Vision 3D : du point lensemble
Benot Telle
LIRMM - UMR CNRS-UMII n-C55060
161 rue ADA 34000 Montpellier - France
telle@lirmm.fr
Rsum La vision 3D sappuie sur de nombreux modles et
proprits gomtriques. Les rsultats qui sont obtenus se
basent essentiellement sur les rsultats de la gomtrie ponc-
tuelle. Je montre que les outils ensemblistes peuvent tre
utiliss pour les diffrentes tapes qui mnent la recons-
truction 3D dune scne. Ils permettent de plus dobtenir
une information que les approches ponctuelles ne peuvent
pas identifier prcisment : lincertitude des rsultats. La
mise en oeuvre de ces outils est prsente pour lapparie-
ment de points dans une paire dimages, la modlisation
dune camra et la reconstruction 3D.
I. Introduction
La reconstruction 3D se trouve successivement confron-
te aux problmes suivants : lappariement de points dans
une squence dimages, lidentification du modle de ca-
mra ou de celui du capteur stroscopique et la triangula-
tion. Je montre dans une premire partie les aspects go-
mtriques de ces problmes. Les rsultats que lon va ob-
server sont donc ncessairement dpendants de la manire
dont sont dcrites les donnes gomtriques initiales. De
manire naturelle, la primitive de base est le point. Or en
pratique, la donne initiale est un pixel. Ce papier propose
donc de revisiter chacune de ces trois tapes : appariement
- identification - reconstruction, non pas en modlisant un
pixel par un point mais par un ensemble de points dcris
par un intervalle.
II. vision 3D et gomtrie
Depuis Desargue (17eme sicle) et la formulation de la
gomtrie projective, lespace visuel dans lequel nous vo-
luons est interprt comme lhyperplan Euclidien dun es-
pace projectif 3D. Grce cette reprsentation, la camra,
comme loeil, constitue un projecteur de cet hyperplan.
Cette projection est une transformation linaire de lespace,
elle est de rang non plein et la perte de rang se traduit par
leffet de perspective.
Notons Q le vecteur de coordonnes homognes dun
point de la scne 3D, Pi la matrice (3 4) qui reprsente
lapplication linaire de la projection, et qi le vecteur de co-
ordonnes du point image de Q par Pi . La formation dune
image avec une camra scrit alors :
qi = Pi Q
En ce qui concerne la reconstruction 3D, lintrt est le
suivant : un couple de camra ou, si on fait abstraction du
temps, une camra qui se dplace, permet de compenser
la perte de rang lie la projection. On appelle systme
stroscopique un tel couple de camra, il constitue alors
une base pour lespace projectif 3D[1]. En effet les projec-
tions stroscopiques dun point de la scne fournissent le
systme surdtermin suivant :
   
q1 P1
= Q (2)
q2 P2
Ce systme 6 quations et 4 inconnues correspond
lintersection de deux droites 3D. Sa rsolution, la trian-
gulation, permet dobtenir la reconstruction 3D du point.
Gomtriquement et en vitant des cas dgnrs, ce sys-
tme sinverse. Les diffrentes composantes indpendantes
du systme seront donnes. La triangulation se ramne
alors la rsolution dun systme carr et de rang plein, de
la forme
AQe = B (3)
A et B sont respectivement une matrice (3 3) et un vec-
teur de dimension 3 construits partir des lments de
P1 , P2 , q1 et q2 . Qe est le vecteur en coordonnes non ho-
mognes, mais un facteur dchelle prs, de la position du
point dans la scne [2].
Cette galit signifie quil existe une relation linaire
entre un point 3D (Qe ) et un couple de point image (q1 , q2 )
obtenu par le systme stroscopique (P1 , P2 ). Cette rela-
tion linaire prend initialement place dans lhyperplan eu-
clidien de lespace projectif li la scne. Cependant elle
est vraie dans nimporte quel autre hyperplan. Aussi, la
rsolution en Qe de cette quation (3) fournie une recons-
truction qui est valide une transformation projective prs
de la scne (une homographie). Lart de la reconstruction
3D consiste identifier les termes {P1 , P2 , q1 , q2 } qui per-
mettent de retrouver ou de rester dans lhyperplan Eucli-
dien [3][4]. Les problmes rsoudre sont alors lidentifica-
tion des modles de camra Pi et lappariement des points
(q1 ; q2 ) dans une vue stroscopique.
