Upload
others
View
4
Download
0
Embed Size (px)
Citation preview
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
Reconstrucción de escenas3D a partir de tomas de vídeo
Nicolás Pérez de la Blanca CapillaProcesamiento de la Información Visual (VIP)
Dpto de Ciencias de la Computación e I.A.Universidad de Granada
2
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
El problema
(a,b)→ A
(a,b)→ c
f(a,b,c)=0
A
a
bca
bc
(a,b,c)→ (a,b,c)(reconstrucción)(calibración)
(transferencia)
3
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Ejemplo de reconstrucción
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
4
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Ejemplo de reconstrucción
5
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Más ejemplos
• MatchMovingCalcular el movimiento dela cámara desde el vídeo(registrar objetos reales yvirtuales en movimiento)
• Reconstrucciones 3D
6
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Elementos del problema
• Los problemas de VxC son en general problemas de optimización no-lineal que requieren de una buena solución inicial y un modelo adecuado de distancia geométrica a minimizar
Algortimos de cálculo numérico y optimización
Algoritmos de extracción de información
Modelización geométrica
Técnicas de Reconstrucción
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
7
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Bloques del Proceso
Pre-procesamiento
(Submuestreo)
Reconstruccion
ProyectivaAuto-
calibraciónReconstrucción densa
Modelo
Estimado
Video de entrada
8
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Reconstrucción ProyectivaReconstrucción Proyectiva
Reconstrucción Densa
EntradaVideoSegmentación en
tomasSubmuestreo
PrePre--procesamientoprocesamiento
Detección de esquinas en múltiples escalas
Detección de líneas en múltiples escalas
Evaluación de las correpondencias entre
características
Geometría ROBUSTA de multiples vistas usando
RANSAC y optimización
Ajuste proyectivo de rayos
Mezcla de reconsctrucciones
Reconstrucción QUARC usando “Cheirality”
Optimización de la auto-calibración
Ajuste Euclídeo de rayos
AutocalibraciónAutocalibración MODELO
GRÁFICO
Etapas del proceso
9
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Reconstrucción ProyectivaReconstrucción Proyectiva
Reconstrucción Densa
EntradaVideoSegmentación en
tomasSubmuestreo
PrePre--procesamientoprocesamiento
Detección de esquinas en múltiples escalas
Detección de líneas en múltiples escalas
Evaluación de las correpondencias entre
características
Geometría ROBUSTA de multiples vistas usando
RANSAC y optimización
Ajuste proyectivo de rayos
Mezcla de reconsctrucciones
Reconstrucción QUARC usando “Cheirality”
Optimización de la auto-calibración
Ajuste Euclídeo de rayos
AutocalibraciónAutocalibración MODELO
GRÁFICO
Etapas del proceso
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
10
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Pre-procesamiento: Submuestreo- El movimiento entre frames de la secuencia esta dado por λx1=Hx2
- La secuencia se trocea en tomas de forma automática (correlación, color, etc)
Algoritmo (Nister-2000)• Submuestrear las imágenes a tamaños 50x50• Definir una medida de nitidez de la imagen• Ordenar las imágenes de cada toma en orden decreciente de nitidez• Iterar hasta que no haya canbios
Avanzar sobre la lista, eliminando aquellas frames que sean redundantes respecto de las ya presentes en la lista.
- Estimar H (h33=1) entre dos frames Fi y Fi-1 a partir de la minimización de M.C.no-lineal de
- Si el valor de R entre las dos frames es mayor de un umbral (>0.95) y la disparidad d entre los puntos imagen es menor de un valor prefijado d entonces Fies redundante. (d ≈ 0.1*sizeI)
211 ))()((
)(#1),,,( xFHxFHFFR i
xiii −
Θ∈− −
Θ=Θ ∑
11
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Reconstrucción ProyectivaReconstrucción Proyectiva
Reconstrucción Densa
EntradaVideoSegmentación en
tomasSubmuestreo
PrePre--procesamientoprocesamiento
Detección de esquinas en múltiples escalas
Detección de líneas en múltiples escalas
Evaluación de las correpondencias entre
características
Geometría ROBUSTA de multiples vistas usando
RANSAC y optimización
Ajuste proyectivo de rayos
Mezcla de reconsctrucciones
Reconstrucción QUARC usando “Cheirality”
Optimización de la auto-calibración
Ajuste Euclídeo de rayos
AutocalibraciónAutocalibración MODELO
GRÁFICO
Etapas del proceso
12
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Detección de puntos invariantes a escala: SIFT
• Detección de extremos en el espacio de escalas• Detección de puntos de interés• Asignación de la orientación• Generación del descriptor del punto
(Lowe, IJCV-00)
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
13
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Características locales invariantes
• El contenido de la imagen se transforma en carateristicas con coordenadas locales que son invariantes a traslación, rotación, escala y otrosparámetros de adquisición.
SIFT Features
15
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Procesamiento del espacio de escalas: Una escala cada vez
16
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Localización de puntos extremos
• Detectar máximos y mínimos de diferencias de Gaussiana en el espacio de escalas
• Ajustar una función cuadrática al entorno para obtener precisiónsub-pixel y sub-escala. (Brown & Lowe, 2002)
• Desarrollar alrededor del punto:
• Corrección local de extremos (usardifferencias finitas para lasderivadas):
Blur Resamp le
Subtract
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
17
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Ejemplo de detección de puntos-de interés
Umbralizar sobre los valores de los picos de DOG y sobre el criterio de Harris
(a) Imagen 233x189
(b) 832 extremos DOG
(c) 729 extremos después de umbralizarDOG
(d) 536 extremos después de umbraliar con el criterio de curvatura local(Harris)
18
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Selección de la orientación canónica
• Crear el histograma de direcciones locales del gradiente calculado en cada escala.
• Asignar como dirección canónica la dada por el máximo del histograma alisado.
• Cada clave especifica coordenadas estables 2D (x, y, escala, orientación)
0 2π
20
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Descriptor SIFT• Imágenes gradiente umbralizadas son muestreadas en
ventanas de 16x16 en el espacio de escalas.• Crear la matriz del histograma de orientaciones• 8 orientaciones x 4x4 matrices histogramas = 128
dimensiones
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
21
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Emparejamiento con el NN en la base de datos de características
• Generamos hipótesis emparejando cada característica a suNN-vector en la base de datos
• No existe un método rápido y único para encontrar siempreel 128-NN-vector en una base de datos grande.
• Po tanto, se usa un NN aproximado:El primer-bin-el-mejor (Beis & Lowe, 97) una modificacióndel algoritmo k-d-árbolUsar una estructura de pila para identificar los bins ordenados por su distancia al punto en cuestión.
• Resultado: Produce factores de aumento de velocidad de 1000 en la busqueda del NN (de interés) 95% del tiempo.
