Диссертация (1090939), страница 14
Текст из файла (страница 14)
Искажение границ, возникающее при использовании методовинтерполяции: а – цветное изображение, б – исходная карта глубины, в –метод на основе синтеза текстур, г – метод на основепоиска похожих блоков [20]3.2.2. Предобработка с помощью медианной фильтрацииПредлагаемый метод восстановления карт глубины основывается наприменении медианного фильтра для предобработки карты глубины,105модификации метода интерполяции на основе поиска похожих блоков спомощью совмещения цветного изображения и карты глубины. Данныйкомплекс решений позволяет удалять дефекты карты глубины без появленияэффекта размытия и компенсировать искажения на границах объектов,возникающие при использовании интерполяции на основе поиска похожихблоков.На первоначальном этапе предобработки карты глубины случайныедефекты карты глубины локализуются с помощью скользящего окназаданного радиуса.
В зависимости от исходного качества карты глубиныразмер окна может варьироваться в пределах от 3×3 до 7×7 пикселей.Найденные дефекты удаляются при помощи медианной фильтрации. Нарисунке 3.3 приведен результат фильтрации на этапе предобработки.(б)(а)Рис. 3.3. Фильтрация карты глубины медианным фильтром на этапепредобработки (а – исходная карта глубины, б – результат предобработки)Такие преобразования не вносят искажений в исходную карту глубиныи достаточно просты в сравнении с методами интерполяции.
Послемедианной фильтрации карта глубины свободна от случайных дефектов.Следующейзадачейявляетсявосстановлениедефектов,вызванныхразличными перекрытиями и ошибками распознавания светового шаблона.1063.2.3. Алгоритм интерполяции карты глубиныВначалерассмотримпринципработыметодавосстановленияизображений с помощью метода схожих блоков. Обозначим области,значения глубины в которых отсутствуют как Ω с границей δΩ. Точка pпредставляет собой элемент Ii,jизображения, в окрестности которого Ψpпроизводится восстановление отсутствующих значений с помощью блока Ψqобласти Φ, служащего источником информации для восстанавливаемойобласти.(а)(б)(в)(г)Рис. 3.4.
Принцип работы метода восстановления с помощью схожих блоков107На рисунке 3.4 приведен принцип работы метода, заключающегося вследующем. Для каждой области Ψp при помощи двумерного методанаименьших квадратов производится поиск наиболее похожего блока Ψq.Затем производится попиксельное копирование значений интенсивности изΨq в Ψp (рис.
3.4 в-г). Порядок восстановления при этом определяетсяинтенсивностью перепадов яркости в окрестности точки p, количеством идостоверностью доступных данных. Области Ω формируются как участкикарты глубины с нулевым значением интенсивности пикселей. Маска,демонстрирующая области, предназначенные для восстановления приведенана рисунке 3.5.(б)(а)Рис. 3.5. Формирование маски дефектов (а – исходная карта глубины, б –бинарная маска)Важной задачей при этом является разработка алгоритма принятиярешения о порядке восстановления дефектов. Определяющий эффект приэтом должны оказывать те участки карты глубины, принадлежащие к областиизвестных значений, достоверность которых наиболее высока. Для каждогопикселяpконтурарассчитывается108величинаприоритетаP.P ( p ) I pгде p1p P(q) ,q p (3.1)представляет собой площадь известных пикселей в окне Ψp.Величина P, определяемая уравнением 3.1, убывает пропорциональнорасстоянию от оригинальной границы восстанавливаемой области к еецентру.
Начальные значения инициализируются единицами в известной инулями в восстанавливаемой областях. Градиент интенсивности I p в точкеp определяется с помощью свертки с масками следующего вида: 1 2 1 1 0 1Gx 000 , G y 2 0 2. 1 1 0 121 Приоритет наиболее достоверных значений при восстановлениидефектной области на карте глубины позволяет уменьшить вероятностьпоявления артефактов на границах объектов. Поиск наиболее схожего блокадля области с наибольшим приоритетом производится с помощью методанаименьших квадратов.
После этого значения интенсивностей попиксельнокопируются в восстанавливаемую область и производится перерасчетзначений приоритета. Таким образом, каждый цикл работы методавосстановления включает в себя процедуру выбора точки с наибольшимприоритетом и этап восстановления. Блок-схема данного алгоритмаприведена на рисунке 3.6.Однако эффективность метода интерполяции на основе похожихблоков значительно ограничена вследствие того, что дефекты на картеглубины далеко не всегда связаны с очертаниями объектов сцены.Корректировка искажений, возникающих на границах объектов, требуетприменения методов, основанных на использовании априорной информациио корреляции границ объектов на цветном изображении и карте глубины(рисунок 3.7).109Рис.
3.6. Блок-схема алгоритма интерполяции на основе похожих блоковДля решения данной задачи предлагается использовать уточнение иразбиение дефектных областей с помощью границ объектов на цветномизображении.В начале производится адаптивная пороговая обработка цветногоизображений. Величина порога при этом вычисляется по усредненнойинтенсивностиизображениявпределахдефектнойобласти.Затемуточняются границы объектов с помощью оператора Кэнни [31]. Этопозволяет определить участки квазистационарности, которые определяютсядействительными очертаниями объектов сцены.110(а)(б)(в)(г)Рис. 3.7. Ошибки метода интерполяции (а – исходное изображение, б –исходная карта глубины, в – маска дефектов, г – восстановленная картаглубины)Преимущество данного подхода заключается в том, что границыобъектов на цветном изображении практически не подвержены искажениямпо сравнению с границами на карте глубины, что в результате позволяетвосстановить форму объектов на карте глубины.
