Papagna Sabino
Flavia Camoes

Ricostruire un oggetto in 3D a partire da
immagini dell’oggeto da più viste
Vincoli:
 Uso di una sola telecamera
 Calibrazione necessaria



Macchina fotografica digitale
A Multiple View Geometry in computer vision
[Hartley & Zisserman]
Matlab








Calibrazione Telecamera
Acquisizione Immagini
Estrazione Features
Matching Features
Calcolo matrice F
Ricostruzione Proiettiva
Ricostruzione Affine
Ricostruzione Metrica


Effettuata tramite il Calibration ToolBox
Calcolo parametri intrinseci fotocamera


Estrazione Features mediante Harris Corner
Detector
In questa fase si è preferito ricavare un gran
numero di punti
Corners


Matching effettuato mediante correlazione
SSD (Sum of Square Difference)
Durante questa fase la soglia è stata alzata in
modo da avere un matching più robusto



Definita in modo tale che: x’Fx=0
Si fa uso del metodo RANSAC per la
linearizzazione
Si eliminano gli outliers



P ha forma canonica P=[ I |0]
P’ viene estratta da F
Conoscendo P, P’ e le coordinate degli inliers
è possibile triangolare il punto nello spazio X

Ciò che si osserva non è molto chiaro in
quanto il numero degli inliers ottenuti è
basso e la matrice F è affetta da errore
Ricostruzione proiettiva
6
4
2
0
-2
-4
1000
0
-1000
-2000
50
0
-50
-100
-150
-200


Nella ricostruzione affine le linee che nella
realtà sono parallele convergono in un punto
detto Vanish Point
La ricostruzione affine permette di riavere
linee parallele anche nella ricostruzione
Omografia Affine: Ha = [ I |0; ]
Necessario piano all’infinito: 
Necessari 3 vanish point (calcolo manuale)



Calcolo Vanish Points non automatico
Vanno trovate le rette parallele
Problema: la scena deve avere diverse linee
parallele in direzioni diverse altrimenti si
ricade sullo stesso punto

Il risultato ottenuto è conseguenza del
precedente
Ricostruzione affine
-6
x 10
1
0.5
0
0
0.5
1
-5
x 10 1.5
2
2.5
3
3.5
1.4
1.2
1
0.8
0.6
0.4
0
0.2
-4
x 10
Necessita dei parametri intrinseci della
telecamera:
P = [M | m]
=(KK’)-1
A*A’=(M’M)-1
Hm = [A-1 0; 0 1]

Anche in questo caso vale la considerazione
fatta nella ricostruzione Affine
Ricostruzione metrica
-6
x 10
1
0
0.5
1
0
20
2
15
3
10
-8
x 10
4
5
0
-5
5
-8
x 10
Ricostruzione affine
Ricostruzione proiettiva
100
2
50
-6
x 10
1
0
5
0
-50
0
1
-1
-100
0
200
-200
100
0
-100
-200
-300
-400
-2
-5
-150
-1
2
Ricostruzione metrica
0
-3
-2
-4
-4
x 10
-6
-250
-6
x 10
2
0
-2
1
-4
5
0
-1
0
-7
x 10
-4
x 10
-2
-5
-3
-10
-4
-15
-5
-7
x 10
-8
-10
-4
Lati positivi:
 Molte features
Lati Negativi:
 Matching delle features errato
 Difficoltà nel trovare linee parallele da
utilizzare per il calcolo dei Vanish Points
Problema:
 L’oggetto è visto a 360°, impossibilità di
avere gli stessi punti in tutte le immagini
Soluzione suggerita:
 Le immagini vengono elaborate a coppie di 2
(img1 con img2, img2 con img3, ecc…)
L’algoritmo realizzato presenta i seguenti
PRO
 Computazionalmente leggero
 Due viste permettono di avere un risultato
CONTRO:
 Necessario calcolo manuale vanish points
 Pochi inliers portano a risultati di difficile
comprensione