双目视觉摄像机神经网络标定方法

摄像机标定是精密视觉测量的基础。为了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,传统的标定方法需要建立复杂的数学模型。而神经网络可以有效地处理非线性映射问题,笔者介绍了一种BP(ErrorBackPropagation)神经网络,并且为了提高网络的学习能力引入了动态因子。用相同的参考数据,将神经网络标定方法与线性标定方法比较,实验结果表明基于神经网络的双目视觉标定方法能获得较高的标定精度。     

基于双目摄像机的目标标定及校正方法研究

本文采用的是平行双目立体视觉机,主要目的是从摄像机获取的立体图像出发,根据两个摄像机之间的相对位置关系得到场景中物体的深度信息,以便实现运动人体的检测与识别。     

基于模糊神经网络的双目视觉系统的研究与准确度

在机器视觉系统中,由于深度信息的丢失,镜头的畸变等因素的影响,使得摄像机的模型是非线性的.在采用模糊神经网络对双目视觉系统标定时,以特征点投影到左右图像的坐标为4路输入,以网络的3路输出和该对应点在世界坐标系坐标的均方值为性能指标;根据梯度下降法来调整和最终获得一组稳定的隐含神经元与输出神经元之间的连接权值,以及高斯型隶属函数的参数(均值与标准差);这样可以用模糊神经网络的权值与隶属函数来代替双目视觉系统两个摄像机的投影矩阵,以描述三维空间特征点坐标与对应点在左右摄像机图像之间的关系,实现系统的标定.     

基于LS-SVM的立体视觉摄像机标定

利用最小二乘支持向量机来直接学习图像信息与三维信息之间的关系,不需确定摄像机具体的内部参数和外部参数.在双目视觉的情况下,两摄像机的位置关系不需具体求出,而是隐含在映射关系中.根据最小二乘支持向量机与摄像机标定的特点,提出了基于最小二乘支持向量机的双目立体摄像机标定方法.将摄像头采集到的图像的像素坐标作为输入,将世界坐标作为输出,用最小二乘支持向量机使网络实现给定的输入输出映射关系.该方法同BP神经网络预测结果对比表明:基于最小二乘支持向量机的双目视觉标定方法速度快,实时性好,能有效提高标定精度.     

基于双目立体视觉偏折术的标定

相位测量偏折术(PMD)是近几年在光学测量领域内普遍使用的一种非接触式的高精度测量方法,而系统几何标定是相位测量偏折术获得高精度测量的先决条件。由于LCD显示屏位于摄像机的视野之外,增加了标定的困难,本文提出的基于双目立体视觉的相位测量偏折测量系统,通过姿态转换几何标定方法进行系统标定,标定左右两个摄像机与LCD显示器之间的相对位置关系,并通过实验验证了该标定方法的可行性和准确性。     

基于BP神经网络的包装分拣机器人视觉标定算法

手眼标定确定了机器人基座坐标系和摄像机坐标系之间的非线性映射关系,在视觉伺服中起着重要作用。针对视觉伺服控制系统中的手眼标定问题,基于机器人工具箱和神经网络工具箱,在MATLAB/Simulink环境下,使用误差反向传播（BP）神经网络算法和径向基（RBF）神经网络算法进行仿真,拟合了6自由度分拣机器人和单目摄像机之间的映射关系,通过仿真结果分析了两种算法的精度。此外,在同一实验条件下使用BP神经网络与张氏法对机械臂进行手眼标定,通过在机械臂实际工作空间内抓取同一组随机取样本点进行实验,并对比随机样本点的抓取精度。仿真和实验结果表明BP神经网络在标定精度上优于RBF神经网络算法和张氏标定法,能够在实际应用中提高手眼标定的精确度,具有一定的工程意义。     

基于单特征点的手眼系统摄像机标定

基于机器人的相对运动,提出了一种基于单特征点的手一眼系统摄像机内、外参数的标定方法。在摄像机视场中任意选择一个特征点,使机器人末端在保持姿态不变的条件下运动,相当于机器人不动但具有多个特征点。利用这些点可计算出摄像机的内参数和相对于特征点的外参数。大幅度改变机器人的姿态,可标定出特征点在机器人基坐标系下的位置,进而得到相对于机器人末端的外参数。实验结果验证了该方法的有效性。     

