Submit Search
Upload
関東コンピュータビジョン勉強会
•
Download as PPTX, PDF
•
27 likes
•
47,076 views
N
nonane
Follow
第28回コンピュータビジョン勉強会@関東
Read less
Read more
Science
Report
Share
Report
Share
1 of 31
Download now
Recommended
SLAMチュートリアル大会資料(ORB-SLAM)
SLAMチュートリアル大会資料(ORB-SLAM)
Masaya Kaneko
CNN-SLAMざっくり
CNN-SLAMざっくり
EndoYuuki
SLAM入門 第2章 SLAMの基礎
SLAM入門 第2章 SLAMの基礎
yohei okawa
Sift特徴量について
Sift特徴量について
la_flance
20190825 vins mono
20190825 vins mono
Takuya Minagawa
ORB-SLAMの手法解説
ORB-SLAMの手法解説
Masaya Kaneko
20190307 visualslam summary
20190307 visualslam summary
Takuya Minagawa
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII
Recommended
SLAMチュートリアル大会資料(ORB-SLAM)
SLAMチュートリアル大会資料(ORB-SLAM)
Masaya Kaneko
CNN-SLAMざっくり
CNN-SLAMざっくり
EndoYuuki
SLAM入門 第2章 SLAMの基礎
SLAM入門 第2章 SLAMの基礎
yohei okawa
Sift特徴量について
Sift特徴量について
la_flance
20190825 vins mono
20190825 vins mono
Takuya Minagawa
ORB-SLAMの手法解説
ORB-SLAMの手法解説
Masaya Kaneko
20190307 visualslam summary
20190307 visualslam summary
Takuya Minagawa
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII
Point net
Point net
Fujimoto Keisuke
20180527 ORB SLAM Code Reading
20180527 ORB SLAM Code Reading
Takuya Minagawa
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
MPRG_Chubu_University
30th コンピュータビジョン勉強会@関東 DynamicFusion
30th コンピュータビジョン勉強会@関東 DynamicFusion
Hiroki Mizuno
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Masaya Kaneko
SLAM勉強会(PTAM)
SLAM勉強会(PTAM)
Masaya Kaneko
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
Kitsukawa Yuki
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII
Direct Sparse Odometryの解説
Direct Sparse Odometryの解説
Masaya Kaneko
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
Hironobu Fujiyoshi
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII
Structure from Motion
Structure from Motion
Ryutaro Yamauchi
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)
Toru Tamaki
20090924 姿勢推定と回転行列
20090924 姿勢推定と回転行列
Toru Tamaki
SSII2019企画: 画像および LiDAR を用いた自動走行に関する動向
SSII2019企画: 画像および LiDAR を用いた自動走行に関する動向
SSII
大域マッチングコスト最小化とLiDAR-IMUタイトカップリングに基づく三次元地図生成
大域マッチングコスト最小化とLiDAR-IMUタイトカップリングに基づく三次元地図生成
MobileRoboticsResear
ROS を用いた自律移動ロボットのシステム構築
ROS を用いた自律移動ロボットのシステム構築
Yoshitaka HARA
[DL輪読会]画像を使ったSim2Realの現況
[DL輪読会]画像を使ったSim2Realの現況
Deep Learning JP
G2o
G2o
Fujimoto Keisuke
第28回コンピュータビジョン勉強会@関東(kanejaki担当分)
第28回コンピュータビジョン勉強会@関東(kanejaki担当分)
kanejaki
cvsaisentan5 Multi View Stereo 3.3
cvsaisentan5 Multi View Stereo 3.3
Takuya Minagawa
More Related Content
What's hot
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII
Point net
