算所述点云中每个点的双四方位可观测性得分;
将每个点的双四方位可观测性得分中值最大的分值,确定为每个点的初始可观测性得分;
获取所述点云中点的总个数,根据所述点云中点的总个数对每个点的初始可观测性得分进行归一化处理,得到目标可观测性得分;
根据所述目标可观测性得分,对预置的基因遗传算法中的得分函数进行最大化,得到目标函数;
根据所述目标函数和所述基因遗传算法生成初始相机布局函数。
可选的,在本发明第一方面的第四种实现方式中,所述分别计算所述点云中每个点的双四方位可观测性得分,包括:
获取所述点云中每个点对应的360度坐标系;
将所述360度坐标系进行四等分区间划分并进行预设角度旋转,得到目标四等分区间;
获取所述点云中每个点在所述目标四等分区间中可观测的目标方位个数;
根据所述目标方位个数对所述点云中每个点进行评分,得到每个点的双四方位可观测性得分。
可选的,在本发明第一方面的第五种实现方式中,所述获取所述点云中点的总个数,根据所述点云中点的总个数对每个点的初始可观测性得分进行归一化处理,得到目标可观测性得分,包括:
获取所述点云中点的总个数,并根据所述总个数和每个点的初始可观测性得分,确定可观测性得分和值;
将所述可观测性得分和值除以所述总个数,得到初始可观测性得分;
将所述初始可观测性得分除以4,得到目标可观测性得分。
可选的,在本发明第一方面的第六种实现方式中,所述对所述初始相机布局函数中的实际安装位置参数进行优化,得到候选相机布局函数,包括:
将所述初始相机布局函数中的实际安装位置参数进行归一化处理,得到优化参数值;
将所述优化参数值,确定为所述初始相机布局函数中个体基因的数值范围,得到候选相机布局函数。
本发明第二方面提供了一种基于基因遗传的相机布局函数优化装置,包括:
第一配置模块,用于对预置类型相机进行参数配置,得到相机参数和场景参数;
确定模块,用于根据所述相机参数和所述场景参数,确定预置的基因遗传算法中的目标函数,得到初始相机布局函数;
优化模块,用于对所述初始相机布局函数中的实际安装位置参数进行优化,得到候选相机布局函数;
第二配置模块,用于对所述候选相机布局函数进行目标参数配置,得到目标相机布局函数,所述目标参数包括基因个数、种群个数、最大迭代次数、最小迭代次数、稳定迭代次数、交叉概率和变异概率。
本发明第三方面提供了一种基于基因遗传的相机布局函数优化设备,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于基因遗传的相机布局函数优化设备执行上述的基于基因遗传的相机布局函数优化方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于基因遗传的相机布局函数优化方法。
本发明提供的技术方案中,对预置类型相机进行参数配置,得到相机参数和场景参数;根据相机参数和场景参数,确定预置的基因遗传算法中的目标函数,得到初始相机布局函数;对初始相机布局函数中的实际安装位置参数进行优化,得到候选相机布局函数;对候选相机布局函数进行目标参数配置,得到目标相机布局函数,目标参数包括基因个数、种群个数、最大迭代次数、最小迭代次数、稳定迭代次数、交叉概率和变异概率。本发明中,通过对基因遗传算法进行优化,获得基于基因遗传的相机布局优化函数(目标相机布局函数),以不受连续可微的约束、其定义域可以任意设定的全局优化方式,使得目标相机布局函数结合基因遗传算法的利于全局择优、减少陷入局部最优解的风险、易于实现并行化、采用概率的变迁规则以及具有自组织、自适应和自学习性的特性,以适用于得分函数(目标函数)是离散的、安装约束条件多且不连续(如预置类型相机必须安装在指定的行架上),从而实现可以大大节省不必要的人力资源,不需要反复拆卸再安装进行不断地调整可获得目标相机安装位置信息的效果,进而提高了光学运动捕捉***的相机布局效率。
附图说明
图1为本发明实施例中基于基因遗传的相机布局函数优化方法的一个实施例示意图;
图2为本发明实施例中基于基因遗传的相机布局函数优化方法的另一个实施例示意图;
图3为本发明实施例中基于基因遗传的相机布局函数优化装置的一个实施例示意图;
图4为本发明实施例中基于基因遗传的相机布局函数优化装置的另一个实施例示意图;
