(44-3) 17 * << * >> * Русский * English * Содержание * Все выпуски

Метод оценки параметров движения камеры по малому числу соответствующих точек с использованием кватернионов
Е.В. Гошин 1, А.П. Котов 1,2

1 Самарский национальный исследовательский университет имени академика С.П. Королёва,

443086, Россия, Самарская область, г. Самара, Московское шоссе, д. 34

2 ИСОИ РАН – филиал ФНИЦ «Кристаллография и фотоника» РАН,

443001, Россия, Самарская область, г. Самара, ул. Молодогвардейская, д. 151

 PDF, 1209 kB

DOI: 10.18287/2412-6179-CO-683

Страницы: 446-453.

Аннотация:
В настоящей работе исследуются методы определения параметров движения камеры по набору соответствующих точек. В отличие от традиционного подхода, соответствующие точки в настоящей работе используются не для определения фундаментальной матрицы, а непосредственно для определения параметров съёмки. Кроме того, в настоящей работе используется модель формирования разноракурсных изображений, основанная на представлении трёхмерных изображений и параметров съёмки в виде кватернионов. В настоящем исследовании приведены варианты реализации предложенного метода, в том числе с отбором наиболее свободных от шума соответствий с использованием метода RANSAC. В исследовании приведены результаты эксперимента на тестовых наборах «Middlebury» и «ETH3D», представляющих собой набор изображений с зафиксированными точными значениями параметров съёмки. С использованием разработанной на языке Python программы проведён сравнительный эксперимент по оценке точности и надёжности оценок, полученных с помощью предложенного метода, в условиях малого числа соответствующих точек и малой глубины сцены. В ходе экспериментальных исследований было показано, что в поставленных условиях надёжность определения параметров с использованием предложенного метода значительно превышает надёжность традиционных методов оценки параметров движения, основанных на вычислении фундаментальной матрицы.

Ключевые слова:
эпиполярная геометрия, кватернионы, параметры движения камеры.

Благодарности
Работа выполнена в рамках государственного задания по теме FSSS-2020-0017 при частичной поддержке РФФИ (проекты № 17-29-03112, 19-29-01235). Экспериментальные исследования выполнены в рамках выполнения работ по Государственному заданию ФНИЦ «Кристаллография и фотоника» РАН (соглашение № 007-ГЗ/Ч3363/26).

Цитирование:
Гошин, Е.В. Метод оценки параметров движения камеры по малому числу соответствующих точек с использованием кватернионов / Е.В. Гошин, А.П. Котов // Компьютерная оптика. – 2020. – Т. 44, № 3. – С. 446-453. – DOI: 10.18287/2412-6179-CO-683.

