Számítógépes látórendszerek - Ellenőrző kérdések: Kameramodellek, kalibráció

← Vissza az előző oldalra – Számítógépes látórendszerek

Ismertesse a pinhole kameramodellt! (Rajz, egyenletek, paraméterek, mátrixok)

[1] [2] (A Kameramodell, kalibráció diasoron van még némileg több is.)

Mátrix

Vetítés egyenlete: $x=P\cdot X=A\cdot [Rt]\cdot X$
A vetítés mátrixa: $P=A\cdot [Rt]$:
A vetítés mátrixa felbontható belső és külső paraméterekre.

• Külső:$T_{ext}=[Rt]$ - A kamera helyzetétől függenek a világ koordinátarendszerben
• Belső:$A$: - A kamera paraméterei (kameramátrix)
  • Pixelsűrűség (pix/mm) (k,l)
  • Fókusztáv (f)
  • Skew (Θ)
  • Principális pont (px py)

Mutassa be a 3D markeres kalibráció elvét és lépéseit!

Elve

Van egy 3D objektumunk, azon előre ismert markerek. A markerek képét akarjuk meghatározni.

Lépései

1. Markerek megkeresése
   1. Sarokdetektálással
2. P meghatározása (projekciós mátrix)
3. A, R, t meghatározása (külső-belső paraméterek)
4. Becslések finomítása

Ismertesse a sakktáblás kalibráció elvét és lépéseit!

Elve: gyakran nincsen 3D kalibrációs objektum,ekkor 2D objektumot használunk.
Ismert számú sakktáblaszerűen elhelyezkedő markerünk van. Az egymástól mért távolságuk is ismert.

Lépései:

• Sarokdetektálás
  • Mivel nincs 3D információnk a markerekről P mátrix nem határozható meg egyértelműen.
• Homográfia (H mátrix meghatározása DLT- vel)
• Kameramátrix meghatározása
• Torzítások figyelembevétele

Hogyan lehet a kamerák torzítását figyelembe venni a kalibráció során?

Csak a radiális torzítást vesszük figyelembe, mert általában ez a domináns.

(A diasorban leírt képlet magyarázata itt található.)

Hogyan néz ki a sztereó elrendezés? Mi az esszenciális és a fundamentális mátrix?

Mátrixok

Fundamentális egyenes:Azok az egyenesek, amelyek mentén az elmozdulás történik! Nem biztos, hogy a képen is egyenesek (torzítás, stb). Epipoláris megkötés kalibrált kamerák esetén:

Ismertesse a 7 és 8 pontos kalibrációs algoritmusok elvét és lépéseit!

7 pontos

Elve

Fundamentális mátrix szinguláris mátrix kell, hogy legyen. Plusz egy megkötés → 7 pont elég

Lépések

1. DLT módszerrel általános megoldás 2 dimenziós → megoldáshalmaz
2. Megoldás alakja:
3. $det(F)=0$ feltételből a paraméterek számolása

8 pontos

Elve

F szinguláris kell, hogy legyen: 8 pontos módszerrel nem lesz az!

Megoldás

1. Kiszámoljuk F SVD felbontását
2. A legkisebb szinguláris értéket nullára állítjuk
3. A kapott F' lesz az F-hez legközelebb lévő szinguláris mátrix

Korrigálás

A 8 pontos kalibráció rossz eredményt ad zaj esetén! Érzékeny a skálára és az origó megválasztására!
Pontok normalizálása:

• A pontokat úgy toljuk el, hogy az átlaguk pont az origóban legyen!
• A skálafaktort úgy válasszuk meg, hogy a pontok RMS távolsága az origótól pont $sqrt(2)$ legyen.

SOHA NE HASZNÁLJUK A 8 PONTOS ALGORITMUST NORMALIZÁLATLAN PONTOKKAL!!!

Ismertesse a RANSAC algoritmust (előnyök, hátrányok) és a felhasználási lehetőségeit!

Felhasználási lehetőségek:
Kalibráció, 2D/3D alakfelismerés

Lépései:
kiindulás: sok pontpárunk van

1. Véletlen 7/8 pontpár halmazok kiválasztása
2. 7/8 pontos kalibráció elvégzése minden halmazra
3. Megnézni, hogy hány pontpár illeszkedik kis hibával az adott fundamentális mátrixra
4. A legjobb kiválasztása

Előnyök:

1. Egyszerű
2. 50%-nál nagyobb arányú outlier esetén is működik
3. Zajos esetben is jól használható, ekkora mértékű zaj esetén az LS becslés teljesen csődöt mond

Hátrányok:

1. Nem garantált, hogy megtalálja a jó megoldást!
2. Ha szeretnénk biztosra menni, akkor nagyon sok véletlen jelöltet kell állítani: nagyon lassú tud lenni!