[發(fā)明專利]一種基于RBF神經(jīng)網(wǎng)絡(luò)的攝像機(jī)標(biāo)定方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811638531.8
• 申請(qǐng)日: 2018-12-29
• 公開（公告）號(hào): CN111383281A
• 公開（公告）日: 2020-07-07
• 發(fā)明（設(shè)計(jì)）人: 徐江濤;常宇慧;史興萍;于子涵;路凱歌
• 申請(qǐng)（專利權(quán)）人: 天津大學(xué)青島海洋技術(shù)研究院
• 主分類號(hào): G06T7/80
• 分類號(hào): G06T7/80;G06N3/08;G06K9/46
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

一種基于RBF神經(jīng)網(wǎng)絡(luò)的攝像機(jī)標(biāo)定方法，用于智能視覺(jué)系統(tǒng)的標(biāo)定；基于動(dòng)態(tài)衰減調(diào)節(jié)技術(shù)的RBF網(wǎng)絡(luò)模型能夠在學(xué)習(xí)過(guò)程中動(dòng)態(tài)地調(diào)節(jié)自身的拓?fù)浣Y(jié)構(gòu)：包括動(dòng)態(tài)調(diào)整自身的神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)目、高斯函數(shù)寬度等。利用該神經(jīng)網(wǎng)絡(luò)進(jìn)行攝像機(jī)標(biāo)定時(shí)，不需要預(yù)先建立成像系統(tǒng)的模型結(jié)構(gòu)，直接學(xué)習(xí)系統(tǒng)輸入輸出數(shù)據(jù)，歸納出成像系統(tǒng)的輸入輸出關(guān)系，計(jì)算簡(jiǎn)單，同時(shí)還能夠?qū)φ麄€(gè)成像過(guò)程中的非線性畸變進(jìn)行矯正和補(bǔ)償，獲得更高的精度。

技術(shù)領(lǐng)域

本發(fā)明涉及一種攝像機(jī)標(biāo)定方法，涉及機(jī)器視覺(jué)技術(shù)和人工神經(jīng)網(wǎng)絡(luò)技術(shù)領(lǐng)域，尤其涉及一種基于RBF （Radial Basis Function）神經(jīng)網(wǎng)絡(luò)的攝像機(jī)標(biāo)定方法。

背景技術(shù)

攝像機(jī)的標(biāo)定是智能視覺(jué)系統(tǒng)的重要步驟之一，對(duì)于智能視覺(jué)系統(tǒng)來(lái)說(shuō)，準(zhǔn)確的攝像機(jī)標(biāo)定參數(shù)能夠極大地提高系統(tǒng)的精確度。但是在實(shí)際應(yīng)用中，視覺(jué)系統(tǒng)成像的過(guò)程中存在很多影響因素，如徑向和切向上的畸變以及測(cè)量誤差等等，這就對(duì)攝像機(jī)的標(biāo)定技術(shù)提出了新的挑戰(zhàn)。

一直以來(lái)，攝像機(jī)的成像模型吸引了眾多研究者的深入探討，提出并實(shí)施了許多種不同的標(biāo)定方法。然而，由于成像過(guò)程中存在很多不同的影響因素，導(dǎo)致成像模型為非線性模型，物點(diǎn)和像點(diǎn)之間的關(guān)系也成為了非線性關(guān)系，傳統(tǒng)的標(biāo)定方法已經(jīng)很難將所有的非線性因素考慮在內(nèi)，同時(shí)，復(fù)雜的數(shù)學(xué)模型會(huì)帶來(lái)繁瑣的計(jì)算過(guò)程以及低下的標(biāo)定效率。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)存在的問(wèn)題，本發(fā)明一種基于RBF神經(jīng)網(wǎng)絡(luò)的視覺(jué)系統(tǒng)標(biāo)定方法，用于智能視覺(jué)系統(tǒng)的標(biāo)定；基于動(dòng)態(tài)衰減調(diào)節(jié)技術(shù)的RBF網(wǎng)絡(luò)模型能夠在學(xué)習(xí)過(guò)程中動(dòng)態(tài)地調(diào)節(jié)自身的拓?fù)浣Y(jié)構(gòu)：包括動(dòng)態(tài)調(diào)整自身的神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)目、高斯函數(shù)寬度等。利用該神經(jīng)網(wǎng)絡(luò)進(jìn)行攝像機(jī)標(biāo)定時(shí)，不需要預(yù)先建立成像系統(tǒng)的模型結(jié)構(gòu)，直接學(xué)習(xí)系統(tǒng)輸入輸出數(shù)據(jù)，歸納出成像系統(tǒng)的輸入輸出關(guān)系，計(jì)算簡(jiǎn)單，同時(shí)還能夠?qū)φ麄€(gè)成像過(guò)程中的非線性畸變進(jìn)行矯正和補(bǔ)償，獲得更高的精度。

