基于立体视觉标定方法的改进研究

摄像机标定是立体视觉研究与非接触测量的重要组成部分,是精密视觉测量的基础,传统的标定需要建立复杂的数学模型,从而描述双目视觉中三维空间物点坐标和两个摄像机像面像点坐标间的非线性关系。而神经网络可以有效地处理非线性映射问题。本文介绍一种改进的RBF神经网络,并对该网络标定法与传统标定方法及BP网络标定法的标定结果进行比较。实验结果表明:基于改进RBF神经网络的双目视觉标定方法能获得较高的标定精度。     

双平面法标定的双目视觉三维测量系统

针对传统摄像机标定过程复杂、三维测量精度不高的问题,提出了一种基于投影直线相交的双目视觉三维测量方法,并给出了基于神经网络的标定方法。根据摄像机成像特点,利用双标定平面上的点求取投影直线方程;针对摄像机成像复杂的畸变模型,利用BP神经网络对复杂非线性映射关系的强大逼近能力,对左右两台摄像机于远近标定平面处分别进行隐式标定,得到图像像素坐标到平面模板二维物理坐标的映射关系;设计制作了试验平台,采用手工辅助的方法获得网格模板训练样本。此标定方法完全适用于大视场、近距离、高精度的双目视觉传感器。试验结果表明,系统对空间已知长度的测量结果误差约为0.109 mm,测量精度较高。     

双目摄像机的自标定方法研究

摄像机标定是计算机视觉的关键技术之一。针对现有的标定技术计算过程复杂,标定物使用不方便等问题,提出了一种用于双目摄像机自标定的方法,该方法要求场景中有两组正交的平行直线即可进行标定,利用其在图像平面上形成的消失点之间的约束关系来建立标定方程,从而求解出摄像机的内外参数,再结合双目立体视觉原理标定双目摄像机的结构参数。将该方法在实验室现有设备上进行对比实验。实验结果表明,该方法简单、有效,可广泛应用于机器视觉研究、三维重建等多个领域。     

基于角点检测的双目视觉测距新方法

为解决双目视觉中立体匹配困难、效率低的问题,提出了一种基于角点检测的人工匹配方法实现双目视觉测距。首先介绍了双目测距基本原理,对摄像机进行了标定,并采用Bouguet 立体校正算法对双目视觉系统进行立体校正;然后采用J．Shi 和C．Tomasi提出的角点方法对立体校正后的左右摄像机图像中被测目标上的同一特征点进行了亚像素级角点提取,并利用提取的匹配角点坐标结合双目视觉测距公式实现距离测量。     

基于角点检测的双目视觉测距新方法

为解决双目视觉中立体匹配困难、效率低的问题,提出了一种基于角点检测的人工匹配方法实现双目视觉测距。首先介绍了双目测距基本原理,对摄像机进行了标定,并采用Bouguet立体校正算法对双目视觉系统进行立体校正;然后采用J.Shi和C.Tomasi提出的角点方法对立体校正后的左右摄像机图像中被测目标上的同一特征点进行了亚像素级角点提取,并利用提取的匹配角点坐标结合双目视觉测距公式实现距离测量。     

双目立体视觉被动测距

视觉是人类获取周围环境信息的重要手段,当用双眼去观察不同物体的时候,会有远近之分。双目立体视觉系统就是仿照人的双眼去感知距离,具体实现过程如下:双目视觉系统的摄像机标定、双目摄像机同时获取图像、图像预处理、特征点提取、特征点匹配和空间坐标计算。本文从双目视觉系统的原理出发,推导了双目视觉系统的数学表达式,分析了几种不同的特征点提取方法,提出了F-HARRIS方法,提高了计算效率,利用双向交叉匹配办法匹配特征点,在利用几何约束,剔除误匹配点,原理简单易懂,效果比较理想。试验中采用畸变效应小的摄像机(即不考虑畸变),且摄像机已做过标定;图像预处理就是一些简单的平滑滤波;图像分辨率为2048*1536。     

基于双目视觉的医疗机器人摆位系统测量方法

为了实现精确放疗过程中精确定位和肿瘤位置的精确测量,建立了基于双目视觉的医疗机器人摆位测量系统,并对系统所采用的摄像机标定方法、标记点识别及其三维坐标计算、摆位系统的位置验证等算法进行研究。建立基于双目视觉的医疗机器人摆位测量系统;提出了一种对摄像机采用基于平面棋盘格和立体标定模板相结合的摄像机标定新方法;采用Roberts梯度算子对图像分割的方法,识别标记点中心并计算其三维坐标;通过比较基于双目视觉计算和三维坐标测量仪器测量的各个标记点三维坐标的摆位误差,实现放疗过程中位置验证和精确摆位。实验结果表明:摄像机的标定精度为36.5×10-3 mm和各个标记点的三维坐标平均偏差为δX=0.573mm、δY=0.495mm、δZ=0.430mm,测量方法可获得较高的标定精度和摆位精度,能满足精确放疗对高精度摆位系统的临床需求。     

