Proposta de trabalho: Calibração de câmera

Slides:



Advertisements
Apresentações semelhantes
João Luiz Fernandes e Aura Conci Universidade Federal Fluminense
Advertisements

NFIS NFSEG Four Finger Plain Segmentation. NFSEG Os conjuntos físicos de dados são cartões de impressão dos 10 dedos rolados e os 4 dedos planos mais.
Paulo Sérgio Rodrigues PEL205
Geração de Tráfego Auto-Similar e Estimação do Parâmetro de Hurst através do método R/S Thiago Souto Maior.
Reconhecimento de Padrões Métodos, Técnicas e Ferramentas para Aprendizado e Classificação de Dados Módulo II Introdução ao Processamento de Imagens.
The Cyclops Project German-Brazilian Cooperation Programme on IT CNPq GMD DLR Visão Computacional Prof. Dr. rer.nat. Aldo von Wangenheim.
Aprendizagem - Neurônio de McCulloch & Pitts Série: Por que não me contaram antes isto Prof. Dr. Hemerson Pistori www. gpec. ucdb. br/pistori Univesidade.
Segmentação de imagens
Michele Mengucci CVRM-Centro de Geo-Sistemas IST Lisboa
O COEFICIENTE DE HURST E O COEFICIENTE DE VARIAÇÃO ESPACIAL NA SEGMENTAÇÃO DE TEXTURAS MULTIESPECTRAIS Dra Aura Conci Éldman Oliveira Nunes.
Reconhecimento de Padrões Dissimilaridade
Iana Alexandra Alves Rufino
Visão computacional.
Trabalho 1 – Detecção de movimento através de subtração de fundo
Pablo C.Elias e Thiago Bastos, Dezembro de 2006 Reconstrução de Ruínas em Tempo Real.
Acompanhamento de Cenas com Calibração Automática de Câmeras
RECONSTRUÇÃO 3D Visão Computacional e Realidade Aumentada
Dissertação de Mestrado Michel Alain Quintana Truyenque
Dissertação de Mestrado
Computer Vision Segmentação Paulo Sérgio Rodrigues PEL205.
AGRADECIMENTOS: MOTIVAÇÃO: As atividades ligadas ao petróleo são totalmente dependentes de dutos de transporte de alta confiabilidade e produção, fatores.
Treinamento Software Dino Capture 2.0.
Suellen Silva de Almeida Victor Hugo Cunha de Melo Jean Carlos Mendes
Nome: Rafael Baeta Orientador: Dr. David Menotti
Autores: Jean Suellen Silva de Almeida Victor Hugo Cunha de Melo
RECONSTRUÇÃO 3D Equipe: Amora Cristina (acat) Anália Lima (alc5)
“LOCALIZAÇÃO DE ROBÔS E MAPEAMENTO DO AMBIENTE USANDO KINECT®”
Carlos Oliveira Descrição e Objetivo Considerações Etapas consideradas Resultados obtidos Melhoramentos.
Suellen Silva de Almeida Victor Hugo Cunha de Melo David Menotti
Treinamento do Microsoft® Access® 2010
A Hybrid Method for Robust Car Plate Character Recognition.
Estimação da direção de múltiplas fontes de luz Baseado no artigo Estimation of Illuminant Direction and Intensity of Multiple Light Sources, de W. Zhou.
Momentos de Hu e Zernike para o Reconhecimento de Linguagem de Sinais
Carlos Oliveira Sumário Descrição e Objetivo O Método de Tsai Implementação Resultados obtidos Melhoramentos.
Fernando Carvalho, João Manuel R. S. Tavares
Calibração de Câmera Pedro Sampaio Vieira.
Usando contornos ativos para detectar movimento
Raquel Ramos Pinho, João Manuel R. S. Tavares, Miguel Velhote Correia
Adônis Tavares João Gabriel Silvia Taveiros
Teresa C. S. Azevedo, João Manuel R. S. Tavares, Mário A. P. Vaz
Reconstrução Tridimensional usando IPP Trabalho final do curso de Visão Computacional DCC / UFMG Apresentação: Antônio Wilson Vieira.
Robson D. Montenegro Saulo C. S. Machado Correção de perspectiva para imagens de documentos capturados por câmeras.
Difração de Elétrons Importância da técnica de difração de elétrons no MET Geometria espacial da difração de elétrons: Rede Real Rede Recíproca Vetor Recíproco.
Image Based Cartoon Style Rendering Jeronimo Silvério Venetillo Fabio Issao Nakamura.
Relator: Leandro Augusto da Silva Contestador: Ramon Alfredo Moreno São Paulo, 14 de Março, de 2008.
Área de Conhecimento: Engenharias e Computação
Padrões de Arquitetura
Trabalho Prático II Detecção e reconexão de Contornos MC920 - Introdução ao processamento de imagens Bruno Malveira - RA Carolina Michelassi - RA
Marcelo B. Nogueira Bruno Xavier da Costa Adelardo A. D. Medeiros
Best Combination of Binarization Methods for License Plate Character Segmentation (2013) - Resumo Vinicius Queiroz e Vinicius M. de Almeida.
Aluno: Rómulo Marlon Ramos Avalos Gil Santos, Edmundo Hoyle.
Sistemas de Rastreamento de Baixo Custo para Desktops Tecgraf (Grupo de Tecnologia em Computação Gráfica) Depto. de Informática, PUC-Rio Alberto Raposo,
Manuel Loaiza Marcelo Gattass Alberto Raposo
Múltipla calibração de câmeras baseada em um padrão invariante (Multiple camera calibration based on invariant pattern) Manuel Eduardo Loaiza Fernandez.
Múltipla calibração eficiente e precisa de câmeras baseada em padrões colineares invariantes a projeção (Efficient and precise multiple camera calibration.
Biometria Reconhecimento de Assinaturas
Múltipla calibração de câmeras baseada em padrões colineares invariantes a projeção (Multiple camera calibration based on collinear projective invariant.
Uma Proposta de Melhoria no Processo de Recuperação de Imagens com Base na Distribuição de Características de Baixo Nível em seus Segmentos Utilizando.
Profª Marta Becker Villamil
Estatística Descritiva
Segmentação de imagens segmentação Pré-processamento descrição / análise Não existe uma única e definitiva abordagem ao problema da segmentação A descrição.
Curva padrão Sucessão crescente ou decrescente de pontos obtidos da relação entre A concentração da espécie padrão pela sua intensidade de sinal proveniente.
Múltipla calibração eficiente e precisa de câmeras baseada em padrões colineares invariantes a projeção (Efficient and precise multiple camera calibration.
Tópicos Avançados em Processamento de Imagens e
Detecção de tráfego Skype na Web através de Redes Neurais Artigo Original: Freire, P. E., Ziviani, A., and Salles, R. M. (2008). Detecting skype flows.
Proposta de trabalho: Rastreamento da movimentação de uma câmera.
Detecção e identificação de feições
Programação p/ INTERNET - HTML Prof. João Ricardo Andrêo 30/5/ :10 1 Listas Numeradas As listas numeradas funcionam da mesma forma que as listas.
Professor: Gerson Leiria Nunes.  Processamento de imagens  Trabalhando com imagens  Problemas típicos  Aplicações  Comandos básicos matlab.
Transcrição da apresentação:

