一种基于RBF神经网络的摄像机标定方法与流程

本发明涉及一种摄像机标定方法，涉及机器视觉技术和人工神经网络
技术领域：
，尤其涉及一种基于rbf（radialbasisfunction）神经网络的摄像机标定方法。
背景技术：
：摄像机的标定是智能视觉系统的重要步骤之一，对于智能视觉系统来说，准确的摄像机标定参数能够极大地提高系统的精确度。但是在实际应用中，视觉系统成像的过程中存在很多影响因素，如径向和切向上的畸变以及测量误差等等，这就对摄像机的标定技术提出了新的挑战。一直以来，摄像机的成像模型吸引了众多研究者的深入探讨，提出并实施了许多种不同的标定方法。然而，由于成像过程中存在很多不同的影响因素，导致成像模型为非线性模型，物点和像点之间的关系也成为了非线性关系，传统的标定方法已经很难将所有的非线性因素考虑在内，同时，复杂的数学模型会带来繁琐的计算过程以及低下的标定效率。技术实现要素：为了解决现有技术存在的问题，本发明一种基于rbf神经网络的视觉系统标定方法，用于智能视觉系统的标定；基于动态衰减调节技术的rbf网络模型能够在学习过程中动态地调节自身的拓扑结构：包括动态调整自身的神经网络隐含层节点数目、高斯函数宽度等。利用该神经网络进行摄像机标定时，不需要预先建立成像系统的模型结构，直接学习系统输入输出数据，归纳出成像系统的输入输出关系，计算简单，同时还能够对整个成像过程中的非线性畸变进行矫正和补偿，获得更高的精度。一种基于rbf神经网络的摄像机标定方法的整体结构设计：该网络以rbf神经网络为核心，整体的步骤流程如下：步骤1：制作黑白棋盘格标定板，使用需要标定的摄像机拍摄标定板不同角度的多组图片；步骤2：将摄像机采集到的标定板图片进行去噪处理，随后对图像进行二值化处理并使用sift方法进行角点检测，提取棋盘格角点；步骤3：将提取的图像平面上对应点的图像坐标以及三维世界坐标系中特征点的实际坐标输入神经网络，对rbf神经网络的参数进行初始化计算，并计算输出的均方根误差（rms）的值以及对调节权重、中心和宽度参数进行迭代计算；根据已经计算出的参数构造rbf神经网络，求取网络输出的误差e，若e满足循环结束条件时，则求取e中最小值所对应的变化参数的值并固定；步骤4：将提取的图像平面上对应点的图像坐标作为神经网络的输入，将三维世界坐标系中特征点的实际坐标作为神经网络的输出，按照步骤3中确定的神经网络参数值构建神经网络；步骤5：经过摄像机采集到的坐标数据的训练后，对摄像机进行系统标定；经过这样一个rbf神经网络的训练，可以获得物体实际坐标点和图像点之间较为精确的对应关系。sift角点检测sift（scale-invariantfeaturetransform）是一种检测局部特征的算法，sift算法本质在于提取图像关键点，也就是在不同尺度空间下具有方向信息的局部极暗点，sift进行角点检测的方法如图2，分为以下步骤：尺度空间极值检测、关键点定位、方向确定和关键点描述；建立尺度空间的原因是为了模拟数据的多尺度特征，对于一个二维图像的尺度空间定义为：其中是尺度可变的高斯函数，是尺度空间因子，反映了图像被平滑的程度，值越小表征图形被平滑程度越小，相应尺度越小；在sift算法中使用尺度空间中的差分高斯（differenceofgaussina,dog）子作为极值判别依据,定义如下：sift算法通过对两个相邻高斯尺度空间上的图像相减来得到，一个点如果在dog尺度空间本层以及上下两层的26个领域中是最大或最小值时，就认为该点是图像在该尺度下的一个特征点。rbf神经网络设计该网络为一种基于高斯核的rbf神经网络拓扑结构，如图三所示，共分为三层：输入层、隐含层和输出层：第一层输入层：由信号源节点构成，仅起到数据信息的传递作用，对输入信息不做任何变换；第二层隐含层：节点数视需要而定，隐含层神经元核函数(作用函数)是高斯函数，对输入信息进行空间映射的变换；第三层输出层，对输入模式做出响应，输出层神经元的作用函数为线性函数，对隐含层神经元输出的信息进行线性加权后输出，作为整个神经网络的输出结果；对该rbf神经网络的如下参数进行初始化：1.输入向量x2.输出向量y3.希望输出向量o4.隐含层至输出层的连接权值5.隐含层各神经元的中心参数以及宽度向量；同时确定迭代终止精度ɛ的值；随后按下式计算网络输出的均方根误差rms的值，若rms≤ɛ，则训练结束，否则迭代计算调节权重，中心和宽度参数。一种基于rbf神经网络的摄像机标定算法，可以有效地简化标定步骤，避免了传统标定步骤中复杂的数学计算，同时和传统标定方法相比，有效地提高了标定精度。而与传统的神经网络算法相比，本发明使用了rbf这一新型的神经网络结构，充分利用该种神经网络的动态衰减调节技术，自适应地确定了rbf隐层的节点数和高斯函数中心值，从而提高了计算速度和精度。附图说明图1是一种基于rbf神经网络的摄像机标定方法的整体结构设计流程图；图2是sift算法的基本路线流程图；图3是一种基于高斯核的rbf神经网络拓扑结构示意图。具体实施方式以下根据附图和实施例对本发明进行详细说明，但是本发明的保护范围不限于此。本发明使用sift算法处理摄像机拍摄的图像从而提取标定盘角点坐标，并记录对应的三维坐标，用于网络的训练和实验。使用rbf神经网络，不需要预先建立成像系统的模型结构，直接学习系统的输入输出数据，归纳出成像系统的输入输出关系，计算简单，同时还能够对整个成像过程中的非线性畸变进行矫正和补偿，获得更高的精度。下面结合附图和具体实施例对本发明进一步说明：如图1所示，本发明的方法包括如下步骤：1.采集测试数据集：制作黑白棋盘格标定板，使用需要标定的摄像机拍摄标定板不同角度的多组图片。为了更好地进行标定，在平面标靶上设计了100个标定点，每个点的直径设置为15mm,每两个点之间的距离为30mm；2.将摄像机采集到的标定板图片进行去噪处理，随后对图像进行二值化处理并使用sift方法进行角点检测，提取棋盘格角点；3.将提取的图像平面上对应点的图像坐标以及三维世界坐标系中特征点的实际坐标输入神经网络，对rbf神经网络的参数进行初始化计算，并计算输出的均方根误差（rms）的值,若rms≤ɛ，则训练结束，求取此时所对应的变化参数的值并固定。否则继续迭代计算调节权重，中心和宽度参数；4.将提取的图像平面上对应点的图像坐标作为神经网络的输入，将三维世界坐标系中特征点的实际坐标作为神经网络的输出，按照步骤3中确定的神经网络参数值构建神经网络。每个标定平面使用80个点进行基于rbf神经网络的摄像机标定，获得摄像机的标定模型，其余的20个点主要用于评价该基于rbf神经网络摄像机标定模型的有效性；5.经过摄像机采集到的坐标数据的训练后，对摄像机进行系统标定。经过这样一个rbf神经网络的训练，可以获得物体实际坐标点和图像点之间较为精确的对应关系，而不必做大量的数学计算。当前第1页12