Point net
Fujimoto Keisuke
20180527 ORB SLAM Code Reading
20180527 ORB SLAM Code Reading
Takuya Minagawa
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
MPRG_Chubu_University
30th コンピュータビジョン勉強会@関東 DynamicFusion
30th コンピュータビジョン勉強会@関東 DynamicFusion
Hiroki Mizuno
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Masaya Kaneko
SLAM勉強会(PTAM)
SLAM勉強会(PTAM)
Masaya Kaneko
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
Kitsukawa Yuki
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII
Direct Sparse Odometryの解説
Direct Sparse Odometryの解説
Masaya Kaneko
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
Hironobu Fujiyoshi
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII
Structure from Motion
Structure from Motion
Ryutaro Yamauchi
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)
Toru Tamaki
20090924 姿勢推定と回転行列
20090924 姿勢推定と回転行列
Toru Tamaki
SSII2019企画: 画像および LiDAR を用いた自動走行に関する動向
SSII2019企画: 画像および LiDAR を用いた自動走行に関する動向
SSII
大域マッチングコスト最小化とLiDAR-IMUタイトカップリングに基づく三次元地図生成
大域マッチングコスト最小化とLiDAR-IMUタイトカップリングに基づく三次元地図生成
MobileRoboticsResear
ROS を用いた自律移動ロボットのシステム構築
ROS を用いた自律移動ロボットのシステム構築
Yoshitaka HARA
[DL輪読会]画像を使ったSim2Realの現況
[DL輪読会]画像を使ったSim2Realの現況
Deep Learning JP
G2o
G2o
Fujimoto Keisuke
What's hot
(20)
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
SSII2021 [TS1] Visual SLAM ~カメラ幾何の基礎から最近の技術動向まで~
Point net
Point net
20180527 ORB SLAM Code Reading
20180527 ORB SLAM Code Reading
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
画像局所特徴量と特定物体認識 - SIFTと最近のアプローチ -
30th コンピュータビジョン勉強会@関東 DynamicFusion
30th コンピュータビジョン勉強会@関東 DynamicFusion
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
Visual SLAM: Why Bundle Adjust?の解説(第4回3D勉強会@関東)
SLAM勉強会(PTAM)
SLAM勉強会(PTAM)
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
NDTスキャンマッチング 第1回3D勉強会@PFN 2018年5月27日
SSII2018TS: 3D物体検出とロボットビジョンへの応用
SSII2018TS: 3D物体検出とロボットビジョンへの応用
Direct Sparse Odometryの解説
Direct Sparse Odometryの解説
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
SSII2019TS: 実践カメラキャリブレーション ~カメラを用いた実世界計測の基礎と応用~
Structure from Motion
Structure from Motion
3次元レジストレーション(PCLデモとコード付き)
3次元レジストレーション(PCLデモとコード付き)
20090924 姿勢推定と回転行列
20090924 姿勢推定と回転行列
SSII2019企画: 画像および LiDAR を用いた自動走行に関する動向
SSII2019企画: 画像および LiDAR を用いた自動走行に関する動向
大域マッチングコスト最小化とLiDAR-IMUタイトカップリングに基づく三次元地図生成
大域マッチングコスト最小化とLiDAR-IMUタイトカップリングに基づく三次元地図生成
ROS を用いた自律移動ロボットのシステム構築
ROS を用いた自律移動ロボットのシステム構築
[DL輪読会]画像を使ったSim2Realの現況
[DL輪読会]画像を使ったSim2Realの現況
G2o
G2o
Viewers also liked
第28回コンピュータビジョン勉強会@関東(kanejaki担当分)
第28回コンピュータビジョン勉強会@関東(kanejaki担当分)
kanejaki