图5为本发明实施例中基于基因遗传的相机布局函数优化设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于基因遗传的相机布局函数优化方法及相关设备,提高光学运动捕捉***的相机布局效率。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于基因遗传的相机布局函数优化方法的一个实施例包括:
101、对预置类型相机进行参数配置,得到相机参数和场景参数;
可以理解的是,本发明的执行主体可以为基于基因遗传的相机布局函数优化装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
其中,相机参数为预置类型相机的期望安装数量、预置类型相机对应的范围信息和预置场地中的行架信息,预置类型相机对应的范围信息可为相机的拍摄范围信息,也可为相机的动态范围信息,也可为相机是椎体的可视范围信息,场景参数为预置类型相机的场景捕捉区域大小,场景捕捉区域大小为点云区。通过配置预置类型相机的相机参数和场景参数,以便于后续对场景捕捉区域中的点的捕捉效果进行判断,以及后续在对目标函数的设计,将相机布局信息融入到预置的基因遗传算法中。
102、根据相机参数和场景参数,确定预置的基因遗传算法中的目标函数,得到初始相机布局函数;
服务器通过一种简单、直观且行之有效的方法-双四方位可观测性法,来保证相机参数和场景参数中的点云区的每个点被至少两个预置类型相机同时捕捉跟踪标记,以能实现目标点的三角测量。例如:将点云区的每个点对应的坐标系平均划分为四个分区,每个分区都有两个方位,四个分区的四个方位构成一个四方位,计算每个点的四方位得分,服务器可将每个点的所有四方位得分的均值作为该点最终的得分,也可将每个点的所有四方位得分的加权均值作为该点最终的得分。计算最终的得分的函数即为预置的基因遗传算法中的目标函数。
通过采用双四方位可观测性法的函数来设定目标函数,将目标函数所得的得分映射到预置的基因遗传算法中的适应值,以实现对预置的基因遗传算法中的目标函数的设定。
103、对初始相机布局函数中的实际安装位置参数进行优化,得到候选相机布局函数;
服务器可根据相机安装位置的受限条件,对初始相机布局函数中的实际安装位置参数的个数进行相应的筛减,其中,相机安装位置的受限条件可为相机安装的行架结构、绕X轴旋转的角度、相机与相机之间的距离要求或相机与物体之间的距离要求,实际安装位置参数包括相机位置(空间三维坐标)、相机水平角和相机俯仰角,例如:若相机安装的行架结构在纵向不发生变化,则不需将相机的空间三维坐标位置中的纵轴的参数加入到基因型中进行优化,以减少计算量。通过对初始相机布局函数中的实际安装位置参数进行优化,减少实际安装位置参数的计算量,提高其效率和精确度。
104、对候选相机布局函数进行目标参数配置,得到目标相机布局函数,目标参数包括基因个数、种群个数、最大迭代次数、最小迭代次数、稳定迭代次数、交叉概率和变异概率。
服务器通过配置基因个数和种群个数,对目标相机布局函数中需解决的实际问题和实际问题对应的解决方法进行设置。服务器通过配置最大迭代次数、最小迭代次数、稳定迭代次数、交叉概率和变异概率,以设定获取优秀种群个数的迭代次数。其中,在对种群个数进行配置之前,可先通过格子点法创建所需的均匀设计表,确定相机参数、场景参数、基因个数、预置类型相机的安装位置、最大迭代次数、最小迭代次数、稳定迭代次数、交叉概率和变异概率的范围值,以及预置类型相机不同场景下的相机安装位置(初始种群),根据均匀涉计表进行实验计算,根据实验计算结果选择最佳的种群个数的设定值。
通过设定的交叉概率和变异概率产生多个新种群个体(相机安装位置信息)。通过最大迭代次数、最小迭代次数和稳定迭代次数的交叉变异和轮盘赌选择,得到最终所需的目标种群个体(目标相机安装位置信息)。从而获得可以大大节省不必要的人力资源,不需要反复拆卸再安装进行不断地调整便可获得目标相机安装位置信息的目标相机布局函数。
本发明实施例中,通过对基因遗传算法进行优化,获得基于基因遗传的相机布局优化函数(目标相机布局函数),以不受连续可微的约束、其定义域可以任意设定的全局优化方式,使得目标相机布局函数结合基因遗传算法的利于全局择优、减少陷入局部最优解的风险、易于实现并行化、采用概率的变迁规则以及具有自组织、自适应和自学习性的特性,以适用于得分函数(目标函数)是离散的、安装约束条件多且不连续(如预置类型相机必须安装在指定的行架上),从而实现可以大大节省不必要的人力资源,不需要反复拆卸再安装进行不断地调整可获得目标相机安装位置信息的效果,进而提高光学运动捕捉***的相机布局效率。
