Vestnik of Don State Technical UniversityVestnik of Don State Technical UniversityВестник Донского государственного технического университета1992-5980352210.12737/5717Технические наукиTechnical sciencesТехнические наукиData preparation methods for recovering three-dimensional structure of the sceneМетодика подготовки данных для восстановления трехмерной структуры сценыТараненкоСергей СергеевичTaranenkoSergey Сергеевичtaranenko_sergei@mail.ruКовалёвОлег ФёдоровичKovalevOleg Фёдоровичofk@mail.ru3009201430092014143145151https://zh-szf.ru/en/nauka/article/3522/view
Рассматривается проблема подготовки данных для восстановления трёхмерной структуры сцены, составленной из точек, отрезков, прямых линий и т. д., используя видеоинформацию, получаемую с камеры, движущейся вокруг статической сцены. На основе анализа существующих методов представлена методика и алгоритм для выделения и подготовки данных для восстановления трёхмерной структуры сцены. За основу алгоритма взят фильтр Канни с оператором Собеля, дополненный вычислением дескрипторов из алгоритмов SURF (Speeded Up Robust Feature). Для фильтрации шумов с кадров предлагается использовать wavelet-фильтры, что позволит получить алгоритм выделения контура объекта в кадре и сопоставление его с контуром объекта на следующем кадре, что является входными данными для большинства алгоритмов восстановления трёхмерной сцены.
The problem of data preparation to recover the three-dimensional structure of the scene including points, segments, straight lines, etc., using video obtained from a moving camera around a static scene is considered. Based on the analysis of the existing methods, the methodology and algorithm of the data selection and preparation for recovering the three-dimensional scene structure are provided. Canny filter and Sobel operator complemented with calculating the algorithm SURF (Speeded Up Robust Feature) descriptors is taken as a basis. To filter noise from frames, wavelet filters are proposed. This allows obtaining an object contour extraction algorithm in the frame, and its comparison with the object contour in the next frame, which is the input data for the majority of algorithms of the three-dimensional scene reconstruction.
камера-обскураSURF (Speeded Up Robust Feature)особые точкитрёхмерная структурафильтр Калманафильтр Канниподавление немаксимумовсценаградиент.camera-obscuraSURF (Speeded Up Robust Feature)singular pointsthree-dimensional structureKalman filterCanny filternon-maxima suppressionscenegradient.
Введение. Область практического применения реалистической компьютерной графики в наши дни необычайно широка и включает в себя системы виртуальной реальности, реверс-инжиниринг, киноиндустрию, дизайн, компьютерные игры, научную визуализацию и т. д. Стремительно увеличивается число продуктов компьютерной графики, а вовлечение их в повседневную жизнь вызывает ответную реакцию потребителя, заключающуюся в непрерывном повышении требований к этим продуктам. И хотя рост вычислительных мощностей позволяет решать всё более сложные задачи визуализации трёхмерных сцен (число объектов, источников освещения, разрешение изображения), рост сложности самих задач опережает его, и актуальность этих задач растёт. Одной из ведущих задач в компьютерной графике стало восстановление трёхмерной структуры сцены. Для восстановления структуры сцены требуется сбор информации о ней. Один из способов сбора информации о сцене — это видео- и фотосъёмка, но в полученных кадрах много шумов и второстепенной информации, кроме того информация с двух соседних кадров требует согласования и сведения кадров в стереопару. По данной задаче проводились исследования и есть результаты, но они не совершенны.
