基于改进GA优化BP网络的双目视觉定位研究*

褚新建，何 丹，张 伏

(1.郑州工业应用技术学院a.机电工程学院；b.信息工程学院，郑州 451100；2.河南科技大学农业装备工程学院，洛阳 471003)

0 引言

随着计算机信息处理技术的不断开发应用，双目视觉重建技术也获得了越来越多研究人员的关注，并对工业自动化、智能分析等方面发挥了更加重要的作用[1-2]。由于双目视觉是实现双目视觉技术应用的硬件基础，因此如何对其进行准确定位成为当前的一项重点研究课题[3]。由于三维模型精度也受到双目视觉定位尺寸精度的直接作用，因此进行实际工程应用时，需重点关注定位精度与时间[4]。

对双目视觉进行定位时需要先构建针孔相机的数学模型，为空间物点与映射像点设置约束集再确定相机内外参数[5]。神经网络在近些年中也被大量应用于人工智能分析领域，目前已有许多文献报道了通过BP网络来定位双目视觉的研究内容，分别选择左右相机采集得到的二维与坐标参数组成输入与输出，根据BP网络的训练结果构建两者的相互作用关系。可以利用此方法实现隐式定位的功能，不需要额外设置相机成像模型，同时也包括了大量的非线性因素[6-8]。该方法相对传统双目视觉定位过程更加简易，简化了算法的处理流程。潘晓[9]则根据双目视觉定位的原理设计了一种通过神经网络来实现的双目视觉定位方法，经实验测试确定实际定位误差满足设计要求。刘小娟等[10]重点分析了大视场双目视觉定位面临的低精度缺陷以及会引起非线性畸变的现象，设计了一种通过BP网络来实现的大尺寸虚拟靶标处理方法，经验证确定BP网络对于双目视觉定位过程具备良好的可行性。对比前期实验研究结果可知，采用BP网络进行双目视觉定位时虽然可以实现简易操作过程，但面临着迭代时间过长以及精度偏低的缺陷，这使得BP网络优化以及如何改善双目视觉定位精度成为了当前的一项主要研究内容。杜哲琪等[11]主要研究了光栅投影过程对棋盘格定位板角点进行检测的时候容易受到噪声因素干扰以及模糊信息的影响，设计了一种通过圆阵列定位板定位光栅投影系统的处理技术。同时根据摄像机成像过程的非线性特点,通过透视数据转换以及对圆心进行排序的方式来构建得到自动匹配算法，确保圆心像素参数可以与外部系统坐标形成良好匹配结果。胡志新等[12]主要研究了初始权值以及阈值对BP网络进行双目视觉定位过程产生的影响，设计了一种通过IGA来调整BP网络并定位双目视觉位置,之后继续优化遗传算法交叉算法并确定合适变异概率，再利用世界坐标值对比度的方式形成更加直观的数据形式,最后设计了实验测试方案表明上述模型可以计算得到更高精度的结果。

本研究设计了一种通过改进遗传算法(improved genetic algorithm，IGA)IGA对BP网络进行优化的方式完成双目视觉的定位计算，能够有效避免BP网络需要经过长时间迭代以及计算精度偏低的问题。

1 IGA优化BP网络的双目视觉定位

1.1 双目视觉定位BP网络结构

根据图1的方式通过BP网络进行双目视觉定位。共设定3层BP网络，依次包括输入、输出与隐含层。通过左右相机对棋盘格角点区域进行拍摄获得图像数据，再以横纵像素坐标构成输入神经元，之后利用角点实际坐标参数组成BP网络输出神经元。隐含层中共包含9个神经元，可以通过计算输入层神经元数量2倍再加1得到隐含层神经元数量。以wij、wki表示输入、输出层相对隐含层相对隐含层的权值。本研究总共包含1000个训练样本，设定目标精度为0.000 1，同时控制迭代上限10 000。

图1 双目视觉定位BP网络结构设计

1.2 双目视觉定位IGA优化BP结构

重点研究了采用遗传算法来实现双目视觉定位时所需要克服的问题，在此基础上设计得到更优的遗传算法来提升算法收敛能力并获得更强的全局寻优效果，显著改善BP网络处理效率与精度，最终促使相机获得更高定位精度以及运算速率。

1.2.1 改进GA选择算子

通过排序法来达到改进的目标，将第i个个体经过排序处理后被选择概率Pnew通过式(1)进行计算：

(1)

Pnew=b(1-q0)β-1

(2)

式中，α为种群包含的样本数；q0为选中最佳个体的概率；b为对q0进行标准化计算的结果；β为第i个个体按照种群排序确定的位置参数。

1.2.2 改进GA交叉和变异概率

利用IGA优化BP网络对本实验中的双目视觉进行定位时，可以根据神经网络预测所得的棋盘图像空间坐标跟真实棋盘空间坐标的差值确定，由此建立以下的误差函数E：

(3)

