Υπολογιστική Όραση ΤΜΗΥΠ ΕΡΓΑΣΤΗΡΙΟ ΕΠΕΞΕΡΓΑΣΙΑΣ

Παρουσίαση με θέμα: "Υπολογιστική Όραση ΤΜΗΥΠ ΕΡΓΑΣΤΗΡΙΟ ΕΠΕΞΕΡΓΑΣΙΑΣ"— Μεταγράφημα παρουσίασης:

1 Υπολογιστική Όραση ΤΜΗΥΠ ΕΡΓΑΣΤΗΡΙΟ ΕΠΕΞΕΡΓΑΣΙΑΣ
ΣΗΜΑΤΩΝ & ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ

2 Υπολογιστική Όραση Επισκόπιση Μαθήματος
Στερεοσκοπική Αντιστοίχιση Ανασταλτικοί Παράγοντες Βασικές Υποθέσεις Μοντέλο κάμερας Προβολική Γεωμετρία Τεχνικές Στερεοσκοπικής Αντιστοίχισης

3 Υπολογιστική Όραση Στερεοσκοπική Αντιστοίχιση
Γενικό πρόβλημα: Αντιστοίχισε το προφίλ αναφοράς I(x,y) με τo προφίλ εισόδου J(x,y) Πρόβλημα I(x,y) J(x,y) Σκοπός Στερεοσκοπική Αντιστοίχιση (Stereo Correspondence) Αριστερή εικόνα L(x,y) Δεξιά εικόνα R(x,y) Χάρτης Ανομοιότητας

4 Υπολογιστική Όραση Βασικό ερώτημα (Γενική Περίπτωση)
Δοθέντων δύο εικόνων, ποια είναι τα αντίστοιχα σημεία τους; Αντίστοιχα σημεία: προβολές του ίδιου σημείου της σκηνής στις εικόνες ποιος είναι ο μετασχηματισμός, που εφαρμοζόμενος στη μία εικόνα, παρέχει την άλλη; Η γεωμετρία του χώρου και ο προσανατολισμός του(ων) αισθητήρα(ων) όρασης δεν είναι γνωστά Μόνη πηγή πληροφορίας: η ένταση φωτεινότητας των εικόνων

5 Υπολογιστική Όραση Ανασταλτικοί παράγοντες
Ψηφιακή Εικόνα Θόρυβος καταγραφής 1 εικονοστοιχείο αντιστοιχεί σε πολλά σημεία της σκηνής Προοπτίκη Προβολή Προβολή 3D σε 2D (απώλεια πληροφορίας) Κίνηση Κάμερας/Σκηνής Παραμόρφωση αντικειμένων Μη ομοιόμορφος (φυσικός) φωτισμός -Μη λαμπερτιανές επιφάνειες Ασυνέχειες Βάθους Ημι-αποκλεισμένες περιοχές Παραμόρφωση φακού Ευθείες μετατρέπονται σε καμπύλες Τιμή Pixel Περιοχή pixel Λαμπερτιανή επιφάνεια Μη λαμπερτιανή επιφάνεια

6 Υπολογιστική Όραση Βασική Υπόθεση
ROI Σταθερή ένταση φωτεινότητας (Brightness Constancy Assumption) [Horn and Schunk ‘81] Ένα σημείο της σκηνής απεικονίζεται με την ίδια ένταση φωτεινότητας σε όλες τις εικόνες Αδυναμία ισχύος σε πρακτικές εφαρμογές Καλή προσέγγιση αν t2-t10 Δx0 Δy0 Video με μεγάλο fps x0,y0 Δx Δy

7 Υπολογιστική Όραση Μοντέλο Κάμερας

8 Υπολογιστική Όραση Προβολική Γεωμετρία ∏ f

9 Υπολογιστική Όραση Συμβολισμοί O – Εστιακό Κέντρο π – Επίπεδο Εικόνας
Z – Οπτικός Άξονας f – Εστιακή Απόσταση Υπολογιστική Όραση Συμβολισμοί (Χ,Υ,Ζ) π

