Improve a 3D distance measurement accuracy in stereo vision systems using optimization methods

摘要：本文介绍了使用优化方法改进立体视觉系统的3D距离测量精度。改进并测试立体视觉系统以识别常见的不确定性来源。由于优化方法用于训练神经网络，因此得到的方程可以在实时立体视觉系统中实现。通过计算实验和比较分析，确定一种具有最小误差性能的训练函数，所提供的方法提供了一种通用的建模技术，解决了影响立体视觉系统的各种问题。最后，将所提出的方法应用于开发的立体视觉系统，并进行统计分析以验证所获得的改进。

概述：三维测量技术在材料检测，应变测量，在线监测，机器人导航，结构健康监测，机械加工，质量检测，深度信息，物体运动等方面具有许多实际应用。立体视觉是3D测量中典型且广泛使用的系统。 在此方法中，从不同角度观看的两个摄像机捕获图像，在立体图像对中检测特征角点，然后基于立体对应在每帧的特征点进行三角测量。使用立体视觉技术，3D扫描仪可以准确地捕获物体的三维形状，或者可以用于测量距离，角度或变形。随着技术的发展，对3D形状测量技术的高要求具有以下组合技术特征：高精度，快速且易于实现。但是，要在单个系统中获得这些功能并不总是可行的，并且需要优先考虑系统的能力。 因此，我们创建一个系统，目的是在两个不同的模式之间测量距离。由于该系统的应用现在面向3D距离测量，我们可以专注于高速模式的识别功能，并在实时处理中执行三角测量，以用于距离测量应用。

所提出的论文显示了强度模式匹配方法在立体视觉系统中的实现，用于实时应用中的距离测量，之后提出了一种校准方法，以降低由立体视觉系统中的常见问题引起的系统的不确定性。 通过比较不同的优化方法，它寻找一种优化方法，利用神经网络可以改进测量。

 

改进双目视觉系统：立体视觉是从场景的多个2D视图中提取3D信息的过程。其过程的流程图如下：

 

计算每点的X,Y,Z公式如下：

立体视觉系统描述：

对于距离测量应用，系统需要两个不同的模式（事先已知），如果检测到两个以上相似的模式，系统将使用分数最高的模式，其中分数与模板与定位匹配的接近程度有关（在 范围0-1000）。唯一约束是，如果两个或多个任意发生的模式具有完全相同的分数，系统将考虑第一个检测到的模式; 但这种事件发生的可能性很小。如图，可以看到如何使用极线几何方法来解决相应问题，以及如何获得每个角度并用于确定感兴趣点的空间坐标。

 

强度模式匹配：

图像匹配意味着可以在空间中识别这些图像或在另一图像中找到已知图像，特别是，立体匹配是研究领域，其旨在确定从实际场景中不同视点拍摄的两个或更多个图像中的相关性，以获得深度图。它可以通过使用存储在计算机中的模式识别未知的视觉模式，并建立计算机模式与外部世界之间的关系。 模式匹配是图像匹配模式的最常见类型。它也被称为基于区域的图像匹配。 它使用一个图像中像素的局部邻域中的亮度（强度）模式与另一个图像中的局部邻域中的亮度模式之间的相关性，其中相似区域特征点匹配对数要更多。

 

将双目视觉系统应用于距离测量和显示中：

原理如上图所示。可以根据时间检测位移。

 

双目系统的标定方法：

相机标定大致可以分为三种类型：线性方法，两步法，非线性方法。三种方法的对比如下所示：

神经网络用于立体视觉系统中的3D测量改进具有几点突出的地方。首先，网络由非线性神经元的互连组成。 因此，神经网络可以学习非线性成像过程。其次，监督神经网络学习和摄像机校准背后的基本思想是相同的。 两者使用一组数据来查找系统参数，然后在具有相同特征的数据中实现参数，但在训练期间不使用。 第三，神经网络可以为问题提供无模型解决方案（针对某些确定的问题），这与隐式摄像机校准技术不同。最后，神经网络可以与典型的校准方法结合使用。 可以使用训练的神经网络执行系统测量的后处理（先前通过典型方法校准）。

 

人工神经网络：

人工神经网络由称为神经元的计算单元和称为突触的神经元之间的连接组成。

 

反向传播算法：

 

实验结果和实验数据分析：

多个参数对比：不同摄像机的摄像机视野（FOV），摄像机之间的距离，学习速率，误差函数，学习功能和重量偏差学习功能。