双目视觉系统标定与立体匹配研究.pdf

《双目视觉系统标定与立体匹配研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、ClassifiedIndex：TP391．4U．D．C：620SouthwestUniversity0fScienceandTechnoIogyMasterDegreeThesiS^I-^-1●1■■11ceSearch0tUameraUalIbrat10nandStereoMatchingonBinocuIarViSionSystemGrade：2011Candidate：YanheAcademiDegreeAppIiedfor：MasterSpeciaIty：CommunicationandInformationSystemSupervis

2、or：Prof．WubinMar．25．2014独创性声明JIIII111111111IIIHIlllllrllllIJIfrlUIY2586319本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得西南科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。签名：筵匆日期：劢f性多关于论文使用和授权的说明本人完全了解西南科技大学有关保留、使用学位论

3、文的规定，即：学校有权保留学位论文的复印件，允许该论文被查阅和借阅；学校可以公布该论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。(保密的学位论文在解密后应遵守此规定)签名：始导师签日期：西南科技大学硕士研究生学位论文第1页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

4、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

5、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。关键词：双目视觉摄像机标定特征提取立体匹配西南科技大学硕士研究生学位论文第1I页AbstractBinocularstereovisionisanimportantpartofcomputervision，whichiswidelyappliedinthefieldsofindustry，military，airspaceandSOon．Asakeytechnologyinthisfield，calibrationandStereomat

6、chingofbinocularvisioncameraarealwaysthehotanddifficultspots．Aimattheproblemssuchascomputationalcomplexityandverbosenessintraditionalcameracalibrationmethod，thispaperproposesabinocularvisioncameracalibrationmethodbasedonimprovedneuralnetwork．Firstly，throughanalyzingtheeffecti

7、vemodelofbinocularcamera，establishinganonlinearmappingrelationbetweenspatialpointimageandworldcoordinate．Simultaneously，adaptivelearningalgorithmisintroducedinandadaptiveselectionofneuronsinhiddenlayer．Beforeestablishingnetworkmodel，wenormalizesampledataandbringterminationstr

8、ategyforward，whichimprovesnetworkgeneralizationgreatly．Secondly，weim