26
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Reconocimiento de objetos planos
• Superficies planas pueden ser reconocidasde forma fiable con rotaciones de hasta 60º en el plano de la imágen
• La deformación de perspectiva es ajustada por una afín.
• Solo se necesitan 3 puntos para el reconocimiento
27
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Reconstrucción ProyectivaReconstrucción Proyectiva
Reconstrucción Densa
EntradaVideoSegmentación en
tomasSubmuestreo
PrePre--procesamientoprocesamiento
Detección de esquinas en múltiples escalas
Detección de líneas en múltiples escalas
Evaluación de las correpondencias entre
características
Geometría ROBUSTA de multiples vistas usando
RANSAC y optimización
Ajuste proyectivo de rayos
Mezcla de reconsctrucciones
Reconstrucción QUARC usando “Cheirality”
Optimización de la auto-calibración
Ajuste Euclídeo de rayos
AutocalibraciónAutocalibración MODELO
GRÁFICO
Etapas del proceso
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
28
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Modelización geométrica de n-vistas
• Geometría de la cámara• Conceptos de geometría• Homografía• Reconstrucción con 2 vistas• Reconstrucción con 3 vistas• Reconstrucción con n-vistas• Reconstrucción de escenas deformable
29
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Elementos básicos
• Una Vista: Modelo de Cámara, Calibración, Geometría de una vista.
• Dos Vistas: Geometría epipolar, Reconstrucción 3D, Cálculo de F, Calculode estructura,
• Tres Vistas: Tensor trifocal, Cálculo de T.• N Vistas: N-Linealidades, Reconstrucción
desde multiples vistas, Reconstrucción deEscenas dinámicas.
30
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Modelo de Cámara
Calibración
El Cíclope, c. 1914, Odile Redon
La cámara
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
32
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Modelo de cámara
X.xλ
110t
010000100001
1000
0
1λ
3
PR
=⇔
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
⎥⎦
⎤⎢⎣
⎡
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
ZYX
pfpf
yx
y
x
T
El modelo “pinhole”
También cámaras afines
33
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
1yy
xx
pps
K αα
[ ] [ ]tRKC~|IKRP =−=no-singular11 g.l. (5+3+3)
Como descomponer P en K,R,C?
[ ]4p|MP = 41pMC~ −−=[ ] ( )MRK, RQ=
cámaras finitas=P4x3 & det M≠0
Si rango P=3, pero rango M<3, ⇔ cámara en el infinito
Cámara proyectiva finita
34
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
C]|[IR'K' y P'C]|KR[IP −=−=
( ) PKRR'K'P' -1=
( ) ( ) xKRR'K'PXKRR'K'XP'x' -1-1 ===
( ) -1*-1 KRK'KRR' K' Hconx Hx' === ∞
Importancia del centro de la cámara
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
35
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Calibración algebraica de una cámara
• Se P=[M|m] una matriz 3x4 tal que det(M)≠0, entonces notando por C(P)=(X,Y,Z,T )T el centro de la cámara
• P=K[R|t]=[KR|Kt] ⇒ M=KRAplicando sucesivas rotaciones sobre cada uno de los ejes 3Dobtenemos MQzQyQx=K ⇒ R=Qx
TQyTQz
T
• En cada rotación los valores de c y s se eligen para anular un elemento de M
],,det[ ],,,det[],,det[ ],,,det[
321421
431432
PPPTPPPZPPPYPPPX
−==−==
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛ −=
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛ −=
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛−=
1 ,1 ,
1cssc
Qcs
scQ
csscQ zyx
36
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Geometría de la deformación 2D
La reproduction interdite (Reproducción Prohibida), 1937, René Magritte.
37
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
• Puntos, líneas y cónicas• Transformaciones
• Razón-cruzada e invariantes
Geometría proyectiva 2D
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
41
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Aplicaciones entre planos
La proyección central puede expresarse porx’=Hx
42
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Otros ejemplos
43
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Transformaciones Proyectivas
Una proyectividad es una aplicación invertible h de P2
en si mismo tal que tres puntos x1,x2,x3 son colineales si y solo si h(x1),h(x2),h(x3) lo son.
Definición:
Transformación proyectiva entre planos
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
3
2
1
333231
232221
131211
3
2
1
'''
xxx
hhhhhhhhh
xxx
xx' H=o
8 GL
proyectividad=colineación= transformación proyectiva =homografía
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
44
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Decomposición de transformacionesproyectivas
⎥⎦
⎤⎢⎣
⎡=⎥
⎦
⎤⎢⎣
⎡⎥⎦
⎤⎢⎣
⎡⎥⎦
⎤⎢⎣
⎡==
vvs
PAS TTTT vt
v0
100
10t AIKR
HHHH
Ttv+= RKA s
K 1det =KTriangular-superior,decomposición única (if s>0)
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
0.10.20.10.2242.8707.20.1586.0707.1
H
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡ −=
121010001
100020015.0
1000.245cos245sin20.145sin245cos2
oo
oo
H
Ejemplo:
45
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Transformación de líneas y cónicas
La transformación de líneas es
ll' -TH=
La transformación de cónicas es-1-TCHHC ='
La transformación de cónicas duales esTHHCC **' =
xx' H=Para una transformación de puntos
46
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
La línea del infinito
∞
−
∞−
∞ =⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
⎥⎦
⎤⎢⎣
⎡
−==′ l
100
1t0
llA
AH
TT
A
La línea del infinito l∞ is una línea fija bajo unatransformación proyectiva H si y solo si H es una
afinidad
Nota: no es una aplicación fija punto a punto
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
47
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Propiedades afines desde imágenes
proyección rectificación
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=′
321
010001
lllAP HH [ ] 0,l 3321 ≠=∞ llll T
48
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Rectificación afínv1 v2
l1
l2 l4
l3
l∞
21 vvl ×=∞
211 llv ×=432 llv ×=
49
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Los puntos circulares “puntos circulares”
0233231
22
21 =++++ fxxexxdxxx 02
221 =+ xx
l∞
( )( )T
T
0,,1J
0,,1I
i
i
−=
=
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=+=∞
000010001
* TT JIIJC
Algebraicamente definen direcciones ortogonales
03 =x
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
50
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Ángulos
( )( )22
21
22
21
2211cosmmll
mlml++
+=θ
( )T321 ,,l lll= ( )T
321 ,,m mmm=Euclídeos:
Projectivos: ( )( )mmllmlcos
**
*
∞∞
∞=CC
CTT
T
θ
0ml * =∞CT (ortogonal)
51
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Propiedades métricas de C*
( ) ( )( ) ( )( ) ( )
⎥⎦
⎤⎢⎣
⎡=
=
=
=
∞
∞
∞∞
vvvv
'
*
*
**
TTTT
TT
T
TT
T
KKKKKKKK
HHCHH
HHHCHHH
HHHCHHHC
APAP
APSSAP
SAPSAP
TUUC⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=∞
000010001
'*
Transformación de rectificación usando SVD
UH =
52
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Resumen de transformaciones
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
1002221
1211
y
x
taataa
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
1002221
1211
y
x
tsrsrtsrsr
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
333231
232221
131211
hhhhhhhhh
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
1002221
1211
y
x
trrtrr
Proyectiva8gl
Afin6gl
Semejanza4gl
Euclidea3gl
Concurrencia, colinealidad, orden de contacto(intersección, tangencia, inflexión, etc.), razón-cruzada
Paralelismo, razón-areas, razón-longitudes en líneasparalelas (ej. puntos medios), combinación lineal de vectores (centroides). La línea del infinito l∞
Razon-longitudes, ángulos.Los puntos circulares I,J
Longitudes y áreas
Invariantes
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
53
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Geometría Proyectiva 3D
• Puntos, líneas, planos y cuádricas
• Transformaciones
• П∞, ω∞ and Ω ∞
54
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
El plano del infinito
∞
−
∞−
∞ =
⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜
⎝
⎛
⎥⎦
⎤⎢⎣
⎡
−==′ π
1000
1t0
ππA
AH
TT
A
El plano del infinito π∞ es un plano fijo bajo unatransformación proyectiva H sii H es una afinidad
1. Posición canónica2. Contiene direcciones 3. Dos planos son paralelos ⇔ linea de intersección en π∞4. linea // linea (o plano) ⇔ punto de intersección en π∞
( )T1,0,0,0π =∞( )T0,,,D 321 XXX=
55
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Jerarquía de transformaciones
⎥⎦
⎤⎢⎣
⎡vTvtAProjectiva
15 g.l.