На рисунке 3.8 представленрезультат работы алгоритма интерполяции с уточнением границ дефектныхобластей.Дляоценкиэффективностиразработанногометодабылипроведены сравнительные измерения ошибки визуальной одометрии впроцессе движения камеры с использованием исходной карты глубины без111предобработки и с применением разработанного алгоритма восстановлениякарты глубины.(а)(б)(в)(г)Рис. 3.8.
Алгоритм интерполяции с уточнением границ (а – исходная картаглубины, б – результат пороговой обработки, в – границы объектов, г –восстановленная карта глубины)Численныерезультатыговорято9.8%увеличенииточностивычисления смещения камеры между последовательными кадрами (средняяошибка 5.98 см против 6.62 см). Таким образом, восстановление изначальнойкартыглубины,формируемойобъемнойтелевизионнойкамерой,увеличивает точность работы алгоритма одновременной локализации икартирования.112Рис.
3.9. Ошибки величины смещения камеры при вычислении матрицытрансформации между кадрами до и после восстановления карты глубиныПосле предобработки с помощью предложенного алгоритма на картеглубины отсутствуют дефекты, вызванные факторами различной природы, аграницы объектов уточнены с помощью данных цветного изображения.Восстановленные области позволяют получить данные о глубине длядополнительного числа ориентиров, не задействованных при использованиикарты глубины без предобработки.
Это освобождает от необходимостидетектирования большего числа особых точек при их недостатке, что такжеувеличивает производительность алгоритма.3.3.Сигма-точечный фильтр Калмана в задаче наблюденияориентировКлассическимрешениемдлянаблюденияпространственныхориентиров в алгоритме FastSLAM является применение расширенного113фильтра Калмана, что характерно и для применения алгоритма SLAM всистеме прикладного объемного телевидения, где в роли ориентироввыступают особые точки на изображениях с телекамеры.
Однако, оценкивектора состояния особой точки, полученные в результате работырасширенного фильтра Калмана, не являются оптимальными, так онивычисляются с помощью разложения нелинейных функций эволюциипроцесса F и наблюдений H в ряд Тейлора, при котором отбрасываютсячлены высших степеней.Рис. 3.10. Траектории движения особых точек в пределах видеопотокаДругими словами, расширенный фильтр Калмана реализует прослойкулинеаризации нелинейной динамической системы. В этом заключаетсяглавная причина, по которой этот подход может оказаться неэффективным вслучае использования сильно нелинейной модели динамической системы.
Вэтом случае задача является недостаточно обусловленной, т.е. малаяпогрешность задания параметров математической модели будет приводить кбольшим вычислительным погрешностям. В результате алгоритм утратитробастность, т.е. устойчивость к погрешностям. На рисунке 3.10 приведенытраектории движения особых точек, полученных с помощью детектора114SURF, на протяжении ряда последовательных кадров с камеры. Природадвижения особых точек является сильно нелинейной, поэтому использованиерасширенного фильтра Калмана не является оптимальным решением [53].За последнее время широкую популярность приобрели алгоритмынелинейнойплотностейфильтрации,вероятностииспользующиеспомощьюаппроксимациюнабораточеквусловныхпространствеоцениваемых параметров [99]. Сигма-точечный фильтр Калмана (UnscentedKalman Filter – UKF [93]) использует идею о сигма-точечном преобразовании(Unscented transform – UT) c использованием 2L+1 сигма-точек, где nпредставляет собой размерность вектора состояния.
Под сигма-точкойпонимается значение вектора оцениваемых параметров, полученное поопределенномузаконугенерации.Использованиесигма-точечногопреобразования для функций F и H позволяет более достоверно оценитьположение максимума апостериорной плотности вероятности вектораоцениваемых параметров, по сравнению с оценкой расширенного фильтраКалмана [8].3.3.1. Сигма-точечное преобразованиеИдея сигма-точечной трансформации заключается в том, что процедурааппроксимация плотности распределения вероятности более проста, чемаппроксимация произвольной нелинейной функции или преобразования [80].Пусть дана случайная величина X= (x1, x2,...,xn)T с известным математическиможиданием X и матрицей ковариации Px, претерпевающая нелинейноепреобразование y=f(x).
В случае применения сигма-точечного фильтраКалмана в задаче наблюдения координат пространственных ориентиров,случайной величиной выступают координаты ориентира в трехмерномпространстве. Требуется оценить математическое ожидание Y и ковариациюPy величины y.115Рис. 3.11. Преобразование набора сигма-точек для L=2Для этого формируется набор из 2L+1 сигма-точек таким образом,чтобы их математическое ожидание и ковариация были равны X и Pxсоответственно (рисунок 3.11). Затем каждая i точка данного спискапретерпевает преобразование yi=f(xi) и ей в соответствие ставится наборскалярных весов:,(L ) (1 2 ),(L )1 Wi ( m ) ,2( L )W0( m ) W0( c )Wi ( c )где α – коэффициент, характеризующий разброс сигма-точек относительноматематического ожидания, β – параметр, определяющий тип распределенияслучайной величины. Коэффициент λ определяется как α2(L+k)-L, где kтакже регулирует разброс сигма-точек.