10 Υπολογιστική Όραση Προβολή y (Χ,Υ,Ζ) x f Y X Z

11 Υπολογιστική Όραση Συστήματα Δύο Αισθητήρων
Τυχαίος Προσανατολισμός Αισθητήρων Επιπολικές γραμμές

12 Οι επιπολικές γραμμές ταυτίζονται με τις γραμμές των εικόνων
Υπολογιστική Όραση Κανονικό Στερεοσκοπικό Σύστημα Παράλληλοι οπτικοί άξονες Οι οριζόντιοι άξονες (x) των δύο συστημάτων ταυτίζονται Επιπολικές γραμμές Κανονικός Προσανατολισμός Οι επιπολικές γραμμές ταυτίζονται με τις γραμμές των εικόνων

13 Υπολογιστική Όραση Κανονική Διάταξη Αισθητήρων
Η Αρχή του Σ.Σ. στο μέσο του Ε.Τ. που ενώνει τα οπτικά κέντρα

14 Υπολογιστική Όραση Ανομοιότητα (Disparity)
Η διαφορά ονομάζεται ανομοιότητα Το d είναι αντιστρόφως ανάλογο του Ζ Το d είναι ανάλογο του b

15 Υπολογιστική Όραση Στερεοσκοπική Αντιστοίχιση
Υπολογισμός ανομοιότητας ως προς την εικόνα αναφοράς (π.χ. αριστερή) Ανομοιότητα: η απόσταση σε εικονοστοιχεία συζυγών ζευγών όταν τοποθετήσουμε τη μία εικόνα πάνω από την άλλη Αναζήτηση συζυγών ζευγών (αντιστοίχων σημείων) κατά μήκος των επιπολικών γραμμών Επιλογή κανονικού συστήματος

16 Υπολογιστική Όραση Μέθοδοι Στερεοσκοπικής Αντιστοίχισης
Χάρτης Ανομοιότητας Τοπικές μέθοδοι (pixel-wise) Απαραίτητη χρήση παραθύρου (window-based) Επιλογή αντίστοιχου σημείου από πολλά υποψήφια (winner takes all) Ημι-ολικές μέθοδοι Δυναμικός προγραμματισμός (row by row) Αναζήτηση βέλτιστου μονοπατιού στο επίπεδο Ολικές μέθοδοι Αναζήτηση βέλτιστης επιφάνειας στο χώρο ανομοιότητας (disparity space image) Ομαλότητα (-) (+) Ακρίβεια (+) (-) Πολυπλοκότητα (+) (-)

17 Υπολογιστική Όραση Τοπικές μέθοδοι L R d(100,50)=4L(100,50)=R(96,50)
E(d)

18 Υπολογιστική Όραση Στερεοσκοπική Αντιστοίχιση
Υπολογισμός ανομοιότητας ως προς την εικόνα αναφοράς (π.χ. αριστερή) Ανομοιότητα: η απόσταση σε εικονοστοιχεία συζυγών ζευγών όταν τοποθετήσουμε τη μία εικόνα πάνω από την άλλη Αναζήτηση συζυγών ζευγών (αντιστοίχων σημείων) κατά μήκος των επιπολικών γραμμών Επιλογή κανονικού συστήματος

19 μειώνει το χώρο αναζήτησης
Υπολογιστική Όραση Περιορισμοί και Υποθέσεις Περιορισμοί Μοναδικότητα: κάθε σημείο της αριστερής εικόνας έχει μοναδικό αντίστοιχο στη δεξιά Υποθέσεις Σειρά προβολής: η σειρά εμφάνισης δύο σημείων στην αριστερή και δεξιά εικόνα δεν αλλάζει. Η ανομοιότητα σε γειτονικά σημεία δεν μπορεί να ποικίλει έντονα μειώνει το χώρο αναζήτησης αντίστοιχων σημείων :-) Η υϊοθέτηση περιορισμών και υποθέσεων μπορεί να προκαλέσει διάδοση σφαλμάτων :-(

20 Υπόθεση: Σειράς προβολής
Υπολογιστική Όραση Περιορισμοί και Υποθέσεις Υπόθεση: Σειράς προβολής

21 Υπολογιστική Όραση Υπόθεση Σειρας Προβολής

22 Υπολογιστική Όραση Προβλήματα-Ανασταλτικοί Παράγοντες
Περιοχές μη έντονης υφής Ασυνέχειες Βάθους Φωτομετρικές Παραμορφώσεις Περιοδικότητες

23 Υπολογιστική Όραση Ακρίβεια χάρτη ανομοιότητας
Υπολογιστικό κόστος (-) (+) Παρεμβολή στη συνάρτηση έντασης φωτεινότητας Δημιουργία εικόνων υψηλότερης ανάλυσης Αντιστοίχιση στο πεδίο συχνοτήτων Χρήση πληροφορίας φάσης Παρεμβολή στη συνάρτηση κόστους Πολυωνυμική παρεμβολή Διαφορική αντιστοίχηση Χρήση πληροφορίας παραγώγου/κλίσης (+) (-)

24 Υπολογιστική Όραση Παρεμβολή και Διαφορική Αντιστοίχιση
Παρεμβολή της συνάρτηση κόστους [Anandan ’89] π.χ. παρεμβολή 2ου βαθμού Βέλτιστη ανομοιότητα: d0+t Διαφορική αντιστοίχιση [Lucas-Kanade ’81] Χρήση Taylor expansion επαναληπτική διαδικασία C(d) t d0+1 d0 d0-1 θέση ελαχίστου ενημέρωση Αρχικοποίηση: Εκτίμηση:

25 Πρόβλημα Βελτιστοποίησης
Υπολογιστική Όραση Τροποποιημένος συντελεστής συσχέτισης-ECC W7x7 Συντελεστής συσχέτισης Ακρίβεια εικονοστοιχείου Πυρήνας παρεμβολής Ενσωμάτωση πυρήνα στο συντελεστή συσχέτισης Ακρίβεια μικρότερη του εικονοστοιχείου Ανεξαρτησία από γραμμικές φωτομετρικές παραμορφώσεις n m Πρόβλημα Βελτιστοποίησης

26 Υπολογιστική Όραση Βελτιστοποίηση ECC Συνάρτηση κόστους: Δοθέντος d0,
όπου , Δοθέντος d0, Κλειστού τύπου λύση οδηγεί σε μηδαμινή αύξηση της πολυπλοκότητας

27 Υπολογιστική Όραση Υπολογισμός Βέλτιστης Λύσης Θεώρημα:
Η συνάρτηση παρουσιάζει μοναδικό ακρότατο στη θέση Το ακρότατο αυτό αντιστοιχεί σε ολικό μέγιστο, αν και μόνο αν ο παρανομαστής του είναι αρνητικός. Στην περίπτωση αυτή, η μέγιστη τιμή της συνάρτησης είναι:

28 Υπολογιστική Όραση Αποτελέσματα Προσομοίωσης Τεχνητές εικόνες Ολική
Form I Form II NCC ENCC ti=0.4333 ti=0.4333 Ολική Μετατόπιση Εικόνων

29 Υπολογιστική Όραση Στερεοσκοπικές Εικόνες Ασυνέχειες Αποκλεισμοί
Αριστερή εικόνα Δεξιά εικόνα Χάρτης Ανομοιότητας Venus Map Sawtooth

30 Υπολογιστική Όραση Αποτελέσματα Προσομοίωσης Τύπος μέτρησης σφάλματος
: εκτίμηση ανομοιότητας Τύπος μέτρησης σφάλματος Περιοχή ενδιαφέροντος: : πραγματική ανομοιότητα : μέγεθος περιοχής ενδιαφέροντος : περιοχή ασυνεχειών : περιοχή αποκλεισμών NCC Λανθασμένες αντιστοιχίσεις (δ=1) χωρίς τη διόρθωση τ Αρχικές Εικόνες ENCC Φωτομετρικά παραμορφωμένες εικόνες

31 Υπολογιστική Όραση Αποτελέσματα Προσομοίωσης
Pixel locking effect (Shimizu-Okutomi ’01) Η τάση της κατανομής εκτιμήσεων να δημιουργεί λοβούς γύρω από ακέραιες τιμές Μερική ακύρωση του φαινομένου με πρωθύστερη δράση Ground NCC Κατανομή εκτιμήσεων ανομοιότητας στην περιοχή [15-,17+] για την εικόνα Sawtooth ENCC SOM SOM: Shimizu-Okutomi Modification

32 Υπολογιστική Όραση Συμπεράσματα Εύρωστη σε φωτομετρικές παραμορφώσεις
Παροχή ανομοιοτήτων με ακρίβεια μικρότερη του εικονοστοιχείου Μικρό υπολογιστικό κόστος Κλειστού τύπου λύση Απαλλαγή από το pixel locking effect Χρήση της βέλτιστης λύσης ως ανιχνευτή προβληματικών σημείων (ημι-αποκλεισμένες περιοχές)

33 Υπολογιστική Όραση Παραμετρικές Τεχνικές Area-based (direct) τεχνικές
Αντιστοίχιση βασισμένη στην ένταση φωτεινότητας όλων των εικονοστοιχείων της ROI Απευθείας αναζήτηση παραμετρικού μοντέλου Featured-based τεχνικές Αντιστοίχιση βασισμένη σε επιλεγμένα χαρακτηριστικά (γωνίες, ακμές) της ROI Χρήση τελεστή αναγνώρισης χαρακτηριστικών Αντιστοίχιση κοινών χαρακτηριστικών Χρήση παραμετρικού μοντέλου για τη συνολική αντιστοίχιση δοθείσης της αντιστοίχισης χαρακτηριστικών Παραμετρικό μοντέλο Αντιστοίχιση Αντιστοίχιση Παραμετρικό μοντέλο

34 Υπολογιστική Όραση Area-based παραμετρικές τεχνικές Παράδειγμα
Ορισμός παραμετρικού μοντέλου Βάσει της φύσης και των απαιτήσεων του προβλήματος Ορισμός συνάρτησης κόστους Βελτιστοποίηση συνάρτησης κόστους Υπολογισμός των παραμέτρων που βελτιστοποιούν τη συνάρτηση κόστους

35 Υπολογιστική Όραση Τεχνικές Βελτιστοποίησης
Μέθοδοι πλήρους αναζήτησης (full search) Αναλυτική αναζήτηση των Ν παραμέτρων στον Ν-D χώρο (-) Υψηλό υπολογιστικό κόστος (-) Πεπερασμένη ακρίβεια (+) Αντιστάθμιση μεγάλων μετατοπίσεων Μέθοδοι βασισμένες στην κλίση της έντασης των εικόνων (gradient-based) (+) Μεγαλύτερη ακρίβεια (θεωρητικά ίση με το eps της μηχανής) (+) Μικρό υπολογιστικό κόστος (+) Δυνατότητα χρήσης επαναληπτικού σχήματος εγκλωβισμός (-) Αδυναμία διαχείρισης μεγάλων μετατοπίσεων Χρήση πυραμιδικού σχήματος Υβριδικές μέθοδοι

36 Υπολογιστική Όραση Γενικό πρόβλημα Ευθυγράμμισης εικόνων
Ορισμός παραμετρικού μοντέλου W(x;p) x=[x,y]t, p=[p1,p2,…,pn]t Ορισμός μέτρου ομοιότητας μεταξύ εικόνας αναφοράς IR (reference image) και γεωμετρικά παραμορφωμένης εικόνας IW (warped image) Αντιστάθμιση φωτομετρικών παραμορφώσεων

37 Υπολογιστική Όραση Αντιστάθμιση φωτομετρικών παραμορφώσεων (contrast-brightness) Lucas – Kanade ‘81 Επαναληπτικός αλγόριθμος Fuh – Maragos ‘91 Αναλυτική Αναζήτηση ECC ‘08 Επαναληπτικός αλγόριθμος

38 Υπολογιστική Όραση Σχέση μεταξύ αλγορίθμων
Ελαχιστοποίηση ως προς τις φωτομετρικές παραμορφώσεις (separable variables) LK: FM: Μόνη περίπτωση ισοδυναμίας: Κανένα από τα δύο προβλήματα δεν είναι ισοδύναμο με το

39 Υπολογιστική Όραση Αλγόριθμος ECC – Βασική ιδέα Κανόνας ενημέρωσης:
Προσέγγιση η Ιακωβιανή μήτρα του ως προς τις παραμέτρους Ακολουθία υποδεέστερων μη γραμμικών προβλημάτων βελτιστοποίησης

40 Υπολογιστική Όραση Υπολογισμός βέλτιστης λύσης
ΘΕΩΡΗΜΑ Η συνάρτηση μεγιστοποιείται για Αν τότε το είναι ολικό μέγιστο για όπου Αν τότε το είναι το άκρο ενός διαστήματος και το μπορεί να πάρει οποιαδήποτε τιμή ικανοποιεί τους περιορισμούς

41 Υπολογιστική Όραση Υπολογισμός βέλτιστης λύσης
ΛΗΜΜΑ Μια ικανή συνθήκη για να ισχύουν οι περιορισμοί είναι: όπου ,

42 Υπολογιστική Όραση Βήματα Αλγορίθμου FA-ECC Αρχικοποίηση p0
j=1 Επαναληπτική διαδικασία Υπολόγισε την εικόνα Iw(W(x;pj-1)) Υπολόγισε την Ιακωβιανή μήτρα G(pj-1) Υπολόγισε τη βέλτιστη λύση Δpj σύμφωνα με το θεώρημα και το λήμμα Ενημέρωσε τις παραμέτρους pj=pj-1+Δpj Αν ||Δpj||>ε, τότε j++ και πήγαινε στο 1. Διαφορετικά σταμάτα.

43 Υπολογιστική Όραση Αντίστροφο πρόβλημα – Σύνθεση μετασχηματισμών
Αντίστροφο πρόβλημα [Hager-Belhumeur ’98] Υπολόγισε πως πρέπει να μετασχηματίσεις την IR για να αντιστοιχιστεί με την IW Εφάρμοσε τον αντίστροφο μετασχηματισμό στην IW Σύνθεση μετασχηματισμών [Shum-Szeliski ’00] Κανόνας ενημέρωσης W(x;pj)=W(x;pj-1)oW(x;Δpj) H Hessian μήτρα της βέλτιστης λύσης γίνεται ανεξάρτητη των παραμέτρων H Ιακωβιανή του μετασχηματισμού γίνεται ανεξάρτητη των παραμέτρων

44 Υπολογιστική Όραση Βήματα Αλγορίθμου IC-ECC Αρχικοποίηση p0
j=1 Υπολόγισε την Ιακωβιανή μήτρα Gr(pj-1) και τον αντίστροφο (GrTGr)-1 Επαναληπτική διαδικασία Υπολόγισε την εικόνα Iw(W(x;pj-1) Υπολόγισε τη βέλτιστη λύση Δpj σύμφωνα με το θεώρημα και το λήμμα Ενημέρωσε τo μοντέλο W(x;pj)=W(x;pj-1)oW(x;Δpj)-1 Αν ||Δpj||>ε, τότε j++ και πήγαινε στο 1. Διαφορετικά σταμάτα.

45 (Ν: αριθμός παραμέτρων
Υπολογιστική Όραση Επαναληπτικοί Αλγόριθμοι-Σύγκριση Πολυπλοκότητα (Ν: αριθμός παραμέτρων Κ: αριθμός εικ/χίων) Δυνατότητα Εφαρμογής Ευαισθησία στο θόρυβο Lucas-Kanade ’81 (Forwards Additive LK) O(KN2) Οποιοδήποτε μοντέλο Μικρή Haager-Belhumeur ’98 (Inverse Additive LK) O(KN) Γραμμικό 2D Μεγάλη Shum-Szeliski ’00 (Forwards – Compositional LK) Ημι-ομάδα Baker-Matthews ’04 (Inverse Compositional LK) Ομάδα FA-ECC (2007) IC-ECC (2008)