Afin12 g.l.
Semejanza7 g.l.
Euclídea6 g.l.
Intersección y tangencia
Paralelismo de planos,Razón de volúmenes, centroides,El plano del infinito π∞
La cónica absoluta Ω∞
Volumen
⎥⎦
⎤⎢⎣
⎡10tA
T
⎥⎦
⎤⎢⎣
⎡10tR
T
s
⎥⎦
⎤⎢⎣
⎡10tR
T
Invariantes
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
56
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Estimación de Transformaciones
Calcular las relaciones geométricas a partirde correspondencias ej. 2D
• Estimación Lineal (normalizada), no-lineal y de Máxima Verosimilitud
• Robusta (RANSAC)
57
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Tipos de errores a minimizar• Algebraico: El que aparece al minimzar las ecuaciones
de restricción directamente ( LINEAL)
Solución usando SVD
• Geométrico: El que aparece al minimizar las distancia geométrica de las proyecciones con los verdaderos valores ( NO LINEAL)
Error de reproyecciónSolución iterativa por Levenberg-Marquardt
1 con 00XX
1 con 00
1 con 00HH
ii =⇒=⇒=×⇒=
=⇒=⇒=′
=⇒=⇒=×′⇒=′
pApMinpAPxPx
fAfMinfAFxx
hAhMinhAxxxx
iii
iiT
i
iiiii
58
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Error de reproyección
( ) ( )221- Hx,xxHx, ′+′ dd
( ) ( )22 x,xxx, ′′+ dd
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
59
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Mínimos cuadrados No-lineales
• Newton iterativo• Levenberg-Marquardt • Levenberg-Marquardt disperso
(P)X f= (P)X argminP
f−
60
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Iteración Newton
Aproximación Taylor
Δ+≈Δ+ J)(P )(P 00 ff PXJ
∂∂=
Jacobiano
)(PX 1f−
Δ−=Δ−−≈− JJ)(PX)(PX 001 eff
( ) 0T-1T
0TT JJJJJJ ee =Δ⇒=Δ⇒
Δ+=+ i1i PP ( ) 0T-1T JJJ e=Δ
( ) 01-T-11-T JJJ eΣΣ=Δ
Ec.normal
61
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Levenberg-Marquardt
0TT JNJJ e=Δ=Δ
0TJN' e=Δ
Ecuaciones normales aumentadas
Ecuaciones normales
J)λdiag(JJJN' TT +=3
0 10λ −=10/λλ :exito 1 ii =+
ii λ10λ :fallo = resolver de nuevo
aceptar
λ pequeño ~ Newton (convergencia cuadrática)
λ grande ~ descendente (decrecimiento garantizado)
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
62
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Levenberg-Marquardt
Requerimientos de la minimización• Función de error para calcular f• Valor de inicio P0
• Opcionalmente, una función para calcular J
63
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Estimación de máxima verosimilitud: error en 1 imagen
• Coste óptimo relacionado con el modelo de ruido• Supongemos rudio Gaussiano isotrópico y de
media cero (no hay puntos aberrantes)
( ) ( ) ( )22 2/xx,2πσ2
1xPr σde−=
( ) ( ) ( )22i 2xH,x /
2i πσ2
1H|xPr σidei
′−Π=′
( ) ( ) ed i∑ +′−=′ constantxH,xH|xPrlog 2i2i σ2
1
Error en una imagen
Estimación de máxima verosimilitud( )∑ ′ 2
i xH,x id
64
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Estimación de máxima verosimilitud: error en ambas imágenes
• Coste óptimo relacionado con el modelo de ruido• Supongemos rudio Gaussiano isotrópico y de
media cero (no hay puntos aberrantes)
( ) ( ) ( )22 2/xx,2πσ2
1xPr σde−=
( ) ( ) ( ) ( )22i
2i 2xH,xx,x /
2i πσ2
1H|xPrσ⎟
⎠⎞⎜
⎝⎛ +− ′Π=′ ii dd
ei
Error en ambas imágenes
Estimación de máxima verosimilitud
( ) ( )2i
2i x,xx,x ii dd ′′+∑
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
65
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Estimación de máxima verosimilitud:observaciones dependientes
• Caso Gaussiano general Medida X con matriz de covarianza Σ
( ) ( )XXXXXX 1T2−Σ−=− −
Σ
22XXXX
Σ′Σ′−′+−
Error en ambas imágenes (independientes)
22XXXX
iiii
iii Σ′Σ
′−′+−∑Covarianza variable
66
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Algoritmo DLT-homografía
ObjetivoDados n≥4 puntos en correspondencia 2D-2D xi↔xi’, determinar la matriz H de la homografía 2D tal quexi’=Hxi
Algoritmo(i) Para cada correspondencia xi ↔xi’ calcular un sistema
lineal en H a partir de xi’×Hxi=0. Normalmente usandosolo las dos primeras filas.
