论文部分内容阅读
计算机视觉的研究目的是让机器学会感知真实的世界,而对于真实世界感知的一个重要信息就是物体的三维信息。为了获取物体的三维信息,研究人员们尝试利用几何的手段通过多视角立体视觉来测量深度。除此之外,另一种重要的手段是利用光度法,即通过物体在不同光照情况下的表现,来获取三维信息,这种方法叫做光度立体视觉。
由于相机视角的固定,光度立体视觉不受特征点匹配的限制,可以提供像素级精度的表面法线估计,为图形渲染和三维重建提供了重要的形状信息,在很多的场合都有应用。但是传统的光度立体视觉需要图像中每个像素的辐照度作为输入,这就意味着必须首先进行相机辐射度响应标定,增加了操作的繁琐性;此外传统的光度立体视觉需要进行光源的标定,限制了其在专用实验场合以外的使用。本文旨在尽可能的提高朗勃反射模型下光度立体视觉的自动化程度,提出了两个“自标定”的想法和解决方案:
·辐射度自标定:与传统的光度立体视觉算法不同,本文的方法直接使用从相机读取的观测强度作为系统输入,自标定算法自动完成相机辐射度响应标定。
·光源自标定:本文的光度立体视觉算法不需要已知光源信息,自标定算法自动求解光源的方向和强度,同时输出法线信息为解决上面的两个问题,本文提出了两种新定义的“曲线”:
·色彩曲线:它是RGB空间上的三维曲线。非线性的辐射度响应函数生成的色彩曲线是弯曲的,而辐照度对应直线。通过优化色彩曲线由曲变直的过程,我们可以求解辐射度响应函数。
·强度曲线:它是辐照度随时间变化的二维曲线。物体上不同的法线对应形状相异的强度曲线。通过度量众多强度曲线的形状相似性,可以区分法线不同的点。再结合本文提出的反射率聚类方法,我们可以求解非标定的光度立体视觉中所有的不确定性,得到准确的法线和光源信息。
通过对于多组实际拍摄的光度图像序列进行实验,我们验证了:
·本文的辐射度自标定具有误差小、稳定性高的特点,适用于不同的相机和场景。
·本文的光源自标定可以准确地求解非标定光度立体视觉,估计法线和光源信息。
·完整的自标光度立体视觉流程工作正确,而且辐射度自标定是不可或缺的先决步骤。