CN110211189A - ToF相机深度误差建模校正方法及装置 - Google Patents
ToF相机深度误差建模校正方法及装置 Download PDFInfo
- Publication number
- CN110211189A CN110211189A CN201910423676.4A CN201910423676A CN110211189A CN 110211189 A CN110211189 A CN 110211189A CN 201910423676 A CN201910423676 A CN 201910423676A CN 110211189 A CN110211189 A CN 110211189A
- Authority
- CN
- China
- Prior art keywords
- tof camera
- particle
- error
- depth error
- camera depth
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/497—Means for monitoring or calibrating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
Abstract
本发明公开了一种ToF相机深度误差建模校正方法及装置,其中,该方法包括:获取初始化粒子集和ToF相机深度误差训练样本集,建立ToF相机深度误差模型;通过以ToF相机深度误差训练样本集中的相机测量误差为观测目标真实值,根据状态方程对初始化粒子集中的每个粒子采样,计算每个粒子的ToF相机误差值;计算每个粒子的ToF相机误差值和观测目标真实值的相似性,根据相似性计算每个粒子的权重值,并归一化;根据每个粒子的归一化权重值进行重采样生成最优粒子集,将最优粒子集输入ToF相机深度误差模型以得到测量误差模型。该方法利用机器学习的方法对ToF相机深度误差数据进行建模,从而实现校正相机深度误差的目的。
Description
技术领域
本发明涉及误差校正技术领域,特别涉及一种ToF相机深度误差建模校正方法及装置。
背景技术
ToF(Time-of-Flight)相机是近年来发展比较迅速的一种可以无需扫描机构就能同时获得目标强度和深度图像的相机。这种设备体积小、质量轻、结构紧凑、实时性高且对光照不敏感,已在地面机器人导航、位姿估计、三维物体重建等领域得到了广泛的应用。ToF相机与其他基于成像测量技术和深度传感器相比具有非常大的发展潜力。
但是相机内部结构和外界环境等因素都会影响测量结果造成ToF相机的测量误差。测量误差的校正是后续获得精确测量结果的关键。ToF相机的误差主要分为系统误差和非系统误差两类,其中非系统误差也叫随机误差。系统误差是指由于相机自身的成像设备以及成像条件等造成的误差。这类误差的形式比较固定,可以有预先的判断,校正起来较为方便。非系统误差是指由于外界环境等影响因素而造成的误差。其中,被测物体距离相机的远近,以及被测物体材质、颜色的不同都会造成相机的测量误差。这类误差具有较强的随机性,没有固定的形式,需要针对具体问题具体分析,很难用统一的模型来描述和校正。因此它在ToF相机的误差分析中是很重要的一类误差,需要针对不同的干扰因素进行深度误差分析并建模校正。
在相关技术中,曲线拟合(Curve Fitting)是指选择适当的曲线类型来拟合科学实验或生产实践中的观测数据,并用拟合的曲线方程y=f(x,c)来揭示变量y与x之间的内在规律。曲线拟合的基本思路是通过采用连续的曲线近似地刻画或逼近离散点群的函数关系的一种数据挖掘的处理方法。通常情况下,利用一些熟悉函数或者多项式来对所采集到的离散点进行逼近,希望能大致反映出数据点的规律。
许多研究者利用多项式的曲线拟合方法建立ToF相机的深度误差y和相机测量距离x之间的函数关系,从而实现深度误差的校正,但是影响ToF相机深度误差的外界环境因素较多,很难建立统一的模型来描述。单纯的多项式拟合方法通常情况下只能在一定的测量范围内大概写出函数模型,但是结构非常复杂,函数阶数较高且函数参数较多,使用起来相对的不方便;并且该函数模型只能在一定的测量范围内近似拟合相机误差,不能在相机所有测量范围内精确的拟合测量误差。这些不足极大地限制了该方法在相机误差建模和校正中的应用。