请参阅图2,本发明实施例中基于基因遗传的相机布局函数优化方法的另一个实施例包括:
201、设定预置类型相机的期望安装数量、预置类型相机对应的布置范围信息以及预置类型相机的可安装区域信息,得到相机参数;
其中,预置类型相机对应的布置范围信息包括最远拍摄距离、水平范围角和垂直范围角,预置类型相机的可安装区域信息为场地中预置类型相机的行架信息,即为该行架的总长度、总宽度和总高度或行架每层的长度、宽度和高度。
202、对预置类型相机的场景捕捉区域进行离散化处理和区域大小设置,得到场景参数;
具体地,服务器按照预置离散精度对预置类型相机的场景捕捉区域进行离散化处理,得到离散点群;将场景捕捉区域的范围,相对可安装区域信息中行架的位置进行向内缩进,得到场景捕捉区域大小;根据离散点群和场景捕捉区域大小生成点云,并将点云确定为场景参数。
服务器通过按照预置离散精度将预置类型相机的场景捕捉区域离散化为一系列点(离散点群),以便于计算这些点的可观测性得分,从而便于判定该点附近的捕捉效果。捕捉区域大小是以相对于行架的位置向内缩进设置的,例如:行架的位置为(A,B,C),以行架的位置为中心点,向内缩进5,可得到场景捕捉区域大小为(A-5,B-5,C-5)。场景捕捉区域大小为空间坐标,离散点群和离散点群对应的空间坐标(场景捕捉区域大小)便为点云。
203、根据相机参数和场景参数,确定预置的基因遗传算法中的目标函数,得到初始相机布局函数;
具体地,服务器计算点云中每个点的双四方位可观测性得分;将每个点的双四方位可观测性得分中值最大的分值,确定为每个点的初始可观测性得分;获取点云中点的总个数,根据点云中点的总个数对每个点的初始可观测性得分进行归一化处理,得到目标可观测性得分;根据目标可观测性得分,对预置的基因遗传算法中的得分函数进行最大化,得到目标函数;根据目标函数和基因遗传算法生成初始相机布局函数。
例如:以点云中的乙点为例,乙点的双四方位可观测性得分为3分和4分,则将4分作为乙点的初始可观测性得分,根据点云中点的总个数对4分进行归一化处理,得到目标可观测性得分。又例如:点云中的点一共为甲点和乙点,则点云中点的总个数为2,甲点的初始可观测性得分为2,乙点的初始可观测性得分为4分,根据点云中点的总个数2对2分和4分进行归一化处理,得到目标可观测性得分。目标可观测性得分即为最大化得分函数所得的分,目标可观测性得分的函数过程就是目标函数的函数过程,通过设定预置的基因遗传算法中的目标函数,得到初始相机布局函数,以实现对基于基因遗传的相机布局函数的初步优化。
具体地,服务器获取点云中每个点对应的360度坐标系;将360度坐标系进行四等分区间划分并进行预设角度旋转,得到目标四等分区间;获取点云中每个点在目标四等分区间中可观测的目标方位个数;根据目标方位个数对点云中每个点进行评分,得到每个点的双四方位可观测性得分。
例如:将点云中的丙点对应的360度坐标系平均划分为四个分区间,每个分区间对应两个方位,即分区间的上方位和下方位,四个分区间的四个方位构成一个四方位,将每个分区间旋转45度,得到新的四等分区间(目标四等分区间),丙点在目标四等分区间中的第一个四方位可观测的方位个数是4,第二个四方位可观测的方位个数是3,每个方位的可观测性得分为1分,则丙点对应第一个四方位的可观测性得分为4分,丙点对应第二个四方位的可观测性得分为3分,丙点的双四方位可观测性得分为4分和3分。
其中,服务器对四等分区间进行预设角度旋转时,可将四等分区间同时进行逆时针或顺时针的预设角度旋转,也可将其中一部分四等分区间进行顺时针的预设角度旋转,将另一部分的四等分区间进行逆时针的预设角度旋转。服务器可通过将每个点的四等分区间映射在预置类型相机的视锥体的可视范围上,根据视锥体的可视范围中的可观方位的个数,来获取点云中每个点在目标四等分区间中可观测的方位个数。
具体地,服务器获取点云中点的总个数,并根据总个数和每个点的初始可观测性得分,确定可观测性得分和值;将可观测性得分和值除以总个数,得到初始可观测性得分;将初始可观测性得分除以4,得到目标可观测性得分。
