0引言
计算机视觉检测技术以其非接触、快速、高精度、自动化程度高等诸多优点，在工业生产中得到了越来越广泛的应用。作为其中关键组成部件的CCD摄像机，其结构参数的标定精度将直接影响到测量结果。目前，摄像机标定方法主要包含3大类，即传统标定方法、自标定方法和基于主动视觉的标定方法。传统标定方法[1-3]的标定精度高，不足是标定过程复杂，需要高精度的标定块。自标定方法[4-6]不需要标定块，灵活性强，但精确性不高，不适于高精度检测领域。鉴于上述两种方法的不足，人们提出了基于主动视觉的标定方法。这种方法在“已知摄像机的某些运动信息”的条件下标定摄像机的参数，模型参数可以线性求解，因而算法的鲁棒性比较高。基于主动视觉的标定方法[7-8]可分为两类[7]：第一类方法通过控制摄像机作平移正交运动来求解摄像机内参数，标定过程需要借助高精度主动视觉平台来完成；另一类方法是通过控制摄像机绕光心作纯旋转运动来求解摄像机参数，但在实际应用中摄像机的光心难于测定。目前，基于主动视觉的摄像机标定的研究焦点是在尽量减少对摄像机运动限制的同时仍能线性地求解摄像机的模型参数。本文提出一种基于主动视觉的方法。首先对成像中心与比例因子进行预标定，再应用平行直线束中心投影定理求解畸变系数并进行畸变修正。然后依次求解摄像机焦距与外参数。在标定过程中保持摄像机固定不动，通过合理设计实验方案来简化对实验设备的要求。
1摄像机成像模型
1.1图像坐标系与像素坐标系
如图1所示，
在图像平面上定义像素坐标系
开发与应用
(
1
为原点，x 轴与y 轴分别与u 轴与v 轴平行。这
里，
1
在像素坐标系中的坐标为
(
=
(1)
1.2小孔成像模型下的投影变换摄像机成像几何关系见图2
校园模特大赛，
形成摄像机坐标系，
＝（２）
风古诗意思
1.3畸变模型
由于摄像机光学系统存在加工误差和装配误差，物点在
成像面上实际所成的像与理想成像点之间存在光学畸变误差。主要的畸变误差类型包括径向畸变和离心畸变，其中径向畸变关于摄像机的光轴对称。用于工业测量的镜头一般畸变轻微，一阶径向畸变已
足够描述非线性畸变[9]，所以这里的畸变
模型中只取一阶径向畸变。设无失真点p =[]T 在一阶径向
畸变
为一阶径向畸变系数，
=
=
=
R
+T =2
2
1
3
33
+
1+
=+
13
32
1+
=
+
23
32
(7)
式中：
,
图2
摄像机坐标系与世界坐标系
p
1
p'
过该空间点且与该直线束平行的直线。如图3所示。
定理2独树一帜的拼音
在给定的中心投影变换下，某一平行直线束在投
影平面上所形成的成像直线束必将交于一点，且该点与投影中心的连线与该平行直线束平行。如图4所示。
我们将一空间平行直线束在投影平面上的成像直线束的交点称为焦点。又由定理1与定理2可知，如果给定的所有组平行直线束全部位于一个给定平面内，则对应的全部焦点将位于投影平面上的一条直线上，该直线即为过投影中心与给定平面平行的平面与投影平面的交线，这里称其为焦线。
2.3畸变因子的标定
由2.2节可知，理想情况下焦线为一直线，但在透镜畸变
因素的影响下，焦线将会发生变形成为一条曲线。故对于变形后的交线上各焦点在经过畸变效正后应满足共线条件。
设给定焦线上的任意3个焦点e =()T 、e '=(
=(
=(
=(
、e
这3
点共线的条件可写为
１＋]
1+]
1+
]
1+]=0
(9)
该式可转化为以畸变系数
=
2
+
=0
(10)
从而有
２
２
茶具整套装
=
+
+
2
2
+
+
3
=
2
+
2
(12)
求解以上式为目标函数的最小化问题可解出k 的值。
2.4
摄像机焦距的标定
在定标过程中，采用适当的方法获得n 组平行线束对应
的焦点e
在平面
）T ，该坐标同时也是O c e i 在摄像机坐标系下
的方向矢量。如果给定第i 与第j
组线束间的夹角
O c e j =|O c e i |
cos
+
0+
2
+
2
2
2
+
+
(14)
令
=
=
±
3
2
+(17)
求解以上式为目标函数的最小化问题可解出x 的值，进
而解出f 。
3摄像机外参数的标定
假定各组平行直线束均位于标定平面内，则根据定理2，
由第i 与第j 组平行线束可确定标定平面的单位法矢如下
n
=
×
,
(18)考虑到测量误差对计算结果产生的影响，计算得到的多
个单位法矢之值不会完全一致，而是分布在一个区域内，其最优解可以考虑为以分布区间为自变量的取值的峰值。考虑到单位法矢是三维矢量，各坐标分量的最优值可分别求解，下面以x 坐标为例对其取法进行讨论。设x 坐标的取值范围为
[
]，将该区间分为n 等份，则每个子区间表示为
[
/
],，则x
的最优值取为
1
1
1
。令
1
3
1
O
2
定平面法矢，即其单位方向矢量为n 3=
[
3
3
2
2
2
1000100
1
,
)T
，在成像面上的
图像坐标为(
,)T =(/
/
(
,,1)T
(21)
由式(21)看出，对于平移向量无法具体给出，只能给出其所在直线，这是由于投影中心与三维空间中一点连线上的所有点，它们在成像面上都具有同一个投影点。
4
实验结果与讨论
4.1
标定模板、标定平面与平移基准板
利用计算机在纸张上打印一系列短十字线，各短十字