III. Les modles mis en jeux
A. Modle de camera
Le modle de fonctionnement dune camra le plus r-
pandu en vision est le modle pinhole. Dans ce cadre, la
projection ralise par une camra est une application li-
naire de lespace projectif. Elle se formalise par le produit
matriciel de lquation (1). La matrice Pi est de dimension
(3 4), elle possde donc 12 degrs de libert. On distingue
(1)
deux types de paramtres dans le modle de la camra.
Il y a 6 paramtres qui dterminent la position et lorien-
tation du centre de projection. Ce sont les paramtres ex-
trinsques. Ils forment une matrice (3 4) que lon note
(R|t), o R est une matrice de rotation, et t le vecteur
qui caractrise la position du centre de projection dans le
repre de la scne (voir figure 1).
Il y a de plus 5 paramtres dits intrinsques qui corres-
pondent aux facteurs dchelle dans le plan de projection (2
 Repre Image
Rimage
v u
Paramtres
Intrinsques
K q
x z f
Repre Camra Rcamera
y
Paramtres Extrinsques
R t

modlise comme un bruit gaussien centr sur le centre
Fig. 1. Modle de projection : les paramtres extrinsques lient le
centre de projection au repre de la scne. Les paramtres intrin-
sques lient le plan de projection au plan image.
directions : mx et my ), une transformation du plan qui cor-
respond au changement de repre liant le repre du plan
de projection au repre du plan image (2 translations :
px et py ) et un biais dorientation qui caractrise la non-
orthogonalit possible du repre image (skew : s). Ces pa-
ramtres sont introduits dans le modle par la matrice des
paramtres intrinsques que lon note K :
mx s px
K= my
Le dernier degr de libert est le facteur dchelle, carac-
tristique des transformations projectives.
La projection dun point de la scne travers le modle
complet de la camra scrit alors :
q = P Q = K (R|t) Q
Lidentification de la matrice Pi peut tre ralise en
inversant directement le systme (quation 1). Les coor-
donnes 3D de 6 points au minimum sont ncessaires [4].
La mthode didentification propose par Zhang [5] permet
didentifier et de distinguer les paramtres intrinsques des
extrinsques. Elle peut tre ralise par une srie de sys-
tmes dquations linaires qui fourniront une solution trs
proche des solutions obtenues par une optimisation gom-
trique ou statistique [6].
Nous considrerons que les paramtres extrinsques sont
connus, quils peuvent tre dtermins prcisment ou
quils constituent les donnes qui sont recherches par le
systme talonn. Ils correspondent lorientation et la po-
sition de la camra. Dans notre cas, les paramtres critiques
qui caractrisent le modle de camra sont les paramtres
intrinsques.
B. Modle de pixel
La reprsentation algbrique du modle de camra (qua-
tion 5) associe un point de la scne un point du plan
image. Cependant, les donnes fournies par une camra
Q
Fig. 2. 1) Pixel rel 2) Reprsentation du pixel par un modle pro-
babiliste. 3) Reprsentation du pixel par un intervalle.
Repere Scne
Rscene
sont des pixels (figure 2-1). Loutil mathmatique tradition-
nellement utilis pour caractriser gomtriquement las-
pect surfacique du pixel est une imprcision. Celle ci est
du pixel. Un cart type appropri permet daffirmer que
le point image une probabilit donne dtre dans une
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-
lis des fins gomtriques. Le problme est que les hypo-
thses ncessaires lutilisation de ce modle probabiliste
sont fausses. Les variables mises en jeu ne sont pas indpen-
dantes et laspect centr de la distribution nest pas justifie
[7]. Ce modle permet dutiliser les outils bass sur la mini-
misation de critres quadratiques en utilisant des donnes
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-
py (4) fisamment important permet de justifier cette approche.
1 On obtient alors un modle ponctuel qui est connu avec
prcision.
