基于神经网络的摄像机畸变校正研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-17页 |
| ·课题研究背景及意义 | 第11-13页 |
| ·摄像机标定研究的主要内容 | 第13-14页 |
| ·摄像机标定发展历史与研究现状 | 第14-15页 |
| ·本论文的主要研究内容 | 第15-17页 |
| 第2章 摄像机标定理论 | 第17-27页 |
| ·常用坐标系 | 第17-19页 |
| ·图像坐标系 | 第17-18页 |
| ·摄像机坐标系 | 第18页 |
| ·世界坐标系 | 第18-19页 |
| ·摄像机模型 | 第19-22页 |
| ·小孔模型 | 第19页 |
| ·摄像机内参模型 | 第19-20页 |
| ·摄像机外参模型 | 第20页 |
| ·畸变模型及其校正 | 第20-22页 |
| ·传统摄像机标定方法 | 第22-26页 |
| ·直接线性变换法(DLT) | 第22-23页 |
| ·主坐标点的确定 | 第23-24页 |
| ·Tsai两步标定方法 | 第24-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 基于对称特性的棋盘格角点检测方法 | 第27-41页 |
| ·角点的提取 | 第27-32页 |
| ·特征点提取概述 | 第27页 |
| ·角点提取分类 | 第27-29页 |
| ·Harris角点检测原理 | 第29-31页 |
| ·基于Harris亚像素角点检测算法 | 第31-32页 |
| ·基于对称特性的棋盘格角点检测算法 | 第32-34页 |
| ·算法 | 第32-33页 |
| ·亚像素检测算法 | 第33-34页 |
| ·实验 | 第34-39页 |
| ·图像采集 | 第34-35页 |
| ·仿真实验 | 第35-39页 |
| ·本章小结 | 第39-41页 |
| 第4章 基于神经网络的摄像机畸变校正 | 第41-57页 |
| ·前言 | 第41页 |
| ·人工神经网络 | 第41-44页 |
| ·神经网络的概念特性及分类 | 第41-42页 |
| ·神经网络的构成 | 第42-44页 |
| ·BP神经网络 | 第44-48页 |
| ·BP神经网络的结构 | 第44-45页 |
| ·BP神经网络学习算法 | 第45-48页 |
| ·BP神经网络与摄像机标定 | 第48-49页 |
| ·BP网络设计 | 第49-52页 |
| ·激活函数的选取 | 第49-50页 |
| ·输入层和输出层的设计 | 第50页 |
| ·网络层数的选取 | 第50-51页 |
| ·神经网络参数的选取 | 第51-52页 |
| ·误差分析方法 | 第52页 |
| ·仿真实验 | 第52-55页 |
| ·角点提取 | 第52-53页 |
| ·摄像机的线性模型及畸变模型的建立 | 第53页 |
| ·仿真结果 | 第53-55页 |
| ·本章小结 | 第55-57页 |
| 第5章 基于粒子群优化算法与BP网络相结合的算法 | 第57-71页 |
| ·粒子群算法(PSO)简介 | 第57-61页 |
| ·粒子群优化算法概述 | 第57-58页 |
| ·PSO算法原理和数学描述 | 第58-59页 |
| ·算法构成要素 | 第59-60页 |
| ·算法流程 | 第60-61页 |
| ·BP算法存在的缺点 | 第61-62页 |
| ·粒子群算法和BP算法相结合 | 第62-66页 |
| ·混沌变量的引入 | 第63-64页 |
| ·混合算法流程 | 第64-66页 |
| ·仿真实验 | 第66-68页 |
| ·视觉检测应用 | 第68-69页 |
| ·本章小结 | 第69-71页 |
| 第6章 结论与展望 | 第71-73页 |
| ·结论 | 第71页 |
| ·展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77页 |
