近日，我院机电工程系李肖副教授团队在复杂环境视觉精密测量方面取得重要进展，相关研究成果《一种基于物理约束方神经网络的相机标定方法》（A Physics-Informed neural network-based camera calibration method）发表在《IEEE Transactions on Instrumentation and Measurement》。影响因子为5.9。论文第一作者为李肖副教授，通讯作者为陈兴佩博士，中国石油大学（华东）为第一署名单位。该研究得到国家自然科学基金和国家重点研发计划等项目的联合资助。
图1 论文首页
相机成像模型标定是为了准确求解从三维物理世界到二维图像平面的准确映射关系，对于提升视觉测量的精度和可靠性具有重要意义。传统标定方法通常需要多张图像来估算非线性优化的初始值，否则会陷入局部最优解。此外，现有方法还存在参数耦合问题，限制了视觉测量的准确性和效率。
图2 三维物理世界到二维图像平面的映射关系
图3 相机标定多层级物理约束神经网络结构
图4 不同类型相机-镜头标定结果
为解决以上问题，论文提出一种基于物理约束神经网络（PINN）的相机成像模型标定方法。该方法将成像模型变换为物理约束方程，嵌入神经网络损失函数中，同时，构建多级神经网络架构，模拟成像模型中各坐标系间的逐级变换，实现神经网络对物理信息的准确复现，完成了目标信息沿“图像-视域”链路的精确传递，有效规避了传统标定方法中非线性优化过程对初值敏感的问题。通过对不同类型的相机、镜头以及不同大小的标定板开展实验，并与现有标定方法对比，结果表明该方法具有较高的鲁棒性、标定精度和效率。
论文链接：https://ieeexplore.ieee.org/document/11363296
