Accurate Sensor Calibration for Geometric Computer Vision
3D Scanning
turntable calibration
structure-light
3D scanner calibration
accurate GT data
affine transformations
quantitative evaluation
quadcopter-based GT generation
feature testing
camera-LiDAR calibration
accurate extrinsic parameters
extrinsic calibration
Informatika D. I./Az informatika alapjai és módszerei.
3D szkennelés
forgóasztal kalibráció
strukturált fény
3D szkenner kalibrációs
pontos GT adat
affin transzformációk
kvantitatív kiértékelés
drónra alapuló GT adat generálás
pont és affin jellemzők tesztelése
kamera és LiDAR kalibráció
pontos külső paraméterek
külső kalibráció
Absztrakt:
A disszertáció három témakörben kínált továbbfejlesztett state-of-the-art módszereket a számítógépes látás területén.
Először egy új kalibrációs módszert mutattam be strukturált fényes szkenneléshez. Homográfiák használatával lehetséges a kamera-projektor pixel megfeleltetéseket tovább finomítani szubpixel pontosságra. A pontosabb megfeleltetésekkel a projektor belső paramétereit is pontosabban lehet megbecsülni. Egy új, forgóasztal kalibrációjához kidolgozott módszer is bemutatásra került a forgástengely meghatározásához. A forgóasztallal az objektumról több felvétel készíthető és ezáltal lehetőség nyílik azok 360° fokos szkennelésére. A javasolt módszer a valós adatokon végzett vizuális tesztelés során pontosabb eredményt adott, mint a jelenleg elterjedt módszerek: a szkenner térbeli hibája 0.5 mm alatti. A legjobb tudomásunk szerint ez a legpontosabb strukturált fényt használó szkenner, amely nem speciálisan gyártott eszközökből épült.
Másodszor nagy pontosságú Ground Truth (GT) adatot generáltam a strukturált fényes szkennert és drónfelvételeket használva affin transzformációk kiértékeléséhez. Az affin kovariáns jellegzetes pont detektáló algoritmusok kvantitatív kiértékelésének szakirodalma kevés valós környezetben felvett adatot tartalmaz. A létrehozott adathalmaz felülmúlja a korábbi state-of-the-art összehasonlításokat, melyek homográfia segítségével generáltak affin transzformációkat. Ezek csak síkszerű objektumokat tartalmaztak, vagy pedig statikus kamerát használtak. Továbbá a létrehozott adatbázist kiterjesztettem kültéri környezetben készült drónfelvételekkel. Ebben az esetben a GT adatot a drón kötött mozgásából számoltam ki. Ezenfelül az elterjedt affin kovariáns jellegzetes pontdetektáló algoritmusok kvantitatív összehasonlítását is bemutattam.
Harmadszor, egy egyszerűen használható módszert javasoltam kamera és LiDAR (Light Detection and Ranging) rendszerek kalibrációjához. A bemutatott módszer hétköznapi papírdobozokat használ kalibrációs objektumként. Az iteratív finomítás során a térbeli doboz sarokpontokat illesztjük a LiDAR pontfelhőre, majd a finomított sarokpontok által lehetséges kamera-LiDAR és LiDAR- LiDAR eszközök külső kalibrációja. A módszert egyszerűen ki lehet terjeszteni több kamera és több LiDAR kalibrációjára is. A javasolt módszer mind a szintetikus, mind pedig a valós összehasonlítás során pontosabb eredményt adott, mint a jelenlegi state-of-the-art módszerek.