在相关技术中,交叉验证法(Cross-Validation)就是指在训练支持向量机(SVM)模型开始之前,对其训练数据进行一部分保留,然后利用这部分数据对训练后的模型进行评估。一般比较常用的是K折交叉验证法(K-fold cross validation)。首先,将训练数据平均分成K组,然后取出其中一组进行保留,然后使用剩下的K-1组进行训练构建模型,最后用保留下的一组对训练出来的模型进行评估检测。将以上过程重复K次,保证每组数据都被保留测试过,然后根据K次评估检测得到的值来估计期望泛化误差,以此选择最优的参数。交叉验证法是统计学习中的著名方法,被称为对泛化误差的无偏估计,它能够有效的防止过学习现象。它既具有一定的训练精度,又获得良好的泛化性能。
许多研究者利用交叉验证法确定ToF相机深度误差SVM模型的参数C和γ,从而实现深度误差的校正。但是该方法首先需要大量的训练数据,当训练数据较少时选择的参数很难达到最优,从而影响SVM模型的性能;其次如果参数较多该方法将耗费大量时间,而且计算量也较大。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种,ToF相机深度误差建模校正方法,该方法利用机器学习的方法对ToF相机深度误差数据进行建模,从而实现校正相机深度误差的目的。
本发明的另一个目的在于提出一种ToF相机深度误差建模校正装置。
为达到上述目的,本发明一方面实施例提出了一种ToF相机深度误差建模校正方法,包括:
S1,获取初始化粒子集和ToF相机深度误差训练样本集,根据预设的状态方程和观测方程并通过最小二乘支持向量机的方法建立ToF相机深度误差模型;
S2,通过以所述ToF相机深度误差训练样本集中的相机测量误差为观测目标真实值,根据所述状态方程对所述初始化粒子集中的每个粒子采样,计算所述每个粒子的ToF相机误差值;
S3,计算所述每个粒子的ToF相机误差值和所述观测目标真实值的相似性,根据所述相似性计算所述每个粒子的权重值,并归一化所述权重值;
S4,根据所述每个粒子的归一化权重值进行重采样生成最优粒子集以作为训练所述ToF相机深度误差模型的参数,将所述最优粒子集输入所述ToF相机深度误差模型以得到测量误差模型。
本发明实施例的ToF相机深度误差建模校正方法,通过机器学习的方法对ToF相机深度误差数据进行建模,实现校正相机深度误差的目的,扩大了误差校正的范围,并提高了误差校正的精度,并且利用粒子滤波的方法选择误差模型参数,使该模型可以快速的拟合ToF相机深度误差,摒弃了复杂繁琐的运算,简洁高效。
另外,根据本发明上述实施例的ToF相机深度误差建模校正方法还可以具有以下附加的技术特征:
进一步地,所述初始化粒子集为:
其中,x表示参数状态,表示在k=0时第i个粒子,i=1,2,...,n,C表示惩罚参数,γ表示高斯核参数。
进一步地,所述参数状态x与所述ToF相机深度误差模型y(x)参数α,b之间的关系用所述状态方程z(α,b)来表示:
其中,α,b为所述ToF相机深度误差模型的参数,K(xi,xj)为定义的核函数, 为非线性函数,xi为相机测量距离,i=1,2,...,n,yi为所述相机测量误差,C表示所述惩罚参数。
进一步地,所述ToF相机深度误差模型y(x)的参数α,b与所述ToF相机深度误差模型y(x)的关系用所述观测方程f来表示:
其中,式(3)为通过所述最小二乘支持向量机的方法得到的所述ToF相机深度误差模型。
进一步地,所述S2和S3进一步包括:
采用所述ToF相机深度误差训练样本集{xi,yi}中的yi作为观测目标的真实描述,得到所述观测目标真实值:
z={yi} (4)
根据对所述参数状态x的所述每个粒子采样,计算所述每个粒子的ToF相机误差值:
计算所述每个粒子的ToF相机误差值与所述观测目标真实值的相似性,所述相似性定义为:
其中,为粒子i的观测值,yi为所述相机测量误差;
根据所述相似性计算所述每个粒子的权重值:
并归一化所述权重值:
为达到上述目的,本发明另一方面实施例提出了一种ToF相机深度误差建模校正装置,包括:
建立模块,用于获取初始化粒子集和ToF相机深度误差训练样本集,根据预设的状态方程和观测方程并通过最小二乘支持向量机的方法建立ToF相机深度误差模型;
第一计算模块,用于通过以所述ToF相机深度误差训练样本集中的相机测量误差为观测目标真实值,根据所述状态方程对所述初始化粒子集中的每个粒子采样,计算所述每个粒子的ToF相机误差值;
第二计算模块,用于计算所述每个粒子的ToF相机误差值和所述观测目标真实值的相似性,根据所述相似性计算所述每个粒子的权重值,并归一化所述权重值;
训练模块,用于根据所述每个粒子的归一化权重值进行重采样生成最优粒子集以作为训练所述ToF相机深度误差模型的参数,将所述最优粒子集输入所述ToF相机深度误差模型进行训练得到测量误差模型。
本发明实施例的ToF相机深度误差建模校正装置,通过机器学习的方法对ToF相机深度误差数据进行建模,实现校正相机深度误差的目的,扩大了误差校正的范围,并提高了误差校正的精度,并且利用粒子滤波的方法选择误差模型参数,使该模型可以快速的拟合ToF相机深度误差,摒弃了复杂繁琐的运算,简洁高效。