例如:点云中点的总个数为3,分别为D点、E点和F点,D点、E点和F点的初始可观测性得分分别为4分、2分和3分,则初始可观测性得分和值为4+2+3=9,将9除以3得到候选可观测性得分(3分),将候选可观测性得分(3分)除以4,即通过根据点云中点的总个数对每个点的初始可观测性得分进行归一化处理,得到目标可观测性得分3/4。
204、对初始相机布局函数中的实际安装位置参数进行优化,得到候选相机布局函数;
具体地,服务器将初始相机布局函数中的实际安装位置参数进行归一化处理,得到优化参数值;将优化参数值,确定为初始相机布局函数中个体基因的数值范围,得到候选相机布局函数。
为了保证各实际安装位置参数在量纲上的一致性,以及便于基因遗传算法中的交叉变异操作,服务器对实际安装位置参数均进行归一化操作,并将归一化操作之后所得的优化参数值作为基因遗传算法中个体基因的数值范围,每个优化参数值都是属于[0,1]区间,归一化操作之后所得的每个优化参数对应一个个体基因,每三个个体基因对应一个场景下的相机安装位置。
其中,在对初始相机布局函数中的实际安装位置参数进行优化过程中,根据相机安装位置的特殊性对初始相机布局函数中的实际安装位置参数的个数进行对应地减少,相机安装位置的特殊性即相机安装在的行架的架构,行架的架构可为一层,也可为多层,例如:以一层行架为例,预置类型相机是安装在行架上的,若该行架均为一层,则相机位置(空间三维坐标)中的纵向坐标CameraZ是固定的,因此不需要加入到基因型中进行优化,且相机位置(空间三维坐标)中的水平坐标CameraX和CameraY是存在等式关系的,因此可以仅用一个参数就可以表示,进一步减少优化参数的个数,从而可得到最终需优化的参数个数或说基因的个数,为预置类型相机的期望安装个数*3,即每个预置类型相机都有3个优化参数,而且每个优化参数的值都是属于[0,1]区间。
205、对候选相机布局函数进行目标参数配置,得到目标相机布局函数,目标参数包括基因个数、种群个数、最大迭代次数、最小迭代次数、稳定迭代次数、交叉概率和变异概率。
服务器通过配置基因个数和种群个数,对目标相机布局函数中需解决的实际问题和实际问题对应的解决方法进行设置。服务器通过配置最大迭代次数、最小迭代次数、稳定迭代次数、交叉概率和变异概率,以设定获取优秀种群个数的迭代次数。通过设定的交叉概率和变异概率产生多个新种群个体(相机安装位置信息)。通过最大迭代次数、最小迭代次数和稳定迭代次数的交叉变异和轮盘赌选择,得到最终所需的目标种群个体(目标相机安装位置信息)。从而获得既可以大大节省不必要的人力资源,不需要反复拆卸再安装进行不断地调整便可获得目标相机安装位置信息,又可以更充分高效地利用每个相机的性能,极大改善运动捕捉效果的目标相机布局函数。
本发明实施例中,在实现可以大大节省不必要的人力资源,不需要反复拆卸再安装进行不断地调整可获得目标相机安装位置信息的效果,进而提高光学运动捕捉***的相机布局效率的基础上,以简单、直观且行之有效的方式减少参数的个数和对应的计算量,保证各实际安装位置参数在量纲上的一致性,以及便于基因遗传算法中的交叉变异操作,从而提高光学运动捕捉***的相机布局效率。
上面对本发明实施例中基于基因遗传的相机布局函数优化方法进行了描述,下面对本发明实施例中基于基因遗传的相机布局函数优化装置进行描述,请参阅图3,本发明实施例中基于基因遗传的相机布局函数优化装置一个实施例包括:
第一配置模块301,用于对预置类型相机进行参数配置,得到相机参数和场景参数;
确定模块302,用于根据相机参数和场景参数,确定预置的基因遗传算法中的目标函数,得到初始相机布局函数;
优化模块303,用于对初始相机布局函数中的实际安装位置参数进行优化,得到候选相机布局函数;
第二配置模块304,用于对候选相机布局函数进行目标参数配置,得到目标相机布局函数,目标参数包括基因个数、种群个数、最大迭代次数、最小迭代次数、稳定迭代次数、交叉概率和变异概率。
上述基于基因遗传的相机布局函数优化装置中各个模块的功能实现与上述基于基因遗传的相机布局函数优化方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
