„Számítógépes látórendszerek - Ellenőrző kérdések: Kameramodellek, kalibráció” változatai közötti eltérés

A VIK Wikiből
Ugrás a navigációhoz Ugrás a kereséshez
6. sor: 6. sor:
 
(A ''Kameramodell, kalibráció'' diasoron van még  némileg több is.)
 
(A ''Kameramodell, kalibráció'' diasoron van még  némileg több is.)
 
=== Mátrix ===
 
=== Mátrix ===
Vetítés egyenlete: <math>x = P \cdot X = A \cdot [R  t] \cdot X  </math>
+
'''Vetítés egyenlete''': <math>x = P \cdot X = A \cdot [R  t] \cdot X  </math> <br/>
<math>P = A \cdot [R  t]</math>:  a vetítés mátrixa
+
'''A vetítés mátrixa''': <math>P = A \cdot [R  t]</math>:  <br/>
 
A vetítés mátrixa felbontható belső és külső paraméterekre.
 
A vetítés mátrixa felbontható belső és külső paraméterekre.
*Külső:<math>T_{ext} = [R  t]</math> - A kamera helyzetétől függenek a világ koordinátarendszerben
+
*'''Külső''':<math>T_{ext} = [R  t]</math> - A kamera helyzetétől függenek a világ koordinátarendszerben
*Belső:<math>A</math>: - A kamera paraméterei (kameramátrix)
+
*'''Belső''':<math>A</math>: - A kamera paraméterei (kameramátrix)
 
**Pixelsűrűség (pix/mm) (k,l)
 
**Pixelsűrűség (pix/mm) (k,l)
 
**Fókusztáv (f)
 
**Fókusztáv (f)

A lap 2015. június 9., 11:15-kori változata

← Vissza az előző oldalra – Számítógépes látórendszerek

Ismertesse a pinhole kameramodellt! (Rajz, egyenletek, paraméterek, mátrixok)

[1] [2] (A Kameramodell, kalibráció diasoron van még némileg több is.)

Mátrix

Vetítés egyenlete: [math]x = P \cdot X = A \cdot [R t] \cdot X [/math]
A vetítés mátrixa: [math]P = A \cdot [R t][/math]:
A vetítés mátrixa felbontható belső és külső paraméterekre.

  • Külső:[math]T_{ext} = [R t][/math] - A kamera helyzetétől függenek a világ koordinátarendszerben
  • Belső:[math]A[/math]: - A kamera paraméterei (kameramátrix)
    • Pixelsűrűség (pix/mm) (k,l)
    • Fókusztáv (f)
    • Skew (Θ)
    • Principális pont (px py)

Mutassa be a 3D markeres kalibráció elvét és lépéseit!

Elve

Van egy 3D objektumunk, azon előre ismert markerek. A markerek képét akarjuk meghatározni.

Lépései

  1. Markerek megkeresése
    1. Sarokdetektálással
  2. P meghatározása (projekciós mátrix)
  3. A, R, t meghatározása (külső-belső paraméterek)
  4. Becslések finomítása

Ismertesse a sakktáblás kalibráció elvét és lépéseit!

Elve: gyakran nincsen 3D kalibrációs objektum,ekkor 2D objektumot használunk.
Ismert számú sakktáblaszerűen elhelyezkedő markerünk van. Az egymástól mért távolságuk is ismert.

Lépései:

  • Sarokdetektálás
    • Mivel nincs 3D információnk a markerekről P mátrix nem határozható meg egyértelműen.
  • Homográfia (H mátrix meghatározása DLT- vel)
  • Kameramátrix meghatározása
  • Torzítások figyelembevétele

Hogyan lehet a kamerák torzítását figyelembe venni a kalibráció során?

Csak a radiális torzítást vesszük figyelembe, mert általában ez a domináns.

(A diasorban leírt képlet magyarázata itt található.)

Hogyan néz ki a sztereó elrendezés? Mi az esszenciális és a fundamentális mátrix?

Ismertesse a 7 és 8 pontos kalibrációs algoritmusok elvét és lépéseit!

7 pontos

Elve

Fundamentális mátrix szinguláris mátrix kell, hogy legyen. Plusz egy megkötés → 7 pont elég

Lépések

  1. DLT módszerrel általános megoldás 2 dimenziós → megoldáshalmaz
  2. Megoldás alakja:
  3. [math] det(F) = 0 [/math] feltételből a paraméterek számolása

Ismertesse a RANSAC algoritmust (előnyök, hátrányok) és a felhasználási lehetőségeit!

Felhasználási lehetőségek:
Kalibráció, 2D/3D alakfelismerés

Lépései:
kiindulás: sok pontpárunk van

  1. Véletlen 7/8 pontpár halmazok kiválasztása
  2. 7/8 pontos kalibráció elvégzése minden halmazra
  3. Megnézni, hogy hány pontpár illeszkedik kis hibával az adott fundamentális mátrixra
  4. A legjobb kiválasztása

Előnyök:

  1. Egyszerű
  2. 50%-nál nagyobb arányú outlier esetén is működik
  3. Zajos esetben is jól használható, ekkora mértékű zaj esetén az LS becslés teljesen csődöt mond

Hátrányok:

  1. Nem garantált, hogy megtalálja a jó megoldást!
  2. Ha szeretnénk biztosra menni, akkor nagyon sok véletlen jelöltet kell állítani: nagyon lassú tud lenni!