另外,根据本发明上述实施例的ToF相机深度误差建模校正装置还可以具有以下附加的技术特征:
进一步地,所述初始化粒子集为:
其中,x表示参数状态,表示在k=0时第i个粒子,i=1,2,...,n,C表示惩罚参数,γ表示高斯核参数。
进一步地,所述参数状态x与所述ToF相机深度误差模型y(x)参数α,b之间的关系用所述状态方程z(α,b)来表示:
其中,α,b为所述ToF相机深度误差模型的参数,K(xi,xj)为定义的核函数, 为非线性函数,xi为相机测量距离,i=1,2,...,n,yi为所述相机测量误差,C表示所述惩罚参数。
进一步地,所述ToF相机深度误差模型y(x)的参数α,b与所述ToF相机深度误差模型y(x)的关系用所述观测方程f来表示:
其中,式(3)为通过所述最小二乘支持向量机的方法得到的所述ToF相机深度误差模型。
进一步地,所述第一计算模块和所述第二计算模块,具体用于,
采用所述ToF相机深度误差训练样本集{xi,yi}中的yi作为观测目标的真实描述,得到所述观测目标真实值:
z={yi} (4)
根据对所述参数状态x的所述每个粒子采样,计算所述每个粒子的ToF相机误差值:
计算所述每个粒子的ToF相机误差值与所述观测目标真实值的相似性,所述相似性定义为:
其中,为粒子i的观测值,yi为所述相机测量误差;
根据所述相似性计算所述每个粒子的权重值:
并归一化所述权重值:
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的ToF相机深度误差建模校正方法流程图;
图2为根据本发明又一个实施例的ToF相机深度误差建模校正方法流程图;
图3根据本发明一个实施例的ToF相机深度误差建模校正装置结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的ToF相机深度误差建模校正方法及装置。
首先将参照附图描述根据本发明实施例提出的ToF相机深度误差建模校正方法。
ToF相机的随机误差很难进行机理建模,只能利用学习的方法对真实输入输出数据进行模型的辨识。支持向量机(SVM)是一种新的通用学习方法,能根据有限的样本信息,将学习能力和模型的复杂性进行最优的配置,从而使其具有较好的学习能力。本方法利用最小二乘支持向量机(LS-SVM)的方法,对ToF相机深度误差进行学习建模。
在对ToF相机深度误差建模过程中,将ToF相机的深度误差作为训练样本集{xi,yi},i=1,2,...,n,其中xi为相机测量距离,yi为相机测量误差。那么ToF相机深度误差建模问题就变为非线性系统下的黑箱建模问题。本方法的目的是找到非线性模型f,用其补偿ToF相机的测量误差,使得式(2)值最小。
式中为非线性函数,w为权值。其中式(2)满足约束:
式中δi≥0为松弛因子,C>0为惩罚参数。
引入Lagrange函数L求解式(2)的优化问题:
其中,αi是拉格朗日乘子。
根据KTK优化条件有:
对于i=1,2,…,n消去w和δ可得线性方程组:
其中e是元素为1的n×1向量,I为n×n的单位矩阵。
根据Mercer条件,定义核函数如下:
综上,式(6)变为求解方程组
上述线性方程可以用最小二乘法求出α和b,则得到训练数据集即ToF相机深度误差模型的非线性逼近为:
为寻找一组最优的ToF相机深度误差模型参数,使其在训练样本空间中更好的逼近深度误差,本方法将该模型带入到粒子滤波算法中。
文中取核函数:
图1为根据本发明一个实施例的ToF相机深度误差建模校正方法流程图。
如图1所示,该ToF相机深度误差建模校正方法包括以下步骤:
步骤S1,获取初始化粒子集和ToF相机深度误差训练样本集,根据预设的状态方程和观测方程并通过最小二乘支持向量机的方法建立ToF相机深度误差模型。
进一步地,初始化粒子集为:
其中,x表示参数状态,表示在k=0时第i个粒子,i=1,2,...,n,C表示惩罚参数,γ表示高斯核参数。
进一步地,参数状态x与ToF相机深度误差模型y(x)参数α,b之间的关系用状态方程z(α,b)来表示:
z(α,b)=F(γ,C)
其中,α,b为ToF相机深度误差模型的参数,K(xi,xj)为定义的核函数, 为非线性函数,xi为相机测量距离,i=1,2,...,n,yi为相机测量误差,C表示惩罚参数。
进一步地,ToF相机深度误差模型y(x)的参数α,b与ToF相机深度误差模型y(x)的关系用观测方程f来表示:
y(x)=f(α,b)
其中,式(3)为通过最小二乘支持向量机的方法得到的ToF相机深度误差模型。
