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 />
το disparity στον άξονα Χ και ένα στον άξονα Υ. Η μετατόπιση των καμερών κατά ένα baseline<br />
έχει σαν αποτέλεσμα και την μετατόπιση των προβολών των ίδιων αντικειμένων στις 2<br />
φωτογραφίες κατα μια συγκεκριμένη τιμή που εξαρτάται από το baseline. Οπότε, λογικά, θα έπρεπε<br />
το disparity στον άξονα των Χ να έχει μία συγκεκριμένη τιμή, με κάποιες μικρές αποκλίσεις για<br />
όλες τις σωστές αντιστοιχίσεις (inliers), που μας έχει δώσει ο RANSAC για παράδειγμα. Σε<br />
περίπτωση που ο RANSAC έχει επιλέξει ως inlier κάποιο outlier που έχει disparity με μεγάλη<br />
απόκλιση από το disparity των σωστών αντιστοιχίσεων, είτε προς τα πάνω είτε προς τα κάτω, ο<br />
κώδικας θα το απορρίψει με τη χρήση του ανώτατου και του κατώτατου κατωφλίου αντίστοιχα.<br />
Αντίστοιχα και στον άξονα Y, λόγω των σφαλμάτων στην πειραματική διάταξη επιτρέπουμε μια<br />
μικρή ,σχετικά, μετατόπιση της τάξεως των 20 pixels και αποκόπτουμε τα inliers με μεγαλύτερο<br />
disparity.<br />
Είναι προφανές ότι ο συγκεκριμένος κώδικας λειτουργεί μόνο για φωτογραφίες που<br />
απεικονίζουν αντικείμενα τα οποία βρίσκονται σχεδόν στην ίδια απόσταση από το φακό. Για<br />
παράδειγμα, αν οι φωτογραφίες απεικόνιζαν έναν εξωτερικό χώρο με εστίαση στο άπειρο, τα πολύ<br />
μακρινά σημεία της σκηνής μεταξύ της αριστερής και δεξιάς λήψης, δε θα είχαν σχεδόν καθόλου<br />
disparity. Αντίθετα, τα σημεία που θα ήταν πολύ κοντά στο φακό θα είχαν μεγάλο disparity με<br />
αποτέλεσμα να μην είναι τόσο εύκολη η οριοθέτησή του. Στις φωτογραφίες που χρησιμοποιήσαμε<br />
για αυτή την εργασία, τα αντικείμενα τοποθετήθηκαν αρκετά κοντά ώστε να μην εμφανίζονται<br />
μεγάλες αποκλίσεις για τις σωστές αντιστοιχίσεις.<br />
7.3 Πλήρης αλγόριθμος υπολογισμού βάθους<br />
Αφού έχουμε εξηγήσει ως τώρα στην εργασία ποιες διαδικασίες και μεθόδους χρησιμοποιήσαμε<br />
ήρθε η ώρα να ενώσουμε όλα τα κομμάτια και να δούμε πρακτικά με ποια σειρά τις<br />
χρησιμοποιούμε. Ουσιαστικά, θα δώσουμε τον πλήρη αλγόριθμο με τη σειρά των βημάτων από την<br />
αρχή ως το τέλος. Στα πλαίσια της δικής μας εργασίας, τα αποτελέσματα που μας έδωσε είναι<br />
αρκετά ικανοποιητικά.<br />
Συγκεκριμένα, τα βήματα του αλγορίθμου για τον υπολογισμό του βάθους ενός ζεύγους<br />
εικόνων είναι τα εξής:<br />
1) Εξαγωγή των σημείων ενδιαφέροντος για κάθε φωτογραφία του στερεοσκοπικού ζεύγους με<br />
τη χρήση του Harris Corner Detector, όπως αυτός παρουσιάστηκε στο κεφάλαιο 5.<br />
2) Αρχική αντιστοίχιση των σημείων που βρέθηκαν στο 1 ο βήμα, με τη χρήση της μεθόδου που<br />
αναφέρθηκε στην υποενότητα 5.5.<br />
3) Χρησιμοποίηση μιας σθεναρής μεθόδου απόρριψης λανθασμένων αντιστοιχίσεων,<br />
πάνω στο σύνολο των αντιστοιχίσεων που βρέθηκε στο προηγούμενο βήμα. Εδώ, όπως έχουμε<br />
αναφέρει, χρησιμοποιήσαμε τον κλασσικό RANSAC και τον LMedS. Κατά την πραγματοποίηση<br />
της πειραματικής διαδικασίας χρησιμοποιούσαμε σε κάθε ζεύγος την μέθοδο αυτή που μας έδινε τα<br />
καλύτερα αποτελέσματα. Στο πρώτο ζεύγος φωτογραφιών θα δώσουμε τα αποτελέσματα και από<br />
τις δύο μεθόδους, ενώ στα υπόλοιπα μόνο της μεθόδου που επιλέξαμε ως καταλληλότερης..<br />
4) Χρησιμοποίηση του κώδικα που δημιουργήσαμε, για την απόρριψη οποιονδήποτε<br />
λανθασμένων αντιστοιχίσεων που δεν απορρίφθηκαν από το προηγούμενο βήμα.<br />
5) Υπολογισμός του βάθους για όσες σωστές αντιστοιχίσεις έχουν ‘επιβιώσει’ από τα<br />
προηγούμενα βήματα, με βάση τη σχέση (7.2).<br />
64