Proposta de trabalho: Calibração de câmera Parte 1: Detecção e identificação do padrão de calibração

Descrição do trabalho Na calibração de câmera , um primeiro passo é a extração de pontos característicos desde um padrão pré- definido. Algumas propostas desses padrões são já bem conhecidas e formam parte de varias bibliotecas. Porém, qual é o objetivo do padrão e seu formato ?

Função do padrão de calibração Permitir identificar pontos característicos nas imagens capturadas do padrão, que estejam diretamente correlacionadas a posições reais no padrão físico. Quanto mais preciso seja o processo de identificação dos pontos característicos maior será a precisão que alcançaremos dos parâmetros da câmera após a etapa de calibração.

Função do padrão de calibração Diferentes algoritmos são usados internamente pelas bibliotecas para achar esses pontos característicos. Padrões semelhantes a um tabuleiro de xadrez usam algoritmos que procuram detectar cantos ou interseção de linhas. Padrão de marcadores circulares usa detecção do centro de elipses.

Trabalho de calibração: Parte 1 O trabalho de calibração que será proposto para a segunda aula do curso terá duas partes. A primeira parte é criar um algoritmo que permita calcular e extrair o ponto central de um padrão definido por dois círculos concêntricos. Logo, estender o algoritmo para permitir reconhecer um grid de esse tipo de padrão semelhante aos padrões com formato de xadrez e de círculos oferecidos pelo OpenCV. Usando esses pontos característicos e conhecendo a sua correspondência calibrar a câmera e achar os parâmetros intrínsecos da câmera.

Trabalho de calibração: Parte 1 Sugestões: Para detecção do centroide dos dois círculos concêntricos: Filtrar a imagem para achar primeiro os contornos que definem as bordas dos círculos. A partir dos pontos 2D que definem o contorno aproximar o calculo da elipse que melhor se encaixe com o formato do contorno. Para realizar a calibração da câmera podem aproveitar as ferramentas citadas nas referencias no final deste ppt, e só modificar a entrada dos dados: Lista de pontos (u,v) em pixels dos centroides extraídos das imagens e (X,Y,Z) em mm que são as posições 3D dos centroides no padrão.

Trabalho de calibração: Parte 1 As imagens para teste e calibração da câmera serão disponibilizadas. Cada trabalho deverá mostrar como foi o processo de extração dos pontos característicos e os valores dos parâmetros intrínsecos e extrínsecos achados.

Referencias OpenCV , calibração de câmera, http://docs.opencv.org/doc/tutorials/calib3d/camera_calibration/camera_calib ration.html Camera Calibration Toolbox for Matlab, http://www.vision.caltech.edu/bouguetj/calib_doc/ Ankur Datta, Jun-Sik Kim, Takeo Kanade, “Accurate Camera Calibration using Iterative Refinement of Control Points”, 2009. CD Prakash, LJ Karam,“Camera calibration using adaptive segmentation and ellipse fitting for localizing control points”, Image Processing (ICIP), 2012. Minh Vo, Zhaoyang Wang, Bing Pan, and Tongyan Pan, “Hyper-accurate flexible calibration technique for fringe-projection-based three-dimensional imaging”,2014.

Trabalho de calibração: Parte 2 Duas opções: Comparar os parâmetros da câmera achados após a calibração da câmera usando os três tipos de padrões abaixo descritos. Comparar os parâmetros da câmera com amostras tiradas com a mesma câmera só que em diferentes níveis de foco e ângulo de abertura de lente.