具体的,根据上述实施例,如图2所示,首先获取初始化粒子集,初始化粒子集中包括ToF相机深度误差模型所需的参数。需要说明的是,初始化粒子集中有多组粒子,通过粒子滤波算法对粒子集进行筛选。
(1)估计状态
被估计参数状态x在时间k时表示为:
其中,表示在k=0时第i个粒子,C表示惩罚参数,γ表示高斯核参数。
(2)估计模型
参数状态x与ToF相机深度误差模型y(x)参数α,b之间的关系用状态方程z(α,b)来表示:
式(13)为式(9)的变形。
参数α,b与ToF相机误差模型y(x)的关系用观测方程f来表示:
式(14)为LS-SVM算法得到的ToF相机深度误差模型。
可以理解的是,根据状态方程和观测方程与ToF相机深度误差模型中参数的关系,并通过最小二乘支持向量机(LS-SVM)的方法建立ToF相机深度误差模型。
步骤S2,通过以ToF相机深度误差训练样本集中的相机测量误差为观测目标真实值,根据状态方程对初始化粒子集中的每个粒子采样,计算每个粒子的ToF相机误差值。
步骤S3,计算所述每个粒子的ToF相机误差值和所述观测目标真实值的相似性,根据所述相似性计算所述每个粒子的权重值,并归一化所述权重值。
(3)观测目标描述
本方法采用ToF相机深度误差训练样本集{xi,yi}中的yi作为观测目标的真实描述,即观测目标真实值:
z={yi} (15)
(4)粒子观测特征和权重的计算
这个过程是在每个粒子进行特征观测的时候执行的。根据对参数状态x的每个粒子采样,计算每个粒子的ToF相机的误差值:
计算每个粒子的ToF相机误差值与观测目标真实值的相似性。相似性评价定义如下:
其中,为粒子i的观测值,yi为真实误差值。
根据上式计算各个粒子的权重值:
并归一化权重:
步骤S4,根据每个粒子的归一化权重值进行重采样生成最优粒子集以作为训练ToF相机深度误差模型的参数,将最优粒子集输入ToF相机深度误差模型以得到测量误差模型。
可以理解的是,通过权重和归一化选出所有粒子集中的最优粒子集输入到构建的ToF相机深度误差模型中,得到测量误差模型,实现校正相机深度误差的目的。
(5)重采样
根据粒子归一化权重对粒子进行重采样,重采样过程中,既要大量保留权重大的粒子,又要有一小部分权重小的粒子。
(6)输出粒子集参数
粒子集为最优的ToF相机测量误差模型参数。
(7)求得误差模型
将该参数带入到ToF相机测量误差模型中,即可求得测量误差模型。
为了构建LS-SVM模型,需要确定惩罚参数C和高斯核参数γ,合适的参数能改善SVM的识别效果。通常利用粒子滤波可以在参数状态空间中通过传播大量带权重离散随机量来近似参数概率分布。本方法利用粒子滤波(Particle Filter,PF)的方法选择LS-SVM模型参数,使该模型可以快速的拟合ToF相机深度误差,从而实现校正ToF相机深度误差的目的。PF-SVM算法流程如图2所示。
根据本发明实施例提出的ToF相机深度误差建模校正方法,通过机器学习的方法对ToF相机深度误差数据进行建模,实现校正相机深度误差的目的,扩大了误差校正的范围,并提高了误差校正的精度,并且利用粒子滤波的方法选择误差模型参数,使该模型可以快速的拟合ToF相机深度误差,摒弃了复杂繁琐的运算,简洁高效。
其次参照附图描述根据本发明实施例提出的ToF相机深度误差建模校正装置。
图3为根据本发明一个实施例的ToF相机深度误差建模校正装置结构示意图。
如图3所示,该ToF相机深度误差建模校正装置包括:建立模块100、第一计算模块200、第二计算模块300和训练模块400。
建立模块100,用于获取初始化粒子集和ToF相机深度误差训练样本集,根据预设的状态方程和观测方程并通过最小二乘支持向量机的方法建立ToF相机深度误差模型。
第一计算模块200,用于通过以ToF相机深度误差训练样本集中的相机测量误差为观测目标真实值,根据状态方程对初始化粒子集中的每个粒子采样,计算每个粒子的ToF相机误差值。
第二计算模块300,用于计算每个粒子的ToF相机误差值和观测目标真实值的相似性,根据相似性计算每个粒子的权重值,并归一化权重值。
训练模块400,用于根据每个粒子的归一化权重值进行重采样生成最优粒子集以作为训练ToF相机深度误差模型的参数,将最优粒子集输入ToF相机深度误差模型进行训练得到测量误差模型。
该装置利用机器学习的方法对ToF相机深度误差数据进行建模,从而实现校正相机深度误差的目的。
进一步地,初始化粒子集为:
其中,x表示参数状态,表示在k=0时第i个粒子,i=1,2,...,n,C表示惩罚参数,γ表示高斯核参数。
进一步地,参数状态x与ToF相机深度误差模型y(x)参数α,b之间的关系用状态方程z(α,b)来表示:
其中,α,b为ToF相机深度误差模型的参数,K(xi,xj)为定义的核函数, 为非线性函数,xi为相机测量距离,i=1,2,...,n,yi为相机测量误差,C表示惩罚参数。