Литература:
  1. Мясников, В.В. Исследование зависимости точности одновременной реконструкции сцены и позиционирования камеры от погрешностей, вносимых датчиками мобильного устройства / В.В. Мясников, Е.А. Дмитриев // Компьютерная оптика. – 2019.– Т. 43, № 3. – C. 492-503. – DOI: 10.18287/2412-6179-2019-43-3-492-503.
  2. Lee, B. Online self-supervised monocular visual odometry for ground vehicles / B. Lee, K. Daniilidis, D.D. Lee // IEEE International Conference on Robotics and Automation (ICRA). – 2015. – P. 5232-5238.
  3. Fu, C. Efficient visual odometry and mapping for unmanned aerial vehicle using ARM-based stereo vision pre-processing system / C. Fu, A. Carrio, P. Campoy // International Conference on Unmanned Aircraft Systems (ICUAS). – 2015. – P. 957-962.
  4. Kudinov, I.A. Camera and auxiliary sensor calibration for a multispectral panoramic vision system with a distributed aperture / I.A. Kudinov, M.B. Nikiforov, I.S. Kholopov // Journal of Physics: Conference Series. – 2019. – Vol. 1368, Issue 3. – 032009.
  5. Кирш, Д.В. Алгоритм реконструкции трёхмерной структуры кристалла по двумерным проекциям / Д.В. Кирш, А.С. Широканев, А.В. Куприянов // Компьютерная оптика. – 2019. – Т. 43, № 2. – С. 324-331. – DOI: 10.18287/2412-6179-2019-43-2-324-331.
  6. Ruchay, A.N. Fusion of information from multiple Kinect sensors for 3D object reconstruction / A.N. Ruchay, K.A. Dorofeev, V.I. Kolpakov // Computer Optics. – 2018. –Vol. 42(5). – P. 898-903. – DOI: 10.18287/2412-6179-2018-42-5-898-903.
  7. Troiani, C. 2-point-based outlier rejection for camera-imu systems with applications to micro aerial vehicles / C. Troiani, A. Martinelli, C. Laugier, D. Scaramuzza // IEEE International Conference on Robotics and Automation (ICRA). – 2014. – P. 5530-5536.
  8. Cadena, C. Past, present, and future of simultaneous localization and mapping: Toward the robust-perception age / C. Cadena, et al. // IEEE Transactions on Robotics. – 2016.– Vol. 32, Issue 6. – P. 1309-1332.
  9. Rebecq, H. EVO: A geometric approach to event-based 6-DOF parallel tracking and mapping in real time / T. Horstschäfer, G. Gallego, D. Scaramuzza // IEEE Robotics and Automation Letters. – 2016. – Vol. 2, Issue 2. – P. 593-600.
  10. Zhang, Y. Robust orientation estimate via inertial guided visual sample consensus / Y. Zhang, W. Liang, Y. Li, H. An, J. Tan // Personal and Ubiquitous Computing. – 2018.– Vol. 22, Issue 2. – P. 259-274.
  11. Rebecq, H. Real-time visual-inertial odometry for event cameras using keyframe-based nonlinear optimization / H. Rebecq, T. Horstschaefer, D. Scaramuzza // British Machine Vision Conference (BMVC). – 2017.
  12. Liang, J. Experimental Evaluation of Direct Monocular Visual Odometry Based on Nonlinear Optimization / J. Liang, X. Cheng, Y. He, X. Li, H. Liu // WRC Symposium on Advanced Robotics and Automation (WRC SARA). – 2019. – P. 291-295.
  13. Von Stumberg, L. Direct sparse visual-inertial odometry using dynamic marginalization / L. Von Stumberg, V. Usenko, D. Cremers // IEEE International Conference on Robotics and Automation (ICRA). – 2018. – P. 2510-2517.
  14. Leutenegger, S. Keyframe-based visual-inertial SLAM using nonlinear optimization / S. Leutenegger, S. Lynen, M. Bosse, R. Siegwart, P. Furgale // Proceedings of Robotics Science and Systems (RSS). – 2013.
  15. Rosten, E. Machine learning for high-speed corner detection / E. Rosten, T. Drummond // European Conference on Computer Vision (ECCV). – 2006. – P. 430-443.
  16. Li, R. UnDeepVO: Monocular visual odometry through unsupervised deep learning / R. Li, S. Wang, Z. Long, D. Gu // IEEE International Conference on Robotics and Automation (ICRA). –2018. – P. 7286-7291.
  17. Fursov, V.A. Prediction of estimates' accuracy for linear regression with a small sample size / V.A. Fursov, A.V. Gavrilov, A.P. Kotov // 41st International Conference on Telecommunications and Signal Processing (TSP). – 2018. – P. 679-685. – DOI: 10.1109/TSP.2018.8441385.
  18. Hartley, R. Multiple view geometry in computer vision / R. Hartley, A. Zisserman. – Cambridge: Cambridge University Press, 2003. – 271 p.
  19. Karlsson, L. Algorithms for hessenberg-triangular reduction of fiedler linearization of matrix polynomials / L. Karlsson, F. Tisseur // SIAM Journal on Scientific Computing. – 2015. – Vol. 37, Issue 3. – P. C384-C414.
  20. Гошин, Е.В. Метод определения внешних параметров камеры по паре изображений с использованием дуальных кватернионов / Е.В. Гошин, И.Р. Усеинова // Мехатроника, автоматизация, управление. – 2017. – Т. 18, № 4. – C. 279-284. – DOI: 10.17587/mau.18.279-284.
  21. Тестовая последовательность изображений «Dino» из набора «Middlebury» [Электронный ресурс]. – URL: http://vision.middlebury.edu/mview/data/data/dino.zip/ (дата обращения 07.10.2019).
  22. Bay, H. Surf: Speeded up robust features / H. Bay, T. Tuytelaars, L. Van Gool. – In: Computer Vision – ECCV 2006 / ed. by A. Leonardis, H. Bischof, A. Pinz. – Berlin, Heidelberg: Springer, 2006. – P. 404-417. – DOI: 10.1007/11744023_32.
  23. Rublee, E. ORB: An efficient alternative to SIFT or SURF / E. Rublee, V. Rabaud, K. Konolige, G.R. Bradski // International Conference on Computer Vision (ICCV). – 2011. –P. 2564-2571.
  24. Lowe, D.G. Object recognition from local scale-invariant features / D.G. Lowe // Proceedings of the Seventh IEEE International Conference on Computer Vision. – 1999. – Vol. 2. – P. 1150-1157.
  25. Библиотека обработки изображений OpenCV [Электронный ресурс]. – URL: http://opencv.org/ (дата обращения 07.10.2019).
  26. Moré, J.J. The Levenberg-Marquardt algorithm: Implementation and theory / J.J. Moré. – In: Numerical analysis / ed. by G.A. Watson. – Berlin, Heidelberg: Springer, 1978. – P. 105-116.
  27. Csurka G. Characterizing the uncertainty of the fundamental matrix / G. Csurka, C. Zeller, Z. Zhang, O. Faugeras // Computer Vision and Image Understanding. – 1997. – Vol. 68, Issue 1. – P. 18-36.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20