Beruflich Dokumente
Kultur Dokumente
Benot Telle
v u
Paramtres
Intrinsques
K q
R t
modlise comme un bruit gaussien centr sur le centre
du pixel. Un cart type appropri permet daffirmer que
Fig. 1. Modle de projection : les paramtres extrinsques lient le le point image une probabilit donne dtre dans une
centre de projection au repre de la scne. Les paramtres intrin-
sques lient le plan de projection au plan image. ellipse recouvrant la surface du pixel. Lerreur darrondie
fait quon choisit en gnral = 0.7 pour une probabilit a
95% (voir figure 2-2). Il sagit dun modle probabiliste uti-
directions : mx et my ), une transformation du plan qui cor- lis des fins gomtriques. Le problme est que les hypo-
respond au changement de repre liant le repre du plan thses ncessaires lutilisation de ce modle probabiliste
de projection au repre du plan image (2 translations : sont fausses. Les variables mises en jeu ne sont pas indpen-
px et py ) et un biais dorientation qui caractrise la non- dantes et laspect centr de la distribution nest pas justifie
orthogonalit possible du repre image (skew : s). Ces pa- [7]. Ce modle permet dutiliser les outils bass sur la mini-
ramtres sont introduits dans le modle par la matrice des misation de critres quadratiques en utilisant des donnes
paramtres intrinsques que lon note K : ponctuelles. En ce qui concerne lidentification dun sys-
tme physique, et une camra en particulier, le thorme de
la limite centrale aliment par un nombre de mesures suf-
mx s px
K= my py (4) fisamment important permet de justifier cette approche.
1 On obtient alors un modle ponctuel qui est connu avec
prcision.
Le dernier degr de libert est le facteur dchelle, carac- Ceci nest plus vrai dans le cas de la triangulation, car
tristique des transformations projectives. le nombre de mesure est trop faible (2 mesures en stro-
La projection dun point de la scne travers le modle scopie). Pour connatre la prcision de la reconstruction,
complet de la camra scrit alors : loutil fourni par le modle probabiliste est la propaga-
tion de covariance. Or la triangulation est un problme in-
q = P Q = K (R|t) Q (5) verse numriquement instable car mal conditionn et go-
mtriquement instable lorsquon cherche lintersection de
Lidentification de la matrice Pi peut tre ralise en droites quasi parallles [8]. Pour ces raisons, propager la
inversant directement le systme (quation 1). Les coor- covariance sur le systme linaire peut savrer fortement
donnes 3D de 6 points au minimum sont ncessaires [4]. pessimiste. En ce qui concerne lutilisation dun critre op-
La mthode didentification propose par Zhang [5] permet timal (au sens statistique ou gomtrique), si celui-ci est
didentifier et de distinguer les paramtres intrinsques des non linaire, les hypothses ncessaires pour propager la
extrinsques. Elle peut tre ralise par une srie de sys- covariance conduisent des rsultats trs approximatifs [2].
tmes dquations linaires qui fourniront une solution trs Pour ces raisons, la modlisation dun pixel par un inter-
proche des solutions obtenues par une optimisation gom- valle est une alternative intressante (figure 2-3).
trique ou statistique [6]. Lincertitude que lon a sur la position du point est
Nous considrerons que les paramtres extrinsques sont associer aux paramtres intrinsques de la camra. On lin-
connus, quils peuvent tre dtermins prcisment ou troduit sous la forme de lintervalle [], la projection scrit
quils constituent les donnes qui sont recherches par le alors :
systme talonn. Ils correspondent lorientation et la po- [q] = P Q + [] (6)
sition de la camra. Dans notre cas, les paramtres critiques Aucune hypothse nest faite sur la distribution de la posi-
qui caractrisent le modle de camra sont les paramtres tion du point dans le pixel. La description fournie par cette
intrinsques. quation est donc bien de nature gomtrique.
B. Modle de pixel IV. Appariement, gomtrie pipolaire et
La reprsentation algbrique du modle de camra (qua- identification des modles de camra
tion 5) associe un point de la scne un point du plan Dans le cas dune image statique, les traitements go-
image. Cependant, les donnes fournies par une camra mtriques qui peuvent tre effectus ncessitent une tape
pralable de segmentation. Cette segmentation fournit les
lments de base tels que les points courbes ou surfaces qui
seront ensuite tudies. La difficult est alors dobtenir une
segmentation prcise. Dans le cas dune squence (ou dune
paire) dimages, lappariement de points joue un rle qui-
valent celui de la segmentation. Le problme qui sajoute
est dobtenir un appariement correct tant donn les im-
prcisions de la segmentation. La gomtrie pipolaire per-
mettra ensuite dtalonner le capteur stroscopique, puis
de donner la reconstruction 3D du nuage.
