СПОСОБЫ ПОВЫШЕНИЯ КАЧЕСТВА ОЦЕНКИ ФУНДАМЕНТАЛЬНОЙ МАТРИЦЫ
Аннотация
Фундаментальная матрица (ФМ) одна из обязательных составляющих алгоритмов реконструкции трехмерной сцены по набору изображений. Точность оценки ФМ отражается на точности вычислений многих других компонентов алгоритмов реконструкции, получаемых с помощью ФМ, таких как матрицы проекций, внешние параметры камеры (выражаемые матрицей вращения R и вектором переноса t) ит.д. В итоге, точность расчетов всех этих компонент влияет на точность реконструкции модели. В статье будет представлен набор методов, которые в совокупности, позволяют повысить точность расчета ФМ, в условиях присутствия в исходных данных ошибок измерений.
Об авторах
В. А. Аленин
Поволжский государственный университет телекоммуникаций и информатики (г. Самара); Димитровградский институт технологии управления и дизайна (филиал Ульяновского государственного технического университета)
Россия
Россия
О. Л. Куляс
Поволжский государственный университет телекоммуникаций и информатики (г. Самара)
Россия
Россия
Список литературы
1. Юрин, Д.В. Современные концепции восстановления трехмерных сцен по набору цифровых изображений: наполнение систем виртуальной реальности // Труды Первой международной конференции «Трехмерная визуализация научной, технической и социальной реальности. Кластерные технологии моделирования». 2009. №1. С. 96-100.
2. D Objects on Turntable [Электронный ресурс] // URL: http://www.vision.caltech.edu/pmoreels/Datasets/TurntableObjects (дата обращения 01.08.2011).
3. Bay, H и др. Speeded-Up Robust Features (SURF) // Computer Vision and Image Understanding (CVIU). 2008. Vol. 110, No. 3. P. 346-359.
4. Bradski, G., Kaehler A. Learning OpenCV. - Sebastopol: O’Reilly Media, 2008. 577 p.
5. Fischler, F.M., Bolles R.C. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography // Magazine Communications of the ACM. 1981. Vol. 24 No. 6. P. 381-395.
6. Forssén, P.-E., Lowe D.G. Shape Descriptors for Maximally Stable Extremal Regions // International Conference on Computer Vision - ICCV. 2007. Vol. CFP07198-CDR. P. 1-8.
7. Hartley, R., Zisserman A. Multiple View Geometry in Computer Vision (SE). Cambridge: Cambridge University Press, 2003. 672 p.
8. Heyden, A., Astrom K.A Canonical Framework for Sequences of Images // Proceedings of the IEEE Workshop on Representation of Visual Scenes. 1995. P. 45-53.
9. Lowe, D.G. Distinctive Image Features from Scale-Invariant Keypoints // International Journal of Computer Vision. 2004. Vol. 60, No. 2. P. 91-110.
10. Luorig, Q.-T, Faugeras O.D. The Fundamental matrix: theory, algorithms, and stability analysis // International Journal of Computer Vision. 1996. Vol. 17. No. 1. P. 43-75.
11. OpenCV library [Электронный ресурс] // URL: http://sourceforge.net/projects/opencvlibrary (дата обращения 01.08.2011).
12. Szeliski, R. Computer Vision: algorithms and Applications. Electronic draft. 2010. 957 p.
13. The Eclipse Foundation [Электронный ресурс] // URL: http://eclipse.org (дата обращения 01.08.2011).
14. The Point Cloud Library (or PCL) [Электронный ресурс] // URL: http://pointclouds.org (дата обращения 01.08.2011).
15. Tomasi, C., Kanade T. Shape and Motion from Image Streams: a Factorization // International Journal of Computer Vision. 1992. Vol. 9. No. 2. P. 137-154.
Рецензия
Просмотров:
83
Послать статью по эл. почте 