2017-02-04 14 views
1

Вот упрощенная (но и сущность) проблемы. Предположим, что у меня есть поле в пространстве в некоторой исходной позиции/ориентации и калиброванная камера C с известной позицией/ориентацией. Я делаю снимок коробки и могу идентифицировать N точек функции x_i на проецируемом изображении B.Компьютерное зрение 3D-преобразование из изображений

Теперь предположим, что кто-то перемещает коробку (преобразование твердого тела) относительно небольшую величину. Я делаю снимок окна и снова могу идентифицировать N объектов точек x * _i. Я хочу решить для преобразования твердого тела T.

Моя стратегия эквивалентна предположению, что ящик не двигался, и предположим, что у меня есть другая камера C *, которая найдена путем преобразования камеры C на инверсию преобразования T Таким образом, точки N x _i - это проецируемые точки функции на изображении B относительно камеры C *.

Итак, я считаю, что могу решить для существенной матрицы E из двух наборов проецируемых точек изображения (при условии, что у меня достаточно - я думаю, мне нужно 8). (Поскольку камеры откалиброваны, я думаю, что я могу просто использовать важную матрицу, а не фундаментальную матрицу?) Оттуда я могу использовать матричную декомпозицию, чтобы извлечь преобразование вращения и трансляции, которое описывает, как камеры отличаются. Обратное это преобразование, которое я хочу.

Звучит так, как будто это сработает? Что произойдет, если я не смогу найти 8 пунктов, но скажу только 3? Смогу ли я получить оценку существенной матрицы или это будет совершенно неправильно?

ответ

0

Да, это сработает, и можно решить даже некоторые потерянные функции, насколько вы можете сказать, что есть. Насколько я знаю, вам нужно как минимум 8 баллов, как вы сказали. Вы описали, как работают алгоритмы «Структура из движения». Посмотрите его на слайде 3 в этой лекции, а затем на слайде 20: 8-точечный алгоритм. Это точно относится к тому, о чем вы говорите. Если бы вы поняли все это, даже не зная о движении формы структуры, я действительно впечатлен.

Вот ссылка на лекцию: https://ags.cs.uni-kl.de/fileadmin/inf_ags/3dcv-ws14-15/3DCV_lec06_SFM1.pdf