A. Appariement
Etant donn 2 ensembles de points {q1 } et {q2 }, les m-
thodes dappariements ont pour fonction dassocier les l-
ments de chacun de ces ensembles selon un ensemble de
contraintes. La premire est en gnral celle dunicit : un
point de {q1 } est associ un et un seul point de {q2 }. Fig. 3. Le plan pipolaire
Il sagit dune contrainte de structure . On peut dfinir
les contraintes iconiques bases sur des scores de corrla-
tion entre deux candidats. Enfin, on dfinit les contraintes une mme tape [13][14]. Cest un processus itratif qui
gomtriques [9], dont la plus connue est la contrainte pi- remet jour les contraintes gomtriques et converge pro-
polaire. gressivement vers les paramtres du modle.
Pour cette mme raison, on fait ensuite crotre lincertitude Ce sont les intervalles [q1 ] et [q2 ] qui sont utiliss pour la
sur la position des points dun incrment de 0.5 pixel. Ce reconstruction 3D.
processus sarrte lorsque la condition fondamentale (qua- Lorsque le problme est pos, les outils de lanalyse par
tion 8) est vrifie pour tous les points de mesures. intervalles, en particulier les contracteurs points fixe [20]
De cette manire, lincertitude sur la position des points sont tout fait appropris pour fournir une estimation ex-
est telle que la relation fondamentale est toujours vraie. trieure de lensemble {Qs }. La reconstruction 3D par in-
Il est possible de fixer une incertitude maximale au des- version ensembliste base sur le formalisme des intervalles
sus de laquelle on considre que la matrice identifie est cherche dterminer lensemble [Q] :
fausse ou que les appariements choisis ne sont pas valides
(RANSAC). [Q] = [{Qs }] (14)
Enfin, lorsque lincertitude obtenue avec un jeu de don-
nes est satisfaisante, on vite lutilisation des seuils de to- Pour le jeu de camras (P1 , P2 ) et le couple de points
lrance pour la relation fondamentale (quation 7) en uti- (q1 , q2 ), la matrice [A] et le vecteur [B] de lquation (3)
lisant la contrainte pipolaire. Celle ci scrit : sont les matrices dintervalles suivantes :
t
q1 F [q2 ] 6= q1t (F [q2 ]) 6=
(10)
[[q1 ]] K1 R1 [[q1 ]] K1 t1
[A] = ; [B] = (15)
Cette contrainte est reprise pour la reconstruction 3D. [[q2 ]] K2 R2 [[q2 ]] K2 t2
Loprateur [] fournie la matrice antisymtrique cor- limprcision des rsultats obtenus, la propagation de la
respondant lapplication linaire du produit vectoriel. covariances ne se ralise quavec des fonctions linaires [7].
Il apparat que les lignes l3 et l6 de la matrice [A] (et du Pour cette raison, la rsolution des quations de la triangu-
vecteur [B]) sont respectivement des combinaisons linaires lation dans ces simulations est ralise partir de critres
des lignes (l1 , l2 ) et (l4 , l5 ). En supprimant l3 et l6 , le sys- linaires.
tme dquations prend la dimension (4 3). On en tire Avec le systme dit homogne (equation 3), limprcision
alors 4 systmes carrs ([Ai ] , [Bi ]) (i = 1...4) de dimen- de la reconstruction du point Qe = (X Y Z)t pour une
sion (3 3) en supprimant une ligne de plus, diffrente, erreur e mesure sur le plan image est alors approxim
pour chaque systme. Leurs rsolutions sont ralises avec par les fonctions donnes dans [23] :
le contracteur de Gauss-Seidel [20] ou de Krawczyk [21][22].
Z
q
Enfin, on ne conserve que lintersection des rsultats : X = e
2
(t X) + X 2 (17)
\ ft
[Q] [{Q | Ai Q = Bi Ai [Ai ] , Bi [Bi ]}] (16)
r
Z t2
i=1...4 Y = e 2Y 2 + (18)
ft 2
Dans la figure 5, on peut observer la vue stro dune mire Z2
et la reconstruction 3D obtenue par cette mthode dinver- Z = e 2 (19)
ft
sion.
Avec f la focale des cameras et t la distance entre les centres
optiques. On remarque que limprcision e est donne en
coordonnes mtriques, la connaissance des paramtres f, t
et e signifie que cette estimation ncessite une connaissance
pralables des paramtres intrinsques des cameras utili-
ses.