本发明实施例中,通过对基因遗传算法进行优化,获得基于基因遗传的相机布局优化函数(目标相机布局函数),以不受连续可微的约束、其定义域可以任意设定的全局优化方式,使得目标相机布局函数结合基因遗传算法的利于全局择优、减少陷入局部最优解的风险、易于实现并行化、采用概率的变迁规则以及具有自组织、自适应和自学习性的特性,以适用于得分函数(目标函数)是离散的、安装约束条件多且不连续(如预置类型相机必须安装在指定的行架上),从而实现可以大大节省不必要的人力资源,不需要反复拆卸再安装进行不断地调整可获得目标相机安装位置信息的效果,进而提高光学运动捕捉***的相机布局效率。
请参阅图4,本发明实施例中基于基因遗传的相机布局函数优化装置的另一个实施例包括:
第一配置模块301,用于对预置类型相机进行参数配置,得到相机参数和场景参数;
其中,第一配置模块301具体包括:
设定单元3011,用于设定预置类型相机的期望安装数量、预置类型相机对应的布置范围信息以及预置类型相机的可安装区域信息,得到相机参数;
第一处理单元3012,用于对预置类型相机的场景捕捉区域进行离散化处理和区域大小设置,得到场景参数;
确定模块302,用于根据相机参数和场景参数,确定预置的基因遗传算法中的目标函数,得到初始相机布局函数;
优化模块303,用于对初始相机布局函数中的实际安装位置参数进行优化,得到候选相机布局函数;
第二配置模块304,用于对候选相机布局函数进行目标参数配置,得到目标相机布局函数,目标参数包括基因个数、种群个数、最大迭代次数、最小迭代次数、稳定迭代次数、交叉概率和变异概率。
可选的,第一处理单元3012还可以具体用于:
按照预置离散精度对预置类型相机的场景捕捉区域进行离散化处理,得到离散点群;
将场景捕捉区域的范围,相对可安装区域信息中行架的位置进行向内缩进,得到场景捕捉区域大小;
根据离散点群和场景捕捉区域大小生成点云,并将点云确定为场景参数。
可选的,确定模块302包括:
计算单元3021,用于计算点云中每个点的双四方位可观测性得分;
确定单元3022,用于将每个点的双四方位可观测性得分中值最大的分值,确定为每个点的初始可观测性得分;
第二处理单元3023,用于获取点云中点的总个数,根据点云中点的总个数对每个点的初始可观测性得分进行归一化处理,得到目标可观测性得分;
第三处理单元3024,用于根据目标可观测性得分,对预置的基因遗传算法中的得分函数进行最大化,得到目标函数;
生成单元3025,用于根据目标函数和基因遗传算法生成初始相机布局函数。
可选的,计算单元3021还可以具体用于:
获取点云中每个点对应的360度坐标系;
将360度坐标系进行四等分区间划分并进行预设角度旋转,得到目标四等分区间;
获取点云中每个点在目标四等分区间中可观测的目标方位个数;
根据目标方位个数对点云中每个点进行评分,得到每个点的双四方位可观测性得分。
可选的,第二处理单元3023还可以具体用于:
获取点云中点的总个数,并根据总个数和每个点的初始可观测性得分,确定可观测性得分和值;
将可观测性得分和值除以总个数,得到初始可观测性得分;
将初始可观测性得分除以4,得到目标可观测性得分。
可选的,优化模块303还可以具体用于:
将初始相机布局函数中的实际安装位置参数进行归一化处理,得到优化参数值;
将优化参数值,确定为初始相机布局函数中个体基因的数值范围,得到候选相机布局函数。
上述基于基因遗传的相机布局函数优化装置中各模块和各单元的功能实现与上述基于基因遗传的相机布局函数优化方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
本发明实施例中,在实现可以大大节省不必要的人力资源,不需要反复拆卸再安装进行不断地调整可获得目标相机安装位置信息的效果,进而提高光学运动捕捉***的相机布局效率的基础上,以简单、直观且行之有效的方式减少参数的个数和对应的计算量,保证各实际安装位置参数在量纲上的一致性,以及便于基因遗传算法中的交叉变异操作,从而提高光学运动捕捉***的相机布局效率。
上面图3和图4从模块化功能实体的角度对本发明实施例中的基于基因遗传的相机布局函数优化装置进行详细描述,下面从硬件处理的角度对本发明实施例中基于基因遗传的相机布局函数优化设备进行详细描述。
