[发明专利]基于神经元网络用于平面图像测量的数字相机校正方法

说明书

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 O.(1997)’s四步相机校正法[Heikkila，J.，and Silven，O.，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，拟合误差分布不均匀，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。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。