专利名称：基于神经元网络用于平面图像测量的数字相机校正方法
技术领域：
本发明属于图像测量技术领域，涉及一种基于神经元网络用于平面图像测量的数 字相机校正方法。
背景技术：
数字图像测量技术已经广泛应用到工业、科研领域。已经存在多种关于相机 校正和图像处理的方法。一类方法从系统误差修正的角度对图像测量进行处理和校 正，其中包括镜头的畸变修正、物距修正、折射校正等。其中比较典型的有Zhang(2000) 的方法[Z.Zhang, “ A flexible new technique for camera calibration " , IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.22, No. 11, pages 1330-1334，2000. ]、Taylor 等人的九参数相机校正法[Taylor, R. N.，Grant, R. J.， Robson, S. , and Kuwano, J. ,1998, "An Image Analysis System for Determining Plane and 3-D Displacements in Soil Models,，，Proceedings, Centrifuge '98, Tokyo, pp. 73-78]。Heikkila J. andSilven 0. (1997)，s 四步相机校正法[Heikkila, J.，and Silven, 0., 1997, "A Four-Step Camera Calibration Procedure with Implicit Image Correction,，，IEEE Computer Society Conference on Computer Vision and Pattern Recognition(CVPR，97)，San Juan, Puerto Rico, pp. 1106-1112.]，以及 Tsai(1987)的 相机校正技术等[R. Y. Tsai (1987), "A versatile camera calibration technique for high accuracy 3D machine vision metrology using off-the-shelf TV cameras and lenses.” IEEE J. Robotics Automat.，pages 323-344，Vol. RA-3，No. 41987]。另外一类方 法则从函数拟合的角度建立像素坐标和平面实际坐标之间的关系，常用的有二次函数拟合 法和线性函数拟合法，这类方法通常不考虑图像的扭曲和畸变。但是采用二次函数拟合和 线性函数拟合的方法存在如下的缺点在测量区域的边缘位置存在桶形畸变，拟合误差分 布不均勻，在测量区域边缘位置误差偏大。本发明的设计思路采用第二类方法，即不考虑图像的扭曲和畸变，直接利用神经 元网络建立图像坐标和实际平面坐标之间的关系。
发明内容
为了解决上述问题，本发明提供了一种基于神经元网络用于平面图像测量的数字 相机校正方法。为实现上述目的，本发明采用如下技术方案步骤1 制作适合于测量平面区域大小的校正板，校正板上均勻分布着黑白相间 的方格，方格距离提前设定，并在校正板上设定一个二维坐标系统。方格的大小参照所要求 的测量精度设定，测量精度与方格大小成反比。精度要求较高的情况下，方格的尺寸要设定 得小一点，如方格的尺寸可以设定在2mm以下，精度要求低的情况下，方格的尺寸可以设置 得大一点，如方格的尺寸设定在5mm以上。
步骤2 然后将校正板放置于要测量的平面上，调整数码相机的位置，调整焦距和 光圈的大小，调整好测量区域的亮度，相机能够拍摄整个的测量平面，开始拍摄。然后利用 Harris角点提取方法获得图像的方格角点的像素坐标。Harris角点提取的方法按照角点周围的灰度变化来确定角点的精确位置。这种角 点提取的方法可以达到几分之一个像素的精度。所有的提取出来的角点的像素坐标P(u， v)和实际的平面坐标P(x，y)组成了两个集合。步骤3 训练和检验神经元网络，神经元网络的训练标准以达到要求的归一化方 差要求为准。利用所得到的大部分角点的像素坐标和角点的实际平面坐标训练神经元网络 的权系数，得到含有所需角点实际平面坐标的神经元网络的权系数。剩余的一部分角点的 像素坐标对训练好的神经元网络进行检验，来验证所训练的神经元网络的预测精度。所述的神经元网络的结构可以采用多层前反馈、多层后反馈等多种结构形式。神 经元网络结构的输入层包含两个节点，这两个节点就是提取角点的像素坐标P(U，V)。神经 元网络结构的输出层也包含两个节点，这两个节点就是训练后的目标数据，即每个角点在 实际平面中的坐标P(x，y)。本发明的有益效果是训练好的神经元网络可以用来在新的测量中实现图像坐标 到实际平面坐标之间转换，从而实现图像测量和相机校正。在新的测量中应保持相机和测 量平面之间的距离和相对位置不变。