图5是本发明实施例提供的一种基于基因遗传的相机布局函数优化设备的结构示意图,该基于基因遗传的相机布局函数优化设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于基因遗传的相机布局函数优化设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在基于基因遗传的相机布局函数优化设备500上执行存储介质530中的一系列指令操作。
基于基因遗传的相机布局函数优化设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作***531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的基于基因遗传的相机布局函数优化设备结构并不构成对基于基因遗传的相机布局函数优化设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,计算机可读存储介质中存储有指令,当指令在计算机上运行时,使得计算机执行基于基因遗传的相机布局函数优化方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于基因遗传的相机布局函数优化方法,其特征在于,所述基于基因遗传的相机布局函数优化方法包括:
对预置类型相机进行参数配置,得到相机参数和场景参数;
根据所述相机参数和所述场景参数,确定预置的基因遗传算法中的目标函数,得到初始相机布局函数;
对所述初始相机布局函数中的实际安装位置参数进行优化,得到候选相机布局函数;
对所述候选相机布局函数进行目标参数配置,得到目标相机布局函数,所述目标参数包括基因个数、种群个数、最大迭代次数、最小迭代次数、稳定迭代次数、交叉概率和变异概率。
2.根据权利要求1所述的基于基因遗传的相机布局函数优化方法,其特征在于,所述对预置类型相机进行参数配置,得到相机参数和场景参数,包括:
设定预置类型相机的期望安装数量、所述预置类型相机对应的布置范围信息以及所述预置类型相机的可安装区域信息,得到相机参数;
对所述预置类型相机的场景捕捉区域进行离散化处理和区域大小设置,得到场景参数。
3.根据权利要求2所述的基于基因遗传的相机布局函数优化方法,其特征在于,所述对所述预置类型相机的场景捕捉区域进行离散化处理和区域大小设置,得到场景参数,包括:
按照预置离散精度对所述预置类型相机的场景捕捉区域进行离散化处理,得到离散点群;
将所述场景捕捉区域的范围,相对所述可安装区域信息中行架的位置进行向内缩进,得到场景捕捉区域大小;
根据所述离散点群和所述场景捕捉区域大小生成点云,并将所述点云确定为场景参数。
4.根据权利要求3所述的基于基因遗传的相机布局函数优化方法,其特征在于,所述根据所述相机参数和所述场景参数,确定预置的基因遗传算法中的目标函数,得到初始相机布局函数,包括:
计算所述点云中每个点的双四方位可观测性得分;
将每个点的双四方位可观测性得分中值最大的分值,确定为每个点的初始可观测性得分;
获取所述点云中点的总个数,根据所述点云中点的总个数对每个点的初始可观测性得分进行归一化处理,得到目标可观测性得分;
根据所述目标可观测性得分,对预置的基因遗传算法中的得分函数进行最大化,得到目标函数;
根据所述目标函数和所述基因遗传算法生成初始相机布局函数。
5.根据权利要求4所述的基于基因遗传的相机布局函数优化方法,其特征在于,所述计算所述点云中每个点的双四方位可观测性得分,包括:
获取所述点云中每个点对应的360度坐标系;
将所述360度坐标系进行四等分区间划分并进行预设角度旋转,得到目标四等分区间;
获取所述点云中每个点在所述目标四等分区间中可观测的目标方位个数;
根据所述目标方位个数对所述点云中每个点进行评分,得到每个点的双四方位可观测性得分。
6.根据权利要求4所述的基于基因遗传的相机布局函数优化方法,其特征在于,所述获取所述点云中点的总个数,根据所述点云中点的总个数对每个点的初始可观测性得分进行归一化处理,得到目标可观测性得分,包括:
获取所述点云中点的总个数,并根据所述总个数和每个点的初始可观测性得分,确定可观测性得分和值;
将所述可观测性得分和值除以所述总个数,得到初始可观测性得分;
将所述初始可观测性得分除以4,得到目标可观测性得分。
7.根据权利要求1-6中任一项所述的基于基因遗传的相机布局函数优化方法,其特征在于,所述对所述初始相机布局函数中的实际安装位置参数进行优化,得到候选相机布局函数,包括:
