Inkrementelle Akquisition von 3D-Objektmodellen - Institut für ...
Inkrementelle Akquisition von 3D-Objektmodellen - Institut für ...
Inkrementelle Akquisition von 3D-Objektmodellen - Institut für ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
IR-INI 2006–01, c○ 2006 <strong>Institut</strong> <strong>für</strong> Neuroinformatik, Ruhr-Universität Bochum, FRG 5<br />
Im nächsten Schritt (Abschnitt 7.3) müssen also alle Rekonstruktionen in Übereinstimmung gebracht<br />
werden, indem eine Rekonstruktion als Referenz genommen wird und alle übrigen Rekonstruktionen<br />
durch projektive Transformationen daran angepasst werden. So erhalten wir eine<br />
Rekonstruktion aller Punkte, die in mindestens zwei der ausgewählten Bilder zu sehen waren.<br />
Wir haben nun eine <strong>3D</strong>-Punktwolke und Kameramatrizen <strong>für</strong> alle Bilder berechnet. Dann können<br />
wir <strong>für</strong> jedes Bild berechnen, an welche Stelle jeder berechnete Punkt unseres Modells projiziert<br />
wird. Wir kennen auch den tatsächlichen, gemessenen Bildpunkt, an den der berechnete Punkt<br />
projiziert werden sollte. Somit können wir einen Fehler der Rekonstruktion berechnen.<br />
Wir stellen also eine Fehlerfunktion auf und versuchen, um unsere Rekonstruktion zu optimieren<br />
(Kapitel 8), diese durch das Bundle Adjustment (Abschnitt 8.2) mit iterativen Verfahren<br />
(Levenberg-Marquardt-Algorithmus) zu minimieren. Als Alternative und Ergänzung werden wir<br />
auch einen evolutionären Algorithmus zur Minimierung verwenden (Abschnitt 8.3). Das Ergebnis<br />
dieses Verfahrens hängt wesentlich da<strong>von</strong> ab, wie gut die initiale Rekonstruktion war. Beispielhafte<br />
Ergebnisse sind in Kapitel 9 dargestellt. Im optimalen Fall erhalten wir eine stimmige, <strong>für</strong> alle<br />
Bilder korrekte Rekonstruktion der <strong>3D</strong>-Punkte, die jedoch weiterhin um eine projektive Transformation<br />
<strong>von</strong> den tatsächlichen Positionen verschieden ist. Möglichkeiten, diese Mehrdeutigkeit<br />
aufzuheben, werden in Abschnitt 7.1 und in Kapitel 10 angedeutet, sind jedoch nicht mehr Teil<br />
dieses Systems.<br />
Zum Abschluss dieser Einleitung möchte ich darauf hinweisen, dass ich in jedem Modul des Systems<br />
versucht habe darauf zu achten, dass Aufwand und Leistung in vernünftigem Verhältnis<br />
zueinander stehen. Jedes Teil des Systems kann an sich Thema <strong>für</strong> einzelne Arbeiten diesen (oder<br />
auch erheblich größeren) Umfanges sein. Um den Gesamtumfang bewältigen zu können, habe ich<br />
jeweils möglichst wenig aufwändige Lösungen gewählt, solange sie ausreichend gute Ergebnisse geliefert<br />
haben. An anderer Stelle, insbesondere beim Tracking, konnte ich auf existierende Lösungen<br />
aus der FLAVOR-Bibliothek zurückgreifen. Aufgrund der modularen Struktur des Systems wäre<br />
es recht einfach, einzelne Module durch aufwändigere Pendants zu ersetzen. Da diese Verfahren<br />
meist auch einen höheren Rechenaufwand mit sich bringen, ist jedoch die einfachste Variante nicht<br />
immer die schlechteste. Das System soll möglichst die eigenen Schwächen in den einzelnen Arbeitsschritten<br />
offen legen können um ein sinnvolles, gezieltes Weiterentwickeln an diesen Punkten<br />
zu ermöglichen. Im Ausblick (Abschnitt 10.2) werde ich darauf näher eingehen und außerdem die<br />
mögliche Fortsetzung des Weges, den diese Arbeit beschreitet, aufzeigen.