Inkrementelle Akquisition von 3D-Objektmodellen - Institut für ...
Inkrementelle Akquisition von 3D-Objektmodellen - Institut für ...
Inkrementelle Akquisition von 3D-Objektmodellen - Institut für ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
32 IR-INI 2006–01, c○ 2006 <strong>Institut</strong> <strong>für</strong> Neuroinformatik, Ruhr-Universität Bochum, FRG<br />
ausdrücken können mit<br />
⎛<br />
x ′ 1x 1 x ′ 1y 1 x ′ 1 y 1x ′ 1 y 1y ′ 1 y 1 ′ x 1 y 1 1<br />
.<br />
. . . . . . . .<br />
A =<br />
x ′ i<br />
⎜<br />
x i x ′ i y i x ′ i y i ′ x i y i ′ y i y i ′ x i y i 1<br />
⎝ . . . . . . . . .<br />
x ′ nx n x ′ ny n x ′ n y nx ′ n y ny ′ n y n ′ x n y n 1<br />
⎞<br />
⎟<br />
⎠<br />
und<br />
f = (f 11 , f 12 , f 13 , f 21 , f 22 , f 23 , f 31 , f 32 , f 33 )<br />
Wir erhalten also f und somit F durch Lösen dieses Gleichungssystems. Zu beachten ist, dass dies<br />
ein homogenes Gleichungssystem ist. Die Skalierung der Lösung ist also beliebig und wir benötigen<br />
keine eindeutige Lösung, sondern einen 1-dimensionalen Lösungsraum.<br />
Daher reicht es aus, 8 Punktkorrespondenzen und somit 8 Gleichungen zu benutzen. Darauf beruht<br />
der 8-Punkt-Algorithmus (siehe 6.2.2.1). Außerdem muss zusätzlich sichergestellt werden, dass die<br />
Fundamentalmatrix einen Rang <strong>von</strong> 2 hat. Dies kann dazu ausgenutzt werden, mit 7 Gleichungen<br />
auszukommen (siehe 6.2.2.2).<br />
Wir können auch mehr als 8 Gleichungen benutzen. Im Idealfall müsste die Matrix A dennoch Rang<br />
8 behalten, da die Fundamentalmatrix nur 8 Freiheitsgrade hat. Jedoch sind die benutzten Punktkoordinaten<br />
aufgrund <strong>von</strong> Rauschen und ungenauen Messdaten sowie diskreten Bildauflösungen<br />
nicht exakt und wir erhalten im Allgemeinen ein überbestimmtes Gleichungssystem. Dann kann<br />
eine Abschätzung der Lösung völlig analog zum 8-Punkt-Algorithmus mit Hilfe der Singulärwertzerlegung<br />
gefunden werden. Die abgeschätzte Lösung kann dann nicht alle Gleichungen erfüllen –<br />
es gilt also nicht ‖Af‖ = 0 – es wird aber ‖Af‖ minimert unter der Bedingung ‖f‖ = 1. Siehe<br />
hierzu Abschnitt A.1.2.<br />
6.2.2.1 Der 8-Punkt-Algorithmus<br />
Benutzen wir 8 Punktkorrespondenzen, erhalten wir ein Gleichungssystem mit 8 Gleichungen. Wir<br />
können es mit Hilfe der Singulärwertzerlegung (siehe A.1.2) <strong>von</strong> A lösen und erhalten einen Lösungsvektor<br />
f. Dieser spannt einen 1-dimensionalen Lösungsraum auf, das heißt <strong>für</strong> jedes k ∈ R≠0<br />
ist kf eine mögliche Lösung. Die Singulärwertzerlegung liefert einen Vektor f mit ‖f‖ = 1. Wir<br />
können nun aus f (bzw. kf, es gibt aber keinen Grund ein k ≠ 1 zu wählen) die Fundamentalmatrix<br />
F erstellen. Abschließend wird wiederum mit Hilfe der Singulärwertzerlegung F auf Rang 2<br />
gebracht (siehe dazu A.1.1).<br />
Damit dieser simple Algorithmus zufriedenstellende Ergebnisse liefern kann, ist es unerlässlich,<br />
die Daten, also die Bildkoordinaten, angemessen zu normalisieren. Wir wenden vor Aufstellung<br />
des Gleichungssystems auf alle Punkte x i aus dem ersten Bild eine Transformation T und auf<br />
alle Punkte x ′ i aus dem zweiten Bild eine Transformation T ′ an, die den Ursprung des jeweiligen<br />
Koordiantensystems auf das Mittel der jeweiligen Punktmenge verschiebt und die Koordinaten so<br />
skaliert, dass der durchschnittliche Abstand der Punkte zum Ursprung √ 2 beträgt.<br />
Die Fundamentalmatrix ˆF , die wir dann berechnen, bezieht sich nun auf Punktkorrespondenzen<br />
T x ↔ T ′ x ′ . Es gilt also<br />
und damit<br />
(x ′T T ′T ) ˆF (T x) = 0<br />
x ′T (T ′T ˆF T )x = 0<br />
und wir erhalten mit<br />
F = T ′T ˆF T