将所述初始相机布局函数中的实际安装位置参数进行归一化处理,得到优化参数值;
将所述优化参数值,确定为所述初始相机布局函数中个体基因的数值范围,得到候选相机布局函数。
8.一种基于基因遗传的相机布局函数优化装置,其特征在于,所述基于基因遗传的相机布局函数优化装置包括:
第一配置模块,用于对预置类型相机进行参数配置,得到相机参数和场景参数;
确定模块,用于根据所述相机参数和所述场景参数,确定预置的基因遗传算法中的目标函数,得到初始相机布局函数;
优化模块,用于对所述初始相机布局函数中的实际安装位置参数进行优化,得到候选相机布局函数;
第二配置模块,用于对所述候选相机布局函数进行目标参数配置,得到目标相机布局函数,所述目标参数包括基因个数、种群个数、最大迭代次数、最小迭代次数、稳定迭代次数、交叉概率和变异概率。
9.一种基于基因遗传的相机布局函数优化设备,其特征在于,所述基于基因遗传的相机布局函数优化设备包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于基因遗传的相机布局函数优化设备执行如权利要求1-7中任意一项所述的基于基因遗传的相机布局函数优化方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述基于基因遗传的相机布局函数优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010268735.8A CN111460735B (zh) | 2020-04-08 | 2020-04-08 | 基于基因遗传的相机布局函数优化方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010268735.8A CN111460735B (zh) | 2020-04-08 | 2020-04-08 | 基于基因遗传的相机布局函数优化方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111460735A true CN111460735A (zh) | 2020-07-28 |
CN111460735B CN111460735B (zh) | 2023-09-01 |
Family
ID=71680490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010268735.8A Active CN111460735B (zh) | 2020-04-08 | 2020-04-08 | 基于基因遗传的相机布局函数优化方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111460735B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115529437A (zh) * | 2021-06-25 | 2022-12-27 | 青岛海信智慧生活科技股份有限公司 | 一种监控设备布置信息确定方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103630072A (zh) * | 2013-10-25 | 2014-03-12 | 大连理工大学 | 双目视觉测量***中摄像机的布局优化方法 |
CN109635332A (zh) * | 2018-11-08 | 2019-04-16 | 北京航空航天大学 | 一种基于遗传算法的变步长星座轨道优化方法及装置 |
CN110930182A (zh) * | 2019-11-08 | 2020-03-27 | 中国农业大学 | 基于改进粒子群优化算法的客户分类方法及装置 |
-
2020
- 2020-04-08 CN CN202010268735.8A patent/CN111460735B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103630072A (zh) * | 2013-10-25 | 2014-03-12 | 大连理工大学 | 双目视觉测量***中摄像机的布局优化方法 |