(ii) Juntar las n 2x9 matrices Ai en una única 2nx9 matriz A(iii) Obtener la SVD de A. La solución h es la columna de V
asociada al valor singular más pequeño.(iv) Obtener H desde h
67
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Algoritmo estándar de oroObjetivo
Dadas n≥4 correspondencias de puntos 2D-2D xi↔xi’, determinar la Estimación de Máxima Verosimilitud de H(tambien implica calcular los óptimos xi’=Hxi)
Algoritmo(i) Initialización: calcular una estimación inicial usando
DLT normalizado o RANSAC. (ii) Minimización del - Error de Sampson:
Minimizar el error de Sampson Minimizar usando Levenberg-Marquardt sobre los 9
valores de ho Error estándar de oro: calcular la estimación inicial para xi óptimos minimizar sobre H,x1,x2,…,xn Si hay muchos puntos, usar “métodos dispersos”
( ) ( )2i
2i x,xx,x ii dd ′′+∑
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
68
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Estimación Robusta
• ¿Que pasa si las correspondencias son erroneas?
69
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
RANSACObjetivo
Ajuste robusto de modelos a conjuntos de datos S que contienen puntos aberrates
Algoritmo(i) Seleccionar aleatoriamente una muestra de s datos de S
e instanciar el modelo desde este conjunto. (ii) Determinar el conjunto de puntos Si que estan dentro de
una distancia umbral t al model. El conjunto Si es el conjunto de consenso y define los “inliers” de S.
(iii) Si el conjunto de Si es mayor que un umbral T, re-estimarel modelo usando todos los datos Si and terminar.
(iv) Si el tamaño de Si es manor que T, seleccionar un nuevo conjunto y repetir lo anterior.
(v) Despues de N ensayos el mayor conjunto Si ha sidoseleccionado, y el modelo es re-estimado usando todoslos puntos de Si
71
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Cálculo Automático de HObjetivo
calcular una homografía entre dos imágenesAlgoritmo(i) Puntos-Interés: Estimar puntos de interés en cada imagen(ii) Correspondencias putativas: Calcular un conjunto de
correspondencias usando alguna medida de similaridad.(iii) Estimación RANSAC : Repetir para N muestras
(a) Elegir 4 correspondencias y calcular H(b) Calcular la distancia d⊥ para cada pareja(c) Calcular el número de inliers consistentes con H (d⊥<t)Elegir la H con el máximo de inliers
(iv) Estimación óptima: re-estimar H por MV usando todos los inliers con Levenberg-Marquardt
(v) Matching guiado: Determinar más correspondencias usando predicción a través de la H calculada
Optionalmente iterar los dos últimos pasos hasta convergencia
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
72
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Ejemplo: cálculo robusto
Puntos de interés(500/imagen)
Posiblescorrespondencias (268)
Outliers (117)
Inliers (151)
Inliers finales (262)
73
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca Geom. Epipolar
Cálculo matriz-F
Reconstrucción3D.
Geometría de dos vistas
75
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Geometría epipolar
Matriz Fundamental Matriz Esencial
0xx' =FT ( ) 0x[t]'x =× RT
'PP,F → 'PP,E →
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
76
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
-1-T FHH'F x'H''x Hx,x =⇒==
F invariante a transformaciones 3D del espacio proyectivo
( )( ) XPXHPHPXx -1 ===
( )( ) X'PXHHP'XP'x' -1 ===
( ) FP'P, a
( )P'P,Faúnica
no única
Forma canónica
m]|[MP'0]|[IP
== [ ] MmF ×=
Transformación proyectiva e invariancia
77
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Cálculo de la Geometría epipolar
(8 puntos) lineal (normalizada) :
(7 puntos) mínima:
EMV:
RANSAC… y emparejamiento automático de dos vistas
0xx' =FT
( ) 0λdet 21 =+ FF0)1,,,',',',',','( T =fyxyyyxyxyxxx
( ) ( ) 0x'x do verifican'x,x'x,x 2
i
2 =+∑ iiiiii dd FT
79
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
~ matriz fundam. para cámaras calibradas (K conocida)
[ ] ×× == t]R[RRtE T
0xE'x T =
FKK'E T=
( ) x'K'x x;Kx -1-1 ==
5 g.l. (3 para R; 2 para t salvo escala)
E es una matriz esencial si y solo si dos de susvalores singulares son iguales (y el tercero=0)
T0)VUdiag(1,1,E =
La matriz esencial
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
80
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Dada P=[I|0] existen 4 posibilidades para P´.(solamente una solución tiene todos los puntos delante )
4 posibles cámaras a partir de E
81
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blancadados xi↔ xi
‘ , i=1,..,n, calcular P,P' y Xi tal que
Problema de reconstrucción:
iiiii XPx ,PXxi ′=′′= λλ para todo i
Sin información adicional este problema solo puede ser resuelto salvo una ambiguedad proyectiva
Reconstrucción de cámaras y estructura3D
82
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
xi↔x‘i
Escena original Xi
Reconstrucción proyectiva, afín, semejante= reconstrucción que es identica salvo una transformación proyectiva, afín, semejante
Literatura: Reconstrucción Métrica y Euclídea= reconstrucción semejante
Terminología
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
83
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
( )( )iii XHPHPXx S-1S==
λt]t'RR'|K[RR'λ0t'R'-R' t]|K[RPH TT
TT1-
S +−=⎥⎦⎤
⎢⎣⎡=
Ambigüedad de semejanza en la reconstrucción
84
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
( )( )iii XHPHPXx P-1
P==
Ambigüedad proyectiva en la reconstrucción
85
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Si un conjunto de puntos en correspondencia en dos vistas determina la matriz fundamental de forma única, entonces la escena y las cámaras pueden ser reconstruidas desde estas correspondencias solamente, y dos reconstrucciones desde estas correspondencias son proyectivamente equivalentes
( )i111 X,'P,P ( )i222 X,'P,Pii xx ′↔-1
12 HPP = -112 HPP ′=′ 12 HXX = ( )0FxFx :excepto =′= ii
Resultado ya conocido
( ) iiiii 22111-1
112 XPxXPHXHPHXP ====
⇒ a lo largo del mismo rayo of P2, idem for P'2
Dos posibilidades: X2i=HX1i, o puntos a lo largo de la “baseline“Resultado clave: garantiza reconstrucción desde imágenes no calibradas
Teorema de reconstrucción proyectiva
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
86
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
(i) Calcular F de las correspondencias(ii) Calcular las matrices de las cámaras desde F(iii) Calcular los puntos 3D para cada par de
punto en correspondencia
Cálculo de FUsar el algoritmo de 8-puntos (linear), 7-puntos (non-linear)o 8+ (minimos-cuadrados)
Cálculo de las matrices de las cámarasusar ]λe'|ve'F][[e'P' 0]|[IP T+== ×
TriangulaciónCalcular la intersección de los dos rayos proyectados dedelos puntos
Pasos de la reconstrucción: 2 vistas
87
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Reconstrucción de los puntos 3D
PXx = XP'x'=
88
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Triangulación lineal
XP'x'=PXx =
0PXx =×
( ) ( )( ) ( )
( ) ( ) 0XpXp0XpXp0XpXp
1T2T
2T3T
1T3T
=−=−=−
yxyx
⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢
⎣
⎡
−−
−−
=⇒
2T3T
1T3T
2T3T
1T3T
p'p''p'p''pppp
A
yxyx
0AX =
Homogéneo
1X =
)1,,,( ZYX
No-homogeneo
invariante?