cvsaisentan5 Multi View Stereo 3.3
cvsaisentan5 Multi View Stereo 3.3
Takuya Minagawa
Cvim saisentan-5-2-tomoaki
Cvim saisentan-5-2-tomoaki
tomoaki0705
20150328 cv関東勉強会 sumisumithパート_v1.3
20150328 cv関東勉強会 sumisumithパート_v1.3
sumisumith
28th CV勉強会@関東 #3
28th CV勉強会@関東 #3
Hiroki Mizuno
フォトンマッピング入門
フォトンマッピング入門
Shuichi Hayashi
DjangoでさくっとWeb アプリケーション開発をする話
DjangoでさくっとWeb アプリケーション開発をする話
Nakazawa Yuichi
実践コンピュータビジョン 3章 画像間の写像
実践コンピュータビジョン 3章 画像間の写像
yaju88
2008-12-07_PTAM_Kansai.AR
2008-12-07_PTAM_Kansai.AR
masayashi Kobayashi
ORB-SLAMを動かしてみた
ORB-SLAMを動かしてみた
Takuya Minagawa
T TIME 滞在時間割キャンペーン(第4回販促会議企画コンペティション)
T TIME 滞在時間割キャンペーン(第4回販促会議企画コンペティション)
Keita Takizawa
Viewers also liked
(11)
第28回コンピュータビジョン勉強会@関東(kanejaki担当分)
第28回コンピュータビジョン勉強会@関東(kanejaki担当分)
cvsaisentan5 Multi View Stereo 3.3
cvsaisentan5 Multi View Stereo 3.3
Cvim saisentan-5-2-tomoaki
Cvim saisentan-5-2-tomoaki
20150328 cv関東勉強会 sumisumithパート_v1.3
20150328 cv関東勉強会 sumisumithパート_v1.3
28th CV勉強会@関東 #3
28th CV勉強会@関東 #3
フォトンマッピング入門
フォトンマッピング入門
DjangoでさくっとWeb アプリケーション開発をする話
DjangoでさくっとWeb アプリケーション開発をする話
実践コンピュータビジョン 3章 画像間の写像
実践コンピュータビジョン 3章 画像間の写像
2008-12-07_PTAM_Kansai.AR
2008-12-07_PTAM_Kansai.AR
ORB-SLAMを動かしてみた
ORB-SLAMを動かしてみた
T TIME 滞在時間割キャンペーン(第4回販促会議企画コンペティション)
T TIME 滞在時間割キャンペーン(第4回販促会議企画コンペティション)
Similar to 関東コンピュータビジョン勉強会
Camera calibration
Camera calibration
Takahashi Kosuke
CVPR2019 読み会「Understanding the Limitations of CNN-based Absolute Camera Pose ...
CVPR2019 読み会「Understanding the Limitations of CNN-based Absolute Camera Pose ...
Sho Kagami
Light weightbinocular sigasia2012_face
Light weightbinocular sigasia2012_face
ishii yasunori
静岡Developers勉強会コンピュータビジョンvol4発表用資料
静岡Developers勉強会コンピュータビジョンvol4発表用資料
keima_12
nagata b
nagata b
harmonylab
論文読み会(DeMoN;CVPR2017)
論文読み会(DeMoN;CVPR2017)
Masaya Kaneko
Inside-Outカメラからの3次元Scan Pathとシーン構造の復元
Inside-Outカメラからの3次元Scan Pathとシーン構造の復元
Hironobu Fujiyoshi
関東CV勉強会20140802(Face Alignment at 3000fps)
関東CV勉強会20140802(Face Alignment at 3000fps)
tackson5
2016.04.27
2016.04.27
robo_lab
Slideshare unsupervised learning of depth and ego motion from video
Slideshare unsupervised learning of depth and ego motion from video
ishii yasunori
20161203 cv 3_d_recon_tracking_eventcamera
20161203 cv 3_d_recon_tracking_eventcamera
Kyohei Unno
Tech art 20170315
Tech art 20170315
Masayuki Tanaka
Similar to 関東コンピュータビジョン勉強会
(12)
Camera calibration
Camera calibration
CVPR2019 読み会「Understanding the Limitations of CNN-based Absolute Camera Pose ...
CVPR2019 読み会「Understanding the Limitations of CNN-based Absolute Camera Pose ...