CN109635332A (zh) * | 2018-11-08 | 2019-04-16 | 北京航空航天大学 | 一种基于遗传算法的变步长星座轨道优化方法及装置 |
CN110930182A (zh) * | 2019-11-08 | 2020-03-27 | 中国农业大学 | 基于改进粒子群优化算法的客户分类方法及装置 |
Non-Patent Citations (2)
Title |
---|
袁金刚;张艳宁;郑江滨;郗润平;: "运动捕获***中多摄像机布局优化方法" * |
袁金刚;张艳宁;郑江滨;郗润平;: "运动捕获***中多摄像机布局优化方法", 微处理机, no. 03 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115529437A (zh) * | 2021-06-25 | 2022-12-27 | 青岛海信智慧生活科技股份有限公司 | 一种监控设备布置信息确定方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111460735B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021104096A1 (zh) | 容器云环境下的任务调度方法、装置、服务器及存储装置 | |
CN111612896B (zh) | 一种基于机载激光雷达树点云重建三维树模型的方法 | |
CN106600570A (zh) | 一种基于云计算的海量点云滤波方法 | |
CN110322038B (zh) | 基于中尺度数据的风机自动排布的方法和设备 | |
CN112305559A (zh) | 基于地面定点激光雷达扫描的输电线距离测量方法、装置、***和电子设备 | |
CN111126459A (zh) | 一种车辆细粒度识别的方法及装置 | |
CN111460735B (zh) | 基于基因遗传的相机布局函数优化方法及相关设备 | |
CN106250933A (zh) | 基于fpga的数据聚类的方法、***及fpga处理器 | |
CN116310849B (zh) | 基于三维形态特征的树木点云单体化提取方法 | |
CN110084865A (zh) | 一种离散点分级加权拟合规则格网的方法 | |
CN114970302B (zh) | 一种基于地下水监测***的区域地下水情预测方法 | |
CN113192174A (zh) | 建图方法、装置及计算机存储介质 | |
CN108510010A (zh) | 一种基于预筛选的密度峰值聚类方法及*** | |
CN111445525A (zh) | 相机安装位置的布局方法、装置、设备及存储介质 | |
CN113487090A (zh) | 海上风力发电场的机位排布方法、装置以及设备 | |
CN116862106A (zh) | 一种城市建设用地更新潜力分析方法、装置、终端及介质 | |
CN112836425A (zh) | 一种基于粒子群优化算法的圆柱体拟合方法及装置 | |
CN111540019B (zh) | 相机安装位置的确定方法、装置、设备及存储介质 | |
CN115690339A (zh) | 一种柱坐标空间下的高精度空域通视分析方法 | |
CN111738539B (zh) | 一种拣货任务分配方法、装置、设备及介质 | |
CN114898195A (zh) | 一种数据采集器设置方法、装置、电子设备及储存介质 | |
Athira et al. | An integrated method for identifying essential proteins from multiplex network model of protein–protein interactions | |
CN114329855A (zh) | 一种无线视觉传感网络的传感器布局优化与快速部署方法 | |
CN111583278A (zh) | 一种基于双法线跟踪的图形中轴提取方法 | |
CN111540018B (zh) | 相机对称布局模式的得分计算方法及相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |