WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 || 3 |

В третьем разделе приводится обзор методов определения внешних па­ раметров модели камеры (положения и ориентации в пространстве). Часто эти методы называют методами внешней калибровки. Необходимость опреде­ ления внешних параметров модели камеры возникает при решении разных задач. Это и фотограмметрия, и трёхмерная реконструкция по изображени­ ям, и видеонаблюдение. Если положение камеры в пространстве может быть непосредственно измерено, то для определения ориентации необходимо сопо­ ставить изображение, полученное от камеры, и координаты, изображённых на Z. Zhang. A flexible new technique for camera calibration // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2000. — Vol. 22, no. 11. — Pp. 1330-нём объектов, в трёхмерном пространстве. Однако, измерение положения ка­ меры не всегда является простым решением. Зачастую камеры расположены в труднодоступных местах (например, под крышей ангара), либо положение камеры часто изменяется (например, в иследовательских лабораториях), то­ гда процедура измерения отнимает много времени. Поэтому возникла необхо­ димость в разработке алгоритмов внешней калибровки камер, позволяющих быстро определять положение и ориентацию камер даже при затруднённом доступе к ней.

Методы внешней калибровки можно разделить на две группы: методы калибровки одной камеры и методы совместной калибровки группы камер.

Для определения положения и ориентации камеры используется набор известных соответствий Xi xi (i = 1..N) между точками в трёхмерном пространстве Xi и их изображениями на кадре xi. В общем случае данный подход позволяет определить обобщённую матрицу калибровки H = K · P · [R|C]. Из соотношения xi HXi = 0 получаем 0T -XiT xyXiT Hi XiT 0T -xxXiT H2 = 0 (4) i -xyXiT -xxXiT 0T Hi i Из (4), в силу линейной зависимости рядов, получаем систему из 2N ли­ нейных уравнений с 12-ю неизвестными. Обобщённая матрица калибровки может быть определена по 6 известным соответствиям. Для повышения точ­ ности определения параметров калибровки используется большее количество соответствий и применяется метод наименьших квадратов. Матрица H может быть факторизована в произведение матриц K, P и [R|C].

Соответствия между точками трёхмерного пространства и их изображе­ ниями на кадре устанавливаются вручную, либо при помощи калибровочных маркеров. Описанный подход к внешней калибровке видеокамеры позволяет определять положение и ориентацию камеры с высокой точностью, но требу­ ет много времени на проведение качественных измерений.

Для проведения исследований в области трёхмерной реконструкции по изображениям в разных университетах стали создаваться специальные ла­ боратории с большим количеством камер. Процедура калибровки в таких лабораториях требует значительного времени. Кроме того, калибровку при­ ходится повторять каждый раз при изменении положения камер. Поэтому возникла необходимость в разработке новых алгоритмов внешней калибров­ ки камер, позволяющих быстро и с минимальным участием человека опреде­ лять положения и ориентации камер. Для решения этой задачи используются различные алгоритмы совместной калибровки группы камер.

Проведённое исследование показало, что большинство методов калибров­ ки группы камер разработаны для неподвижных камер. Они могут быть ис­ пользованы для работы с поворотными камерами, но для этого камеры долж­ ны быть предварительно настроены таким образом, чтобы перекрывались их области видимости. Данное требование, как правило, невозможно удовлетво­ рить при калибровке в больших помещениях со сложной топологией. Алго­ ритмы для внешней калибровки поворотных камер требуют использования камер определённого вида, либо ориентированы на калибровку в небольших помещениях. Поэтому, для решения поставленных в работе задач, потребова­ лось разработать алгоритм, позволяющий определять положение и ориента­ цию поворотных камер в больших помещениях с незначительным участием человека.

В четвёртом разделе описывается разработанный метод совместной калибровки группы камер в больших помещениях.

Для калибровки поворотных камер в больших помещениях предлагается использовать стационарные графические маркеры. Маркеры должны быть небольшого размера, для того чтобы их было легко размещать, поскольку ос­ новная цель разработки заключается в упрощении работы человека. Также встаёт проблема отождествления изображений одного маркера, полученных от разных камер, поскольку это важнейший момент любого алгоритма калиб­ ровки. Следовательно, каждый маркер должен быть уникален.

Для обеспечения указанных условий наилучшим образом подходят марке­ ры с двухмерным баркодом. Баркод — это образец, кодирующий цифровую информацию графическим способом. Существует две разновидности барко­ дов: линейные и двухмерные, в дальнейшем под баркодом будем подразуме­ вать двухмерный баркод.

(а). Maxicode мар­ (б ). Data Matrix (в). Quick Responce (г). ARTag маркеры кер маркер маркер Рис. 2. Примеры баркодов Большинство способов построения баркодов хорошо подходят для переда­ чи информации, но не устойчивы к перспективным искажениям: Maxicode, Data Matrix, Quick Responce. Система кодировки ARToolKit лишена этого недостатка, но надёжность распознавания маркера данной системой суще­ ственно зависит от условий освещения из-за выделения маркера по порогу. В системе ARTag устойчивость выделения значительно повышена за счёт выде­ ления маркеров по границам. Примеры баркодов приведены на рис. 2.

Для выделения и распознавания маркеров в разработанном алгоритме используется метод ARTag, поскольку он лучше всего подходит для задачи калибровки. При калибровке не требуется большого количества маркеров, поэтому исходный алгоритм ARTag используется в модифицированном виде:

маркер состоит из 4 4 клеток, что позволяет повысить надёжность распознавания на большом расстоянии от камеры при том же размере маркера;

номер маркера кодируется с избыточностью в 8 бит.

Алгоритм калибровки группы камер состоит из четырёх этапов.

1. Размещение калибровочных маркеров.

Маркеры распечатываются на принтере на листах формата А4. Человек закрепляет их на стенах и полу помещения.

2. Обнаружение и идентификация маркеров.

Для обнаружения маркеров поворотные камеры сканируют окружение по азимуту и углу места таким образом, чтобы соседние области ви­ димости перекрывались. В каждом положении выполняется поиск и распознавание маркеров.

В результате формируется набор калибровочных данных: ij, ij — уг­ лы смещения объектива камеры по азимуту и углу места; x1, x2, x3, ij ij ij x4 — однородные координаты вершин маркера на изображении (i — ij номер камеры; j — номер маркера). Камеры могут обнаружить не все маркеры. Li — количество маркеров обнаруженных i-й камерой.

3. Начальная оценка.

На этом этапе производится начальная оценка взаимного расположения и ориентации камер и маркеров. В процессе выполнения оценки реша­ ются две задачи:

определение положения и ориентации камеры при известном поло­ жении наблюдаемого маркера;

определение положения наблюдаемого маркера при известных по­ ложении и ориентации камеры.

Определение положения и ориентации камеры.

Известны: x1, x2, x3, x4 — однородные координаты вершин маркера на изображении; X1, X2, X3, X4 — однородные координаты вершин марке­ ра в пространстве. Из (3) получим K(f)·P ·()·()·[R|C]· X1 X2 X3 X4 = x1 x2 x3 x4 (5) Матричное уравнение (5) сводится к системе из двенадцати линейных уравнений с двенадцатью неизвестными. Решая систему, получаем зна­ чения элементов матрицы [R|C].

Определение положения маркера.

Известны: x1, x2, x3, x4 — однородные координаты вершин маркера на изображении; C, R — положение и ориентация камеры; W — ширина маркера в единицах измерения мировой системы координат. Пусть еди­ ничные векторы v1(R), v2(R), v3(R), v4(R) — задают прямые, проходя­ щие через центр камеры и точки соответствующих вершин маркера на изображении; единичный вектор v(R) — задаёт прямую, проходящую через центр маркера на изображении. Тогда координаты вершин мар­ кера в пространстве определяются по формуле W Xi = C +, i = 1..4 (6) 2 sin(arccos(v(R) vi(R))) Начальная оценка взаимного расположения и ориентации камер и мар­ керов выполняется по следующему алгоритму:

1. выбирается маркер, видимый наибольшим количеством камер;

2. задаются координаты вершин маркера, с учётом его формы и раз­ мера;

3. вычисляются положения и ориентации камер, видящих выбранный маркер;

4. выбирается маркер с неизвестным положением, видимый наиболь­ шим количеством неизвестных камер и хотя бы одной известной;

5. вычисляется положение выбранного маркера;

6. если есть камера с неизвестным положением и ориентацией, — к пункту 3;

7. если есть маркеры с неизвестным положением, — к пункту 4.

4. Калибровка камер.

Задача калибровки заключается в том, чтобы по собранным калибро­ вочным данным определить положение и ориентацию камер в единой системе координат. Решение получаем, минимизируя ценовую функцию F (Ri, Ci, Mj), построенную на основе математической модели поворот­ ной камеры (3), где Ri — матрица поворота i-й камеры; Ci — положение i-й камеры в пространстве; Mj = (Xj, Yj, Zj) — положение j-го маркера в пространстве; (xij, yij) — координаты центра маркера на кадре.

F (Ri, Ci, Mj) = Xj xij Yj = i,j yij - K (f) · P · () · () · [Ri|Ci] · Zj (7) E Для минимизации ценовой функции используется итерационный алго­ ритм нелинейной оптимизации на основе доверительных областей. В качестве начального приближения параметров используются значения, полученные на этапе начальной оценки. В результате получаем положе­ ние (Ci) и ориентацию (Ri) всех камер и положение всех маркеров (Mj) в единой системе координат.

