Stereo Vision. Projekt zur 3D Computer Vision Wintersemester 05/06

Transkript

1 Stereo Vision Projekt zur 3D Computer Vision Wintersemester 05/06

2 Stereo Vision 3D Computer Vision: Rekonstruktion von Objektoberflächen aus Bildern Stereo Vision: Gleichzeitige Aufnahme eines Objekts von zwei unterschiedlichen Standorten, um aufgrund der Unterschiede in beiden Bildern Informationen über die räumliche Ausdehnung des Objekts zu gewinnen.

3 Anwendungen Qualitätskontrollen von 3D Objekten Verkehrsüberwachung und Analyse Berechnung von 3D Modellen Fernerkundung / Kartographie Robotik Virtual Clones Ltd.

4 Stereo Vision Korrespondenzproblem: Welche Pixel in Bild A stimmen mit welchen Pixeln in Bild B überein?

5 Stereobildaufnahmesystem aus: Klette, Koschan, Schlüns Computer Vision

6 Epipolar Constraint Einschränkung der Anzahl der möglichen Korrespondenzkandidaten aufgrund physikalischer Gesetzmässigkeiten: Epipolar Constraint: Ein Punkt im linken Bild kann nur mit einem Punkt im rechten Bild korrespondieren, welcher auf der zugehörigen Epipolarlinie liegt Vereinfachende Annahme falls der Winkel zwischen den optischen Achsen der beiden Kameras 0 ist, spricht man von Standardstereogeometrie, d.h. die beiden Bildebenen sind komplanar Berechnung der Disparitäten und Tiefenwerte wird vereinfacht, da die Epipolarlinien den Scanlinien entsprechen

7 Standardstereogeometrie

8 Weitere Annahmen und Einschränkungen Continuity Constraint: Benachbarte Punkte haben in der Regel ähnliche Disparitäten, d.h. L R L R x1 x1 x2 x2 ist klein Ordering Constaint: Punkte, die im linken Bild auf der Epipolarlinie liegen, werden im rechten Bild in der gleichen Reihenfolge auf der korrespondierenden Epipolarlinie liegen. Disparity Limit: Es existiert für alle korrespondierenden Punkte x L und x R ein maximaler Disparitätswert d max, so dass gilt: x L - x R < d max

9 Beispielverfahren: Blockmatching basiert auf einem Ähnlichkeitsvergleich gleichgroßer Bildblöcke Annahme: Block X in Bild A ist nahezu identisch mit Block Y in Bild B, wenn man X auf der Epipolarlinie um d Pixel verschiebt. (d = Disparität) Also: unterteile Bild A in Blöcke der Größe m n (z.b. 8 8) finde den zu jedem Block in A den ähnlichsten Block in B (als Maß für die Übereinstimmung kann z.b. der mean squared error verwendet werden) berechne Disparitäten für einzelne Pixel anhand der Blockdisparitäten Disparitätswerte der einzelnen Pixel ergeben eine dense disparity map mit der man eine Tiefenkarte berechnen kann

10 Blockmatching (cont.)

11 Beispiel

12 Beispiel

13 Beispiel

14 Zeitplan / Einführungsveranstaltung / Projektplanung / Implementation eines Basis-Algorithmus (z.b. Blockmatching) und Berechnung der Disparitätenkarte / Experimente mit selbstaufgenommenen Photos. Berechnung der Tiefenkarte / Präsentation der Zwischenergebnisse Ideen zur Modifikationen des Algorithmus / Vorstellung von Konzepten/Zwischenergebnissen / Vorstellung des modifizierten Algorithmus Abgabe des Projektberichtes.

15 Bildverarbeitungslabor G Kameraansteuerung von galileo (Rechner links neben Labortisch) Login/Pass: bvlab / bv#lab0506 Programm Digital Photo Professional (auf dem Desktop) Menü Tools Start EOS Capture Alle Einstellungen (ausser Zoom) sowie Auslöser im EOS 20D Fenster

16 Kamera & Ansteuerung Einstellungen am Rechner: Einstellungen an der Kamera: - Zoom (am Objektiv einstellen) - Aufnahmemodus: - P Programmautomatik - Tv Blendenautomatik (Belichtungszeit einstellbar) - Av Zeitautomatik (Blende einstellbar) - M Manuelle Steuerung (Zeit und Blende einstellbar)

17 Literatur Klette, Koschan, Schlüns, Computer Vision - Räumliche Information aus digitalen Bildern, Vieweg-Verlag 1996 Klette, Schlüns, Koschan, Computer Vision - Three-Dimensional Data from Images, Springer-Verlag 1998.