Ceci nest plus vrai dans le cas de la triangulation, car
le nombre de mesure est trop faible (2 mesures en stro-
scopie). Pour connatre la prcision de la reconstruction,
loutil fourni par le modle probabiliste est la propaga-
tion de covariance. Or la triangulation est un problme in-
(5) verse numriquement instable car mal conditionn et go-
mtriquement instable lorsquon cherche lintersection de
droites quasi parallles [8]. Pour ces raisons, propager la
covariance sur le systme linaire peut savrer fortement
pessimiste. En ce qui concerne lutilisation dun critre op-
timal (au sens statistique ou gomtrique), si celui-ci est
non linaire, les hypothses ncessaires pour propager la
covariance conduisent des rsultats trs approximatifs [2].
Pour ces raisons, la modlisation dun pixel par un inter-
valle est une alternative intressante (figure 2-3).
Lincertitude que lon a sur la position du point est
associer aux paramtres intrinsques de la camra. On lin-
troduit sous la forme de lintervalle [], la projection scrit
alors :
[q] = P Q + [] (6)
Aucune hypothse nest faite sur la distribution de la posi-
tion du point dans le pixel. La description fournie par cette
quation est donc bien de nature gomtrique.
IV. Appariement, gomtrie pipolaire et
identification des modles de camra
Dans le cas dune image statique, les traitements go-
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 }.
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
gomtriques [9], dont la plus connue est la contrainte pi-
polaire.
B. La contrainte pipolaire ou relation fondamentale
La contrainte pipolaire traduit le fait quun point de
la scne Q et les centres optiques (C1 , C2 ), du couple de
camras (P1 , P2 ) sont un triplet de points qui dfinissent
un plan dit plan pipolaire (voir figure 3). Un couple de
points (q1 , q2 ) candidat pour lappariement appartient n-
cessairement ce plan. Puisque ces points appartiennent
aussi au plan image, lintersection du plan pipolaire et
des plans images dfinissent deux droites : les droites pipo-
laires (L1 , L2 ). En remarquant que les plans pipolaires d-
finissent un faisceau de plans autours de la droite (C1 , C2 ),
la donne dun point image q1 ou q2 suffit pour dfinir les
droites pipolaires L1 et L2 . Ceci se formalise par la rela-
tion fondamentale
q1t F q2 = 0
O F est appele matrice fondamentale, elle est de dimen-
sion (3 3) et de rang 2. Pour une paire dimages stro-
scopique donne, 8 couples de points apparis suffisent
son identification [10].
C. Identification des modles
La matrice fondamentale est llment algbrique qui ca-
ractrise compltement la gomtrie pipolaire et donc les
systmes stroscopiques. Les techniques dauto-talonnage
se basent sur cette matrice pour retrouver lensemble des
paramtres du modle de camras [11] [12] [1], dans ce pa-
pier, elle est de plus utilise pour caractriser lincertitude
pose par la modlisation particulire des pixels. La d-
marche complte est la suivante :
1. Lappariement : La mise en correspondance de points
dans une squence dimages est ralise en utilisant un
ensemble de contraintes structurelles, iconiques et gom-
triques.
2. Lidentification de la matrice fondamentale : cette
identification est estime partir des correspondances ta-
blies. Les mthodes didentification robustes tel que RAN-
SAC ralisent lappariement et lidentification de F dans
Fig. 3. Le plan pipolaire
une mme tape [13][14]. Cest un processus itratif qui
remet jour les contraintes gomtriques et converge pro-
gressivement vers les paramtres du modle.
3. Lestimation de lerreur intrinsque au modle :
il sagit de lincertitude lie la modlisation du pixel par
un intervalle. La matrice fondamentale tant llment al-
gbrique qui va compltement caractriser le systme de
vision, la partie suivante montre comment une srie de test
permet de fournir lincertitude prsente sur la position des
points image.
4. Lestimation des paramtres intrinsques : on
montre que 3 dplacements (3 matrices fondamentales)
suffisent pour obtenir les solutions analytiques des qua-
tions de Kruppa [15][16][17]. Ces quations sont lorigine
des dveloppements qui sont raliss en matire dauto-
talonnage depuis leur apparition dans [18]. Elles per-
mettent prcisment de dterminer les paramtres intrin-
sques des camras lorsque les paramtres extrinsques sont
(7)
inconnus. Leur rsolution reste un problme difficile d en
particulier la multiplicit des solutions qui peuvent ap-
paratre. Une prsentation gomtrique du problme est
donne dans [19].
