基于遗传算法双目立体视觉传感器的优化设计

　　摘 要 为了提高双目立体视觉传感器的测量精度，采用最优回归设计，建立双目立体视觉传感器的结构参数优化模型，并运用遗传算法对建立的优化模型进行求解.通过GA算法的优化，双目立体视觉传感器的测量精度有了较大幅度的提高，优于传统方法的结果.
　　关键词 双目立体视觉传感器；遗传算法；最优回归设计；种群大小；交叉概率；变异概率
　　中图分类号 TP39141 文献标识码 A 文章编号 1000-2537（2014）06-0053-04
　　Abstract 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.
　　Key words binocular stereo visual sensor； genetic algorithm； optimal regression design； population size； crossover probability； mutation probability
　　随着计算机视觉技术的不断发展，视觉传感器得到了越来越广泛的应用，尤其是立体视觉传感器由于原理直观、结构简单、使用方便、测量精度较高、测量速度快等诸多优点，已经大量地应用于工业检测、目标识别、工件定位、机器人引导等领域[1].
　　双目立体视觉传感器通常由位于同一平面、互成一定角度的两台摄像机组成，其结构参数对其测量精度有直接的影响.目前大多数双目立体视觉传感器的结构搭建是根据人们的经验来选择，结构参数很少有可借鉴的理论依据[2].
　　为了提高双目立体视觉传感器的测量精度.本文先采用最优回归设计，建立双目立体视觉传感器的结构参数优化模型，再运用遗传算法对建立的优化模型进行求解，从而提高双目立体视觉传感器的测量精度.
　　1 双目立体视觉传感器参数
　　双目立体视觉传感器由两台CCD摄像机组成，如图1所示.两台摄像机水平交向放置，o、o′分别为两摄像机的透视中心，坐标原点设在o点，空间点p（x，y，z）在 xoz 面上的投影为 p′.左右摄像机图像坐标系分别为 O1X1Y1 和 O2X2Y2；经过左像平面中心 O1和透镜中心 o 的直线是左侧摄像机光轴 O1o，经过右像面中心 O2 和透镜中心 o′的直线是右侧摄像机光轴O2o′；两摄像机光轴与基线的夹角分别为 α0 和 β0，两摄像机的透镜中心连线oo′为基线，基线距离记为 B，摄像机的焦距分别为 f1 和 f2，被测物体到基线的垂直距离为 H[3].
　　据上述分析，双目视觉传感器的结构参数主要包括：两摄像机光轴与基线的夹角、基线距离、摄像机有效焦距和被测物体到基线的垂直距离，它们之间不是独立变化的，而是存在一定约束关系[4].本文中两摄像机对称摆放，两摄像机光轴与基线的夹角相等，即 α0=β0=α，两摄像机的焦距为固定值，选择 f1=f2=25 mm.因此，需要优化的参数为：摄像机光轴与基线的夹角、基线距离和被测物体到基线的垂直距离.
　　2 最优回归设计模型
　　根据对双目立体视觉传感器结构图的分析，发现有3个参数需要进行优化设计，因此采用最优回归设计中的311-A方案进行实验.它将3 个因素（即参数x1，x2 和 x3）的不同取值分成 11 个组合，以形成 11 组实验，每组实验中 3 个参数的取值是用编码值来确定的[5-8].最优回归设计 311-A 方案的编码值见表1.
　　4 遗传算法的双目传感器结构参数的优化
　　4.1 遗传算法的概述
　　遗传算法（Genetic Algorithm ） 是由美国Holland 教授提出的一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法.它起源于达尔文的进化论， 是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，其主要步骤如下（图2）：