Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estimación de Posición y Orientación Asistida Por Imágenes
Estimación de Posición y Orientación Asistida Por Imágenes
RESUMEN
2.1- Detección
En esta primer etapa se realizada la
detección de puntos de interés, claves o
característicos. Estos puntos representan Figura 1: respuesta de , para cada , .
características salientes y fácilmente distinguibles .
VIII Congreso Argentino de Tecnología Espacial. Mayo 6-8, 2015. Buenos Aires, Argentina.
2.2- Descriptores
Son vectores -dimensionales, con el
propósito de representar los puntos de interés
detectados en función de sus vecinos. Usar la Figura 4: Descriptor SIFT
intensidad de los pixeles vecinos alrededor de un
punto de interés y apilar estos valores en vector
sería una alternativa como se muestra la fig. 3. 2.3- Correspondencia
Sin embargo este sencillo descriptor no es robusto
dado que es muy sensible al desplazamiento y Dado que cada punto de interés se describe
rotaciones y obviamente a las condiciones de por un vector -dimensional, la correspondencia
luminosidad. puede realizarse usando la búsqueda del vecino
Hay una extensa diversidad de descriptores [5]. El más cercano, es decir calculando directamente la
más popular, robusto y preciso es el descriptor distancia euclidiana entre descriptores. Dado el
SIFT. conjunto de puntos de interés y descriptores
, y , en la imagen de referencia y
destino respectivamente, se tiene que y son
correspondientes o ajustados si y solo si
VIII Congreso Argentino de Tecnología Espacial. Mayo 6-8, 2015. Buenos Aires, Argentina.
es mínima ∀ , ∈ / 1 y 1 .
4.- SIMULACIONES
Existen algoritmos rápidos para este propósito [9]. La extracción de características y
También suele usarse como medida de estimación de movimiento descriptas en las
correspondencia la diferencia de sumas absolutas secciones anteriores se implementaron
(SAD) por su costo computacional. satisfactoriamente en Matlab R2012b. Las
En esta etapa es inevitable que se simulaciones se realizaron sobre el dataset en [13].
produzcan correspondencias incorrectas. Es Los resultados obtenidos se observan en la fig. 6
importante poder tratarlas dado que de lo contrario
Captura 000021 Captura 000024
200
150
200
350
300
350
función de costo y nivel de confianza para tratar 200 400 600 800 1000 1200 200 400 600 800 1000 1200
50 50
100 100
150 150
250
200
250
300 300
150 150
250 250
200 400 600 800 1000 1200 200 400 600 800 1000 1200
150
100
150
300
250
300
200 400 600 800 1000 1200 200 400 600 800 1000 1200
150 150
250 250
300 300
350 350
200 400 600 800 1000 1200 200 400 600 800 1000 1200
5.- CONCLUSIONES
Fue posible integrar correctamente las
etapas de detección, descripción y
correspondencia en las capturas procesadas. La
estimación del movimiento conseguida es
aceptable. No fue posible conseguir un dataset con
Figura 5: Restricción epipolar.
VIII Congreso Argentino de Tecnología Espacial. Mayo 6-8, 2015. Buenos Aires, Argentina.
los datos de posición y orientación para poder [9] Muja, M., & Lowe, D. G. (2009). Fast
contratar los resultados obtenidos. Approximate Nearest Neighbors with
Como trabajo a futuro es necesario implementar Automatic Algorithm Configuration. VISAPP
un método que evalué la matriz esencial y de (1), 2.
homografía para decir cuál es más conveniente en
cada iteración. Emplear un filtro de partículas [10] M. A. Fischler and R. C. Bolles, 1981.
asociado a cada uno de los puntos de interés. Random sample consensus: a paradigm for
model fitting with applications to image
REFERENCIAS analysis and automated cartography.
Communications of the ACM, 24(6):381–395,
[1] O. Amidi, T. Kanade and K. Fujita, 1999. A June.
visual odometer for autonomous helicopter
flight, Robotics and Autonomous Systems, vol. [11] R. Hartley and A. Zisserman, 2004, Multiple
28, pp. 185-193. View Geometry in Computer Vision, 2nd ed.
Cambridge U.K.: Cambridge Univ. Press.
[2] Szeliski R. 2010. Computer Vision:
Algorithms and Applications. Springer-Verlag: [12] D. Nister, 2003, “An efficient solution to the
London. five-point relative pose problem,”in Proc.
Computer Vision and Pattern Recognition
[3] H. Hirschmüller, P.R. Innocent, and J.M. (CVPR ’03),pp. II: 195–202.
Garibaldi, 2002, Fast, unconstrained camera
motion estimation from stereo without tracking [13] Geiger, A., Roser, M., & Urtasun, R. (2011).
and robust statistics, In Control, Automation, Efficient large-scale stereo matching. In
Robotics and Vision (ICARCV’02), 1099–1104. Computer Vision–ACCV 2010 (pp. 25-38).
Springer Berlin Heidelberg.
[4] Nistér, David, Oleg Naroditsky, and James
Bergen, 2006. "Visual odometry for ground
vehicle applications." Journal of Field Robotics
23.1, 3-20.