Light weightbinocular sigasia2012_face
Light weightbinocular sigasia2012_face
静岡Developers勉強会コンピュータビジョンvol4発表用資料
静岡Developers勉強会コンピュータビジョンvol4発表用資料
nagata b
nagata b
論文読み会(DeMoN;CVPR2017)
論文読み会(DeMoN;CVPR2017)
Inside-Outカメラからの3次元Scan Pathとシーン構造の復元
Inside-Outカメラからの3次元Scan Pathとシーン構造の復元
関東CV勉強会20140802(Face Alignment at 3000fps)
関東CV勉強会20140802(Face Alignment at 3000fps)
2016.04.27
2016.04.27
Slideshare unsupervised learning of depth and ego motion from video
Slideshare unsupervised learning of depth and ego motion from video
20161203 cv 3_d_recon_tracking_eventcamera
20161203 cv 3_d_recon_tracking_eventcamera
Tech art 20170315
Tech art 20170315
関東コンピュータビジョン勉強会
1.
第28回コンピュータビジョン勉強会@関東 コンピュータビジョン最先端ガイド5 第2章 複数画像からの三次元復元 #2 カメラパラメータ推定 東京大学
情報理工M1 伊神 大貴<@_Nonane_>
2.
自己紹介 • @ketsumedo_yarouの手下その2 • 3次元の研究をしているという? –
していない • L0-normの最適化をごりごりしています – 全ての非線形関数を生まれる前に消し去りたい
3.
ステレオによる3次元復元 3 Depth?
4.
ステレオによる3次元復元 4 Depth
5.
ステレオによる3次元復元 5 Depth 点のマッチングとカメラの位置姿勢 から3次元復元ができる
6.
カメラパラメータ スクリーン座標 ワールド座標 𝒙 =
𝐊 𝐑 𝒕 𝒑 𝒖 𝒗 𝟏 ~ 𝑓 𝑠 𝑐 𝑥 0 𝑎𝑓 𝑐 𝑦 0 0 1 𝑅11 𝑅12 𝑅13 𝑡 𝑥 𝑅21 𝑅22 𝑅23 𝑡 𝑦 𝑅31 𝑅32 𝑅33 𝑡 𝑧 𝒑 𝒙 𝒑 𝒚 𝒑 𝒛 𝟏 カメラ内部行列 DOF: 5 カメラ外部行列 DoF: 6
7.
カメラパラメータ カメラ内部行列 DOF: 5 スクリーン座標 カメラ外部行列 DoF: 6 ワールド座標 𝒙
= 𝐊 𝐑 𝒕 𝒑 𝒖 𝒗 𝟏 ~ 𝑓 𝑠 𝑐 𝑥 0 𝑎𝑓 𝑐 𝑦 0 0 1 𝑅11 𝑅12 𝑅13 𝑡 𝑥 𝑅21 𝑅22 𝑅23 𝑡 𝑦 𝑅31 𝑅32 𝑅33 𝑡 𝑧 𝒑 𝒙 𝒑 𝒚 𝒑 𝒛 𝟏 焦点距離など,カメラ 固有のパラメータ カメラの位置,姿勢を 示すパラメータ
8.
透視投影 𝑐 𝑠 𝑦𝑠 𝑓 𝑥 𝑠 𝑦𝑐 𝑥
𝑐 𝑧 𝑐 画像面
9.
透視投影 𝑐 𝑠 𝑦𝑠 𝑓 𝑥 𝑠 𝑦𝑐 𝑥
𝑐 𝑧 𝑐 画像面 𝒑 = (𝑝 𝑥, 𝑝 𝑦, 𝑝 𝑥) 𝒙 = (𝑢, 𝑣)
10.
透視投影 𝑐 𝑠 𝑦𝑠 𝑓 𝑥 𝑠 𝑦𝑐 𝑥
𝑐 𝑧 𝑐 画像面 𝒑 = (𝑝 𝑥, 𝑝 𝑦, 𝑝 𝑥) 𝒙 = (𝑢, 𝑣) 𝑐 𝑠 ′ 𝑦𝑠 ′ 𝑥 𝑠 ′ 𝒙′ = (𝑢, 𝑣)
11.
