Î ÎÎΥΤÎΧÎÎÎΠΣΧÎÎÎ Î ÎÎÎÎ ÎΣΤÎÎÎÎÎ¥ Î ÎΤΡΩΠ- Nemertes
Î ÎÎΥΤÎΧÎÎÎΠΣΧÎÎÎ Î ÎÎÎÎ ÎΣΤÎÎÎÎÎ¥ Î ÎΤΡΩΠ- Nemertes
Î ÎÎΥΤÎΧÎÎÎΠΣΧÎÎÎ Î ÎÎÎÎ ÎΣΤÎÎÎÎÎ¥ Î ÎΤΡΩΠ- Nemertes
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Κεφάλαιο 7: Υπολογισμός βάθους από στερεοσκοπικό ζεύγος<br />
αριθμό των επαναλήψεων. Παίρνει ως δεδομένο ότι οι αντιστοιχίες σημείων αποτελούνται από<br />
inliers και από outliers, όπως συμβαίνει στην πραγματικότητα, ακόμα και αν ο αριθμός των inliers<br />
είναι περιορισμένος.<br />
Ο αλγόριθμος δέχεται σαν εισόδους το σύνολο των αντιστοιχίσεων που έχει δώσει ο<br />
αλγόριθμος αντιστοίχισης, ένα κατώφλι για την απόσταση (DistanceThreshold) που μπορούν<br />
να έχουν οι υπόλοιπες μετρήσεις από τη λύση, τον αριθμό των επαναλήψεων που θα<br />
πραγματοποιήσει και ένα ποσοστό βεβαιότητας. Αρχικά από το σύνολο όλων των αντιστοιχίσεων<br />
επιλέγει 8 αντιστοιχίσεις τις οποίες θεωρεί σωστές (inliers) και υπολογίζει τον θεμελιώδη πίνακα.<br />
Στη συνέχεια ελέγχει για όλες τις υπόλοιπες αντιστοιχίσεις ποιες από αυτές ικανοποιούν την<br />
επιπολική γεωμετρία, μετρά τον αριθμό τους, τις αποθηκεύει και απορρίπτει τις υπόλοιπες. Η<br />
διαδικασία αυτή εκτελείται για κάθε θεμελιώδη πίνακα που έχει προκύψει σε κάθε επανάληψη.<br />
Τελικά, μετά το πέρας όλων των επαναλήψεων επιλέγεται ο θεμελιώδης πίνακας για τον οποίον<br />
είχαμε τις περισσότερες αντιστοιχίσεις. Οι αντιστοιχίσεις αυτές θεωρούνται σωστές (inliers) και τις<br />
κρατάει, ενώ όλες τις υπόλοιπες τις απορρίπτει. Οι αντιστοιχήσεις των inliers αποθηκεύονται σε<br />
πίνακες για κάθε μια φωτογραφία. Οι αντιστοιχίσεις που απορρίφθηκαν θεωρούνται outliers.<br />
β) Least Median of Squares (LMedS)<br />
Σε αυτή τη μέθοδο για κάθε τυχαίο δείγμα υπολογίζεται ο μεσαίος (median) του τετραγώνου της<br />
απόστασης των υπολοίπων μετρήσεων από τη λύση, και ως βέλτιστη επιλέγεται η λύση στην οποία<br />
αντιστοιχεί ο ελάχιστος μεσαίος. Πιο συγκεκριμένα εκτιμά τις παραμέτρους λύνοντας το μηγραμμικό<br />
πρόβλημα ελαχιστοποίησης:<br />
Αυτό σημαίνει ότι ο εκτιμητής, πρέπει να δίνει σα λύση τη μικρότερη τιμή του μεσαίου (median).<br />
Θεωρητικά, ο εκτιμητής του LMedS θα έπρεπε να ψάχνει σε όλο το φάσμα των δεδομένων για να<br />
βρει όλες τις πιθανές εκτιμήσεις. Αυτό πρακτικά είναι αδύνατο λόγω μεγέθους των δεδομένων<br />
επομένως επιλέγει ένα τυχαίο δείγμα Για κάθε τυχαίο δείγμα υπολογίζεται ο μεσαίος του<br />
τετραγώνου της απόστασης των υπολοίπων μετρήσεων από τη λύση και θεωρεί ως βέλτιστη εκείνη<br />
τη λύση που δίνει τον ελάχιστο μεσαίο. Το πλεονέκτημά της σε σχέση με τη μέθοδο του κλασικού<br />
RANSAC έγκειται στο γεγονός ότι είναι πιο ‘ανθεκτική’ στον γκαουσιανό θόρυβο και παρέχει<br />
σωστό αποτέλεσμα, ακόμα και αν τα μισά δεδομένα είναι κατεστραμμένα. Αξίζει να σημειωθεί ότι<br />
ο LMedS απαιτεί οι έγκυρες μετρήσεις να υπερισχύουν (δηλαδή να είναι πάνω από το 50%) ώστε<br />
να θεωρηθεί δόκιμος ο μεσαίος. Αντίθετα, Ο RANSAC μπορεί να δώσει σωστό αποτέλεσμα<br />
ακόμα και αν οι έγκυρες μετρήσεις μειοψηφούν έναντι των λανθασμένων. Όπως και στον κλασσικό<br />
RANSAC μπορούμε να ορίσουμε το κατώφλι ώστε να εντοπίζουμε τις λανθασμένες αντιστοιχίσεις.<br />
Κατά την πραγματοποίηση της εργασίας μας χρησιμοποιήσαμε και τις 2 μεθόδους,<br />
χρησιμοποιώντας για κάθε ζεύγος αυτήν που μας έδινε τα καλύτερα αποτελέσματα. Η διαφορά στα<br />
αποτελέσματα οφείλεται κατά κύριο λόγο στο περιεχόμενο των φωτογραφιών που<br />
χρησιμοποιήσαμε. Τα αντικείμενα που περιέχονται στις φωτογραφίες μας ενδείκνυνται για εξαγωγή<br />
πολλών σημείων ενδιαφέροντος (γωνίες), από τον hdc, και ως εκ τούτου έχουμε και πολλές<br />
αντιστοιχίσεις. Επειδή όμως σε αρκετές περιπτώσεις, οι λάθος αντιστοιχίσεις υπερτερούσαν των<br />
σωστών, ο LMedS δεν ‘δούλευε’, αφού προϋποθέτει την ύπαρξη τουλάχιστον 50% σωστών επί<br />
του συνόλου των αντιστοιχίσεων.<br />
Όπως αναφέρθηκε και νωρίτερα οι μέθοδοι απόρριψης λανθασμένων αντιστοιχίσεων έχουν<br />
αρκετά ικανοποιητικά αποτελέσματα, αλλά δεν λειτουργούν πάντοτε στην εντέλεια. Υπάρχουν<br />
περιπτώσεις, όπου κάποια outliers καταφέρνουν να ‘εισχωρήσουν’ στις σωστές αντιστοιχίσεις. Για<br />
αυτό το λόγο, δημιουργήσαμε για την παρούσα εργασία έναν κώδικα, ο οποίος παίζει το ρόλο ενός<br />
φίλτρου. Η βασική ιδέα, πάνω στην οποία στηρίχθηκε είναι ο ορισμός τριών κατωφλίων, δύο για<br />
63<br />
(7.3)