Sur le nuage de points utilis dans la figure (6), on
constate quil ne sagit que dune approximation de lim-
prcision : dune part, les axes directeurs de lellipse sont
ceux du repre scne, or nous verrons que la direction de
lerreur nest pas constante. Ce constat traduit les simplifi-
cations induites par le modle derreur (indpendance des
variables X, Y et Z). Dautre part, cette approximation est
correcte lorsquon sloigne des cameras. En effet, un nuage
de 5000 points distant de moins de 2m du centre du repre
scne ne fait apparatre que 40% de points lintrieur des
ellipsodes de confiance (figure 6 -b,c).
Apres manipulation algbrique, les quations de la tri-
angulation peuvent scrire sous la forme dun systme li-
naire homogne (Ahom Xhom = 0) qui prsente lintrt
dautoriser un calcul de la solution robuste au bruit nu-
mrique et qui fournit une solution exacte au problme de
la propagation de covariance. De plus, cette mthode per-
Fig. 5. Reconstruction 3D dune mire en utilisant lanalyse par in- met de tenir compte des imprcisions sur les paramtres du
tervalles. Les camras sont talonnes, les points dintrt de la
mire sont dtects et apparis, puis la triangulation est ralise modle de camra et ne ncessite pas la distinction entre
en utilisant le contracteur de Krawczyk. les paramtres intrinsques et extrinsques. Dans la simu-
lation prsente, la camra est connue parfaitement. On
Les pavs reconstruits permettent de caractriser lincer- trouvera dans [2] le dtail de la mthode qui permet de
titude que lon a sur la reconstruction, ils fournissent une propager les erreurs depuis les donnes images jusqua re-
estimation garantie de la position 3D du point reconstruit. construction 3D. Dans la figure 7-b, une opration de bis-
De plus, cette incertitude fournie une information plus pre- section [20] a t utilise pour affiner la reconstruction 3D.
cise que la mesure dimprecision que lon deduit par les Contrairement lestimation prcdente, et la lumire de
mthodes de propagation de covariance. cette figure (7), la direction de limprcision est observable.
En guise de comparaison, lexprience suivante a t ra- Cependant la simplification de la description du pixel par
lise avec des donnes de simulation : un nuage de points une variable alatoire centre fausse encore le rsultat. Un
3D alatoires est projet sur une paire de cameras puis re- nuage de 5000 points dans un volume de 3m de large pour
construit avec loutil ensembliste (quation 16) et avec les 5m de profondeur ne fait apparatre que 10% des points
mthodes statistiques traditionnelles. Le repre de la scne rels dans des ellipsodes de confiance 95%.
est confondu avec celui du repre dune camera.
Les mthodes statistiques prsentent lintrt de fournir VI. Conclusion
des rsultats ponctuels qui peuvent tre soumis des fonc- La vision 3D sappuie en grande partie sur des rsul-
tions doptimisation efficaces. En matire de reconstruc- tats gomtriques. La modlisation dun pixel par un in-
tion 3D, elles sont en gnral bases sur des critres go- tervalle permet alors de prendre en compte son aspect sur-
mtriques et non linaires. Cependant, en ce qui concerne facique. Linfluence de cette modlisation se rpercute dans
a sur les donnes, les outils ensemblistes permettent dex-
ploiter les proprits gomtriques des modles employs.
Ils cherchent une cohrence des informations par rapport
au modle plutt qu minimiser une erreur. La diffrence
quil y a entre utiliser des outils probabilistes et des ou-
tils ensemblistes correspond la diffrence quil y a entre
montrer et faire voir.
Rfrences
[1] G. Csurka et R. Horaud. Finding the collineation between two
projective reconstructions. Technical Report RR3468, INRIA,
(a) 1998.
[2] B. Telle. Mthode ensembliste pour une reconstruction 3D ga-
rantie par stereo vision. thse, Universit Montpellier II, 2003.
[3] O.D. Faugeras. Three Dimensional Computer Vision. MIT
press, 1992.
[4] R. Hartley et A. Zisserman. Multiple View Geometry in Com-
puter Vision. Cambridge, 2001.
[5] Z. Zhang. A flexible new technique for camera calibration.
IEEE Transaction on Pattern Analysis and Machine Intelli-
gence, 22(11)(MSR-TR-98-71) :13301334, 2000.
(b) (c) [6] T. Ueshiba et F. Tomita. Plane-based calibration algorithm for
multi-camera systems via factorization of homography matrices.
