Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Formacin de imagen
Modelo de lente na
Hiptesis: La ptica de la lente puede modelarse como una lente na.
ndice: Modelo de lente na Modelo de proyeccin perspectiva Modelo proyectivo de cmara Modelo afn de cmara Calibracin Bibliografa
Modelo de lente na
Hiptesis: La ptica de la lente puede modelarse como una lente na. Principio de funcionamiento: Refraccin de la luz. O
to F
C Objeto Lente
Modelo de lente na
Hiptesis: La ptica de la lente puede modelarse como una lente na. Principio de funcionamiento: Refraccin de la luz.
Lente
di
O
f F ti f
Ec fundamental:
1 1 1 + = f di do F
C
Ec fundamental:
F 1 1 1 + = f di do
I
do
Imagen Imagen
Luis Baumela. Vision por Computador. p.5/19
Modelo de lente na
Hiptesis: La ptica de la lente puede modelarse como una lente na. Principio de funcionamiento: Refraccin de la luz.
Lente
O Ec fundamental:
F
C
plano imagen imagen virtual objeto
1 1 1 + = f di do f = di , si do .
I
Imagen
Luis Baumela. Vision por Computador. p.5/19 Luis Baumela. Vision por Computador. p.6/19
SR Escena
C
u v SR Imagen
X Y
Plano imagen
Plano imagen
X
f
u
Z
Z u
u=f v=f
Plano imagen
X Z Y Z
(i 0 ,j 0 ) u v 1
Punto Principal
kv
(i 0 ,j 0 ) u v 1
Punto Principal
(i 0 ,j 0 ) u v 1
Punto Principal
j ku 0 i 0 u i = 0 kv j0 v 1 0 0 1
donde
kv
kv
j = ku u + j0 i = k v v + i0
Luis Baumela. Vision por Computador. p.8/19
j = ku u + j0 i = k v v + i0
Luis Baumela. Vision por Computador. p.8/19
(i 0 ,j 0 )
j f ku i = 0 0
s f kv 0
i0 j0 1
Y 0 Z 0 1
(i 0 ,j 0 )
j f ku i = 0 0
s f kv 0
i0 j0 1
v 1
Punto Principal
Y 0 Z 0 1
v 1
Punto Principal
Parmetros intrnsecos:
kv
kv
j = ku u + j0 i = k v v + i0
Luis Baumela. Vision por Computador. p.8/19
j = ku u + j0 i = k v v + i0
X Y Z
Z C X t Y R Y Z X
Luis Baumela. Vision por Computador. p.9/19
Z C X t Y R Y Z X
donde
R33 t31 13 1 0
X Y Z 1
m(i,j)
j 31 ) i = K (R33 | t P34
X Y Z 1
M(X,Y,Z)
m(i,j) (i0,j0)
ku kv
j 31 ) i = K (R33 | t
5 parmetros intrnsecos: s j0 u K = 0 v i0 0 0 1
X Y Z 1
Z C X Y Z X Y
Z C X Y
Z X Y
m(i,j)
X j Y i = K (R33 | t31 ) Z 1
6 parmetros extrnsecos:
Z C X t Y R Y
Luis Baumela. Vision por Computador. p.10/19
=1
d e t(A) = 0 y = = 0 (2 a3 ) (2 a3 ) a a
Z X
R33 (, , ),
t31
t X = tY tZ
a (1 a3 ) (2 a3 ) a a (1 a3 ) (1 a3 ) a
c = A1 b.
m
c = A1 b.
Z C X t Y R Y
Luis Baumela. Vision por Computador. p.12/19
Z X
c Y R Y
Z X
Luis Baumela. Vision por Computador. p.12/19
c = A1 b.
m
c = A1 b.
Filas de P
Filas de P
(1 ) . contiene la lnea j = 0. p
Z C X c Y R Y
Luis Baumela. Vision por Computador. p.12/19
Z C X Z X Y
Luis Baumela. Vision por Computador. p.12/19
c Y R
Z X
c = A1 b.
m
c = A1 b.
Filas de P
Filas de P
(1 ) . p
(1 ) . p
(i0,j0) Z C X
c Y R
Z X
t2 1
t2 1
t2 1
1 N
Mi
i
+ b
Calibracin
Qu es? Proceso en el que se calculan los parmetros de P para una cmara concreta. Cmo? Proyectando un conjunto de puntos de posicin conocida Ecuaciones. Desarrollando: j p11 p12 p22 p32 p13 p23 p33 p14 p24 p34 X Y Z 1
Luis Baumela. Vision por Computador. p.15/19
Calibracin
Qu es? Proceso en el que se calculan los parmetros de P para una cmara concreta. Cmo? Proyectando un conjunto de puntos de posicin conocida Ecuaciones. p11 X + p12 Y + p13 Z p31 jX p32 jY p33 jZ p34 j + p14 = 0 p21 X + p22 Y + p23 Z p31 iX p32 iY p33 iZ p34 i + p24 = 0
i = p21 p31
Calibracin
Algoritmo: 1. Extrae los bordes de la imagen (p.ej. Canny). 2. Ajusta lneas rectas a los bordes extraidos. 3. Calcula las esquinas de los cuadrados intersecando rectas. 4. Dados un conjunto de n 6 correspondencias {mi Mi }, resuelve el sistema de ecuaciones:
Mi 0 0 Mi j Mi iMi p2 = 2n1 0 3 p
x(P)121 1.
Calibracin
Resolucin del sistema de ecuaciones: Solucin lineal. Calcula P mediante una solucin lineal de A = 0. x a) Normalizacin. Normalizamos las coordenadas de los puntos 2D y 3D para mejorar el condicionamiento numrico: Sean {mi = T33 mi , i = 1 . . . n} y {Mi = U44 Mi , i = 1 . . . n} sendos
b)
conjuntos de datos centrados en el origen y a una distancia media del origen de 2 y 3 respectivamente. x Resuelve el sistema de ecuaciones A(M )(P) = s.a. |||| = 1. 0, x Sea svd(A)=UD V , la solucin x es la columna de V asociada al menor valor singular.
p1
2.
d(i , PMi ), x
mediante un algoritmo iterativo (ej. Levenberg-Marquardt). 3. Desnormalizacin. La matriz de proyeccin para los datos originales P P = T1 PU.
A(M )2n9
Calibracin
Estimacin de K, R y t. b] Conocida P = [A | , mediante descomposicin RQ de A (Hartley, 2004) se puede obtener K y R. Conocida K, t = K1. b
Bibliografa
1. D. Forsyth, J. Ponce. Computer Vision. A modern approach. Prentice Hall. 2003. 2. R. Hartley, A. Zisserman. Multiple view geometry in computer vision. Cambridge University Press, 2004.