Для корректной работы предложенного алгоритма калибровочные дан­ ные должны удовлетворять двум условиям:

каждый калибровочный маркер должны обнаружить не менее чем две камеры;

если разделить все камеры произвольным образом на две непустые груп­ пы, то количество маркеров, обнаруживаемых камерами из обеих групп, должно быть не менее трёх.

В противном случае определение параметров невозможно, что следует из про­ стых геометрических соображений.

Точность предложенного метода совместной калибровки группы камер оценивалась на синтетических данных. Для этого был разработан модуль в системе математических расчётов MATLAB. На рис. 3 и рис. 4 приведены графики, отражающие зависимость точности калибровки от количества ис­ пользуемых калибровочных маркеров для систем из 10, 20 и 30 камер. При условии, что каждая камера обнаруживает половину маркеров.

Исследование показало, что при использовании для калибровки более маркеров ошибка репроекции составляет 0.15 пикселей. Эти показатели под­ тверждаются экспериментальными данными.

Предложенный метод совместной калибровки камер не уступает по точ­ ности определения положения и ориентации камер методам совместной ка­ либровки для лабораторий. Процесс калибровки не занимает много времени Рис. 3. Погрешность определения положе­ Рис. 4. Погрешность определения ориента­ ния камер ции камер и не требует специальных знаний и навыков. Также описана модификация, позволяющая выполнять калибровку гибридных систем, состоящих из фик­ сированных и поворотных камер.

Предложенный метод реализован на языке C в виде динамически подклю­ чаемой библиотеки gml_calibration.dll. Библиотека включает функции распо­ знавания маркеров на изображении и калибровки поворотных и фиксирован­ ных камер. В разделе приводится описание библиотеки.

Результаты первой главы опубликованы в работах [1, 8].

Во второй главе даётся обзор существующих методов обнаружения об­ ластей интереса по видео и предлагается собственный метод, объединяющий достоинства существующих подходов.

В первом разделе главы коротко описывается задача обнаружения об­ ластей интереса по видео. К областям интереса относятся области кадра, которые соответствую: движущимся объектам, оставленным объектам, про­ павшим объектам.

Во втором разделе приводится обзор и анализ методов обнаружения объектов по видеоданным.

Существует два подхода к обнаружению объектов в видеопотоке.

1. Выделение фона.

Бывает с моделью фона и без. В первом случае строится модель фона и анализируется отличие кадра от модели. Во втором модель фона не строится, а оценивается отличие от одного или нескольких предыдущих кадров.

Данный подход позволяет обнаруживать оставленные и пропавшие объ­ екты, но при изменении условий освещения работает неустойчиво.

2. Анализ движения. Для каждого пикселя определяется вектор смеще­ ния относительно положения в предыдущем кадре. Затем анализирует­ ся полученное поле векторов.

Анализ движения устойчиво работает даже при значительном измене­ нии условий освещения, но имеет высокую вычислительную сложность.

Подход не позволяет обнаруживать оставленные и пропавшие объекты.

В третьем разделе описывается разработанный метод обнаружения об­ ластей интереса на видео. Метод объединяет достоинства описанных выше подходов: устойчивость к изменению освещения и обнаружение неподвижных объектов.

При неизменных условиях освещения используется обнаружение по мо­ дели фона, что позволяет обнаруживать как движущиеся так и непо­ движные объекты.

В случае изменения освещения обнаружение осуществляется при по­ мощи анализа движения, до тех пор пока модель фона не обновится полностью.

Для поворотных камер применяется моделирование окружения в виде сферической панорамы. Для минимизации объёма используемой памяти мо­ дель накапливает только среднюю яркость пикселей для фокусного расстоя­ ния, соответствующего углу зрения камеры в 15. Для хранения такой модели требуется 38 мегабайт памяти. Модель позволяет обнаруживать объекты на расстоянии до 50 метров.

Для повышения надёжности выделения областей интереса необходимо учитывать уровень шума. Согласно исследованиям, уровень шума зависит от яркости пикселя. Поэтому для оценки уровня шума используется подход, предложенный автором в статье [4]. Шкала яркости разбивается на несколь­ ко непересекающихся интервалов. Из панорамы выбирается несколько пик­ селей с яркостью, лежащей в центре одного из интервалов. Для выбранных пикселей отслеживается флуктуация яркости и определяется уровень шума.

Уровень шума для всех значений яркости из интервала вычисляется путём бикубической интерполяции.

Выделение областей интереса осуществляется по следующему алгоритму:

1. помечаются пиксели кадра, отличие которых от соответствующих им пикселей модели превышает уровень шума;

2. помеченные пиксели объединяются в связные области;

3. область помечается как объект, если её размер превышает 600 пикселей.

Описанный алгоритм позволяет на расстоянии 50 метров и угле зрения каме­ ры в 15 обнаружить объект, площадь которого превышает 1 м2.

Pages:     | 1 || 3 |






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»