Fig. 6. Propagation de covariance grce au systme dquation non 9th International Conference on Computer Vision, pages 966
homogne : (a) reconstruction du nuage, de son incertitude (ana- 973, Nice (France), oct. 2003.
lyse par intervalle) et de son imprcision (propagation de cova- [7] R.M. Haralick. Propagating covariance in computer vision. Pro-
riance). (b-c) Le point 3D rel est contenu dans lintervalle fournit cedings of Workshop on Performance Characterisics of Vision
par linversion ensembliste, mais pas ncessairement dans lellip- Algorithms, pages 112, 1996.
sode de confiance obtenu par propagation de covariance. [8] W. Eric et L. Grimson. Why stereovision is not always about
3d reconstruction. Technical report, M.I.T. A.I.Laboratory, july
1993.
[9] J.L. Mundy et A. Zisserman. Geometric invariance in computer
vision. MIT Press, 1992.
[10] R. Hartley. In defense of the eight-point algorithm. IEEE
Transaction on Pattern Analysis and Machine Intelligence,
19(6) :580593, 1997.
[11] O.D. Faugeras, T.Luong, et S. Maybank. Camera self calibra-
tion : Theory and experiments. Proc 2nd ECCV, editor, Lecture
Note in Computer Science, volume 588, pages 321334, Santa
Margherita Ligure, Italy, 1992. Springer-Verlag.
[12] R. Hartley. Kruppas equations derived from the fundamental
matrix. IEEE Transaction on Pattern Analysis and Machine
(a) (b) Intelligence, vol. 19 :133135, February 1997.
[13] R.C. Bolles et M.A. Fischler. A ransac-based approach to model
Fig. 7. Propagation de covariance grce au systme dquation homo- fitting and its applications to finding cylinders in range data.
gne. Le point 3D rel est rarement contenu dans lellipsode de Int. Joint. Conf. Artificial Intelligence, pages 637643, 1981.
confiance (a). Dans (b) une tape de bissection permet daffiner le [14] N. Pessel. Auto calibrage dune camra en milieu sous marin -
problme dinversion ensembliste associe a la reconstruction 3D, application a la reconstruction 3D. thse, IFREMER - Universit
on observe que lellipsode de confiance possde un axe dans la Montpellier II, 2003.
direction de limprcision qui est indpendante du repre de la [15] G. Sparr. An algebraic-analytic method for reconstruction
scne. from image correspondences. 7th Scandinavian Conf. on Image
Analysis, Aalborg (Denmark) - pp. 274281, 1991. cite-
seer.nj.nec.com/sparr91algebraicanalytic.html.
[16] Q. Luong et O.D. Faugeras. Camera calibration, scene motion,
les trois tapes ncessaires pour faire la reconstruction 3D and structure recovery from point correspondences and funda-
dune scne : appariement, modlisation de la camra et mental matrices. IJCV, 22 :261289, 1997.
triangulation. Pour chacune de ces tapes, les dveloppe- [17] Q.T. Luong et O.D. Faugeras. Self-calibration of a stereo rig from
unknown camera motions and point correspondences. Technical
ments gomtriques ont put etre raliss grce des ou- Report 2014, INRIA, 1993.
tils ensemblistes. Lappariement utilise la contrainte pi- [18] O.D. Faugeras et S.J. Maybank. Motion from point matches :
polaire comme une simple intersection. Le modle de ca- multiplicity of solutions. International Journal of Computer Vi-
sion, 1990. technical report INRIA : 1157.
mra contient linformation relative lincertitude des pa- [19] Y. Ma, R. Vidal, J. Kosecka, et S. Sastry. Kruppa equa-
ramtres, celle ci a put tre estime. Les outils de lanalyse tion revisited : Its renormalization and degeneracy. European
par intervalles permettent de raliser la reconstruction 3D. Conference on Computer Vision, pages 561577, 2000. cite-
seer.nj.nec.com/579804.html.
Il sagit du premier outil capable de fournir une estimation [20] L. Jaulin, M. Kieffer, O. Didrit, et E. Walter. Applied Interval
garantie de son incertitude car les outils probabilistes tra- Analysis. Springer Verlag, London, 2001.
ditionnels sapuient sur des hypotheses reconnues comme [21] R.E. Moore. Interval Analysis. Prentice-Hall, Englewood Cliffs,
1966.
approximatives qui menent des resultats faux bien que
[22] B. Telle, M.J. Aldon, et N. Ramdani. Guaranted 3d visual sen-
lerreur soit petite. Grce cet outil, la modlisation dun sing based on interval analysis. Proceedings IROS, 2003.
point 3D obtenu avec le capteur stroscopique peut tre [23] H. Hirschmuller, P.R. Innocent, et J.M. Garibaldi. Fast uncons-
envisag comme la modlisation dun point image obtenue trained camera motion from stereo without tracking and robust
statistics. Seventh International Conference on Control, Auto-
par une camera. mation, Robotics and Vision (singapore), pages 10991104, de-
En vision, en permettant destimer lincertitude que lon cember 2002.