基于神经网络的Kinect传感器标定

摘要

无论是在图像测量或机器视觉应用中，摄像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摄像机工作产生结果的准确性。为了能够根据Kinect捕捉到的信息更快更精确地对场景进行重建，首先必须对该测量系统进行标定。虽然，目前许多国外研究者已对Kinect传感器的标定进行大量的研究并取得了较好的研究成果，但都是基于精确的数学模型进行标定的，然而Kinect传感器的深度摄像机存在严重的几何畸变，这就需要更复杂的模型对其进行校正。这势必导致更复杂的数学方程，使计算更加繁琐，而且各种因素引起的畸变可能有种种相似之处，参数之间具有强相关性，一些不显著的参数的引入，反而会使情况更坏。
　　为了避免建立复杂的Kinect畸变模型且可以包容成像过程中的各种畸变及非线性因素。本文将神经网络引入到Kinect标定中，利用神经网络强大的非线性函数逼近能力直接学习二维图像坐标到三维世界坐标的非线性映射。针对Kinect传感器的特点及物点在摄像机坐标系下沿Xe、Yc和Zc方向运动时的成像规律，提出了基于双神经网络的Kinect传感器标定方法。首先采用IR图像代替现有的Kinect标定方法中常用的Depth图像，以降低边缘噪声对标定结果的影响，然后，将Kinect标定问题视作从二维图像坐标到三维世界坐标的一个非线性映射问题，设计了两个不同的神经网络分别实现二维图像点对与对应的三维坐标的平面信息和深度信息的映射关系。通过两个三维重构实验验证了本文标定方法的有效性，且与已有的Kinect标定方法相比本文方法具有更高的标定精度。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 课题研究背景及意义

1.2 摄像机标定算法研究现状

1.3 本文的主要研究内容及结构安排

2 摄像机标定理论基础

2.1 引言

2.2 参考坐标系与坐标转换

2.3 摄像机成像模型

2.4 本章小结

3 基于视差补偿的Kinect深度摄像机与彩色摄像机联合标定

3.1 引言

3.2 Kinect摄像机几何模型

3.3 基于视差补偿的Kinect深度摄像机与彩色摄像机联合标定算法[10]

3.4 本章小结

4 基于BP神经网络的Kinect传感器标定

4.1 引言

4.2 BP神经网络原理简介

4.3 基于BP神经网络的Kinect传感器标定

4.4 实验研究

4.5 本章小结

5 总结与展望

5.1 总结

5.2 论文创新点

5.3 展望

致谢

参考文献