基于BP神经网络的摄像机参数标定的研究论文.docVIP

2010 Asia-Pacific Conference on Information Theory  用数学模型描述的系统，它具有很强的自适应、自学习 能力。现有的基于神经网络标定的方法往往是利用其很 强的非线性能力，建立空间三维点与其相应的两维像素 坐标点之间的映射关系，但并不能得到摄像机的内外部 参数[6]。因为有些计算机视觉工作，例如三维重构，需 要网络给出摄像机的内外部参数，所以本文提出了一种 利用 BP 神经网络得到摄像机内外部参数的方法，它通 过自适应调整学习率的动量算法进行训练，收敛速度 快，避免了标准 BP 算法带来的局部极小的缺陷，该方 法不要求很高的初始条件，对各层权值任意赋值，并通 过训练能满足旋转矩阵的正交性，有较高的标定精度和 实用性，实验过程简单易实现。 2 摄像机模型 设 (X W ,YW , Z W ) 是世界坐标系中某空间点 P 的三维 坐标，投影到图像像素坐标系中的点 p 的坐标为 (u, v) ， (X C ,YC , Z C ) 是同一点 P 在摄像机坐标系中的坐标。摄 像机针孔模型的成像几何关系见图 1[7]。  3×4 矩阵 M1 与摄像机的内部结构有关，称为摄 像机的内部参数，其中， f u?? f / dx ， f v?? f / dy ， f 为摄像机有效焦距，dx ，dy 为每一个像素在 x 轴和 y 轴方向的物理尺寸，u0