线在模板上的呈无规则分布，取各短十字线的中心作为标定特征点。将纸张贴在光洁平整的薄板上，作为标定模板。在整个标定过程中，标定模板将限制在一光洁平整的平台上移动，从而移动前后的特征点都将位于一个平面上，该平面记为标定平面。制作平移基准板，其外形轮廓为由直边形成，且两两邻接边的夹角已知。
4.2
标定步骤
(1)预标定求解尺寸因子与成像中心坐标。
(2)保持摄像机位置固定不变，固定平移基准板与标定平
面的相对位置，使标定模板的边缘沿平移基准板的直线边缘滑动，拍摄平移前后标定模板的图像。改变平移基准板的角度与位置，可获得多个成对平移前后的标定模板图像。由上述一个图像对可计算得到一个焦点，对获得的多个焦点按文中方法计算畸变因子与焦距。
(3)由任意组两组平移对所对应的平移基准板临边夹角，计算标定平面的法矢与外参数。
4.3实验结果4.3.1
模拟实验
模拟实验中，摄像机的内参数设置如下：
=
400，
1
=54°，旋转轴为r 2=[0.51,0.20,-0.84]T ，
旋转角为
2
10=45个焦点。对这些数据进
行筛选，淘汰距离成像中心距离大于某一设定阀值的焦点。
为检验算法的精确性，对于每个特征点在成像面上的投影点加上均值为0，噪声水平为0~3pixel ，间距为0.2pixel 的均匀噪声。所有求解结果均是在每一噪声对平下100次独立实
验的平均值。图5是模拟实验求出的摄像机焦距的相对误差随噪声变化的情况，图6是不同噪声水平下摄像机焦距的均方差变化情况，由图可见，当噪声增加到3个像素时，焦距的均方差仍较小，表明算法的稳定性较强。
为了检验算法对运动参数估算的精确性，将旋转矩阵检验指标取为旋转轴计算值与理论值之间夹角的绝对误差和旋转角计算值与其理论之间的绝对误差，平移方向检验指标为平移方向的计算值与理论值之间夹角的绝对误差，它们随噪声的变化曲线见图7与图8。
图5
焦距的相对误差
噪块水平/pixels
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
32.521.510.50
相对误差/%
图6焦距的标准差
噪声/pixels
0.0
0.5
1.0
1.5
2.0
2.5
3.0爱从未离开
3.5
0.25
0.20.150.10.050
均方差/m m
图7
旋转轴的绝对误差
噪声水平/pixels 0.0
0.5
1.0 1.5
2.0 2.5
猫为什么爱吃鱼3.0 3.5
4
3.532.521.510.50绝对误差/°
r 1;r 2
0.0018
0.00160.00140.00120.0010.00080.00060.00040.0002
0绝对误差/°
(下转第4328页)
图8旋转角的绝对误差
噪声水平/pixels
0.0
0.5
1.0 1.5
2.0 2.5
叠山理水3.0 3.5
a 1;a 2
同时加入赌博算法和RBF网络算法模块后，系统测试报告如图4所示。可以看出，该测试结果比较理想，最终赢利22.13%，比只加入赌博算法模块时提高了7.71%，最大亏损也从1135.16美元下降到899.44美元。从资金净值走势图可以看到，加入神经网络模块后，规避了一部分四单连续亏损的情况，资金线保持了一个斜线向上的赢利态势。
通过对交易数据的反复研究和测试，可看到加入神经网络算法模块的自动交易系统，明显减少了大亏的订单，并增加了许多小幅赢利的订单。这说明结合赌博算法和神经网络算法的自动交易系统在复杂的非线性外汇行情中，有良好的智能调节和自我学习的能力[8]，能有效规避风险，提高投资理财的成功率。
4结束语
外汇交易相比股票交易，具有交易相对公平、市场相对透明的特点，越来越受到我国境内居民的青睐。在金融危机时期，光凭个人经验和主观判断是无法科学规避外汇风险的。本文设计开发的智能外
汇自动交易系统，结合了赌博算法和RBF 网络算法思想，并利用了趋势突破系统的交易策略，能主动控制和规避外汇风险、有效提高赢利成功率。测试结果证明了系统的可靠性和可行性。相信随着我国信息产业的不断发展，智能外汇自动交易系统将会普及到千家万户，为金融机构和个人投资提供决策支持。
参考文献:
[1]唐蕾，张剡，洁磐.“汇事通”自动平盘决策支持系统的设计与实
现[J].计算机工程,2005,31(25):231-233.
[2]章慧，陈学斌.外资银行外汇买卖系统的设计与实现[J].微型机
与应用,2004(10):43-46.
[3]严泽平.MetaTrader4编程参考[EB/OL].,
针插2009-05-24.
[4]Montagna G.Pricing derivatives by path in integral and neural
network[J].Physica A,2003,324(2):189-195.
[5]黎华清.神经网络在外汇交易信号预测中的应用[D].北京：北
京邮电大学,2007.
[6]焦晓伟，刘志远，麻亮.车身网络控制系统开发的模块化设计方
法[J].控制工程,2009(7):67-69.
[7]贾国芳.基于BP神经网络智能交易系统的设计[J].微计算机
应用,2007,28(11):1154-1159.
[8]何佳，陈智慧，杨迎新.综合改进的粒子群神经网络算法[J].计算
机工程与设计,2008,29(11):2890-2892.
4.3.2真实图像实验
试验中采用的是加拿大PGR公司的Flea2型CCD摄像机，像元尺寸为
7.4
0.61
0.28
0.740.05
0.24 0.67
