[发明专利]一种基于神经网络的相机畸变标定方法、系统和存储介质

说明书

本发明公开了一种基于神经网络的相机畸变标定方法、系统和存储介质，本发明首先获取多张待标定相机的标定板图；然后提取所述标定板图中的特征点；计算出特征点的世界坐标，利用张正友标定法进行相机内外参数的标定；由特征点的世界坐标，根据外参的变换得到特征点的理想相机坐标；然后提取特征点的像素坐标，根据内参的反变换得到畸变的相机坐标；将理想的相机坐标与畸变的相机坐标一一对应，并构建神经网络，另外，神经网络参数初始化过程加入了极限学习机的思想，隐含层与输出层的初始参数通过最小二乘来得到，这种方式能够减小训练时网络迭代次数，而且能够尽可能避免网络陷入局部最优。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于神经网络的相机畸变标定方法、系统和存储介质。

背景技术

计算机视觉的基本任务之一是从摄像机获取的图像信息出发计算三维空间中物体的几何信息，并由此重建和识别物体，而空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系是由摄像机成像的几何模型决定的，这些几何模型参数就是摄像机参数。在大多数条件下，这些参数必须通过实验与计算才能得到。无论是在图像测量或者机器视觉应用中，相机参数的标定都是非常关键的环节，其标定结果的精度及算法的稳定性直接影响相机工作产生结果的准确性。因此，做好相机标定是做好后续工作的前提，提高标定精度是科研工作的重点所在。

目前相机标定方法大方向上可分为传统相机标定法，主动视觉相机标定法，相机自标定方法等。传统相机标定方法适用任意摄像机模型，标定精度相对较高；其不足之处为需要标定参照物，且标定参照物的尺寸已知，某些应用中难以实现。主动视觉相机标定法算法简单，往往能够获得线性解，鲁棒性较高；不过其系统实现成本高，实验设备昂贵，实验条件要求高。自标定方法灵活性强，可对相机进行在线标定；不过其缺陷为鲁棒性差。

摄像机成像过程中主要存在两种不同类型的畸变，一种是由透镜的形状引起的畸变称为镜像畸变，另一种是相机组装过程中透镜和成像面不能严格平行引起的畸变成为切向畸变。通常做法为针对这两种畸变分别构建了数学畸变模型，其中常用的径向畸变模型之一为：

常用的切向畸变模型之一为：

传统方法中公式(1)与公式(2)的数学模型只是对相机主要畸变情况的近似模拟，而实际情况中，相机成像时产生的畸变是由多种因素引起，且以上两个公式并不能完全描述出实际的畸变状况。某些情况下，畸变状况并不呈现出以上两个公式的分布规律。因此在用求解得到畸变参数进行相机的畸变矫正时会产生较大的偏差。

有鉴于此，有必要开发一种基于神经网络的相机畸变标定方法来解决上述技术问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于神经网络的相机畸变标定方法、系统和存储介质。解决现有的相机标定方法在进行相机的畸变矫正时会产生较大的偏差等问题。

本发明的一个目的在于提供一种基于神经网络的相机畸变标定方法。

一种基于神经网络的相机畸变标定方法，包括如下步骤：

S1、获取多张待标定相机的标定板图；

S2、提取所述标定板图中的特征点；

S3、以所述标定板图所在平面为零平面，计算出特征点的世界坐标，利用张正友标定法进行相机内外参数的标定；

S4、由特征点的世界坐标，根据外参的变换得到特征点的理想相机坐标；然后提取特征点的像素坐标，根据内参的反变换得到畸变的相机坐标；将理想的相机坐标与畸变的相机坐标一一对应，并构建神经网络；通过神经网络训练得到畸变矫正模型，通过畸变矫正模型，对相机进行畸变矫正。

进一步地，步骤S1中，所述标定板图是从多个角度拍摄获取的，并且所述标定板图的个数大于3。