一种单镜头立体成像方法的研究

分析了当今主流商用立体摄像方法的原理和优缺点,特别针对双目立体摄像机标定难的缺点,提出了一种单镜头双孔立体成像方法。该方法只需一个镜头,通过在镜头前加装2个小孔,控制2个小孔分时开合,即可摄取场景的不同侧面,由此便得到了一幅双目立体图像对。实验结果表明,该立体成像方法可以在避免复杂的多摄像机标定的情况下取得较好的双目立体成像效果。该方法的创新点在于只需一台摄像机、一个镜头在固定位置就可以拍摄双目立体图像,避免了对多个摄像机进行标定,减轻了立体成像中摄像机标定的难度。     

基于HALCON的四目摄像机标定技术

针对立体视觉中常用的双目摄像机不能覆盖整个目标视野或立体匹配中误差较大而需采用多个摄像机的情况,基于机器视觉软件HALCON提出了一种四目相机的标定方法,对立体视觉标定原理进行了分析。利用HALCON丰富的算子进行了标定实验,实验证明通过刚性转换可以获得任意相机间的位姿关系,并说明了标定方法的正确性与可行性。     

基于Halcon的多目摄像机标定技术

对双目立体视觉摄像机标定方法进行了分析,通过Halcon标定板快速求出双目摄像机的内参和外参。在此基础上进行扩展,分别对相邻的摄像机进行双目标定,通过刚性转换,借助Halcon平台丰富的函数算子,最后把8个摄像机统一到惟一的世界坐标系,达到多目标定的效果。实验证实了多目标定的可行性与正确性,突破了以往多数仅以双目摄像机系统进行三维测量的格局,为在特定情况下不能显示在惟一双目摄像机系统视野范围内的目标物体进行测量打下了坚实基础。     

基于神经网络的传感器非线性误差校正方法

为对传感器进行非线性校正以进一步提高其测量精度,提出了基于神经网络的校正办法。理论分析了传感器非线性误差的复杂性,并以位移传感器标定为例,详细介绍了传感器非线性校正的过程和方法。采用了最小二乘拟合、BP神经网络以及RBF网络三种方法进行校正,设计并实现了RBF网络的校正模型。实验结果证明,RBF网络的校正方法比BP网络校正方法精度提高了约44%,其补偿效果更优,且其在传感器种类变化或环境影响较大的情况下比最小二乘拟合更具非线性补偿优势。     

基于神经网络的MEMS陀螺标定与补偿

针对微机电系统(MEMS)陀螺低转速区间上非线性性能很强,采用传统方法对其标定误差较大,满足不了实际应用的问题,因此,采用了一种基于误差反向传播(BP)的神经网络的标定与补偿方法。设计了一组基于优先数的速率点,利用三轴转台进行12组速率实验,用最小二乘法求出在传统数学模型下的待标定系数;将三轴MEMS陀螺的输出和转台的实际转速作为样本,对BP神经网络进行训练,得到神经网络的补偿模型,并对比两种方法的补偿效果。结果表明,传统方法和BP神经网络都对MEMS陀螺的输出进行了有效的补偿;但在低转速区间上,神经网络的补偿效果比传统方法提高了3倍左右。     

基于热电偶动态校准的非线性拟合方法研究

为了提高热电偶动态校准的准确性,采用半导体激光器、红外探测器和被校准热电偶组成新的热电偶动态校准系统,分析了动态校准中红外探测器静态校准目的。根据反向传播神经网络原理,确定了反向传播神经网络的结构和参量,同时针对普通K型铠装热电偶进行了动态校准实验,得到红外探测器静态校准数据,由此数据采用最小二乘法和反向传播神经网络分别进行数据的非线性拟合,对两种方法的拟合结果进行了分析,并给出了拟合曲线。结果表明,在样本数据少、分布不均匀的情况下,反向传播神经网络拟合效果优于传统的最小二乘法,减小了由于数据拟合所带来的误差,能够更加准确地获得热电偶动态特性,实现热电偶动态补偿。这一研究结果对于热电偶动态特性研究具有重要的参考价值。     