进一步地,ToF相机深度误差模型y(x)的参数α,b与ToF相机深度误差模型y(x)的关系用观测方程f来表示:
其中,式(3)为通过最小二乘支持向量机的方法得到的ToF相机深度误差模型。
进一步地,第一计算模块和第二计算模块,具体用于,
采用ToF相机深度误差训练样本集{xi,yi}中的yi作为观测目标的真实描述,得到观测目标真实值:
z={yi} (4)
根据对参数状态x的每个粒子采样,计算每个粒子的ToF相机误差值:
计算每个粒子的ToF相机误差值与观测目标真实值的相似性,相似性定义为为:
其中,为粒子i的观测值,yi为相机测量误差;
根据相似性计算每个粒子的权重值:
并归一化权重值:
需要说明的是,前述对ToF相机深度误差建模校正方法实施例的解释说明也适用于该实施例的装置,此处不再赘述。
根据本发明实施例提出的ToF相机深度误差建模校正装置,通过机器学习的方法对ToF相机深度误差数据进行建模,实现校正相机深度误差的目的,扩大了误差校正的范围,并提高了误差校正的精度,并且利用粒子滤波的方法选择误差模型参数,使该模型可以快速的拟合ToF相机深度误差,摒弃了复杂繁琐的运算,简洁高效。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种ToF相机深度误差建模校正方法,其特征在于,包括以下步骤:
S1,获取初始化粒子集和ToF相机深度误差训练样本集,根据预设的状态方程和观测方程并通过最小二乘支持向量机的方法建立ToF相机深度误差模型;
S2,通过以所述ToF相机深度误差训练样本集中的相机测量误差为观测目标真实值,根据所述状态方程对所述初始化粒子集中的每个粒子采样,计算所述每个粒子的ToF相机误差值;
S3,计算所述每个粒子的ToF相机误差值和所述观测目标真实值的相似性,根据所述相似性计算所述每个粒子的权重值,并归一化所述权重值;
S4,根据所述每个粒子的归一化权重值进行重采样生成最优粒子集以作为训练所述ToF相机深度误差模型的参数,将所述最优粒子集输入所述ToF相机深度误差模型以得到测量误差模型。
2.根据权利要求1所述的方法,其特征在于,所述初始化粒子集为:
其中,x表示参数状态,表示在k=0时第i个粒子,i=1,2,...,n,C表示惩罚参数,γ表示高斯核参数。
3.根据权利要求2所述的方法,其特征在于,所述参数状态x与所述ToF相机深度误差模型y(x)参数α,b之间的关系用所述状态方程z(α,b)来表示:
其中,α,b为所述ToF相机深度误差模型的参数,K(xi,xj)为定义的核函数, 为非线性函数,xi为相机测量距离,i=1,2,...,n,yi为所述相机测量误差,C表示所述惩罚参数。
4.根据权利要求3所述的方法,其特征在于,
所述ToF相机深度误差模型y(x)的参数α,b与所述ToF相机深度误差模型y(x)的关系用所述观测方程f来表示:
其中,式(3)为通过所述最小二乘支持向量机的方法得到的所述ToF相机深度误差模型。
5.根据权利要求1所述的方法,其特征在于,所述S2和S3进一步包括:
采用所述ToF相机深度误差训练样本集{xi,yi}中的yi作为观测目标的真实描述,得到所述观测目标真实值:
z={yi} (4)
根据对所述参数状态x的所述每个粒子采样,计算所述每个粒子的ToF相机误差值:
计算所述每个粒子的ToF相机误差值与所述观测目标真实值的相似性,所述相似性定义为:
其中,为粒子i的观测值,yi为所述相机测量误差;
根据所述相似性计算所述每个粒子的权重值:
并归一化所述权重值:
6.一种ToF相机深度误差建模校正装置,其特征在于,包括:
建立模块,用于获取初始化粒子集和ToF相机深度误差训练样本集,根据预设的状态方程和观测方程并通过最小二乘支持向量机的方法建立ToF相机深度误差模型;
第一计算模块,用于通过以所述ToF相机深度误差训练样本集中的相机测量误差为观测目标真实值,根据所述状态方程对所述初始化粒子集中的每个粒子采样,计算所述每个粒子的ToF相机误差值;
第二计算模块,用于计算所述每个粒子的ToF相机误差值和所述观测目标真实值的相似性,根据所述相似性计算所述每个粒子的权重值,并归一化所述权重值;
训练模块,用于根据所述每个粒子的归一化权重值进行重采样生成最优粒子集以作为训练所述ToF相机深度误差模型的参数,将所述最优粒子集输入所述ToF相机深度误差模型进行训练得到测量误差模型。
7.根据权利要求6所述的装置,其特征在于,所述初始化粒子集为:
其中,x表示参数状态,表示在k=0时第i个粒子,i=1,2,...,n,C表示惩罚参数,γ表示高斯核参数。