“两步法”求取双目视觉传感器中摄象机位置关系

根据平行线“消隐点”理论，提出了用于双目视觉传感器自标定的“两步法”。该方法仅需４对消隐点象面坐标便可线性求解出旋转矩阵，再用２个空间点坐标便可线性求解出平移矢量。     

基于卡尔曼滤波的摄像机标定方法

本文提出了一种基于迭代扩展卡尔曼滤波的摄像机标定方法.将二维平面靶标图像上的特征点看作是匀速运动的点,以观测到的特征点图像坐标和对应世界坐标作为滤波器的输入,摄像机内外参数的估计值作为滤波器的输出,根据迭代扩展卡尔曼滤波算法得到摄像机内外参数的最优估计.通过仿真和真实实验,结果表明,对于有限数量的平面靶标标定图像数据,该算法具有较高的标定精度和较好的鲁棒性.     

双目视觉系统测量精度分析

针对双目视觉系统测量精度的问题,本文提出并建立了双目视觉系统误差分析模型,分析了摄像机标定精度、镜头参数及系统结构参数对系统测量精度的影响,并结合实验证明了理论的正确性。实验表明,在标定板均匀分布于具有较大深度范围系统的整个可视区域时,增加标定图像数目能有效提高系统精度;在保证系统有效视场的前提下,增大基线距能有效的提高系统测量精度;相机光轴与基线夹角在[55o~70o]取值时,系统测量精度较高。     

径向基函数神经网络在多维力传感器标定中的应用

维间耦合是制约多维力传感器测量精度的主要因素,为了克服传统线性标定方法的局限性,利用径向基函数（RBF）神经网络强非线性逼近能力进行了多维腕力传感器的静态标定,并将其与最小二乘法和BP神经网络标定法作了比较。以研制的六维腕力传感器为对象进行了实验,结果表明,采用RBF神经网络对多维腕力传感器标定比用最小二乘线性标定有更高的标定精度,网络训练速度则大大快于BP神经网络。这种新方法具有一定的实用价值。     

基于RBF神经网络的结构光三维视觉检测方法研究

研究了基于RBF神经网络的结构光三维视觉检测方法。该方法利用了RBF网络良好的非线性映射能力以及学习、泛化能力,通过采用高精度样本数据训练RBF网络,最终建立起了用于结构光三维视觉检测的RBF网络模型。与常规方法相比,它不需要考虑视觉模型误差、光学调整误差等对视觉检测系统测量精度的影响,因而能够有效地克服常规建模方法的不足,保证了检测系统具有较高的精度。     

一种双目立体视觉系统的校准方法

基于双目立体视觉系统的图像分析以及人工神经网络的三维空间建模算法,设计了一种针对双目立体视觉相机的校准方法,并可应用于运动目标点的轨迹追踪。将均匀分布目标点的校准平面放置在有效视野内的不同位置,通过双目立体视觉系统来捕获处于不同位置的校准平面图像。在图像处理之后,使用校准点中心的二维坐标作为人工神经网络训练的输入样本集,通过建立人工神经网络模型结构,实现目标点二维平面坐标到三维空间坐标的映射关系。采用这种具有通用性的方法,可以有效修正系统中存在的失真因子,获得目标三维位置信息,而无需进行复杂的相机校准操作。实验表明,提出的方案具有良好的可行性和鲁棒性。     

基于模糊聚类的RBF神经网络算法

文章提出一种根据模糊聚类的思想来确定RBF神经网络隐层节点数,并用K-Means的聚类算法来训练RBF神经网络.并根据此算法进行仿真,并证明是有效的.     

基于RBF神经网络的色空间转换模型

研究了RBF神经网络的结构及算法,应用RBF神经网络建立了打印机的色空间转换模型.根据实验数据,对网络结构进行了优化,通过比较不同参数时网络的性能,确定最优网络参数.最后对所建模型进行了仿真验证,验证结果表明,预测数据与实测数据的色差较小,说明该模型具有实用价值.     

基于RBF神经网络模型的传感器非线性补偿方法

针对传感器测量过程中各种环境因素(温度、湿度、磁场等)的影响,提出了一种新的非线性补偿方法,利用两个相同的距离传感器对物理量进行测量,建立RBF神经网络结构,并利用神经网络的学习记忆功能,消除主要环境因素对传感器输出的影响.通过实验和计算机仿真应用,证明这个系统提高了传感器测量的精度,具有良好的抗干扰性.