基于GA-PSO優化算法的交通監控場景相機校準方法研究

摘要 針對交通監控校準問題，該文結合粒子群優化算法的全局搜索能力與遺傳算法的局部優化特性，提出了一種集成GA-PSO優化算法，有效校正了交通監控相機的光學畸變。結果顯示：GA-PSO方法在復雜場景中的校準誤差降低約27.0%，且計算效率顯著提升。誤差分析表明：標定點的分布和數量對校準精度影響顯著，且誤差隨監測距離增加而加大。建議將有效監測范圍控制在150 m內，以確保交通監控的精確性。

關鍵詞 交通監控；相機校準；坐標映射；光學畸變校正；優化算法

中圖分類號 U495 文獻標識碼 A 文章編號 2096-8949（2025）04-0013-03

0 引言

隨著智能交通系統的發展，通過路側監控獲取實時交通信息，對于精細化交通管理日益重要。監控相機校準是指通過一系列算法，將攝像頭拍攝的二維圖像坐標準確映射到實際世界中的三維坐標系中[1]。該技術的核心是確保數字圖像中的內容能夠準確反映道路平面上的實際位置和距離，以實現具有一定精度的物體定位和測量。

傳統監控校準依賴于線性或非線性轉換技術，通過二維和三維坐標間的數學關系來實現基礎映射[2]。這類方法在日常的近景監控場景中效果良好，但在復雜的交通場景下存在明顯局限。近年來，基于優化算法的校準方法受到重視[3]，通過全局搜索和參數優化，可在復雜環境中展現出更高的精度和適應性，成為解決此類問題的重要手段。

該文提出了結合遺傳算法（GA）和粒子群優化算法（PSO）的GA-PSO集成方法。通過將傳統線性轉化技術與優化算法相結合，旨在提升交通監控場景下相機校準的精度和靈活性，以應對復雜多變的交通環境。

1 基于線性轉換的監控校準方法

1.1 坐標轉換方法

監控攝像校準的關鍵是明確圖像中的二維像素坐標與現實三維坐標間的映射關系，涉及二維圖像坐標系、三維攝像頭坐標系以及三維世界坐標系的轉換。詳細過程如下：

針對具體場景，可通過選取校準點，構建齊次線性方程組，對公式（5）參數進行求解。此過程基于直接線性變換法（DLT）[4]，能實現基本的坐標轉換，但存在精度和靈活性的局限，尤其在復雜環境中，可能因參數標定不當出現誤差累積。

2 集成優化算法

針對監控攝像校準的參數標定問題，該文提出了基于GA和PSO的組合方案。

2.1 遺傳算法（GA）

GA是一種模擬自然選擇過程的隨機優化算法。其每個解由多個基因組成，對應于坐標變換矩陣參數。利用適應度函數選擇優質解進行交叉和變異，從而減少畸變誤差。該文將每個解配置為9個基因，并確定種群規模100，變異率30%，以確保種群多樣性和快速收斂。

2.2 粒子群優化算法（PSO）

PSO適用于監控校準的非線性優化問題。通過模擬群體行為，粒子根據個體和全局最優位置調整速度和位置，以逼近最優解。每個解的速度更新和位置更新的公式如下：

式中，——慣性權重，平衡全局搜索和局部優化；c1、c2——加速權重；r1、r2——隨機權重；——最優個體位置；——全局位置；Δt——時間步長。該文設置初始值為0.8，遞減至0.4；c1從3.5減少到0.5，c2從0.5增加到3.5，以確保全局和局部平衡。

2.3 GA-PSO集成優化算法構建

GA-PSO集成算法首先使用PSO進行全局搜索，快速確定較優解區域，接著加入GA算法進行局部優化，通過交叉與變異進一步細化、提升校準精度。PSO階段使用10%的概率調用GA，且限制遺傳操作進行最多10代，從而確保計算資源的高效利用。該集成算法兼具全局的高效性及局部的優化精度，可有效解析光學畸變參數，提高校準精度。

3 實地校準分析

為評估算法表現，以交叉口、高速公路主線和立交三種場景的10處點位作為案例。采用高精度差分全球定位系統進行確認，共獲取245組數據點。圖1～圖3為校準場景示意。

3.2 監控校準效果分析

以8∶2比例進行校準和驗證數據組劃分，并開展校準分析。通過DLT方法求解線性齊次方程組，得到初始轉換矩陣；應用不同算法進行優化，對比校準結果。表1展示了不同算法在三類場景下的平均校準誤差和計算效率。表中誤差為算法通過二維圖像轉換的位置坐標，與實際三維坐標的平均距離差值；輪次反映了算法的收斂次數，代表計算效率。

結果可見，傳統線性方程的校準誤差為5.2 m，而GA、PSO和GA-PSO算法的預測誤差分別降低了20.8%、21.7%和27.0%。同時，GA-PSO算法的收斂速度較GA和PSO分別提升了35.4%和13.7%，表明集成優化算法在校準精度和時間優度方面均存在明顯優勢。

3.3 校準誤差影響因素分析

為進一步分析外部因素對校準誤差的影響，以GA-PSO算法為例，圖4展示了不同道路場景下的誤差分布。結果表明：交叉口場景的平均誤差最小，其次是立交，而高速主線的誤差最大，幾乎為交叉口的兩倍。這可能是由于交叉口的標定點多且分布均勻，覆蓋了不同深度和角度；而高速公路主線監控點需要覆蓋較長的視野，標定點稀疏且多在一側，易受大氣、光線影響；立交區域雖設施復雜，但標定點較為豐富，誤差適中。

圖5進一步展示了觀測點與監控設備距離對誤差的影響。可發現標定誤差隨距離增加顯著增大。在50 m監控范圍，誤差控制在1 m內；超過150 m后，誤差增至3 m；

超過300 m時，誤差超過10 m。因此為確保監控效果，建議在交叉口和立交等事故多發區域將有效觀測范圍限制在150 m以內，并調整攝像頭的高度和視角以減少畸變影響。此外，可通過多攝像頭聯合監控來覆蓋盲區和遠距離目標，提升監控精度和穩定性。

4 結論

該文提出了一種基于遺傳算法和粒子群優化算法的GA-PSO集成優化方法，用于提升交通監控場景中相機校準的精度。所得結論如下：

（1）與傳統線性轉換方法相比，GA-PSO算法在復雜交通場景中將平均誤差降低了27.0%，同時收斂效率較GA和PSO分別提升35.4%和13.7%；

（2）誤差分析顯示，標定點的數量和分布對校準精度有顯著影響，交叉口場景下的校準誤差最低，高速公路主線的誤差最大。

（3）標定誤差隨距離增加顯著上升，建議將監控的有效觀測范圍控制在150 m以內。

參考文獻

[1]胡松，王道累.攝像機標定方法的比較分析[J].上海電力學院學報， 2018（4）：366-370.

[2]田俊英，伍濟鋼，趙前程.視覺系統中攝像機標定方法研究現狀及展望[J].液晶與顯示， 2021（12）：1674-1692

[3]閔星，汪增福.基于逐步優化的攝像機陣列標定算法[J].電子技術， 2010（10）：36-38.

[4]單寶華，袁文廳，劉洋.一種基于實心圓靶標的立體視覺系統標定方法[J].光學學報， 2016（9）：233-242.

收稿日期：2024-12-30

作者簡介：邱子桐（1993—），男，本科，工程師，研究方向：交通監控優化。