e)(HX)(AH-1 =
Error algebraico, sin restricciones (excepto en el afin)
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
89
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Error geométrico
0xF'xa sujeto )'x,(x')x(x, T22 =+ dd
XP''x y XPxa sujeto ementeequivalent o ==
Es posible calcular usando LM (para 2 o más puntos)
o directamente (para 2 puntos)
90
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Error geométrico
Reconstruir emparejamientos en ejes proyectivos minimizando el error de reproyección
( ) ( )222
211 XP,xXP,x dd +
(see Hartley&Sturm,CVIU´97)Solución optima no-iterativa
91
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Solución óptima en el plano epipolar
Dado un plano epipolar, encontrar el mejor punto for (x1,x2)
x1
x2
l1 l2l1x1
x2l2
x1´x2´
Seleccionar los puntos mas cercanos (x1´,x2´) sobre las líneas epipolaresObtener el punto 3D a través de la triangulación exacta Garantizar mínimo error de reproyección (dado este plano epipolar)
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
92
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Imprecisión de la reconstrucción
Considerar los angulos entre los rayos
93
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Ejemplo
94
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Pasos en la reconstrucción estratificada:
• Reconstrucción Projectiva
• π∞ ⇒ Reconstrucción Afín
• ω∞ ⇒ Reconstrucción Métrica
Reconstrucción estratificada
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
95
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Recordemos el caso 2-D
De proyectiva a afín
96
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
( )iX,P'P,
( ) ( )TT 1,0,0,0,,,π aDCBA=∞
( )TT 1,0,0,0πH- =∞
⎥⎦⎤
⎢⎣⎡=
∞π0|I H (if D≠0)
El teorema dice salvo una transformación proyectiva, pero proyectiva con π∞ fijo es una transformation afín
Puede ser suficiente dependiendo de la aplicación, ej. Puntos medios, centroides, paralelismo
De proyectiva a afín: 3D
97
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Cocientes de distancias en una líneaal igual que en el caso 2D el conocimiento del cociente de distancias permite determinar puntos del infinito
Reconstrucción afín de la escena
0X)'Pl( ,0X)P][v(
anulación de puntos 3T =′=
⇒
×
∞π
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
98
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Reconstrucción cuasi-afín de la escena
• Cualquier reconstrucción proyectiva en la que todas las proyecciones de los puntos tienen igual signo es una “reconstrucción cuasi-afin”.
• Teorema: Cualquier reconstrucción proyectiva en que una de las cámaras es afín es una reconstrucción cuasi-afín
• Corolario:Sea una reconstrucción proyectiva a partir de un conjunto de correspondencias para las cuales P=[I|0]. Entonces puede obtenerse una reconstrucción cuasi-afín con solo intercambiar las últimas dos columnas de P y P’ y las últimas dos coordenadas de cada Xi
( )iX,P'P,
99
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Reconstrucción métrica
• La cónica absoluta Ω∞ es la clave para la reconstrucción métrica
Supongamos que la imagen, ω, de la cónica absolutaes conocida en alguna vista, y que tenemos una reconstrucción afín cuya cámara correspondiente es P=[M|m]. Entonces la reconstrucción afín puede transformarse en métrica aplicando la transformación
Donde A se obtiene por factorización de Cholesky de laecuación AAT = (MT ωM)-1
⎥⎦
⎤⎢⎣
⎡=
−
1001A
H
100
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
La cónica absoluta
La cónica absoluta Ω∞ es una cónica fija bajo la transformación proyectiva H sii H es una semejanza
04
23
22
21 =
⎭⎬⎫++
XXXX
La cónica absoluta Ω∞ es una cónica (puntos) en π∞. En un referencial métrico:
( ) ( ) 0,,I,, 321321 =TXXXXXXo cónica de direcciones:(sin puntos reales)
1. Ω∞ es fija como un conjunto2. Circulos intersecan Ω∞ en dos puntos3. Esferas intersecan π∞ en Ω∞
π∞= (0,0,0,1)
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
101
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
La cónica absoluta(propiedades métricas)
( )( )( )2211
21
ddddddcos
TT
T
=θ
( )( )( )2211
21
ddddddcos
∞∞
∞
ΩΩΩ=
TT
T
θ
0dd 21 =Ω∞T
Euclídeo:
Projectivo:
(orthogonal=conjugado)
plano
normal
102
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
KRd0d]C~|KR[IPXx =⎟⎠⎞⎜
⎝⎛−== ∞
La aplicación de π∞ en una imagen está dada por la homografía x=Hd, with H=KR
Imagen de la cónica absoluta (IAC)
( ) 1-T-1T KKKKω == − ( )1TCHHC −−a
(i) IAC solo depende de los intrínsecos(ii) Ángulos entre rayos(iii) DIAC= ω* =KKT
(iv) ω ⇔ K (factorización de Cholesky)(v) Imagen de puntos circulares
( )( )2T
21T
1
2T
1
ωxxωxx
ωxxcos =θ
La imagen de la cónica absoluta
103
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Ortogonalidad
0ωvv 2T1 =
ωvl =
Puntos de anulación correspondientes a direcciones ortogonales
Líneas de anulación correspondientes a planos y los puntos de anulación de sus direcciones normales
Parámetros internos conocidos-1-TKKω =
0ωω 2112 ==0=sPíxeles rectangulares
Píxeles cuadrados yx αα = 2211 ωω =
Restricciones sobre ω
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
104
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
ii HXXE =
Usar puntos de control XEi con coordenadas conocidasPara ir desde el proyectivo al métrico
Eii XPHx -1=(2 ecu. ind. en H-1 por vista, o 3 ecu. desde dos vistas)
Reconstrucción directa usando información de la escena
105
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Reconstrucción desde líneas
⎥⎦⎤
⎢⎣⎡= P'l'
PlT
TL
No funciona para la geometría epipolar
106
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Geometría de tres vistas
Lord Shiva, representación de 1920-40
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
107
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
La retroproyección de tres líneas deben cortarse en una líneaLa relación de incidencia nos da restricciones sobre línea
Calculemos las relaciones de incidencia………
El tensor trifocal
108
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
iii lll ′′↔′↔
0]|[IP = ]a|[AP' 4= ]b|[BP" 4=
⎟⎠⎞⎜
⎝⎛== 0
llPπ T ⎟⎠⎞
⎜⎝⎛== l'a
l'Al'P'π' T4
TT ⎟
⎠⎞
⎜⎝⎛== l"b
l"Bl"P"π" T4
TT
Notación
109
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca[ ] "lT,T,T'll 321
TT =
Trifocal Tensor = T1,T2,T3
( )"lT'l,"lT'l,"lT'l 3T
2T
1T=
Solo depende de las coordenadas imagen y es portanto independiente de las bases proyectivas 3D
[ ] "lT'll' TTi= [ ] 'lT"ll" TT
i=También y pero no hayuna relación simple.
