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.
40 IR-INI 2006–01, c○ 2006 <strong>Institut</strong> <strong>für</strong> Neuroinformatik, Ruhr-Universität Bochum, FRG<br />
projektiv transformierte Rekonstruktion ebenso richtig wäre. Wir müssen zur Kenntnis nehmen,<br />
dass wir mit den gegebenen Daten auch nicht mehr erreichen können – die Informationen, die wir<br />
benutzen, reichen lediglich <strong>für</strong> eine projektive Rekonstruktion aus.<br />
Wir können uns nun fragen, welche weiteren Informationen wir benötigen, um eine eindeutige<br />
Rekonstruktion zu erhalten – falls sie überhaupt möglich ist. Würden wir die ”<br />
wahren“<br />
Kameramatrizen kennen und zur Rekonstruktion benutzen, würden wir eine ”<br />
wahre“, eindeutige<br />
Rekonstruktion erhalten. Jedoch sind in den Kameramatrizen Position und Ausrichtung der<br />
Projektionszentren in der Welt enthalten – relativ zu einem Weltkoordinatensystem. Doch<br />
weder gibt es ein allgemeines Weltkoordinatensystem, auf das wir uns beziehen könnten, noch<br />
könnten wir aus optischen Informationen die Position eines Objektes in einem derartigen<br />
Koordinatensystem bestimmen. Die absolute Position des Objektes in der Welt interessiert<br />
uns aber eigentlich auch nicht – eine Translation und auch eine Rotation des Objektes in der<br />
Welt können und wollen wir also nicht ermitteln. Außerdem können wir die Skalierung eines<br />
Objektes nicht bestimmen. Sehen wir uns das Spielzeugauto an, dessen Bildsequenz wir als<br />
Beispiel in dieser Arbeit benutzen: Es ist <strong>für</strong> den Betrachter der Bilder unmöglich, auch nur<br />
annähernd die Größe des Spielzeugautos zu ermitteln. Dies ist eine Information, die, ebenso wie die<br />
absolute Position und Rotation des Objektes in der Welt, in den Bildern einfach nicht enthalten ist.<br />
Sehen wir uns die Kameramatrizen (siehe Abschnitt 2.3) an, so stellen wir fest, dass es also<br />
Position und Ausrichtung (C und R) sind, die wir nicht absolut bestimmen können. Bestimmen<br />
könnten wir die Unterschiede dieser Werte zwischen den Kameramatrizen, jedoch nicht die Skalierung<br />
dieser Unterschiede. Die Kalibrationsmatrizen dagegen enthalten physikalische Eigenschaften<br />
der Kamera. Diese könnten prinzipiell ermittelt werden.<br />
Was wir dann erreichen können, ist eine metrische Rekonstruktion. Sei die Punktmenge {X i } eine<br />
metrische Rekonstruktion, dann ist {H S X i } eine ebenso gültige metrische Rekonstruktion, wobei<br />
H S eine Ähnlichkeits-Transformation nach (2.5) darstellt. In einer metrischen Rekonstruktion ist<br />
also die Form eines Objektes eindeutig, die Position und Ausrichtung sowie die Skalierung des<br />
Objektes nicht.<br />
Um an die Kalibrationsmatrizen zu gelangen, wäre es am naheliegensten, die Kamera zu kalibrieren.<br />
Dies ist z. B. durch Aufnahme <strong>von</strong> geeigenten Kalibrationsobjekten, deren Geometrie<br />
bekannt ist, möglich, siehe hierzu [HZ04]. Dieses Ansatz habe ich nicht gewählt, da es einige<br />
Einschränkungen mit sich bringt und ich das System möglichst allgemein und offen halten<br />
wollte. Die Bedingung, nur Bildsequenzen zu verwenden, die mit kalibrierten Kameras und<br />
bekannten Kalibrationsmatrizen aufgenommen wurden, ist eine recht harte Einschränkung. Wie<br />
eine metrische Rekonstruktion mit Hilfe bekannter Kalibrationsmatrizen erstellt werden kann, ist<br />
in [HZ04] beschrieben.<br />
Ein vielversprechender Ansatz ist die Idee der automatischen Kalibrierung. Wir können Bedingungen<br />
an die Kalibrationsmatrix stellen, zum Beispiel dass alle oder bestimmte Parameter konstant<br />
sind. Dann werden mit jedem Bild, das wir benutzen, die Freiheitsgrade der Rekonstruktion<br />
verringert und bei einer ausreichenden Zahl <strong>von</strong> benutzten Bildern können wir eine metrische<br />
Rekonstruktion erstellen. Siehe hierzu auch Abschnitt 10.2.2.1.<br />
Für den Augenblick finden wir uns aber damit ab, dass wir lediglich eine projektive Rekonstruktion<br />
erstellen.<br />
7.2 Triangulierung<br />
Die hier beschriebene Triangulierung und insbesondere der Algorithmus in Abschnitt 7.2.1 sind<br />
aus [HZ04] übernommen.<br />
Gegeben sei eine Punktkorrespondenz x ↔ x ′ und die zu den jeweiligen Bildern gehörenden Kameramatrizen<br />
P und P ′ . Dann sind die <strong>von</strong> x und x ′ zurückprojizierten Geraden bekannt. Da beide<br />
Punkte Projektionen desselben Raumpunktes X darstellen, sollte X auf beiden Geraden liegen und<br />
somit den Schnittpunkt der Geraden darstellen (siehe auch Abb. 6.1). Auf diese Weise kann der