基于BP神经网络的RSSI测距优化算法

基于接收信号强度指示(received signal strength indication, RSSI)测距的研究和应用领域很广泛,一直是物联网研究的热点. 为降低传统基于反向传播(back propagation,BP)神经网络的RSSI测距误差,文中提出一种基于K-means聚类算法对样本数据进行预处理的BP神经网络测距算法,来解决由于RSSI值衰减程度不同引起的不同距离区间RSSI值和真实距离之间映射关系不均匀的问题. 将K-means聚类算法应用于BP神经网络模型中,对样本数据进行距离区间划分,然后将已经分类好的数据分别输入BP神经网络建立网络模型并进行实验仿真. 结果显示:传统基于BP神经网络的RSSI测距算法的均方根误差为1.425 7 m;而经过K-means算法改进后的BP神经网络测距算法的均方根误差为1.288 7 m,降低了测距误差,并优化了目标RSSI值与真实距离的映射关系.     

基于BP神经网络的紫外光源自适应固化控制研究

为解决紫外光动态固化技术中的固化不充分或反固化反应等问题,提出一种基于BP算法的LED紫外光源多参数自适应控制方法。利用神经网络优异的非线性逼近能力,并结合优化后的BP算法构建一个3输入2输出的网络预测模型。通过与多元线性回归和多元非线性回归模型的对比显示,BP神经网络算法有更高的拟合度。最后将57组数据导入训练好的模型进行验证。实验表明:该BP神经网络模型预测结果较好,且稳健性强,2输出参数预测值误差分别为1.86%和2.35%,可灵活应用于多种紫外光固化场合。     

基于神经网络的图像弱边缘检测方法研究

主要立足于图像点处理与神经网络相结合的思想,提出了一种基于边缘点特征的BP神经网络图像边缘检测方法.利用提取出的图像边缘特征向量作为训练样本来训练BP神经网络,进一步完成图像边缘的检测.最后,通过实验与传统的边缘检测方法进行了对比,结果证明该方法检测的边缘轮廓清晰,检测速度较快,特别对含有弱边缘的图像能够更好避免漏检和...     

基才PSO—BP神经网络的PID控制器参数优化方法

针对传统PID控制系统参数整定过程存在的在线整定困难和控制品质不理想等问题,结合BP神经网络自学习和自适应能力强等特点,提出采用BP神经网络优化PID控制器参数。其次,为了加快BP神经网络学习收敛速度,防止其陷入局部极小点,提出采用粒子群优化算法来优化BP神经网络的连接权值矩阵。最后,给出了PSO—BP算法整定优化PID控制器参数的详细步骤和流程图。并通过一个PID控制系统的仿真实例来验证本文所提算法的有效性。仿真结果证明了本文所提方法在控制品质方面优于其它三种常规整定方法。     

基于小波神经网络非线性预测方法的研究

针对非线性预测问题,提出了小波神经网络算法．该算法采用权重贡献率分析法和关键神经节点法分析权重,精进模型,利用具有优良渐进性的递推预报误差法训练小波的尺度因子和平移因子,并提出了一种网络的改进算法．通过对导航设备的仿真预测,该算法优于同等规模的BP神经网络,其收敛速度快,预测精度高．     

基于谱回归特征降维与后向传播神经网络的识别方法研究

采用后向传播(BP)神经网络对空间目标进行识别时,高维的输入特征导致网络结构复杂,识别性能降低。针对上述难点,该文提出一种基于谱回归(SR)特征降维与BP神经网络的识别方法。该方法首先对空间目标进行HOG特征提取,然后将提取的高维HOG特征进行SR降维,最后把降维后的数据通过BP分类器进行训练识别。实验结果表明:该方法的降维和识别特性优于传统降维方法PCA, KPAC, LPP, KLPP等,能够兼顾实时性和准确性,提高了识别性能。     

基于PSO和改进神经网络的图像滤波方法的研究

提出了一种基于改进BP神经网络和粒子群优化算法（PSO）的图像滤波方法。该方法利用对数最小均方误差函数（LNLS）代替BP神经网络传统的最小均方误差函数（LMS）,用来减小图像噪声对神经网络精度的影响;并将改进后的BP神经网络利用PSO算法优化,从而避免神经网络陷入局部极小值点,进一步提高神经网络滤波能力。实验结果表明,与传统滤波方法相比,该方法不仅能有效地滤除图像中的高斯噪声而且能很好地保护图像细节。