La expresión general no es tan simple comoT
4T
4 babaT iii −=
G.L: T: 3x3x3=27 elementos, 26 salvo escalarelaciones de las 3 vistas: 11x3-15=18 g.l.
8(=26-18) restricciones algebraicas sobre T(comparar con 1 para F, i.e. rango-2)
El tensor trifocal
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
110
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Homografías inducidas por un plano
111
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Eliminar factor de escala:
(salvo escala)
Relación Línea-Línea-Línea
112
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Relación Punto-Línea-Línea
Matriz 3x3
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
113
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
nota: válido para cualquier línea a través de x”,
x”T[x”]x =
Relación Punto-línea-punto
l)T()xl(Hx Ti
i
i13 ′=′=′′ ∑ x
114
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
nota: válido para cualquier línea a través de x’, ej. l’=[x’]xy’arbitrario
Relación Punto-punto-punto
115
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Resumen de relaciones de incidencia
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
120
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Transferencia epipolar
121
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
21FBuena elección para l” es e” (V3
Te”=0)
Extracción de F
122
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
?
ok, pero no
especificamente, (sin derivación)
Cálculo de P,P’,P’’
PP, PP, ′′′ y
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
123
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Algoritmo de 6 puntos en 3 vistas
• Supongamos que tenemos 6 puntos imagen xi en correspondencia en 3 vistas. La idea principal es estimar las cámaras en cada vista de forma que 5 de los puntos Xi se proyecten de forma exacta en sus proyecciones xi . Entonces la minimización de cualquier error se concentra en el sexto punto, X6, que en primera estancia conduce a un problema de optimización de 3 parámetros.
• Entonces se verifica que que nos da una restricción sobre X6.
• El determinante puede expresarse como X6T(AT[x6]×B) X6=0 que define
una forma cuadrática X6TQX6=0, con matriz Q= (AT[x6]×B)sym . Además
los otros 5 puntos Xi verifican estar sobre la cuádrica, xiT [x6]×xi=0, i=1,..,5.
BAPpMPXx νμ +=⇒=⇒==× ×× 05,1 0 1121210,..iii
0666666 =⇒+= BXAXxBXAXx νλ
124
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Algoritmo de 6 puntos en 3 vistas (cont.2)• Elegimos los 5 puntos Xi que definen la base canónica del espacio, lo que induce
• Si X6=(p,q,r,s)T es un punto sobre Q, la ecuación de la cuádrica X6TQX6=0, puede
escribirse en forma vectorial como
• La idea básica para resolver el problema es calcular primero el vector ℵ=(a,b,c,d,e) a partir de las restricciones dadas por cada Qi y luego calcular X6 a partir de ℵ.
54321
54
532
431
21
,
00
00
wwwww
wwwwwwww
ww
++++=Σ
⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜
⎝
⎛
Σ−
Σ−
=Q
( ) 0054321 =ℵ⇔=
⎟⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜⎜
⎝
⎛
−−−−−
TT
pqrsprqspsqrqsprrspq
wwwww w
125
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Algoritmo de 6 puntos en 3 vistas (cont.3)• Hemos visto que cada vista nos da una restricción sobre X6 definida por una
cuádrica.En el caso de dos vistas dos cuádricas se cortan en una curva, por tanto tendremos una familia uni-paramétrica de soluciones.En el caso de tres vistas, las cuádricas se cortan en un número finito de puntos; 8 de acuerdo al teorema de Bezout. Tendremos 3 soluciones para X6
En el caso de más de 3 vistas, existirá una única solución salvo en casos degenerados
• En el caso de tres vistas, tendremos ℵ= α ℵ1+ β ℵ2,siendo ℵ1 y ℵ2 los dos generadores del espacio nulo de la matriz 3x5.
Calcular X6 como el espacio nulo derecho de la matrizpero debido al ruido hay que imponer restricciones
Imponer la restricción de que la solución ℵ debe estar sobre la cúbica en α y β definida por: todos los 4-determinantes = 0. Obtener 1 o 3 soluciones.(más detalles en Schaffalitzky et col-00)Calcular el espacio nulo a partir de cada una de las soluciones
⎟⎟⎟⎟⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜⎜⎜⎜⎜
⎝
⎛
−−
−−−−
−−
cbdca
dabebcd
acebade
00000
000000
00
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
126
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Reconstrucción ProyectivaReconstrucción Proyectiva
Reconstrucción Densa
EntradaVideoSegmentación en
tomasSubmuestreo
PrePre--procesamientoprocesamiento
Detección de esquinas en múltiples escalas
Detección de líneas en múltiples escalas
Evaluación de las correpondencias entre
características
Geometría ROBUSTA de multiples vistas usando
RANSAC y optimización
Ajuste proyectivo de rayos
Mezcla de reconsctrucciones
Reconstrucción QUARC usando “Cheirality”
Optimización de la auto-calibración
Ajuste Euclídeo de rayos
AutocalibraciónAutocalibración MODELO
GRÁFICO
Etapas del proceso
127
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Geometría de múltiples vistas
Untitled, Asger Jorn, 1947
128
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Cálculo con múltiples vistas
• Secuencial• Ajuste global• Factorización
OrtográficaPerspectiva
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
129
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Estructura jerárquica y recuperación del movimiento
• Calcular reconstrucciones de 2-vistas• Calcular reconstrucciones de 3-vistas• Enlazar recontrucciones de 3-vistas • Mezclar y refinar la reconstrucción
FT
H
PM
130
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Movimiento y estructura inicial
[ ][ ][ ]eeaFeP
0IPT
x +=
=
2
1
Geometría epipolar↔ Calibración proyectiva
012 =FmmT
compatible con F
Da cámaras proyectivas correctas(Faugeras´92,Hartley´92)
Obtiene la estructura usando triangulaciónMinimiza el error de reproyeccion Evita las medidas en el espacio proyectivo
131
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Calcular Pi+1 usando una aproximación robustaEncontrar nuevas emparejamientos usando proyecciones de las estimacionesExtender, corregir y refinar la reconstrucción
MPm 1i1i ++ =
2D-2D
2D-3D 2D-3D
mimi+1
M
new view
Determinar posición en la estructura existente
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
132
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Enlazando reconstrucciones de 3-vistas
Diferentes posibilidades1. Alinear (P2,P3) con (P’1,P’2) ( ) ( )-1
23-1
12H
HP',PHP',Pminarg AA dd +
2. Alinear X,X’ (y C C’) ( )∑j
jjAd HX',XminargH
3. Minimizar error reproy. ( )( )∑
∑+
jjj
jjj
d
d
x',HXP'
x,X'PHminarg 1-
H
4. EMV (mezclar) ( )∑j
jjd x,PXminargXP,
133
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Colecciones de imágenes no-secuenciales
4.8im/pt64 images
3792
poi
nts
Problema: LasCaracteristicas se pierden y se reinizalizan como nuevas caracteristi-cas
Solución:Emparejar con otras vistas cercanas
134
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Para cada vista iExtraer característicasCalcular geometría de dos vistas i-1/i y
emparejamientosCalcular posición usando algoritmos robustosRefinar la estructura existenteInicializar una nueva estructura
Relacionando mas vistas
Problema: Encontrar vistas cercanas en ejes proyectivos
Para cada vista iExtraer característicasCalcular geometría de dos vistas i-1/i y emparejamientosCalcular posición usando algoritmos robustosPara toda vista cercana k
Calcular geometría de dos vistas k/i y emparejamientosInferir nuevos 2D-3D parejas y añadirlas a la lista
Refinar posición usando todas las parejas 2D-3DRefinar la estructura existenteInicializar una nueva estructura
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
135
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Determinando vistas cercanas
• Si los puntos de vista estan cercanosentonces muchos de los cambios de las imágenes pueden modelarse a través de homografia de planos
• Medida cualitativa de distancia se obtiene mirando el error residual de la mejorhomografía de planos posible.
