[发明专利]一种鱼眼相机标定算法评价的方法

摘要

本发明公开了一种鱼眼相机标定结果评价的方法，涉及计算机视觉领域，包括如下步骤S1获取经过标定后相机的内参数矩阵和畸变系数；S2训练神经网络模型；S3基于测试数据集和训练好的神经网络模型，得到测试数据集的输出。本发明基于标定好的鱼眼镜头的内参数和畸变系数以及给定的标定板的特征点世界坐标和相机下对应的像素点坐标，进行神经网络的训练，神经网络具有强大的非线性映射能力，通过训练能够作为复杂数学模型的虚表达，满足鱼眼镜头等大视场相机标定中相机模型非线性映射的要求，这样不需要建立复杂的非线性畸变模型，可以客观准确的评价相机标定结果的准确度。

主权项

一种鱼眼相机标定算法评价的方法，其特征在于，包括如下步骤：S1：获取经过标定后相机的内参数矩阵和畸变系数；首先采用待评价的相机标定算法对相机进行标定，获得经过标定后相机的内参数矩阵和畸变系数，然后将标定板上特征点的位置坐标P以及经过标定算法获得的相机的内参数M和畸变系数K组合起来构成训练数据集{P，M，K}；S2：训练神经网络模型，所述神经网络模型为非全连接且同一层中某些神经元之间的连接权重共享；所述S2包括S201、S202、S203；S201：构建一个神经网络模型；所述S201步骤具体为：将步骤S1获取的训练数据集{P，M，K}作为网络输入，构建一个神经网络模型，该神经网络采用5层的神经网络，分别是输入层、第一卷积采样层、第二卷积采样层、全链接层和输出层；在第一卷积采样层首先将输入与该层设定的不同卷积核和可加偏置进行卷积，卷积后产生若干个特征，然后对特征按照设定的池化尺度大小进行特征值求和、加权值、加偏置，最后通过Sigmoid函数得到该层输出，第二卷积采样层进行与第一卷积采样层相同的操作，区别在于两层所使用到的卷积核、池化尺度大小以及偏置不同，两次卷积采样层的输出是特征映射图，全链接层将卷积采样层的特征正向传播输出特征向量，同时也可以进行反向传播操作，在输出层中将输入的特征向量按输出标签的大小指定输出；S202：设置卷积采样层参数；所述S202步骤具体为：在一个卷积层l，输入层的输入或者是上一层的第i个特征被一个可学习的卷积核进行卷积，然后通过激活函数就可以得到输出的第j个特征每一个输出可能是组合卷积多个输入的值，具体计算方法如下：xjl=f(Σi∈Mixil-1*kijl+bjl)]]>其中，i，j分别表示上一层和当前层上特征映射编号，Mj表示选取的输入特征集合的一个子集，表示第l层的第j个特征与第l‑1层的第i个特征之间相关的卷积核，表示第l层的第j个特征对应的附加的偏置，*表示卷积操作，激活函数f(.)采用sigmoid函数将输出压缩到[0,1]；卷积之后紧跟着一个子采样，计算公式如下：xjl=f(βjldown(xjl-1)+bjl)]]>其中，down(.)表示一个下采样函数；S203：利用训练数据集训练深度卷积神经网络；S3：基于测试数据集和训练好的神经网络模型，得到测试数据集的输出；所述S3具体为：将测试样本输入训练好的神经网络模型计算在相机下像素的坐标值，然后计算输出值与真实值的误差；计算公式如下：D=(x-xr)2+(y-yr)2]]>e=D/X2+Y2]]>Avg=Σk=1NeiN]]>其中，D表示输出值与真实值的距离差，e表示相对误差值，N表示像素点的个数，(x，y)表示通过神经网络计算的输出像素坐标，(xr,yr)表示像素的真实坐标值，Avg表示相机标定结果的评价值。