本文实现并改进了一种利用径向排列约束(RAC) 的摄像机标定算法,并利用该算法标定了安装在ZEISS CMM 坐标测量机伺服机构上的CCD 摄像机的内部和外部参数. 算法巧妙地利用了成像过程中的RAC 分解摄像机参 数,提出了带有一阶径向畸变的摄像机模型,利用合理组织的求解次序使得每一步参数的求解都只须求解线性方程 组,从而彻底改变了以往摄像机标定依赖于非线性优化方法. 这种改进使得RAC 方法较以往的算法更为精确、快速、 简便.

文运用相机标定模型确定了相机像平面的像坐标，利用本质矩阵标定双目相机，快速找出了相机的相对位置关系；利用MATAB软件和图像处理进行编程求解；通过对图像的预处理和灰度质心法对模型进行了验证，得出模型的精度。 针对问题一，根据数码相机的特点，提出了一个新的标定方法，建立相机标定模型，确定了靶标上圆的圆心在该相机像平面的像坐标，为问题二的计算提供了一个好的算法。 针对问题二，我们利用问题一建立的模型和方法运用MATLAB编程精确的计算了靶标上五个圆的圆心在像平面上的像坐标。 针对问题三，我们引入了

一种改进的立体摄像机标定方法，一种改进的立体摄像机标定方法，一种改进的立体摄像机标定方法

针对传统摄像机标定方法需要建立复杂的数学模型，且计算量大、实时性不好的问题，引入了人工神经网络来有效处理非线性映射问题，准确地建立起立体视觉中三维空间特征点与它在图像平面上像点之间的非线性关系；但现有的神经网络标定法仍存在实时性差、标定精度不够、泛化能力差的缺点，于是该文提出了一种基于小波神经网络（wavelet neural network，WNN）的方法，同时用粒子群优化算法对学习算法进行改进，并对小波网络与BP网络的标定结果进行比较.实验结果表明，基于小波神经网络的双目视觉标定方法能够达