Ullman, S. The Interpretation of Visual Motion. Cambridge : MIT Press, 1979.Ullman, S. The Interpretation of Visual Motion. Cambridge : MIT Press, 1979.Longuet-Higgins, H. C. A computer algorithm for reconstructing a scene from two projections. Nature, 1981, vol. 293, pp. 133-135.Longuet-Higgins, H. C. A computer algorithm for reconstructing a scene from two projections. Nature, 1981, vol. 293, pp. 133-135.Weng, J., Huang, T. S., Ahuja, N. Motion and structure from two perspective views: Algorithms, error analysis, and error estimation. IEEE Trans. Pattern Anal. Machine Intell., 1989, vol. 11, no. 5, pp. 451-476.Weng, J., Huang, T. S., Ahuja, N. Motion and structure from two perspective views: Algorithms, error analysis, and error estimation. IEEE Trans. Pattern Anal. Machine Intell., 1989, vol. 11, no. 5, pp. 451-476.Hu, X., Ahuja, N. Motion and structure estimation using long sequence motion models. Image and Vision Computing, 1993, vol. 11, no. 9, pp. 549-570.Hu, X., Ahuja, N. Motion and structure estimation using long sequence motion models. Image and Vision Computing, 1993, vol. 11, no. 9, pp. 549-570.Horn, B. K. P. Relative orientation. Int. J. Computer Vision, 1990, vol. 4, pp. 59-78.Horn, B. K. P. Relative orientation. Int. Journal of Computer Vision, 1990, vol. 4, no. 1, pp. 59-78.Weng, J., Huang, T. S., Ahuja, N., Motion and Structure from Image Sequences, Springer Series on Information Sciences. Berlin, Springer-Verlag, 1993.Weng, J., Huang, T. S., Ahuja, N. Motion and Structure from Image Sequences, Springer Series on Information Sciences. Berlin, Springer-Verlag, 1993.Herbert, B., Andreas, E., Tinne, T., Luc, V. G. SURF: Speeded Up Robust Features, Computer Vision and Image Understanding (CVIU). 2008, vol. 110, no. 3, pp. 346-359.Herbert, B., Andreas, E., Tinne, T., Luc, V. G. SURF: Speeded Up Robust Features, Computer Vision and Image Understanding (CVIU). 2008, vol. 110, no. 3, pp. 346-359.Грузман, И. С. Цифровая обработка изображений в информационных системах / И. С. Грузман [и др.]. - Новосибирск : Новосиб. гос. техн. ун-т, 2002. - 352 c.Gruzman, I. S. Tsifrovaya obrabotka izobrazheniy v informatsionnyih sistemah. [Digital image processing in information systems]. Novosibirsk : NGTU, 2002, 352 p. (in Russian).Canny, J. A computational approach to edge detection. IEEE Trans. Pattern Analysis and Ma-chine Intelligence, 1986, vol. 8, no. 6, pp. 679-698.Canny, J. A computational approach to edge detection. IEEE Trans. Pattern Analysis and Ma-chine Intelligence, 1986, vol. 8, no. 6, pp. 679-698.Wyman, C. Canny Edge Detection. Advanced Computer Graphics (Advanced OpenGL Ren-dering), Syllabus for Spring 2008. Available at: http://homepage.cs.uiowa.edu/~cwyman/classes/spring08-22C251/homework/canny.pdf (accessed: 05.05.2014).Wyman, C. Canny edge detection. Advanced Computer Graphics (Advanced OpenGL Ren-dering), Syllabus for Spring, 2008. Available at: http://homepage.cs.uiowa.edu/~cwyman/classes/spring08-22C251/homework/canny.pdf (accessed: 05.05.2014).Kalra, P. K. Canny Edge Detection. Lectures on Digital Image Processing, 2009. Available at: http://www.cse.iitd.ernet.in/~pkalra/csl783/canny.pdf (accessed: 03.02.2014).Kalra, P. K. Canny Edge Detection. Lectures on Digital Image Processing, 2009. Available at: http://www.cse.iitd.ernet.in/~pkalra/csl783/canny.pdf (accessed: 03.02.2014).Moeslund, T. B. Image and Video Processing. Computer Vision and Media Technology, Alborg University, 2009.Moeslund, T. B. Image and Video Processing. Computer Vision and Media Technology, Alborg University, 2009.