Método SfM: etapas, resultados y RANSAC

Método SfM: etapas y resultados

En el método se resuelve la posición de la cámara y la geometría de la escena simultánea y automáticamente, mediante un ajuste de haces altamente redundante basado en la correspondencia de un conjunto poco denso de elementos en múltiples imágenes convergentes.

Enfoque adecuado para series de imágenes con mucho solapamiento que capturan la estructura tridimensional completa de la escena vista desde muchas posiciones o para imágenes derivadas de un sensor en movimiento.

Cálculo de las posiciones de la cámara y los puntos 3D a partir de una secuencia de al menos 2 imágenes se realiza simultáneamente - SfM.

Procedimiento estándar: conjunto de puntos poco denso - suficiente cálculo posiciones o seguimiento cámara, pero no aplicaciones de modelado y visualización que requieren mayor densidad de puntos reconstruidos.

Paso posterior: reconstrucción de un conjunto denso de puntos 3D.

Etapas:

1- Obtención de imágenes

2- Detección y correspondencia de elementos

3- Determinación de las posiciones de la cámara y triangulación

4- Optimización

5- Reconstrucción de la geometría 3D de la escena

Datos necesarios: imágenes objeto

Resultados obtenidos: matrices de orientación de imágenes y nube de puntos 3D del objeto.

RANSAC

a) Medición automática en múltiples imágenes de puntos de referencia codificados preseñalizados;

RANSAC método robusto para realizar ajuste datos a un modelo, es adecuado cuando los datos son muy numerosos y puede haber muchos errores (outliers).

En este caso, se miden en las imágenes de forma automática los puntos de referencia, señales codificadas, patrones únicos que el algoritmo debe encontrar, identificar y localizar. Habrá pequeños errores. RANSAC no es necesario!

b) Obtención orientación relativa de un par estereoscópico de imágenes a partir de la medición automática de múltiples puntos en las zonas de Grüber

En la orientación relativa automática se miden gran número de puntos en cada una de las zonas de Gruber en las dos imágenes y se obtienen las correspondencias entre ellos, estas se emplean para obtener el modelo matemático aplicado en la orientación relativa (matriz, coplanaridad...)

En este caso se disponen de muchos datos, muchos de ellos pueden ser erróneos, para obtener un modelo matemático que se calcula a partir de un número mínimo de puntos (9 matriz, 5 cop). RANSAC es adecuado, ya que permite estimar el modelo a partir de un número pequeño de muestras de puntos con una probabilidad prefijada que no contengan outliers.