1.一种基于稀疏字典的相机标定方法，其特征在于：包括以下步骤：步骤1：用相机在不同高度处对标定板拍摄多组图像，根据张正友标定法获得每组图像的内参矩阵K，将多组内参矩阵K对应的数据组成数据集Y；

步骤2：从数据集Y中随机抽取k个样本，作为稀疏字典D的原子，并初始化编码矩阵X，确定稀疏度L，设置稀疏编码误差ε；

步骤3：固定稀疏字典，求取每个样本的稀疏编码；

步骤4：采用稀疏字典方法，逐列更新稀疏字典D和编码矩阵X；判断迭代误差是否收敛，若是，进行步骤5，若否，回到步骤3；

步骤5：用相机对标定板拍摄一张图像，求解稀疏系数x，利用稀疏系数x以及步骤4中得到的稀疏字典D，求出相机的内参矩阵K和外参矩阵；

步骤6：求解畸变系数，利用步骤5中得到的内参矩阵K和外参矩阵，进行极大似然估计，得到畸变系数和内参矩阵K的最优解；判断迭代误差是否收敛，若是，结束标定，若否，重新执行步骤6。

2.根据权利要求1所述的基于稀疏字典的相机标定方法，其特征在于：在步骤1中，用相机在不同高度处对标定板拍摄多组图像，根据张正友标定法获得每组图像的内参矩阵K，每组内参矩阵K根据以下公式求出相应的式：b＝[B11,B12,B22,B13,B23,B33]T，矩阵B由内参矩阵K获得：

将每组得到的式记录为列向量yi，多组列向量yi组成数据集Y。

3.根据权利要求2所述的基于稀疏字典的相机标定方法，其特征在于：在步骤2中，将编码矩阵X初始化为0矩阵，取稀疏度L＝2，设置稀疏编码误差ε＝1e-6。

4.根据权利要求3所述的基于稀疏字典的相机标定方法，其特征在于：在步骤3中，求取每个样本的稀疏编码，编码过程采用以下公式：D,X＝arg minD,X{||x||0}，

st.||Y-DX||2≤ε。

5.根据权利要求4所述的基于稀疏字典的相机标定方法，其特征在于：步骤3具体包括以下步骤：步骤31：稀疏字典D＝[d1,d2,d3,d4,d5,d6]，输入样本y，令稀疏字典的原子为di,i＝1,2,

3,4,5,6，从di中找出与向量y最近的向量，即分别计算点乘di·y，找出最大值所对应的原子dmax1；

步骤32：将原子dmax1作为第一个原子，令编码向量为：x1＝(0,a,0,0,0)，a为未知参数；

步骤33：按照以下公式，采用求解最小二乘法的方法求解系数ay-a*dmax1＝0；

步骤34：利用x1与dmax1相乘重构出数据，并计算残差向量y’：y’＝y-a*dmax1

判断残差向量y’的模长是否满足稀疏编码误差ε，若是，则进行步骤4，若否，则进行步骤35；

步骤35：计算剩余的稀疏字典的原子di与残差向量y’的最近的向量，即分别计算点乘di·y’ ，找出最大值所对应的原子dmax2，作为第二个原子，令新的编码向量为：x2＝(0,a,c,0,0)，a、c为未知参数；

步骤36：按照以下公式，采用求解最小二乘法的方法求解系数a和cy-a*dmax1-c*dmax2＝0；

步骤37：更新残差向量y’：

y’＝y-a*dmax1-c*dmax2

判断残差向量y’的模长是否满足稀疏编码误差ε，若是，则进行步骤4，若否，则继续循环。

6.根据权利要求5所述的基于稀疏字典的相机标定方法，其特征在于：在步骤4中，采用稀疏字典方法，逐列更新稀疏字典D和编码矩阵X，即当更新第k列原子的时候，其它的原子固定不变；令当前要更新第k个原子为dk，令编码矩阵X对应的第k行为xk，则目标函数为：使用奇异值分解法分解矩阵Ek，得到最大奇异值所对应的正交单位向量，作为新的dk，将最大奇异值所对应的特征向量与该最大奇异值相乘以更新xk；判断迭代误差是否收敛，若是，进行步骤5，若否，回到步骤3。

7.根据权利要求6所述的基于稀疏字典的相机标定方法，其特征在于：在步骤5中，用相机对标定板拍摄一张标定板图像，根据张正友标定法数学模型，求解系数矩阵V；将步骤4中得到的稀疏字典D代入VDx＝0，求解稀疏系数x；利用求解得到的稀疏系数x以及稀疏字典D，根据b＝Dx求解b；将求解得到的b代入以下公式，以求出内参矩阵K：b＝[B11,B12,B22,B13,B23,B33]T，根据内参矩阵K，代入张正友标定法数学模型，求出外参矩阵，所述外参矩阵包括旋转矩阵R和平移矩阵T。

8.根据权利要求7所述的基于稀疏字典的相机标定方法，其特征在于：在步骤6中，根据以下等式，求解畸变系数k1和k2：令一张标定板图像的角点数量为z，每个角点得到一个该等式，一共得到2z个该等式，采用最小二乘法求解线性方程组，得到解k1和k2；其中，(u,v)为理想无畸变的像素坐标，为对应实际观测到的带畸变的像素坐标,(u0,v0)为主点坐标，(x,y)为理想无畸变的归一化图像坐标。

9.根据权利要求8所述的基于稀疏字典的相机标定方法，其特征在于：在步骤6中，利用求解得到的畸变系数，以及步骤5中得到的内参矩阵K和外参矩阵，进行极大似然估计，即通过最小化以下函数来估计内参矩阵K的完整集，以得到畸变系数和内参矩阵K的最优解：其中，像素坐标mij＝[u v 1]T，世界三维坐标Mj＝[X Y 1]T，R为旋转矩阵，T为平移矩阵，n为标定板图像数量，取n＝1，z为一张标定板图像的角点数量。