一種基于RBF神經(jīng)網(wǎng)絡(luò)的攝像機(jī)標(biāo)定方法的整體結(jié)構(gòu)設(shè)計(jì)：

該網(wǎng)絡(luò)以RBF神經(jīng)網(wǎng)絡(luò)為核心，整體的步驟流程如下：

步驟1：制作黑白棋盤格標(biāo)定板，使用需要標(biāo)定的攝像機(jī)拍攝標(biāo)定板不同角度的多組圖片；

步驟2：將攝像機(jī)采集到的標(biāo)定板圖片進(jìn)行去噪處理，隨后對(duì)圖像進(jìn)行二值化處理并使用SIFT方法進(jìn)行角點(diǎn)檢測(cè)，提取棋盤格角點(diǎn)；

步驟3：將提取的圖像平面上對(duì)應(yīng)點(diǎn)的圖像坐標(biāo)以及三維世界坐標(biāo)系中特征點(diǎn)的實(shí)際坐標(biāo) 輸入神經(jīng)網(wǎng)絡(luò)，對(duì)RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行初始化計(jì)算，并計(jì)算輸出的均方根誤差（RMS）的值以及對(duì)調(diào)節(jié)權(quán)重、中心和寬度參數(shù)進(jìn)行迭代計(jì)算；根據(jù)已經(jīng)計(jì)算出的參數(shù)構(gòu)造RBF神經(jīng)網(wǎng)絡(luò)，求取網(wǎng)絡(luò)輸出的誤差E，若E滿足循環(huán)結(jié)束條件時(shí)，則求取E中最小值所對(duì)應(yīng)的變化參數(shù)的值并固定；

步驟4：將提取的圖像平面上對(duì)應(yīng)點(diǎn)的圖像坐標(biāo) 作為神經(jīng)網(wǎng)絡(luò)的輸入，將三維世界坐標(biāo)系中特征點(diǎn)的實(shí)際坐標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸出，按照步驟3中確定的神經(jīng)網(wǎng)絡(luò)參數(shù)值構(gòu)建神經(jīng)網(wǎng)絡(luò)；

步驟5：經(jīng)過(guò)攝像機(jī)采集到的坐標(biāo)數(shù)據(jù)的訓(xùn)練后，對(duì)攝像機(jī)進(jìn)行系統(tǒng)標(biāo)定；經(jīng)過(guò)這樣一個(gè)RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，可以獲得物體實(shí)際坐標(biāo)點(diǎn)和圖像點(diǎn)之間較為精確的對(duì)應(yīng)關(guān)系。

SIFT角點(diǎn)檢測(cè)

SIFT（Scale-invariant feature transform）是一種檢測(cè)局部特征的算法，SIFT算法本質(zhì)在于提取圖像關(guān)鍵點(diǎn)，也就是在不同尺度空間下具有方向信息的局部極暗點(diǎn)，SIFT進(jìn)行角點(diǎn)檢測(cè)的方法如圖2，分為以下步驟：尺度空間極值檢測(cè)、關(guān)鍵點(diǎn)定位、方向確定和關(guān)鍵點(diǎn)描述；

建立尺度空間的原因是為了模擬數(shù)據(jù)的多尺度特征，對(duì)于一個(gè)二維圖像的尺度空間定義為：