选中误差函数E倒数作为个体适应度F的评价指标，由此得到如下的第i个个体适应度：

F(i)=1/E(i)

(4)

对于初始阶段的遗传算法进化过程进行分析可知，个体缺乏良好的环境适应能力，并且实际适应度比均值更小，针对上述情况需设置更大交叉概率值来提升算法全局搜索能力。到达后期进化阶段时，个体获得了比均值更大的适应度，因此需通过降低交叉概率的方式改善全局搜索效率。得到以下的改进交叉概率：

(5)

式中，Fmax为交叉计算的个体最大适应度；Fmean为种群个体适应度均值；n为现有遗传算法迭代数量；nmax为迭代最大次数；设置初值Pjmax为0.8，Pjmin为0.3。

根据以下式子计算自适应变异概率：

(6)

式中，F为种群父代染色体适应度参数，控制初值Pbmax为0.1，Pbmin为0.001。

1.2.3 IGA优化BP网络的双目视觉定位算法流程

图2为双目视觉定位IGA优化BP网络流程。通过计算得到适应度，gmax是通过人为方式确定的适应度阈值，ε为根据训练误差计算得到的阈值。之后利用种群与遗传算子达到优胜劣汰的效果，按照以上算法确定BP网络最佳阈值与权值，能够有效避免双目视觉定位时面临的BP网络无法快速收敛以及存在定位误差偏大的不足之处。

图2 双目视觉定位IGA优化BP网络流程图

2 双目视觉定位实验方案

采用双目视觉进行定位的硬件系统平台组成结构为图3中的工作站、显示器、双目视觉、定位块共4部分。根据定位块棱边依次构建X、Y、Z轴，同时设置了原点O，在此系统中建立实物坐标参数。按照该系统设置的世界坐标系计算得到立方体各面棋盘角点坐标参数。本实验中配备的双目视觉包括2个MER-130-30Ux型摄像机，可以达到1024×1024的分辨率。

图3 双目视觉定位系统组成

3 实验结果分析

利用同名角点检测与匹配的方法，从中提取得到表2中的部分像素坐标与坐标参数。以(u，v)表示像素坐标，u、v依次对应水平与垂直方向。

3.1 精度测试

本次总共选择1000组通过相机拍摄得到的同名角点像素坐标及其对应的实际坐标数据组成训练集，之后训练BP网络以及通过IGA进行优化处理的BP网络，接着导入6组数据组成测试集再对相机实施定位。图4a是以未优化处理的BP网络计算得到的预测角点坐标与实际值，可以发现此时两条曲线形成了相近的走势规律，但也存在一定的差异性。图4b是通过IGA进行优化处理的BP网络角点坐标预测结果与实际值，经对比发现此时两条曲线形成了良好贴合的状态，可以确定精确的二维与坐标对应关系，能够确保双目视觉获得更低定位误差。

图4 优化前后双目视觉定位精度结果

本实验共包含了6组三坐标误差，表1是分别以BP网络优化前与优化后双目视觉进行定位形成的坐标误差数据。通过分析发现，经过优化的坐标误差相对优化前明显降低。未优化时得到的坐标预测值误差均值为0.66 mm，经过优化处理的坐标误差均值为0.08 mm，跟优化前定位误差相比减小近90%。

表1 坐标定位预测误差

为评价经过改进的神经网络实际定位性能，通过改进BP网络构建二维与三维空间对应关系，对神经网络完成1000次训练后再把二维图像角点数据输入系统中进行测试。按照反向方式记录二维图像角点空间坐标输出结果，再跟定位块坐标开展差值比较，得到表2所示的结果，根据以上方式得到的差值作为最终定位精度。利用表2计算得到的改进BP网络进行双目视觉定位精度达到0.12 mm，相对最初预测定位误差降低近0.01 mm。

表2 坐标实际误差

3.2 速度测试

图5 优化前后双目视觉定位迭代速度结果

为了对神经网络双目视觉定位结果可靠度进行验证，通过OpenCV完成双目视觉定位测试再跟定位结果进行比较。采用OpenCV传统双目视觉定位模式确定双目视觉参数，再利用定位后的参数进行反向计算得到二维图像平面内角点三维空间坐标数据。再对比上述三维空间计算角点坐标和真实三维空间角点坐标，由此确定定位精度。根据表2可知，以BP网络来定位双目视觉时获得的精度均值是0.12 mm，以OpenCV定位的实际精度是0.10 mm。由此可以推断，以神经网络双目视觉进行定位时满足双目视觉定位精度条件。

4 结论

(1)相对于未优化坐标，改进BP网络优化坐标误差均值和双目视觉定位精度明显降低。

(2)以BP网络来定位双目视觉精度均值是0.12 mm，以OpenCV定位的实际精度是0.10 mm。证实以神经网络双目视觉进行定位时满足双目视觉定位精度条件。