全文总字数：4094字
1. 研究目的与意义（文献综述）
无论是在图像测量还是在机器视觉应用中，相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相机工作产生结果的准确性。因此，做好相机标定是做好后续工作的前提，提高标定精度是科研工作的重点所在。相机标定方法一般分为三种：传统相机标定法、主动视觉相机标定方法、相机自标定法。这三种标定方法在实际应用中互有利弊。
目前最为流行的相机标定算法是tsai（1987）提出的两步法和zhang（2000）提出的基于平面黑白棋盘格的标定法。tsai提出的两步法主要步骤是：第一步是利用径向校正约束创建方程组，并用最小二乘法求解线性方程组得出相机外部参数；第二步通过相机外部参数求解相机内部参数。zhang 的方法需要一个黑白相间正方形图案的平面棋盘标定板，通过多幅从不同视角拍摄的平面图像来进行标定。knight et al.（2003）提出一种基于地平面运动的线性自标定方法，该方法通过观察地平面且沿着地平面移动或围绕某个垂直轴旋转以提供单应信息求解绝对圆锥的图像，因此提供相机标定参数。加州理工学院在2004年验证了tsai的两步法方法和zhang的棋盘格标定方法，并将这两种经典的相机标定方法集成到了opencv 算法库中。kawasakiet al.（2008）提出了利用场景中直线边缘或可见平面投影阴影获得的共面性来恢复具有 4 自由度不确定性的形状，然后利用场景中几何约束获得的度量约束进行相机自标定的方法。brückner etal.（2014）提出一种利用变焦相机组成的多摄像机系统的主动自标定方法，通过主动旋转和缩放每对摄像机进行相对姿态优化，从而大大简化了提取正确点对应的问题。batteoui et al.（2015）提出了一种实用的变内参数摄像机自标定方法，该方法的主要思想是利用两幅未知三维场景图像中自动检测到的兴趣点（未知三维平行四边形顶点的投影）对摄像机进行自标定。akkad et al.（2017）提出了利用空间小块的仿射变换和无穷远平面表面法向同形的摄像机自标定方法，该方法通过在无限远平面的同形性与匹配之间建立关系、图像之间建立的系，以及在图像平面中三维场景点与其投影之间建立关系，通过这些约束关系建立非线性方程并优化求解得到相机参数。
如今，越来越多的互联网公司都想在深度学习领域分得一杯羹，百度就是其中之一。它在2012年底，将深度学习技术应用于自然图像ocr识别和人脸识别，取得了不错的成绩。在2013年，百度在对深度学习模型进行优化和特殊的处理之后，将其应用于识别物体，它可以识别很多类别的物体，比如，能够对车牌号、动植物进行识别，并且具有较高的识别率。2015年12月10日，百度宣布将无人驾驶汽车应用到实际生活当中，百度无人驾驶车在国内首次实现了全自动驾驶，在市区的各种路况下进行了路上的实际测试，不论是在行为判断上还是在驾驶速度上都令人感到不可思议。从百度公司研究深度学习的经验来看，深度学习在图像识别领域的发展空间非常的巨大，不仅能降低传统方式所带来的时间损耗，还能大大的提高应用的效率。
2. 研究的基本内容与方案
基本内容：特征点提取是完成相机标定至关重要的一步。传统的相机标定方法需要清晰的标靶图案来做准确的特征提取。当相机离焦时，标靶图案就变得模糊，以至于无法准确提取特征点，这就限制了标定方法的适用范围。因此如何准确提取标靶上的特征点坐标是一个重要的研究课题。n步相移法虽然在离焦情况下也可以得到精确的特征点坐标，但是其在每个方向都需要多帧图案；傅里叶变换法只需一张图案就可以获得特征点坐标，但其在大角度或者图案周期性不明显的情况下误差较大。
以上特征提取方法都是基于数学模型建立的，其实际成像性能极大程度地受限于数学模型的准确性。但是由于数学模型中的许多非线性问题局部线性化，以及模型的诸多不可预见性，导致数学模型一定存在误差，这已成为这一领域进一步发展的瓶颈问题。近年来,人工智能与深度学习技术的飞跃式发展为这一问题的解决开启了一扇全新的大门。不同于以往特征提取方法对数学模型的依赖，深度神经网络是基于数据的。它不但解决了过去特征提取方法拘泥于数学模型的困境，还在特征提取灵敏度、鲁棒性以及其他核心性能指标上获得了显著提升。利用深度神经网络可以在输入单张图案的情况下，通过神经网络获得中间参数，进而得到精确的特征点坐标，完成相机标定。
目标：为了在离焦状态下准确、快速地提取特征点，现提出了一种基于神经网络的特征点坐标提取方法。以达到在输入单张图案的情况下通过神经网络获得中间参数，进而得到精确的特征点坐标并完成相机标定的目的。
3. 研究计划与安排
1-3周，查阅相关文献资料，完成英文翻译，完成开题报告；
4-6周，学习深度神经网络的相关资料；
7-9周，学习常见的相机标定方法；
4. 参考文献（12篇以上）
[1]wang yuwei,wang yajun,liu lu,chen xiangcheng.defocused camera calibration with a conventional periodic target based onfourier transform.[j]. optics letters,2019,44(13).[2]jun jiang,liangcai zeng,bin chen,yang lu,wei xiong.an accurate and flexible technique for camera calibration[j].computing,2019,101(12).
[3]shijie feng,chao zuo,wei yin,guohua gu,qian chen.micro deep learning profilometry for high-speed 3d surface imaging[j]. opticsand lasers in engineering,2019,121.
[4]zhang z . a flexible new technique for cameracalibration[j]. ieee transactions on pattern analysis and machine intelligence,2000, 22(11):1330-1334.
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