8.根据权利要求6所述的装置,其特征在于,所述参数状态x与所述ToF相机深度误差模型y(x)参数α,b之间的关系用所述状态方程z(α,b)来表示:
其中,α,b为所述ToF相机深度误差模型的参数,K(xi,xj)为定义的核函数, 为非线性函数,xi为相机测量距离,i=1,2,...,n,yi为所述相机测量误差,C表示所述惩罚参数。
9.根据权利要求6所述的装置,其特征在于,所述ToF相机深度误差模型y(x)的参数α,b与所述ToF相机深度误差模型y(x)的关系用所述观测方程f来表示:
其中,式(3)为通过所述最小二乘支持向量机的方法得到的所述ToF相机深度误差模型。
10.根据权利要求6所述的装置,其特征在于,所述第一计算模块和所述第二计算模块,具体用于,
采用所述ToF相机深度误差训练样本集{xi,yi}中的yi作为观测目标的真实描述,得到所述观测目标真实值:
z={yi} (4)
根据对所述参数状态x的所述每个粒子采样,计算所述每个粒子的ToF相机误差值:
计算所述每个粒子的ToF相机误差值与所述观测目标真实值的相似性,所述相似性定义为:
其中,为粒子i的观测值,yi为所述相机测量误差;
根据所述相似性计算所述每个粒子的权重值:
并归一化所述权重值:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910423676.4A CN110211189A (zh) | 2019-05-21 | 2019-05-21 | ToF相机深度误差建模校正方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910423676.4A CN110211189A (zh) | 2019-05-21 | 2019-05-21 | ToF相机深度误差建模校正方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110211189A true CN110211189A (zh) | 2019-09-06 |
Family
ID=67788020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910423676.4A Pending CN110211189A (zh) | 2019-05-21 | 2019-05-21 | ToF相机深度误差建模校正方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110211189A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667524A (zh) * | 2020-05-28 | 2020-09-15 | 北京深测科技有限公司 | 一种飞行时间相机的深度误差校准方法 |
CN113009508A (zh) * | 2019-12-20 | 2021-06-22 | 舜宇光学(浙江)研究院有限公司 | 用于tof模组的多径干扰校正方法及其系统和电子设备 |
CN113436313A (zh) * | 2021-05-24 | 2021-09-24 | 南开大学 | 一种基于无人机的三维重建误差主动修正方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169933A (zh) * | 2017-04-14 | 2017-09-15 | 杭州光珀智能科技有限公司 | 一种基于tof深度相机的边缘反射像素校正方法 |
-
2019
- 2019-05-21 CN CN201910423676.4A patent/CN110211189A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169933A (zh) * | 2017-04-14 | 2017-09-15 | 杭州光珀智能科技有限公司 | 一种基于tof深度相机的边缘反射像素校正方法 |
Non-Patent Citations (2)
Title |
---|
YING HE ET AL: "Depth Errors Analysis and Correction for Time-of-Flight (ToF) Cameras", 《SENSORS》 * |
梁斌等: "ToF相机在空间非合作目标近距离测量中的应用", 《宇航学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113009508A (zh) * | 2019-12-20 | 2021-06-22 | 舜宇光学(浙江)研究院有限公司 | 用于tof模组的多径干扰校正方法及其系统和电子设备 |
