Reconstrução Tridimensional usando IPP Trabalho final do curso de Visão Computacional DCC / UFMG - 2009.1 Apresentação: Antônio Wilson Vieira.

Apresentação em tema: "Reconstrução Tridimensional usando IPP Trabalho final do curso de Visão Computacional DCC / UFMG - 2009.1 Apresentação: Antônio Wilson Vieira."— Transcrição da apresentação:

1 Reconstrução Tridimensional usando IPP Trabalho final do curso de Visão Computacional DCC / UFMG - 2009.1 Apresentação: Antônio Wilson Vieira

2 Para se buscar a reconstrução de cenas a partir de imagens, uma série de passos do processo de Visão Estéreo deve ser previamente tratado: 1 – Calibração de Câmera 2 – Classificação de objetos das imagens 3 – Correspondência entre objetos das imagens 4 – Mapa de disparidade 5 – Reconstrução tridimensional 6 – Modelagem geométrica computacional Reconstrução 3D a partir de Imagens

3 Calibração de Câmera O problema de calibração é bem tratado em algoritmos, apresentados nas referências abaixo, que estimam parâmetros intrínsecos e extrínsecos da matriz de projeção. E. Trucco and A. Verri. Introductory Techniques for 3D Computer Vision. Prentice Hall, USA, 1998. R. Hartley and A. Zisserman. Multiple view geometry in computer vision. Cambridge Univ. Press, 2000. O. Faugeras and Q. T. Luong. The geometry of multiply images. The MIT Press, 2001.

4 Classificação de Objetos A classificação de objetos visa identificar pontos, objetos ou regiões nas imagens que serão referências para o processo de encontrar pontos correspondentes. Esse processo pode organizar dados das imagens em - Pixel a pixel; - Regiões segmentadas; - Arestas e corners -...

5 Classificação de Objetos Nosso trabalho calcula um mapa de disparidade parcial usando correspondência entre arestas das imagens. Um detector de arestas retorna parâmetros descritores, como comprimento, normal e ponto médio das arestas e a correspondência é feita usando um critério de similaridade baseado nesses descritores.

6 Correspondência e Disparidade O problema de correspondência apresenta o maior nível de dificuldade dentro do processo de Visão Estéreo e sua solução é chave para a correta reconstrução de profundidade na cena. O artigo de Myron Z. Brown, Darius Burschka e Gregory D. Hager, Advances in computational stereo. ( IEEE Transactions on Pattern Analysis and Machine Intelligence, 25(8):993–1008, 2003.) apresenta uma classificação dos métodos em local e global e os avanços em cada método. O artigo de Daniel Scharstein e Richard Szeliski, A taxonomy and evaluation of dense two- frame stereo correspondence algorithms ( INTERNATIONAL JOURNAL OF COMPUTER VISION, 47:7–42,2001) estabelece métricas para comparar algoritmos de correspondência e disponibiliza dados de teste para comparação de algoritmos na pagina www.middlebury.edu/stereo.

7 Correspondência e Disparidade Nosso trabalho calcula a disparidade ponto a ponto nas arestas correspondentes. Esses valores serão interpolados para se obter um mapa denso de disparidade.

8 Correspondência e Disparidade Tomamos os pontos (i, j 1 ) e (i, j 2 ) com disparidades não nulas d 1 e d 2, respectivamente, e calculamos a disparidade D no ponto (i, k) como:

9 Reconstrução 3D A reconstrução, uma vez conhecidos os parâmetros do sistema estéreo, é feita sem ambigüidades usando simples triangulação. Mesmo desconhecendo parâmetros do sistema estéreo, uma reconstrução pode ser obtida a menos de um fator de escala ou usando uma transformação projetiva arbitrária. E. Trucco and A. Verri. Introductory Techniques for 3D Computer Vision. Prentice Hall, USA, 1998. R. Hartley and A. Zisserman. Multiple view geometry in computer vision. Cambridge Univ. Press, 2000.

10 Reconstrução 3D Para aquisição e reconstrução, foi proposto um sistema estéreo simples com planos de imagem coplanares, foco comum e baseline conhecido. Neste caso, a profundidade Z para cada ponto da cena é dada diretamente pela expressão abaixo, onde f é o foco comum, d a disparidade no ponto e T a distância entre os centros de projeção, ou baseline.

11 Modelagem Geométrica A reconstrução tridimensional a partir de imagens apresenta ainda desafios para a representação final dos objetos da cena, pois: A representação em matriz de profundidade pode conter redundâncias e alto custo de armazenamento e processamento para renderização. A representação matricial não comporta variedades fechadas simples como uma esfera, por exemplo. A composição de multiplas vistas de um objeto requer uma estrutura de dados com indexação tridimensional.

12 Experimentos

13 Dúvidas