5. Lestimation des paramtres extrinsques :
lorsque les paramtres intrinsques des camras sont
connus, le problme de lidentification des paramtres ex-
trinsques est quivalent celui de la reconstruction 3D
[15].
D. Estimation de lincertitude du modle
Les mthodes dtalonnage traditionnelles fournissent
avec une bonne prcision et sous une forme ponctuelle la
matrice fondamentale et les modles de camras. Laspect
surfacique des pixels du modle de camras est prsent
pris en compte. Il est intgr aux paramtres intrinsques
de la camra et apparat sous la forme dune incertitude
sur la position du point image (quation 6). Pour quanti-
fier la valeur de cette incertitude, on regarde dans quelle
mesure les points qui dfinissent le modle vont pouvoir va-
lider lidentification qui en est faite. Le modle gomtrique
de la camra tant entirement caractris par les matrices
fondamentales qui sont utilises lors de son identification,
 image Gauche
V. Reconstruction 3D
265
Linsertion de lincertitude dans le modle de camra
(quation 6) permet de redfinir la triangulation. On
270 cherche prsent lensemble de points 3D {Qs } qui a la
Incertitude 1
proprit de se projeter sur les surfaces [qi ] par les camras
Incertitude 2
275 Pi :
Q {Qs } Pi Q [qi ] i = 1...n , n 2 (11)
280
Ceci correspond un problme dinversion ensembliste.
Incertitude 3
285
Bandeau pipolaire
Cette criture peut tre interprte comme la propaga-
tion de lincertitude du point 3D vers son image. Lerreur ne
serait pas introduite par le systme physique. En cherchant
290
Droite pipolaire de rfrence
alors dterminer ce qui est perceptible par le modle de
la camra et non pas minimiser une erreur, la dmarche
295
445 440 435 430 425 420 415
suppose que le modle choisi dcrit parfaitement le fonc-
tionnement de la camra. Cest une hypothse intressante
Fig. 4. La droite pipolaire de rfrence est calcule partir dun car de ce fait, les outils ensemblistes permettrons de voir
point de mesure et de la matrice fondamentale. Le bandeau pi-
polaire est la droite incertaine obtenue en utilisant un point de
dans quelle mesure les modles ou les jeux de paramtres
mesure, son incertitude et la matrice fondamentale. Lincertitude employs sont valides.
(1) est lincertitude nominale que lon a sur la position dun point De plus, linversion ensembliste sappuie sur le forma-
de limage (surface du pixel). Lincertitude 2 est celle estime par lisme des problmes satisfaction de contraintes (CSP), or
le modle afin dintersecter la droite pipolaire de rfrence. Lin-
certitude 3 est celle utilise pour la reconstruction 3D. ce formalisme assure la robustesse numrique des calculs.
En ce qui concerne linversion de lquation (11), on sap-
puiera sur larithmtique dintervalle pour obtenir la ver-
lerreur sur la position des points image est estime en tes- sion ensembliste du systme (3). Lutilisation de ce systme
tant ces matrices fondamentales. vite les problmes lis aux coordonnes homognes dans
Soit (q1 , q2 ) un couple de points apparis pour les nuages la reconstruction obtenue [2].
de points {q1 } et {q2 } dune paire dimages. La matrice Lorsque la matrice fondamentale et lincertitude du
fondamentale F valide qui est identifie par ces ensembles modle sont estims, le produit ([q1t ] F ) (respectivement
de points doit vrifier la condition : (F [q2 ])) correspond une droite incertaine : le bandeau pi-
polaire (voir figure 4). Il sagit de lensemble des droites pi-
0 q1t F [q2 ] 0 q1t F q2

 

(8) polaires possibles compte tenu de lincertitude de la posi-
tion dun point image. Pour les couples de points ([q1 ] , [q2 ])
Cette condition revient tester lintersection de la droite apparis, la contrainte fondamentale permet de rduire lin-
pipolaire de rfrence L2 = q1t F (respectivement Lt1 = certitude sur leur position. En effet lensemble des points
F q2 ) et lincertitude du point de mesure correspondant [q2 ] utilisables pour la reconstruction 3D sont lintersection
(respectivement [q1 ] - voir figure 4). du bandeau pipolaire et de leur position (quation 10 et
Puisque les coordonnes dun point de limage sont des figure 4). On note [] loprateur qui fournie lenveloppe
entiers, lamplitude initiale de lincertitude dun point q de intervalle dun ensemble :
{qi } est pose 0.5 pixels. En coordonnes homognes :
hn oi [q1 ] = [[q1 ] {F [q2 ]}] (12)
t
[qi ] = qi + | ([0.5, 0.5] [0.5, 0.5] 0) (9) [q2 ] = [{[q1 ] F } [q2 ]] (13)

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-
respondant lapplication linaire du produit vectoriel.