CN113009508B (zh) * | 2019-12-20 | 2023-11-07 | 舜宇光学(浙江)研究院有限公司 | 用于tof模组的多径干扰校正方法及其系统和电子设备 |
CN111667524A (zh) * | 2020-05-28 | 2020-09-15 | 北京深测科技有限公司 | 一种飞行时间相机的深度误差校准方法 |
CN113436313A (zh) * | 2021-05-24 | 2021-09-24 | 南开大学 | 一种基于无人机的三维重建误差主动修正方法 |
CN113436313B (zh) * | 2021-05-24 | 2022-11-29 | 南开大学 | 一种基于无人机的三维重建误差主动修正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106355151B (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
Biswas et al. | Voids as a precision probe of dark energy | |
CN105809179B (zh) | 一种指针式仪表的读数识别方法及装置 | |
Yang et al. | On Lagrangian and vortex-surface fields for flows with Taylor–Green and Kida–Pelz initial conditions | |
CN111868533B (zh) | 风流感测系统和用于确定风流的速度场的方法 | |
CN110211189A (zh) | ToF相机深度误差建模校正方法及装置 | |
Dufour et al. | Shape, displacement and mechanical properties from isogeometric multiview stereocorrelation | |
CN104729481B (zh) | 一种基于pnp透视模型的合作目标位姿精度测量方法 | |
CN102221341B (zh) | 基于随机并行梯度下降优化技术的快速数字图像相关测量方法 | |
CN108982901B (zh) | 一种匀速旋转体的转速测量方法 | |
CN102651132B (zh) | 一种基于交叉视觉皮质模型的医学图像配准方法 | |
CN107705328A (zh) | 用于3d对准算法的平衡探针位置选择 | |
CN106875380B (zh) | 一种基于无监督深度神经网络的异质图像变化检测方法 | |
CN105354841B (zh) | 一种快速遥感影像匹配方法及系统 | |
CN104318243B (zh) | 基于稀疏表示和空谱拉普拉斯图的高光谱数据降维方法 | |
CN105738915B (zh) | 三维雷达测量方法及装置 | |
CN106295674B (zh) | 一种基于多粒子群算法的图像目标匹配检测方法及系统 | |
CN107481235A (zh) | 一种数学形态学滤波结合卡方变换的多时相遥感影像变化检测方法 | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN105488541A (zh) | 增强现实系统中基于机器学习的自然特征点识别方法 | |
CN105844637A (zh) | 基于非局部cv模型的sar图像变化检测方法 | |
CN108959182A (zh) | 基于高斯过程回归的小天体引力场建模方法 | |
Xia et al. | Gesture recognition algorithm of human motion target based on deep neural network | |
Jiang et al. | Hyperspectral image classification with CapsNet and Markov random fields | |
Long et al. | A CSI-based indoor positioning system using single UWB ranging correction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190906 |
|
RJ01 | Rejection of invention patent application after publication |