摘要：为了保障产品的质量，许多生产现场都会对颗粒的粒度特征进行实时监测，以便能够在线调整、控制生产设备。在检测过程中，一般都要求粒度检测不能影响颗粒的生产过程，这就要求检测方案必须具有非接触性、准确性以及实时性等特点。尤其是在测量直径为1毫米以下的微小型颗粒粒度信息时，如何保证测量的精准性已成为本技术领域中的研究重点和难点。经实践表明，传统的测量方法，往往具有测量误差大，精度低，重复性差等缺陷。为此，本课题以提高微小型颗粒测量精度为研究目标，旨在设计一种基于分层改进式遗传算法的微小颗粒检测系统标定方法，该方法能够从多方面提高颗粒测量结果的精度，使整个系统更具鲁棒性。
关键词：图像处理；摄像机内参数优化；畸变校正；分层改进式遗传算法
1引言
近年来，随着国民经济与科学技术的飞速的发展，在医学、工业、科研等领域对细微物体的精密测量技术提出了越来越高的要求。在众多的测量技术中，图像识别与处理技术具有检测速度快、精度高、重复性好，且检测具有非接触性等特点，已成为当前细微粒度测量研究的一个热点和发展趋势。然而，典型的图像识别与处理技术很难满足高精度的测量要求，因此，如何提高微小型物件的测量精度已成为该技术领域的主要研究方向之一。本文以尺寸0.23mm-0.32mm的片状微小颗粒为待测物体，研究摄像机标定的相关技术和方法，获取并优化摄像机的有关参数，矫正图像畸变，精确建立起三维空间物体与二维图像间的对应关系，为细微物体的精密测量提供可靠方法。
2基于分层改进式遗传算法的摄像机内参数优化
遗传算法（Genetic Algorithms，GA）从模拟生物的遗传进化机制入手，以种群方式自适应搜索，以此来构造人工智能系统模型。
2.1分层改进式遗传算法的基本思想
为了进一步提高遗传算法性能，避免算法陷入局部最优解，本文对标准的分层遗传算法做了部分改进，改进点如下：
（1）针对本文的实际使用环境，以先验知识初始化各个子种群。
由于本文遗传算法的使用是为了进一步提高摄像机标定参数的精准性，因此，本文以该参数值作为导向，在初始值周围的一定范围内寻找最优解。将上述方法总结如下：首先归一化各个参数值，然后在归一化值的±0.05范围内，随机初始化种群。
（2）在各个低层子种群遗传操作中加入精英策略。
（3）交叉、变异概率采用自适应方式。
（4）基于滑动窗口的自适应搜索区间调整。
自动调整搜索区间的方法如下：
①如图1所示，设置两个搜索区间，大区间表示变量可能的取值范围，即整个搜索空间，小区间表示变量当前的搜索范围，即滑动窗口，它包含在大区间内，以固定区间大小在大区间上移动。变量编码时，按小区间编码，既可保证搜索精度，又可扩大搜索范围。如某变量x，设它可能的取值范围为[1，100]，当前的取值范围为[45，55]，在编码长度保持10位不变时，在小区间内的编码，精度为0.0098，而对于大区间编码，精度降为0.098。
②滑动窗口在寻找最优解时，如果变量连续n代的取值都落在滑动窗口的上界bmax或者下界bmin，说明搜索区间已受限制，需将整个窗口向右或向左移动的距离，然后在新区间内继续执行寻优操作。
2.2算法的实现
本文采用分层改进式遗传算法实现摄像机内参数的优化，其算法流程如图2所示。
3结果分析
为验证上述方法的有效性，本文将分层改进式遗传算法、普通遗传算法、普通分层遗传算法优化过的内参与matlab标定工具箱、OpenCV函数库计算得到的参数值作比较，其中遗传算法的参数设置如下：
上述设置方式在最大程度上保证了3种遗传算法的参数一致性，由此得出的结论更具有说服力。
5种方法计算得到的内参结果如表2所示：
从表2中可以发现，虽然使用了5种不同的方法，但计算得出的结果相似度达90%以上，由此证明了本文使用OpenCV初始值作为先验知识，并在该值附近寻找最优解，能够提高算法精度，使算法更快收敛。
表2虽然列出了五种方法的内参结果，但无法评判内参值的优劣程度，因而需要引入绝对投影误差加以比较。绝对投影误差值越小，说明理论模型越准确，该内参结果越优良。因此，本文将经过优化处理后的内参值重新带回摄像机模型中计算绝对投影误差，并将该误差与matlab标定工具箱、OpenCV、普通遗传算法、普通分层遗传算法计算得到内参数值的绝对投影误差作对比，对比结果如下：
从表中数据可以看出，由OpenCV计算得到的摄像机参数已经比较接近最优值，因此进一步证明了本文在遗传算法初始化种群时，选用该内参值附近的点，是非常有必要的。此外，本文使用的分层改进式遗传算法在寻找全局最优解时，更大程度地避免了局部最优解的出现，因此相较于另外两种遗传算法，本文的方法在算法寻优能力等方面拥有更强的优势。
4小结
本文研究了怎样发挥遗传算法的优势，使其适用于摄像机标定系统，并利用遗传算法的特点对摄像机标定参数进行优化，使整个摄像机成像模型更接近于真实模型，有利于系统误差的减小，提高了微小颗粒检测系统的测量精度。然后，本章还针对普通分层遗传算法在摄像机标定应用中的不足，提出了更适用的分层改进式遗传算法，有效弥补了遗传算法收敛速度缓慢、容易陷入局部最优解等缺点，提高了算法性能和标定效率，从而在一定程度上提高了微小颗粒的测量精度。
参考文献：
[1] 马颂德，张正友.计算机视觉―计算理论与实践[M].北京：科学出版社，1998.
[2] W.G，M.S.Complete two-plane camera calibration and experimental comparisons[C].In：Proc.ICCV93，1993.
[3] 姚静，李军.摄像机标定相关问题研究[D].南京理工大学，2012.
[4] 张浩鹏，王宗义，吴攀超，等.基于LCD和改进棋盘格模板的摄像机标定[J].计算机与应用化学，2012，33（7）：1541-1547.
[5] 刘国瑛，薛月菊，邹湘军，等.基于图像参差的摄像机标定精度比较[J].农机化研究，2011（10）： 118-121.
[6] 熊彦铭，毛凌，杨战平.基于遗传算法的时间决策系统标定优化方法[J].电子科技大学学报，2012， 41（1）：80-84.