Il apparat que les lignes l3 et l6 de la matrice [A] (et du
vecteur [B]) sont respectivement des combinaisons linaires
des lignes (l1 , l2 ) et (l4 , l5 ). En supprimant l3 et l6 , le sys-
tme dquations prend la dimension (4 3). On en tire
alors 4 systmes carrs ([Ai ] , [Bi ]) (i = 1...4) de dimen-
sion (3 3) en supprimant une ligne de plus, diffrente,
pour chaque systme. Leurs rsolutions sont ralises avec
le contracteur de Gauss-Seidel [20] ou de Krawczyk [21][22].
Enfin, on ne conserve que lintersection des rsultats :
\ ft
[Q] [{Q | Ai Q = Bi Ai [Ai ] , Bi [Bi ]}] (16)
i=1...4
Dans la figure 5, on peut observer la vue stro dune mire
et la reconstruction 3D obtenue par cette mthode dinver-
sion.
Fig. 5. Reconstruction 3D dune mire en utilisant lanalyse par in-
tervalles. Les camras sont talonnes, les points dintrt de la
mire sont dtects et apparis, puis la triangulation est ralise
en utilisant le contracteur de Krawczyk.
Les pavs reconstruits permettent de caractriser lincer-
titude que lon a sur la reconstruction, ils fournissent une
estimation garantie de la position 3D du point reconstruit.
De plus, cette incertitude fournie une information plus pre-
cise que la mesure dimprecision que lon deduit par les
mthodes de propagation de covariance.
En guise de comparaison, lexprience suivante a t ra-
lise avec des donnes de simulation : un nuage de points
3D alatoires est projet sur une paire de cameras puis re-
construit avec loutil ensembliste (quation 16) et avec les
mthodes statistiques traditionnelles. Le repre de la scne
est confondu avec celui du repre dune camera.
Les mthodes statistiques prsentent lintrt de fournir
des rsultats ponctuels qui peuvent tre soumis des fonc-
tions doptimisation efficaces. En matire de reconstruc-
tion 3D, elles sont en gnral bases sur des critres go-
mtriques et non linaires. Cependant, en ce qui concerne
limprcision des rsultats obtenus, la propagation de la
covariances ne se ralise quavec des fonctions linaires [7].
Pour cette raison, la rsolution des quations de la triangu-
lation dans ces simulations est ralise partir de critres
linaires.
Avec le systme dit homogne (equation 3), limprcision
de la reconstruction du point Qe = (X Y Z)t pour une
erreur e mesure sur le plan image est alors approxim
par les fonctions donnes dans [23] :
Z
q
X = e
2
(t X) + X 2 (17)
r
Z t2
Y = e 2Y 2 + (18)
ft 2
Z2
Z = e 2 (19)
ft
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-
met de tenir compte des imprcisions sur les paramtres du
modle de camra et ne ncessite pas la distinction entre
les paramtres intrinsques et extrinsques. Dans la simu-
lation prsente, la camra est connue parfaitement. On
trouvera dans [2] le dtail de la mthode qui permet de
propager les erreurs depuis les donnes images jusqua re-
construction 3D. Dans la figure 7-b, une opration de bis-
section [20] a t utilise pour affiner la reconstruction 3D.
Contrairement lestimation prcdente, et la lumire de
cette figure (7), la direction de limprcision est observable.
Cependant la simplification de la description du pixel par
une variable alatoire centre fausse encore le rsultat. Un
nuage de 5000 points dans un volume de 3m de large pour
5m de profondeur ne fait apparatre que 10% des points
rels dans des ellipsodes de confiance 95%.
