[发明专利]一种基于神经网络的视觉系统标定方法

摘要

本发明公开了一种基于神经网络的视觉系统标定方法，包括根据机器人、摄像机的位置关系，推导出适合于Delta机器人视觉系统的Faugeras标定算法；利用Faugeras标定算法求取视觉系统标定的线性内参和线性外参，并将它们作为神经网络的初始权值和偏置；利用Faugeras推导出适合于Delta机器人视觉系统标定的2‑2‑3‑1四层神经网络结构，网络的输入层和隐层之间的传递关系代表摄像机标定的外参，网络的隐层和输出层的传递关系代表视觉系统标定的外参，由于存在畸变等非线性因素，因而神经网络的激活函数为非线性的；由于神经网络的输出中，机器人坐标系X轴和Y轴具有不一样的网络特性，因而采用2‑2‑3‑1四层分布式神经网络结构，本发明的实验标定精度为0.109mm，而传统的Faugeras标定算法的精度为0.535mm。

主权项

1.一种基于神经网络的视觉系统标定方法，其特征在于，包括如下步骤：步骤1，准备数据检验集：将靶标放置在摄像机正下方，采集靶标图像，经过图像预处理以及Harris角点检测，获取角点像素坐标(ui,vi)，电机控制移动传送带，通过编码器计数获取传送带移动距离ΔL，使靶标位于机器人的工作空间，移动机器人，获取靶标图像在摄像机坐标系的坐标对应的机器人坐标系的空间坐标为(Xwi+ΔL,Ywi,Zwi)；采集若干组坐标对数据；步骤2，根据Faugeras标定算法推导摄像机坐标系和机器人坐标系之间的转换模型：Faugeras的线性模型采用内参为四参数的摄像机模型，设P^R为目标物体在机器人坐标系下的位姿，P^O为目标在靶标图像中的像素坐标，Trans_ΔL为考虑传送带安装位置误差的比例因子，为摄像机在机器人坐标系的外参数矩证，为摄像机的内参数矩证，则可以获取摄像机坐标系和机器人坐标系之间的转换模型为步骤3，根据摄像机坐标系和机器人坐标系之间的转换模型，进一步推导出用于视觉标定的神经网络结构，包括：步骤3.1，将景物点的像素坐标(u，v)作为神经网络的输入，景物点对应的摄像机坐标系的空间坐标(xc,yc,zc)作为输出，激活函数采用双曲正切S形函数，构建局部神经网络；步骤3.2，摄像机坐标和机器人坐标之间属于线性变换，将景物点的摄像机坐标系的空间坐标(xc,yc,zc)作为神经网络的输入，景物点在机器人坐标系的空间坐标(xw,yw,zw)作为输出，激活函数采用线性purein函数，构建第二个局部神经网络；步骤3.3，将两个局部神经网络合并，因此视觉标定神经网络采用2‑2‑3‑1的四层分布式网络结构，将角点像素坐标(ui,vi)作为神经网络的输入，特征点在机器人坐标系的空间坐标(Xwi+ΔL，Ywi，Zwi)作为输出，第一个隐层的激活函数为双正切S形函数，第二个隐层为线性purein函数；步骤4，训练神经网络：取已知的角点像素坐标(ui,vi)作为神经网络的输入，计算神经网络的输出向量Xwj和Ywj，并与已知样本对应的期望输出向量Xwi和Ywi比较，将比较误差EX＝Xwi‑Xwj和EY＝Ywi‑Ywj用于调节神经网络连接权的大小，反复训练神经网络，直到样本总体误差小于等于误差期望值时停止训练，式中，t_pj为输入第P个样本时第j个神经元的期望输出，y_pj为对应的实际输出，N表示样本数；步骤5，将步骤1中数据检验集的像素坐标逐一输入训练神经网络，分别记录所有的输出，该输出为角点在机器人坐标系的空间坐标，进行反复的迭代训练。