Distance = ( )m´,mmedian min HD
136
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
9.8im/pt
4.8im/pt
64 images
64 images
3792
poi
nts
2170
poi
nts
Colecciones de imágenes no secuenciales (2)
137
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Refinando estructura y movimiento
• Minimizar el error de reproyección
Estimacion de Máxima Verosimilitud(ruido gaussiano de media cero)
Problemas grandes pero pueden resolverse de forma eficiente (Bundle adjustment)
( )∑∑= =
m
k
n
iikD
ik 1 1
2
kiM,P
MP,mmin
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
138
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Levenberg-Marquardt disperso
• Complejidad para resolverimposible en grandes problemas
(100 vistas 10,000 puntos ~30,000 incógnitas)
• Partir los parámetrospartición A (cámaraspartición B (puntos)
0T-1 JN' e=Δ3N
139
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Ajuste disperso de rayos
U1
U2
U3
WT
W
V
P1 P2 P3 M
Jacobiano de tiene estructura dispersa
=J == JJN T
12xm 3xn(en general más grande)
im.pts. view 1
( )( )∑∑= =
m
k
n
iikD
1 1
2ki MP,m
necesario para minimizaciónno lineal
140
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Ajuste disperso de rayos• Elimina dependencia de los parametros de
cámara de los parametros de estructuraEn general 3n >> 11m
WT V
U-WV-1WT
=×⎥⎦⎤
⎢⎣⎡ − −
NI0WVI 1
11xm 3xn
Permite cálculos mas eficientesej. 100 vistas,10000 puntos, resolver ±1000x1000, no ±30000x30000
Frecuente estructura de bandas diagonalesusar algoritmos de algebra lineal dispersa
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
141
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Ejemplo-1Tres vistas de la reconstrucción
142
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Ejemplo-2Tres vistas de la reconstrucción
143
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Reconstrucción ProyectivaReconstrucción Proyectiva
Reconstrucción Densa
EntradaVideoSegmentación en
tomasSubmuestreo
PrePre--procesamientoprocesamiento
Detección de esquinas en múltiples escalas
Detección de líneas en múltiples escalas
Evaluación de las correpondencias entre
características
Geometría ROBUSTA de multiples vistas usando
RANSAC y optimización
Ajuste proyectivo de rayos
Mezcla de reconsctrucciones
Reconstrucción QUARC usando “Cheirality”
Optimización de la auto-calibración
Ajuste Euclídeo de rayos
AutocalibraciónAutocalibración MODELO
GRÁFICO
Etapas del proceso
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
144
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Cheirality: QUARC
• Jerarquía de posibles reconstrucciones de acuerdo a su exigencia geométrica.
ProyectivoProyectivo
Cuasi-Afin respecto de cámaras y
puntos separadamente
Afin
Euclídeo
Cuasi-Afin respecto de las cámaras
145
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Cheirality• En VxC se usa para describir el signo de la profundidad de un punto
del espacio respecto de una cámara. Cheirality + : punto situado delante de la cámaraCheirality - : punto situado detrás de la cámara
• Todos los puntos vistos por una cámara deben tener profundidad positiva.
• Las condiciones de cheirality nos permiten obtener transformaciones H cuasi-afines respecto de un conjunto dado. Es decir, transformaciones que aplicadas sobre dicho conjunto preservan su envolvente convexa.
• Para pasar de reconstrucción proyectiva a reconstrucción métrica es posible elegir una transformáción inicial H cuasi-afín sobre los puntos y/o centros-cámaras para despues optimizar en los parámetros de calibración de las cámaras (Hartley-1999, Nister-2000).
( ) ))()()((det );Chr(
mT
)M(det signP);depth(
3
T4
T41-
3
⎟⎟⎠
⎞⎜⎜⎝
⎛=
=
PXPChXhHPHHX
X
sign
w
146
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Cheirality: Resultados básicos• Resultado-1: Una transformación afín preserva cheirality con
respecto a una cámara si y solo si tiene determinante positivo
• Resultado-2: Sea H una T.P. con det(H)>0 que aplica el plano π∞al infinito. La cheirality de un punto X con respecto a una cámara Pes preservada por H si y solo si X cae en el mismo lado respecto de π∞ que el centro de proyección de P.
• Resultado-3: Sea X un punto observado en una reconstrucción proyectiva por un par de cámaras. La reconstrucción es cuasi-afin respecto del par de cámaras si y solo si X tiene la misma cheirality con respecto a ambas cámaras.
• Consecuencias: En el caso de dos cámaras o la reconstrucción encontrada es QUARC o el plano del infinito corta a la línea de base entre ambas cámaras. En el segundo caso siempre puede aplicarse una transformación que convierte la reconstrucción en QUARC.
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
147
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Condiciones para QUARC• Sea C(P(n)) el centro de la cámara n-ésima
• Supongamos que tenemos n-cámaras de una reconstrucción proyectiva, P1,...,Pn
-Desde n=2 hasta N
Multiplicar la matriz de la cámara P(n) con el valor
(la suma es sobre todos los puntos vistos por ambas cámaras)
( )3 selección de la tercera componente del vector.
