The present invention relates to a camera calibration method and system based on in-depth learning, which belongs to the field of image processing. Most of the existing visual measurement systems require the camera to be fixed in operation. Once the position or attitude of the camera changes, it is necessary to re-measure all the relevant position coordinates obtained by the camera, which greatly reduces the flexibility and ease of use of the system. The existing camera calibration methods generally rely on fixed calibration AIDS and proprietary mathematical models to calculate the rotation and translation matrix between the camera coordinate system and the world coordinate system so as to transform the coordinates measured in the new camera coordinate system into the original standard coordinate system. This method has complex calculation process, high parameter requirements, poor universality and low efficiency. Compared with the prior art, the invention has the advantages of strong flexibility, time saving and simple operation.
【技术实现步骤摘要】
一种基于深度学习的相机标定方法及系统
本专利技术涉及图像处理领域,尤其是涉及一种基于深度学习的相机标定方法及系统。
技术介绍
现代工业生产中常常利用视觉测量系统对目标的三维坐标进行测量,并使用测量出的坐标用于后续的控制步骤。由于视觉测量系统具有非接触测量的特点,传感测量机构与待测目标相分离,对目标不产生附加影响,常常应用于需要较高控制精度的场合,如机械手控制系统。尽管视觉测量系统具有上述优点,但其核心部件测量相机在标定之后必须保持位置和姿态不变,即保持相机坐标系在世界坐标系的位置不变,以确保测量坐标具有相同的参考原点,这样就会给实际应用带来不便。对于已投入运行的系统,若已完成标定的相机的位置姿态发生变化,则该相机所有已经测得的相关位置坐标必须重新测量,为此必须另外耗费大量额外的工作,降低了生产效率,系统的灵活性也较差。现有的专利技术中,相机标定方法大多需要在特定辅助设备的配合下,建立复杂且专有的数学模型,通过繁琐的计算完成。如专利技术专利《基于边界约束和均值逼近的激光扫描仪与相机标定方法》(申请号为CN201810154520.6)提出的方法,依赖较复杂的数学方法及数学模型,易用性不强,扩展性差;如专利技术专利《一种用于立体视觉测量的线阵相机标定装置及标定方法》(申请号为CN201810213905.5)则依赖特定专有的标定设备,亦降低了实施方法的简洁灵活性。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的相机标定方法及系统,在解决现有视觉测量系统中相机位置及姿态必须保持不变的问题的基础上,避免相关数学模型、物理变量的 ...
【技术保护点】
1.一种基于深度学习的相机标定方法,其特征在于,包括以下步骤:步骤1:在相机视野范围内任意选取四个不共线的标记作为标准工作坐标系中的四个不共线的标记;步骤2:截取机器学习相机图像并依次确定机器学习相机图像中所有标记的编号及所有标记在机器学习相机图像中的像素坐标;步骤3:按指定次数改变相机位置和相机姿态,重复步骤2,获取多组像素坐标和与之对应的相机位置和相机姿态的数据;步骤4:将步骤3中获取的数据分为训练集和测试集两部分,利用训练集对所构建的神经网络进行重复训练学习,利用测试集对训练学习结果进行误差达标测试,若达标,保存训练完成的神经网络于磁盘中并执行步骤5,若未达标,返回步骤3并增加所述指定次数;步骤5:重现标准工作坐标系中的四个不共线的标记,使用相机位置和相机姿态发生改变后的相机进行实际应用相机图像抓取,获取标准工作坐标系中的四个不共线的标记在实际应用相机图像中的像素坐标;步骤6:把步骤5中得到的像素坐标输入到训练完成的神经网络中,得到改变后的相机坐标系相对于标准工作坐标系的相机位置和相机姿态的数据;步骤7:利用改变后的相机坐标系相对于标准工作坐标系的相机位置和相机姿态的数据并通过变 ...
【技术特征摘要】
1.一种基于深度学习的相机标定方法,其特征在于,包括以下步骤:步骤1:在相机视野范围内任意选取四个不共线的标记作为标准工作坐标系中的四个不共线的标记;步骤2:截取机器学习相机图像并依次确定机器学习相机图像中所有标记的编号及所有标记在机器学习相机图像中的像素坐标;步骤3:按指定次数改变相机位置和相机姿态,重复步骤2,获取多组像素坐标和与之对应的相机位置和相机姿态的数据;步骤4:将步骤3中获取的数据分为训练集和测试集两部分,利用训练集对所构建的神经网络进行重复训练学习,利用测试集对训练学习结果进行误差达标测试,若达标,保存训练完成的神经网络于磁盘中并执行步骤5,若未达标,返回步骤3并增加所述指定次数;步骤5:重现标准工作坐标系中的四个不共线的标记,使用相机位置和相机姿态发生改变后的相机进行实际应用相机图像抓取,获取标准工作坐标系中的四个不共线的标记在实际应用相机图像中的像素坐标;步骤6:把步骤5中得到的像素坐标输入到训练完成的神经网络中,得到改变后的相机坐标系相对于标准工作坐标系的相机位置和相机姿态的数据;步骤7:利用改变后的相机坐标系相对于标准工作坐标系的相机位置和相机姿态的数据并通过变换公式把改变后的相机坐标系下的像素坐标变换到标准工作坐标系下,完成标定。2.根据权利要求1所述的一种基于深度学习的相机标定方法,其特征在于,所述的标记为二维码平面光学标记,所述二维码平面光学标记包括标记的编号信息,用于在相机图像中被读取。3.根据权利要求1所述的一种基于深度学习的相机标定方法,其特征在于,所述相机位置和所述相机姿态所采用的表达方式均为相对矩阵表示法,所述相机位置为改变后的相机坐标系相对于标准工作坐标系的平移向量t,所述相机姿态为改变后的相机坐标系相对于标准工作坐标系的旋转矩阵R。4.根据权利要求1所述的一种基...
【专利技术属性】
技术研发人员:赖豪文,江季,陈劲树,蒋磊,
申请(专利权)人:同济大学,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。