复杂环境下基于深度神经网络的摄像机标定

向鹏; 周宾; 祝仰坤; 贺文凯; 岳晓庚; 陶依贝

doi:doi:10.3788/LOP56.111505

激光与光电子学进展, 2019, 56 (11): 111505, 网络出版: 2019-06-13

复杂环境下基于深度神经网络的摄像机标定下载： 1485次

Camera Calibration Based on Deep Neural Network in Complex Environments

向鹏周宾 ^*祝仰坤贺文凯岳晓庚陶依贝

作者单位

东南大学能源与环境学院, 江苏南京 210096

图 & 表

图 1. 浅层神经网络模型

Fig. 1. Model of shallow neural network

下载图片查看原文

图 2. DNN框架

Fig. 2. Framework of DNN

下载图片查看原文

图 3. 不同参数更新算法下的损失函数收敛曲线

Fig. 3. Loss function convergence curves under different parameter update algorithms

下载图片查看原文

图 4. 不同学习速率下损失函数收敛曲线

Fig. 4. Loss function convergence curves under different learning rates

下载图片查看原文

图 5. 随机搜索的25个试验点

Fig. 5. Twenty-five trials for random search

下载图片查看原文

图 6. 试验点迭代后的损失及训练用时

Fig. 6. Loss and training time of test points after iteration

下载图片查看原文

图 7. 标定靶

Fig. 7. Calibration target

下载图片查看原文

图 8. 高畸变图像

Fig. 8. Highly distorted image

下载图片查看原文

表 1不同方法在不同拍摄角度下的标定误差

Table1. Calibration errors of different methods under different shooting angles

Angle /(°)	Error of DNN method /mm			Error of SNN method /mm			Error of Zhang's method / mm
Angle /(°)	Avg	Max	Std	Avg	Max	Std	Avg	Max	Std
0	0.0896	0.4109	0.0553	1.8910	8.4989	1.3840	0.3887	2.2614	0.2714
15	0.0948	0.5774	0.0657	3.0027	9.1213	1.6706	0.4768	1.7119	0.3339
30	0.1271	0.7146	0.0895	3.3793	11.8804	2.1458	0.3722	3.0325	0.2733
45	0.1492	0.7831	0.0930	3.9889	15.5627	2.6222	0.2586	1.7789	0.2139
60	0.1897	0.8929	0.1003	4.6515	17.3086	2.8226	0.5350	3.2883	0.4284

查看原文

表 2不同方法在镜头高畸变下的标定误差

Table2. Calibration errors of different methods with highly distorted lensmm

Error	DNN method	SNN method	Zhang's method
Avg	0.1471	7.8896	2.8714
Max	0.8990	34.2669	7.1937
Std	0.1124	4.8628	1.7055

查看原文

表 3不同结构的DNN标定误差

Table3. Calibration errors of DNN with different structuresmm

Error	Withhomogeneous term	Withouthomogeneous term
Avg	0.0948	0.1325
Max	0.5774	0.8654
Std	0.0657	0.0992

查看原文

向鹏, 周宾, 祝仰坤, 贺文凯, 岳晓庚, 陶依贝. 复杂环境下基于深度神经网络的摄像机标定[J]. 激光与光电子学进展, 2019, 56(11): 111505. Peng Xiang, Bin Zhou, Yangkun Zhu, Wenkai He, Xiaogeng Yue, Yibei Tao. Camera Calibration Based on Deep Neural Network in Complex Environments[J]. Laser & Optoelectronics Progress, 2019, 56(11): 111505.

复杂环境下基于深度神经网络的摄像机标定下载： 1485次

图 1. 浅层神经网络模型

Fig. 1. Model of shallow neural network

图 2. DNN框架

Fig. 2. Framework of DNN

图 3. 不同参数更新算法下的损失函数收敛曲线

Fig. 3. Loss function convergence curves under different parameter update algorithms

图 4. 不同学习速率下损失函数收敛曲线

Fig. 4. Loss function convergence curves under different learning rates

图 5. 随机搜索的25个试验点

Fig. 5. Twenty-five trials for random search

图 6. 试验点迭代后的损失及训练用时

Fig. 6. Loss and training time of test points after iteration

图 7. 标定靶

Fig. 7. Calibration target

图 8. 高畸变图像

Fig. 8. Highly distorted image

表 1不同方法在不同拍摄角度下的标定误差

Table1. Calibration errors of different methods under different shooting angles

表 2不同方法在镜头高畸变下的标定误差

Table2. Calibration errors of different methods with highly distorted lensmm

表 3不同结构的DNN标定误差

Table3. Calibration errors of DNN with different structuresmm

关于本站 Cookie 的使用提示

全站搜索

复杂环境下基于深度神经网络的摄像机标定 下载： 1485次

图 1. 浅层神经网络模型

Fig. 1. Model of shallow neural network

图 2. DNN框架

Fig. 2. Framework of DNN

图 3. 不同参数更新算法下的损失函数收敛曲线

Fig. 3. Loss function convergence curves under different parameter update algorithms

图 4. 不同学习速率下损失函数收敛曲线

Fig. 4. Loss function convergence curves under different learning rates

图 5. 随机搜索的25个试验点

Fig. 5. Twenty-five trials for random search

图 6. 试验点迭代后的损失及训练用时

Fig. 6. Loss and training time of test points after iteration

图 7. 标定靶

Fig. 7. Calibration target

图 8. 高畸变图像

Fig. 8. Highly distorted image

表 1不同方法在不同拍摄角度下的标定误差

Table1. Calibration errors of different methods under different shooting angles

表 2不同方法在镜头高畸变下的标定误差

Table2. Calibration errors of different methods with highly distorted lensmm

表 3不同结构的DNN标定误差

Table3. Calibration errors of DNN with different structuresmm

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

复杂环境下基于深度神经网络的摄像机标定下载： 1485次