1、中文 2880 字 毕 业 设 计 (论文 ) 外 文 翻 译 外文题目： Matching between 3D Coordinate and its Color Information in 3D Color Sensor 中文题目：三维坐标和颜色信息匹配的 3D 颜色传感器 学 院 名 称： 电子与信息 工程学院 专 业： 电子信息工程 班 级： 电信 114 班 姓 名： 11401180419 指 导 教 师： 企 业 教 师： 定稿日期： 2014 年 12 月 30 日 3rd International Symposium on Instrumentation Science
2、and Technology Aug. 1822, 2004, Xian. China 1-804 三维坐标和颜色信息匹配的 3D 颜色传感器 摘要： 可以通过分别适用于线性区分标定的 3D 传感器和 BP 神经网络法的颜色传感器，来校准三维（ 3D）坐标与颜色传感器测量的颜色信息之间的匹配关系。校准的过程主要包括公式计算、求解过程以及信息匹配方法的详细讨论。标定实验结果表明，采用线性分区标定的 3D传感器其平均测量相对误差为 0.26，而利用 BP 神经网络标定的颜色传感器的测试精度可以达到 0.5-0.6 像素。基于该校准结果，真实的物体被测量并且获得的三维色点云， 可以真实生动的展现实物
3、对象。 关键词： 3D 颜色传感器 ；摄像机标定，信息匹配，线性分区标定， BP 神经网络，色点云 1.引言 获得一个实物的 3D 坐标和颜色信息是一种纯数字化的研究。截至目前，各种基于不同原理的技术 1被提出，并广泛应用于许多领域，如 CAD 和 CAM，逆向工程，快速原型，虚拟现实，人体工程学和文物保护等 2， 3。在这些技术中，非接触式的光学方法，特别是结构光方法由于其简单的原理，快速的测量，不需要接触以及精度高的特点变得越来越流行。 关键部位是黑色和白色（ B W）相机和彩色摄像机的 3D 颜色传感器可 以将实物的颜色信息数字化。并且 3D 颜色传感器数字化得到的 3D 坐标和颜色信息
4、匹配可以由内部照相机来校准实现。为此，许多的校准技术被提了出来比如如直接线性变换法，满量程非线性优化法，两阶段法等4,5。不过多数的方法都因为相机过于复杂，从而使得模型总是需要被设置、许多照相机的内在和外部参数需要进行运算，很有可能会造成一个不稳定的求解过程。但实际上在许多应用中，光是在图像空间中的点的坐标和它们的像素坐标之间的映射关系的运算已经是足够的，照相机的许多内部和外部参数往往有多余的嫌疑。基于上述的理由，提出了可以 通过分 别适用于线性区分标定的 3D 传感器和 BP 神经网络法的颜色传感器，来校准三维（ 3D）坐标与颜色传感器测量的颜色信息之间的匹配关系。 2.原理校准和信息匹配
5、2.1 线性区分标定及其解决方法 对象的空间坐标（ XW， YW， ZW）和它们的对应像素坐标（ Xf 为， YF）之间的映射关系，可以成从图像捕获过程得到的形式如下面等式 (1)所示的齐此坐标配制而成的矩阵方程。 其中 是一个比例因子。显而易见的我们可以从上面的公式 (1)中发现，矩阵 M 中包含了所有3rd International Symposium on Instrumentation Science and Technology Aug. 1822, 2004, Xian. China 1-805 的映射信息。如果校准点的数目足够， M 完全可以通过由对象的空间坐标和它们的对 应像
6、素坐标创建的求解线性方程系统来确定。由此，可将方程（ 1）可以扩展为下面的等式。 理论上，参数 M11 到参数 M34 都可以通过 6 个点来确定。然而在实际应用中， M34 却是一个需要几十个点构建超定方程来减少误差的特殊项。因此，当点的数量为 N， 2N 时，方程可以用如公式 (3)所示的构建在矩阵 M 基础的最小二乘法来得到，并表示。 但是，若匹配校准只是简单地按照上述方法进行计算，将会导致很多错误，因为该方法并没有考虑到镜头等非线性因素的失真情况。所以另一种方法被提了出来：将整个图像分割成几部分，当 然这也意味着该数据对空间点坐标及其相应的像素坐标也会被分为几组，线性地选取各个部分分别
7、施加到每一组数据对或图像区域。由该方法可以得到若干转换矩阵，它们在需要测量时将被用于某些基于区域划分分类规则的数据输入。这就是线性分配法的基本概念，使用这种方法可以使测量误差显著减少。 2.2 BP 神经网络标定技术 BP 神经网络是单向传输的多层人工神经网络。每一层都包含一个或多个节点，每个层的输出只与下一层的输入端连接，并没有与别的任何层有节点的输入和输出关系。一个标准的网络是由一个输入层，一个或多个的隐藏层和一个输出层构 建而成的。 对于输入节点来说，它们的输出量是和它们的输入量相等的。隐藏层和输出层的行为模式可以被公式 (4)描述。 其中 P 是当前输入样本， wji 是连接体重从节点 i 到节点 j， OPI 和 OPJ 是输入和节点 j 的输出。 fj 是激励功能应该是微无处不在 BP 神经网络，所以使用 S 形函数总是偏好，如以下公式 (5)所示。 网络的训练过程开始训练样本的制备，它包含输入样本与理想的输出样本。过程中定义了向前和向后两个方向。在向前的方向时，各层的行为仅影响下一层，并且如果输出不理想，过程中会变成向后方向，它沿着连接路径和返 回错误信号通过修改重量发送回输入层。重复此过程，直到误差满足需求为止。在向后方向中，重量由如下公式 (6)所示。
