[发明专利]一种基于RBF神经网络的摄像机标定方法

说明书

一种基于RBF神经网络的摄像机标定方法，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。

技术领域

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 （Radial Basis Function）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。

发明内容

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-invariant feature transform）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：