( ) ( )[ ]⎟⎠
⎞⎜⎝
⎛ −+∑b
bnbnsignsign 3321 )()1()()( XPXP
Nn 1,...,n 0))((pT =≥∞ PC
Los 4-vectores de los centros de las cámaras calculadas están en una mitad de R4
por lo que puede suponerse que el signo del producto escalar con el vector p∞ del plano de infinito será el mismo. Asumimos,
148
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Condiciones para QUARC
41 1)(1
1 0 ))((
))((
,...i
,...,Nnn
n
i
T
T
=≤≤−
=≥−
∞
∞
p
PCpPC δ
Para una reconstrucción proyectiva razonable el vector del plano del infinito deberá cumplir las siguientes restricciones, con el mayor valor de δ posible
La búsqueda del p∞ que verifica estas condiciones es un problema de programción lineal (simplex).
La transformación H que produce la reconstrucción QUARC es
⎥⎦
⎤⎢⎣
⎡=
∞Tp
AH1
A es 3x4 con ceros en la columna de mayor valor de pT
∞ y la matriz unidad en el resto de las columnas.
Otras transformaciones auxiliares pueden ser tenidas en cuenta para tratar de acercarnos aun más a la represenatcióinn euclídea de la escena
)1,1,1,1( ,1 32 −=⎥⎦
⎤⎢⎣
⎡= diagref H0P
H
149
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Reconstrucción ProyectivaReconstrucción Proyectiva
Reconstrucción Densa
EntradaVideoSegmentación en
tomasSubmuestreo
PrePre--procesamientoprocesamiento
Detección de esquinas en múltiples escalas
Detección de líneas en múltiples escalas
Evaluación de las correpondencias entre
características
Geometría ROBUSTA de multiples vistas usando
RANSAC y optimización
Ajuste proyectivo de rayos
Mezcla de reconsctrucciones
Reconstrucción QUARC usando “Cheirality”
Optimización de la auto-calibración
Ajuste Euclídeo de rayos
AutocalibraciónAutocalibración MODELO
GRÁFICO
Etapas del proceso
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
150
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Autocalibración
151
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Motivación
• Permitir una adquisición flexibleSin necesidad de calibración previaPosibilidad de cambiar los intrínsecosUso de archivos de imágenes
152
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Autocalibración:Planteamiento
• Una reconstrucción proyectiva Pj,Xj,en la cual P1=[ I|0] puede transformarse a una reconstrucción métrica PjH-1,HXj, siendo H una homografía de la forma
siendo K una matriz triangular superior. Además:siendo K una matriz triangular superior. Además:i.i. K=KK=K11 es la matriz de calibración de la primera es la matriz de calibración de la primera
cámaracámaraii.ii. Las coordenadas del plano del infinito en la Las coordenadas del plano del infinito en la
reconstrucción proyectiva estan dadas porreconstrucción proyectiva estan dadas porππ∞∞ ==(p(pTT,1),1)TT
⎟⎟⎠
⎞⎜⎜⎝
⎛−
=10
KpK
TH
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
153
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Mínimo número de imágenes
• Para pasar de proyectivo (15GL) a métrico (7GL) se necesitan al menos 8 restricciones
• La longitud de la secuencia mínima debe satisfacer
• Independiente de algoritmos• Supone movimiento general (i.e. no crítico)
( ) ( ) ( ) 8#1# ≥×−+× fijosnconocidosn
154
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Optimización de la Calibración• Ahora el objetivo es encontrar los valores de los parámetros de calibración de la
cámara que definen la transformación H4 más probable que verifique las condiciones de cheirality y sea compatible con nuestro conocimiento de la calibración de las cámaras ( Nister-2000).
[ ] ⎥⎦
⎤⎢⎣
⎡=−≅ −−
1 , T
ref14
14 v
0KHtIKRPH
Para la optimización se puede adoptar la siguiente parametrización:
100
)1(0)1(
1000 2
2
54
321
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡−
+=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡= fyf
fxfsfkkkkk
a
a
K[ ] [ ]Tkk
T kkkkkyxas
kkf
534122
41
41
2−==
+=
+γ
Una distribución Gaussiana a priori sobre γ se define por la matriz de covarianza Cγγ=diag(s1
2,s22,s3
2,s32). Encontrar la estimación de M.V. es equivalente a minimizar la
distancia de Mahalanobios
))()(()(4 25
23
23
241
22
22
21
21 kkkkkkk −+−++= −−−−− σσσγγ γCγT
Sumada sobre todas las cámaras.
170
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Reconstrucción ProyectivaReconstrucción Proyectiva
Reconstrucción Densa
EntradaVideoSegmentación en
tomasSubmuestreo
PrePre--procesamientoprocesamiento
Detección de esquinas en múltiples escalas
Detección de líneas en múltiples escalas
Evaluación de las correpondencias entre
características
Geometría ROBUSTA de multiples vistas usando
RANSAC y optimización
Ajuste proyectivo de rayos
Mezcla de reconsctrucciones
Reconstrucción QUARC usando “Cheirality”
Optimización de la auto-calibración
Ajuste Euclídeo de rayos
AutocalibraciónAutocalibración MODELO
GRÁFICO
Etapas del proceso
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
171
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Refinamiento métrico
• Ajuste métrico de rayos( )( )
C]IKR[
M,mminarg2
1 1M,R,K
−=
∑∑= =
P
Pm
k
n
iikkiD
ikk
Impone restricciones o valores sobre losintrínsecos durante la minimización
172
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Ejemplo
Reconstrucción proyectiva
Reconstrucción métrica: autocalibración
Reconstrucción métrica: ajuste de rayos
173
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Ejemplos: reconstrucción euclidea
Secuencia estatua Secuencia Contenedor parte-1
Secuencia Contenedor parte-2
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
174
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Ejemplo-1: Resultado final
175
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Vistas de la reconstrucción con textura
176
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Ejemplo de Reconstrucción
Técnicas Avanzadas de Visión por Computador. UJI
Mayo 2006
Nicolás Perez de la Blanca - UGR
193
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
¿Que queda?
• Mucho más sobre N-linealidades• Escenas dinámicas• Autocalibración• Técnicas de ajuste global (Bundle)• Dualidad• Cheirality• Configuraciones críticas• ........
194
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Referencias Básicas
Multiple View Geometry in Computer Visionby Richard Hartley and Andrew ZissermanCambridge University Press- 2nd Edition
The Geometry from Multiple Imagesby Olivier Faugeras and Quan-Tuan LuongMIT Press
195
CURSO DE DOCTORADO
Técnicas Avanzadas de Visión por Computador
UJI
N. Pérez de la Blanca
Otras referencias• D.Lowe, Distintive Image features from Scale-Invariant keypoints
Internat. Journ. Computer Vision, 2004• D.Nister, Automatic Dense Reconstruction from Uncalibrated
Video Sequences, PhD, KTH, 2001.• F.Schaffaliztky, A.Zisserman, R.Hartley and P.Torr, A six point
solution for structure and motion, ECCV, 2000.