透視投影 𝑐 𝑠 𝑦𝑠 𝑓 𝑥 𝑠 𝑦𝑐 𝑥
𝑐 𝑧 𝑐 画像面 𝒑 = (𝑝 𝑥, 𝑝 𝑦, 𝑝 𝑥) 𝒙 = (𝑢, 𝑣) 𝑐 𝑠 ′ 𝑦𝑠 ′ 𝑥 𝑠 ′ 𝒙′ = (𝑢, 𝑣) 𝑢 𝑣 = 𝑓 𝑝 𝑥 𝑝𝑧 + 𝑐 𝑥 𝑓 𝑝 𝑦 𝑝 𝑧 + 𝑐 𝑦 ⇔ 𝑢 𝑣 1 ~ 𝑓 0 𝑐 𝑥 0 𝑓 𝑐 𝑦 0 0 1 𝑝 𝑥 𝑝 𝑦 𝑝 𝑧
12.
内部パラメータ 𝑓: 焦点距離 𝑠: スキュー 𝑎:
アスペクト比 𝑐 𝑥, 𝑐 𝑦: 光学中心 𝐊= 𝑓 𝑠 𝑐 𝑥 0 𝑎𝑓 𝑐 𝑦 0 0 1 ※歪曲収差パラメータも存在 →キャリブレーションチャートを用いた推定が一般的 MATLAB Calibration Toolbox OpenCVのcvCalibrateCamera2など ・𝑠 = 0, 𝑎 = 1とし, 𝑐 𝑥, 𝑐 𝑦をそれぞれ画像中心とすることも多い Bundlerなどはこの仮定を利用している
13.
カメラパラメータ カメラ内部行列 DOF: 5 スクリーン座標 カメラ外部行列 DoF: 6 ワールド座標 𝒙
= 𝐊 𝐑 𝒕 𝒑 𝒖 𝒗 𝟏 ~ 𝑓 𝑠 𝑐 𝑥 0 𝑎𝑓 𝑐 𝑦 0 0 1 𝑅11 𝑅12 𝑅13 𝑡 𝑥 𝑅21 𝑅22 𝑅23 𝑡 𝑦 𝑅31 𝑅32 𝑅33 𝑡 𝑧 𝒑 𝒙 𝒑 𝒚 𝒑 𝒛 𝟏 焦点距離など,カメラ 固有のパラメータ カメラの位置,姿勢を 示すパラメータ
14.
カメラの位置姿勢 14 𝒙0 𝒄0 回転行列 𝐑0 =
𝐈 並進ベクトル 𝒕0 = 𝟎 𝒙0~ 𝐊0 𝐑0 𝒕0 𝑝 𝑥 𝑝 𝑦 𝑝 𝑧 1 = 𝐊0 𝑝 𝑥 𝑝 𝑦 𝑝 𝑧 𝒑 = 𝑝 𝑥, 𝑝 𝑦, 𝑝𝑧, 1
15.
カメラの位置姿勢 15 𝒑 = 𝑝
𝑥, 𝑝 𝑦, 𝑝𝑧, 1 𝒙0 𝒙1 Rotation 𝐑1 and translation 𝒕1 𝒄0 𝒄1 回転行列 𝐑0 = 𝐈 並進ベクトル 𝒕0 = 𝟎 𝒙0~ 𝐊0 𝐑0 𝒕0 𝑝 𝑥 𝑝 𝑦 𝑝 𝑧 1 = 𝐊0 𝑝 𝑥 𝑝 𝑦 𝑝 𝑧 𝒙1~ 𝐊1 𝐑1 𝒕1 𝑝 𝑥 𝑝 𝑦 𝑝 𝑧 1
16.
外部パラメータ 𝐑: 回転行列 𝒕: 並進ベクトル𝐑
𝒕 = 𝑅11 𝑅12 𝑅13 𝑡 𝑥 𝑅21 𝑅22 𝑅23 𝑡 𝑦 𝑅31 𝑅32 𝑅33 𝑡 𝑧 →SfM (Structure from Motion) による推定が一般的 -Bundler, VisualSFMなどが有名なソフト
17.
