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。