Inkrementelle Akquisition von 3D-Objektmodellen - Institut für ...

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