Structure from Motion 17 SfMのパイプライン 1.
画像から特徴量を抽出し,マッチングを行う
18.
Structure from Motion 18 2.
基本行列𝐄を対応点の組{(𝒙𝒊𝟏, 𝒙𝒊𝟎)}から求める (e.g. five-point algorithm, eight-point algorithm) SfMのパイプライン 1. 画像から特徴量を抽出し,マッチングを行う
19.
2枚での外部パラメータ推定 19 𝒑 = 𝑝
𝑥, 𝑝 𝑦, 𝑝𝑧, 1 𝒙0 𝒙1 Rotation 𝐑1 and translation 𝒕1 𝒄0 𝒄1 回転行列 𝐑0 = 𝐈 並進ベクトル 𝒕0 = 𝟎 Epipolar constraint: 𝒙 𝟎 𝐄 𝟎𝟏 𝒙 𝟏 = 𝟎 𝑬 = 𝒕 × 𝑹 :essential matrix {𝒙 𝟎, 𝒙 𝟏}の組が8つ以上あれば解ける
20.
Structure from Motion 20 2.
基本行列𝐄を対応点の組{(𝒙𝒊𝟏, 𝒙𝒊𝟎)}から求める (e.g. five-point algorithm, eight-point algorithm) 3. バンドル調整による再投影誤差の最小化を行う SfMのパイプライン 1. 画像から特徴量を抽出し,マッチングを行う
21.
バンドル調整 21 : カメラパラメータ : 点の3次元座標 :
点のセンサー座標 : 再投影されたセンサー座標 argmin 𝒑 𝑖,𝒒 𝑗 𝑢𝑖𝑗 − 𝑢 𝒑𝑖, 𝒒 𝑗 2 𝒑𝑖 𝒒 𝑗 𝒖𝒊𝑗 𝒖𝒊𝑗 再投影誤差の最小化
22.
SfMのソフトウェア • Bundler – 最も有名なオープンソースのSfMソフトウェア –
やや古い • Photosynth, Autodesk 123D Catch, Arc3D – SfMを行うWebサービス – 使いやすいがパラメータや途中経過が見えない
23.
SfMのソフトウェア • Bundler – 最も有名なオープンソースのSfMソフトウェア –
やや古い • Photosynth, Autodesk 123D Catch, Arc3D – SfMを行うWebサービス – 使いやすいがパラメータや途中経過が見えない • VisualSFM
24.
VisualSFM
25.
VisualSFMによる復元結果 Exif有り Exif無し 焦点距離の初期値としてExifを利用しており,結果に 大きく影響する -Bundlerも同様
26.
SLAM • SLAM (Simultaneous
Localization and Mapping) – カメラやセンサを用いて自己位置推定と地図作成 を同時に行うタスク – RGB-D SLAM, Monocular SLAMなど Kinect Fusion PTAM
27.
SLAMの基本 27 PTAMなど 1. Map initialization -ステレオなどによる
28.
SLAMの基本 28 PTAMなど 1. Map initialization -ステレオなどによる 2.
Tracking -マップの点を新しい入力画像に投影する -再投影誤差を最小化することでカメラの位置姿勢を推定する
29.
SLAMの基本 29 PTAMなど 1. Map initialization -ステレオなどによる 2.
Tracking 3. Mapping -マップの点を新しい入力画像に投影する -再投影誤差を最小化することでカメラの位置姿勢を推定する -三角測量の原理に基づきマップに点を追加する -バンドル調整によるリファインメントを行う
30.
LSD-SLAM 30
31.
LSD-SLAM 31 -Monocular SLAMの最新論文 -特徴点ではなく画像全てを利用 Large-Scale Direct
Monocular SLAM -Semi-denseデプスマップ -CPUでのリアルタイム動作 -オープンソース
Download now