双目视觉系统标定与立体匹配研究

摘要

双目立体视觉作为计算机视觉领域中的一个重要组成部分，在工业、军事、航空等领域得到了越来越广泛的应用。该领域中的双目视觉摄像机的标定与立体匹配是其关键技术，一直是研究的热点和难点。
　　针对摄像机标定传统方法存在的计算复杂和繁琐问题，提出一种基于改进型神经网络的双目视觉摄像机标定方法。该方法首先通过对双目摄像机有效模型的分析，建立空间点图像坐标与世界坐标非线性映射关系，同时引入自适应学习算法实现对隐层神经元的自适应选取，并在创建网络模型前对样本数据进行归一化处理极大提高了神经网络泛化能力;其次对Harris特征点提取算法进行改进，对求取的角点坐标添加约束条件以及缩小角点搜索范围，使样本数据精度与检索速度得到提高;最后通过与传统标定方法进行比较，实验结果表明基于改进型神经网络标定方法能得获得较好的双目标定精度。
　　针对传统区域匹配算法计算量大、速度慢、匹配窗口难以选择等缺点，提出一种自适应窗口的立体图像匹配算法对区域匹配算法进行优化，该方法通过索贝尔算子获取图像像素梯度值，并根据梯度值变化自适应匹配窗口。实验结果表示通过改进算法图像在立体匹配中精度与效率都得到了的提高。

目录

声明

摘要

1 绪论

1．1 课题研究背景与意义

1．2 国内外研究现状

1．2．1 摄像机标定国内外研究现状

1．2．2 立体匹配国内外研究现状

1．3 课题来源

1．4 论文主要研究内容和结构安排

2 双目视觉系统理论研究

2．1 摄像机标定

2．1．1 立体视觉坐标系

2．1．2 摄像机成像模型

2．2 视觉图像特征提取

2．3 立体匹配

2．3．1 对极几何

2．3．2 基础矩阵

2．3．3 双摄像机的相对位置

2．4 本章小结

3 基于神经网络的双目视觉标定

3．1 双目视觉系统工作原理

3．2 双目视觉系统神经网络建模

3．2．1 网络层与神经元个数数选取

3．2．2 传递函数选取

3．2．3 学习速率与期望误差选取

3．2．4 样本选取

3．3 特征点提取

3．3．1 Harris角点检测步骤

3．3．2 角点多义性消除

3．3．3 Harris角点算法优化

3．4 实验与仿真

3．5 本章小结

4 立体匹配算法

4．1 立体匹配基本约束原则

4．2 匹配算法的分类与基元选择

4．3 立体匹配算法计算步骤

4．4 基于Sobel算子的自适应窗口立体匹配算法

4．4．1 索贝尔梯度算子

4．4．2 算法改进

4．4．3 匹配窗口获取

4．5 实验与仿真

4．5．1 匹配流程

4．5．2 实验结果

4．6 本章小结

结论

致谢

参考文献

攻读学位期间发表的相关学术论文及研究成果