카메라 보정의 목적은 컴퓨터 영상의 점과 실세계상의 점간의 상관관계를 결정하는 것으로서, 정확한 카메라 보정은 스테레오 시각 인식 혹은 3차원 형상 인식, 자동 부품 조립을 위한 위치 인식이나 시각 검사등 많은 응용 분야에서 사용되어 질 수 있다. 기존의 카메라 보정 과정은 카메라의 위치, 회전각, 초점거리, 왜곡변수등과 같은 카메라의 물리적 변수들로 카메라 모델을 설정하여 이 변수들을 추정하는 방식으로 연구되어져 왔다. 하지만 이러한 방법들의 가장 큰 문제점은 렌즈의 왜곡에 대한 완전한 모델을 가정할 수 없으며, 영상의 중점 및 불확정 인자(...
카메라 보정의 목적은 컴퓨터 영상의 점과 실세계상의 점간의 상관관계를 결정하는 것으로서, 정확한 카메라 보정은 스테레오 시각 인식 혹은 3차원 형상 인식, 자동 부품 조립을 위한 위치 인식이나 시각 검사등 많은 응용 분야에서 사용되어 질 수 있다. 기존의 카메라 보정 과정은 카메라의 위치, 회전각, 초점거리, 왜곡변수등과 같은 카메라의 물리적 변수들로 카메라 모델을 설정하여 이 변수들을 추정하는 방식으로 연구되어져 왔다. 하지만 이러한 방법들의 가장 큰 문제점은 렌즈의 왜곡에 대한 완전한 모델을 가정할 수 없으며, 영상의 중점 및 불확정 인자(uncertainty factor)와 같은 변수들을 구하는 데 어려움이 있어서 몇몇 변수들은 가정치를 사용한다거나 근사치를 사용하고, 또한 변수를 구하는 부분에서도 고도의 비선형 추적이 사용되는 등 많은 부분에서 제약을 받아 왔다. 본 논문에서는 기존의 방식에서 설정한 물리적인 카메라 모델 대신에 신경망 모델을 적용하는 새로운 방식을 채용하였다. 신경망을 이용하는 방식은 기존의 방식에서 구할 수 있었던 물리적인 변수들을 구할 수는 없지만 카메라 보정의 목적인 실세계 좌표와 컴퓨터 영상 좌표간의 관계를 별다른 제약 없이 결정함으로 매우 효율적인 카메라 보정 방법이 될 수 있다. 또한 실 공간상의 높이가 다른 두 보정면의 좌표를 학습함으로써 카메라의 내재적 모델링을 이용하여 영상의 중점을 구하고 3차원 공간 좌표 재구성 및 2차원 영상 좌표 예측이 가능하도록 시도하였다. 본 연구는 신경망 모델을 이용하여 카메라 보정을 하는 최초의 시도로서 그에 따른 실험을 수행하고, 지금까지 가장 잘 알려진 보정 방법인 Tsai의 2단계 방법과 비교하여 본 연구의 효용성을 입증하였다.
카메라 보정의 목적은 컴퓨터 영상의 점과 실세계상의 점간의 상관관계를 결정하는 것으로서, 정확한 카메라 보정은 스테레오 시각 인식 혹은 3차원 형상 인식, 자동 부품 조립을 위한 위치 인식이나 시각 검사등 많은 응용 분야에서 사용되어 질 수 있다. 기존의 카메라 보정 과정은 카메라의 위치, 회전각, 초점거리, 왜곡변수등과 같은 카메라의 물리적 변수들로 카메라 모델을 설정하여 이 변수들을 추정하는 방식으로 연구되어져 왔다. 하지만 이러한 방법들의 가장 큰 문제점은 렌즈의 왜곡에 대한 완전한 모델을 가정할 수 없으며, 영상의 중점 및 불확정 인자(uncertainty factor)와 같은 변수들을 구하는 데 어려움이 있어서 몇몇 변수들은 가정치를 사용한다거나 근사치를 사용하고, 또한 변수를 구하는 부분에서도 고도의 비선형 추적이 사용되는 등 많은 부분에서 제약을 받아 왔다. 본 논문에서는 기존의 방식에서 설정한 물리적인 카메라 모델 대신에 신경망 모델을 적용하는 새로운 방식을 채용하였다. 신경망을 이용하는 방식은 기존의 방식에서 구할 수 있었던 물리적인 변수들을 구할 수는 없지만 카메라 보정의 목적인 실세계 좌표와 컴퓨터 영상 좌표간의 관계를 별다른 제약 없이 결정함으로 매우 효율적인 카메라 보정 방법이 될 수 있다. 또한 실 공간상의 높이가 다른 두 보정면의 좌표를 학습함으로써 카메라의 내재적 모델링을 이용하여 영상의 중점을 구하고 3차원 공간 좌표 재구성 및 2차원 영상 좌표 예측이 가능하도록 시도하였다. 본 연구는 신경망 모델을 이용하여 카메라 보정을 하는 최초의 시도로서 그에 따른 실험을 수행하고, 지금까지 가장 잘 알려진 보정 방법인 Tsai의 2단계 방법과 비교하여 본 연구의 효용성을 입증하였다.
The objective of camera calibration is to obtain the correlation between camera image coordinate and 3-D real world coordinate. Most calibration methods are based on the camera model which consists of physical parameters of the camera like position, orientation, focal length, etc and in this case ca...
The objective of camera calibration is to obtain the correlation between camera image coordinate and 3-D real world coordinate. Most calibration methods are based on the camera model which consists of physical parameters of the camera like position, orientation, focal length, etc and in this case camera calibration means the process of computing those parameters. In this thesis, we suggest a new approach which must be very efficient because the artificial neural network(ANN) model implicitly contains all the physical parameters, some of which are very difficult to be estimated by the existing calibration methods. Camera calibration using ANN model cannot estimate camera physical parameters. But it is not problem because the objective of camera calibration is to obtain the correlation between camera image coordinate and 3-D real world coordinate. Implicit camera calibration which means the process of calibrating a camera without explicitly computing its physical parameters can be used for both 3-D measurement and generation of image coordinates. As training each calibration points having different height, we can find the perspective projection point. The point can be used for reconstructing 3-D real world coordinate having arbitrary height and computing image coordinate of arbitrary 3-D real world coordinate. Experimental comparison of our method with well-known Tsai's 2 stage method is made to verify the effectiveness of the proposed method.
The objective of camera calibration is to obtain the correlation between camera image coordinate and 3-D real world coordinate. Most calibration methods are based on the camera model which consists of physical parameters of the camera like position, orientation, focal length, etc and in this case camera calibration means the process of computing those parameters. In this thesis, we suggest a new approach which must be very efficient because the artificial neural network(ANN) model implicitly contains all the physical parameters, some of which are very difficult to be estimated by the existing calibration methods. Camera calibration using ANN model cannot estimate camera physical parameters. But it is not problem because the objective of camera calibration is to obtain the correlation between camera image coordinate and 3-D real world coordinate. Implicit camera calibration which means the process of calibrating a camera without explicitly computing its physical parameters can be used for both 3-D measurement and generation of image coordinates. As training each calibration points having different height, we can find the perspective projection point. The point can be used for reconstructing 3-D real world coordinate having arbitrary height and computing image coordinate of arbitrary 3-D real world coordinate. Experimental comparison of our method with well-known Tsai's 2 stage method is made to verify the effectiveness of the proposed method.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.