图1为相机校正方法的原理示意图。实际观测平面上任一点的坐标为P(x，y)，获取的图像的坐标为p(u，v).神经元网 络用于建立P(x，y)与p(U，V)之间的关系。图2为用于相机校正的标定板。该标定板，由黑白相间的方格块组成，方格的尺寸 大小已知。
具体实施例方式以下结合技术方案和附图详细叙述本发明的具体实施实例。本发明的技术方案及其应用和装置包括但不限于上述实例，凡是采用本发明权利 要求限定的技术构思以及在此基础上的其他简单变换或增添的技术方案均在本发明的保 护范围之内。本方法可适用于广泛的平面图像测量。图1展示了相机校正的原理。即被拍摄平面上的每一点具有实际的平面坐标P(x， y)，相应的在被拍摄图像上具有图像像素坐标P(u，v)。在图像测量中的相机校正在这里理 解为从已获得图像上点的像素坐标P(u，v)来获得精确的平面坐标P(x，y)。图2展示了校正过程中用的校正板，校正板由黑白相间的方块组成。校正点即是 由黑白相间的方块的角点组成的点的集合。角点图像坐标的确定采用Harris角点提取的 方法。Harris角点检测方法是一种经典的角点检测算法。方块的尺寸要视测量的范围大小 和精度要求而定。例如在一个145mmxl55mm的测量区域，方块的尺寸定为2. 5mmx2. 5mm，校 正的精度可以达到0.01mm。校正的精度在这里定义为由神经元网络预测的黑白方块角点的 坐标和黑白方块的角点的实际坐标的绝对误差值的大小。
校正板放置在要测量的平面所处的位置，调整好相机位置，尽量使相机的光轴线 和测量(校正)平面相垂直。拍摄图像，提取角点的坐标。然后利用提取的角点坐标集p(u，v)和已知的校正板上的实际平面坐标集P(x，y) 训练神经元网络。这里并不对神经元网络的结构和形式作任何限定，可以采用多种神经元 网络结构形式。例如可以采用一个3层结构(2-15-2)的BP神经元网络，输入层由2个节 点组成，中间由15个网络节点组成，输出层由2个节点组成。输入数据是角点的像素坐标 p(u, v)，训练的目标数据是角点的实际坐标P(x，y)。训练的神经元网络的精度由归一化的平方差(MSE)来确定，表达为 其中，Q是总的输出数据的数目，N是所有的数据数目，dqh是训练的目标数据；x。ut, qh是神经元网络的输出数据。这里对神经元网络的训练结束判断的标准并不仅限于由归一化的平方差来确定， 可以采用其他定义的平方差方法，只要是某种限定的误差即可。该神经元网络训练完毕后便可按照学习训练时的规律用在实际测量的相机校正 中，要注意在新的测量中保持相机和测量平面之间的相对位置不变。
权利要求
一种基于神经元网络用于平面图像测量的数字相机校正方法，其特征在于如下步骤步骤1制作适合于测量平面区域大小的校正板，校正板上均匀分布着黑白相间的方格，方格距离提前设定，并在校正板上设定一个二维坐标系统；方格的大小参照所要求的测量精度设定，测量精度与方格大小成反比；步骤2然后将校正板放置于要测量的平面上，调整数码相机的位置，调整焦距和光圈的大小，调整好测量区域的亮度，相机能够拍摄整个的测量平面，开始拍摄；然后利用Harris角点提取方法获得图像的方格角点的像素坐标；Harris角点提取的方法按照角点周围的灰度变化来确定角点的精确位置；所有的提取出来的角点的像素坐标p(u，v)和实际的平面坐标P(x，y)组成了两个集合；步骤3训练和检验神经元网络，神经元网络的训练标准以达到要求的归一化方差要求为准；利用所得到的大部分角点的像素坐标和角点的实际平面坐标训练神经元网络的权系数，得到含有所需角点实际平面坐标的神经元网络的权系数；剩余的一部分角点的像素坐标对训练好的神经元网络进行检验，来验证所训练的神经元网络的预测精度；所述的神经元网络的结构可以采用多层前反馈、多层后反馈等多种结构形式；神经元网络结构的输入层包含两个节点，这两个节点就是提取角点的像素坐标p(u，v)；神经元网络结构的输出层也包含两个节点，这两个节点就是训练后的目标数据，即每个角点在实际平面中的坐标P(x，y)。
全文摘要
本发明公开了一种基于神经元网络用于平面图像测量的数字相机校正方法，属于图像测量技术领域。首先制作适合于测量平面区域大小的校正板，校正板上有黑白相间的方格组成，方格距离提前设定，并在校正平面上设定一个二维坐标系统，然后将校正板放置于要测量的平面上，调整数码相机的位置，开始拍照。然后利用Harris角点提取方法获得图像的方格角点的像素坐标，利用所提取角点的像素坐标和已知角点的二维平面坐标训练神经元网络，训练好的神经元网络就可以用来实现图像上每一点的像素坐标和空间坐标的转换，从而实现测量真实距离的目的。
文档编号G06N3/08GK101893447SQ20101023308
公开日2010年11月24日 申请日期2010年7月21日 优先权日2010年7月21日
发明者赵红华 申请人:大连理工大学