1.一种基于rbf神经网络的摄像机标定方法，其特征在于：
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
步骤4：将提取的图像平面上对应点的图像坐标
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。
2.根据权利要求1所述一种基于rbf神经网络的摄像机标定方法，其特征在于：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
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
3.根据权利要求1所述一种基于rbf神经网络的摄像机标定方法，其特征在于：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，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x
2输出向量y
3希望输出向量o
4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
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。