VI. Conclusion
La vision 3D sappuie en grande partie sur des rsul-
tats gomtriques. La modlisation dun pixel par un in-
tervalle permet alors de prendre en compte son aspect sur-
facique. Linfluence de cette modlisation se rpercute dans

(a)
(b) (c)
Fig. 6. Propagation de covariance grce au systme dquation non
homogne : (a) reconstruction du nuage, de son incertitude (ana-
lyse par intervalle) et de son imprcision (propagation de cova-
riance). (b-c) Le point 3D rel est contenu dans lintervalle fournit
par linversion ensembliste, mais pas ncessairement dans lellip-
sode de confiance obtenu par propagation de covariance.
(a) (b)
Fig. 7. Propagation de covariance grce au systme dquation homo-
gne. Le point 3D rel est rarement contenu dans lellipsode de
confiance (a). Dans (b) une tape de bissection permet daffiner le
problme dinversion ensembliste associe a la reconstruction 3D,
on observe que lellipsode de confiance possde un axe dans la
direction de limprcision qui est indpendante du repre de la
scne.
les trois tapes ncessaires pour faire la reconstruction 3D
dune scne : appariement, modlisation de la camra et
triangulation. Pour chacune de ces tapes, les dveloppe-
ments gomtriques ont put etre raliss grce des ou-
tils ensemblistes. Lappariement utilise la contrainte pi-
polaire comme une simple intersection. Le modle de ca-
mra contient linformation relative lincertitude des pa-
ramtres, celle ci a put tre estime. Les outils de lanalyse
par intervalles permettent de raliser la reconstruction 3D.
Il sagit du premier outil capable de fournir une estimation
garantie de son incertitude car les outils probabilistes tra-
ditionnels sapuient sur des hypotheses reconnues comme
approximatives qui menent des resultats faux bien que
lerreur soit petite. Grce cet outil, la modlisation dun
point 3D obtenu avec le capteur stroscopique peut tre
envisag comme la modlisation dun point image obtenue
par une camera.
En vision, en permettant destimer lincertitude que lon
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,
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.
[6] T. Ueshiba et F. Tomita. Plane-based calibration algorithm for
multi-camera systems via factorization of homography matrices.
9th International Conference on Computer Vision, pages 966
973, Nice (France), oct. 2003.
[7] R.M. Haralick. Propagating covariance in computer vision. Pro-
cedings of Workshop on Performance Characterisics of Vision
Algorithms, pages 112, 1996.
[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
Intelligence, vol. 19 :133135, February 1997.
[13] R.C. Bolles et M.A. Fischler. A ransac-based approach to model
fitting and its applications to finding cylinders in range data.
Int. Joint. Conf. Artificial Intelligence, pages 637643, 1981.
[14] N. Pessel. Auto calibrage dune camra en milieu sous marin -
application a la reconstruction 3D. thse, IFREMER - Universit
Montpellier II, 2003.
[15] G. Sparr. An algebraic-analytic method for reconstruction
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,
and structure recovery from point correspondences and funda-
mental matrices. IJCV, 22 :261289, 1997.
[17] Q.T. Luong et O.D. Faugeras. Self-calibration of a stereo rig from
unknown camera motions and point correspondences. Technical
Report 2014, INRIA, 1993.
[18] O.D. Faugeras et S.J. Maybank. Motion from point matches :
multiplicity of solutions. International Journal of Computer Vi-
sion, 1990. technical report INRIA : 1157.
[19] Y. Ma, R. Vidal, J. Kosecka, et S. Sastry. Kruppa equa-
tion revisited : Its renormalization and degeneracy. European
Conference on Computer Vision, pages 561577, 2000. cite-
seer.nj.nec.com/579804.html.
[20] L. Jaulin, M. Kieffer, O. Didrit, et E. Walter. Applied Interval
Analysis. Springer Verlag, London, 2001.
[21] R.E. Moore. Interval Analysis. Prentice-Hall, Englewood Cliffs,
1966.
[22] B. Telle, M.J. Aldon, et N. Ramdani. Guaranted 3d visual sen-
sing based on interval analysis. Proceedings IROS, 2003.
[23] H. Hirschmuller, P.R. Innocent, et J.M. Garibaldi. Fast uncons-
trained camera motion from stereo without tracking and robust
statistics. Seventh International Conference on Control, Auto-
mation, Robotics and Vision (singapore), pages 10991104, de-
cember 2002.