(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211347711.7 (22)申请日 2022.10.31 (71)申请人 合肥埃科光电科技股份有限公司 地址 230088 安徽省合肥市高新区燕子河 路388号亿智科技产业园1号楼 2F (72)发明人 沈曦　张光宇　唐俊峰　曹桂平　 董宁　 (51)Int.Cl. G06T 5/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于BP神经网络的点坐标去畸变方法及存 储介质 (57)摘要 本发明的一种基于BP神经网络的点坐标畸 变矫正方法， 该方法主要包括： 根据相机畸变系 数和图像大小生成训练数据集和测试数据集； 在 训练数据集和测试数据集的输入中增加特征项， 得到增强数据集； 搭建BP神经网络模型， 使用增 强后的训练数据集对所述BP神经网络模型进行 训练， 得到训练后的BP神经网络模型； 对训练后 的BP神经网络模型进行测试， 得到需要的BP神经 网络模型； 使用该BP神经网络模型对图像中的特 征点进行去畸变操作。 本发明增加特征项， 丰富 输入特征， 提高网络性能。 数据集的生成阶段， 已 知相机的畸变系数， 可以利用程序自动化生成训 练和测试数据， 省去了相机采图、 图像处理、 特征 点提取等步骤， 且像素坐标值更加精确。 权利要求书2页 说明书7页 附图2页 CN 115511752 A 2022.12.23 CN 115511752 A 1.一种基于BP神经网络的点 坐标去畸变方法， 其特 征在于， 包括： 根据相机畸变系数和图像大小生成训练数据集和 测试数据集； 在训练数据集和 测试数据集的输入中增 加特征项， 得到增强数据集； 搭建BP神经网络模型， 使用增 强后的训练数据集对所述BP神经网络模型进行训练， 得 到训练后的BP神经网络模型； 使用增强后的测试数据集对所述训练后的BP神经网络模型进行测试， 计算所述训练后 的BP神经网络模型的输出值与实际值之间的误差， 若误差超过预设的精度阈值， 则调整网 络参数后重新训练并测试； 若误差不超过预设的精度阈值， 则获得测试后的BP神经网络模 型； 使用所述测试后的BP神经网络模型， 对所述相机获取图像的特 征点进行去畸变操作。 2.根据权利要求1所述的基于BP神经网络的点坐标去畸变方法， 其特征在于， 所述根据 相机畸变系数和图像大小生成训练数据集和 测试数据集， 包括： 生成训练数据集： 根据图像高度H和宽度W， 生成图像特 征点坐标集合 根据所述相机畸变系数对图像特征点坐标集合 进行去畸变操作， 得到去畸变图像 特征点坐标集合 所述图像特征点坐标集合 作为所述训练数据集的输入， 所述去畸变图像特征点坐 标集合 作为所述训练数据集的标签； 生成测试 数据集： 随机生成坐标集 合 根据所述相机畸变系数对所述坐标集合 进行去畸变操作， 得到去畸变坐标集合 所述坐标集合 作为所述测试数据集的输入， 所述去畸变坐标集合 作为所述测 试数据集的标签。 3.根据权利要求2所述的基于BP神经网络的点坐标去畸变方法， 其特征在于， 所述根据 相机畸变系数和图像大小生成训练数据集和 测试数据集， 还 包括： 所述图像特 征点坐标集合 中， x和y取整数； 所述坐标集合 中， x和y包括小数。 4.根据权利要求3所述的基于BP神经网络的点 坐标去畸变方法， 其特 征在于， 还 包括： 生成训练数据集： 根据图像高度H和宽度W， 进行固定倍数的下采样生成图像特征点坐标集合 生成测试 数据集： 随机生成坐标集 合 权　利　要　求　书 1/2 页 2 CN 115511752 A 25.根据权利要求2 ‑4任一项所述的基于BP神经网络的点坐标去畸变方法， 其特征在于， 所述在训练数据集和 测试数据集的输入中增 加特征项， 得到增强数据集， 包括： 训练数据集的输入增加特征项 得到增强训练数据集的输入为 训练数据集的标签不变； 测试数据集的输入增加特征项 得到增强测试数据集的输入为 测试数据集的标签不变。 6.根据权利要求5所述的基于BP神经网络的点坐标去畸变方法， 其特征在于， 所述BP神 经网络模型， 包括： 输入层： 输入数据的格式为 输入单元个数为 4； 非线性激活函数： 非线性激活采用LeakReLU函数； 隐藏层： 隐藏单 元个数设置为64； 输出层： 输出 数据为去畸变之后的坐标(x' ,y')， 输出 单元个数为2。 7.根据权利要求6所述的基于BP神经网络的点坐标去畸变方法， 其特征在于， 所述使用 增强后的训练数据集对所述BP神经网络模型进行训练， 得到训练后的BP神经网络模型， 包 括： 采用Xavier参数初始化方法进行权值初始化， 优化器为Adam优化算法， 损失函数为 MSE， 最大迭代次数为10 00， 学习率 为0.001； 使用增强后的训练数据集对所述BP神经网络模型进行训练； 保存误差最小时的BP神经网络模型的参数， 得到训练后的BP神经网络模型。 8.根据权利要求7所述的基于BP神经网络的点坐标去畸变方法， 其特征在于， 所述使用 增强后的训练数据集对所述BP神经网络模型进行训练， 得到训练后的BP神经网络模型， 还 包括： 采用Warm‑up策略调整学习率， 当迭代次数小于100时， 学习率从0逐渐增加至0.001； 迭 代次数为10 0至1000时， 采用余弦退火的方式， 逐渐减小学习率。 9.根据权利要求1所述的基于BP神经网络的点坐标去畸变方法， 其特征在于， 所述输出 值与实际值之间的误差， 为平均误差、 方差或标准差中的一种。 10.一种计算机可读存储介质， 其特征在于， 所述计算机程序被处理器执行时， 使得所 述处理器执行如权利要求1至9中任一项所述的基于BP神经网络的点 坐标去畸变方法。权　利　要　求　书 2/2 页 3 CN 115511752 A 3