DOI: 10.17586/1023-5086-2020-87-08-63-71

Оценка ошибки дискретизации в конвергенционных стереокамерах

Sayyedbarzani S.A., Emam Sayyed Mohammad

Полный текст на elibrary.ru

Ссылка для цитирования:

Sayyedbarzani S.A., Emam S.M. Evaluation of the quantization error in the convergence stereocameras (Оценка ошибки дискретизации в конвергенционных стереокамерах) [на англ. яз.] // Оптический журнал. 2020. Т. 87. № 8. С. 63–71. http://doi.org/10.17586/1023-5086-2020-87-08-63-71

Sayyedbarzani S.A., Emam S.M. Evaluation of the quantization error in the convergence stereocameras (Оценка ошибки дискретизации в конвергенционных стереокамерах) [in English] // Opticheskii Zhurnal. 2020. V. 87. № 8. P. 63–71. http://doi.org/10.17586/1023-5086-2020-87-08-63-71

Ссылка на англоязычную версию:

test

Аннотация:

В настоящее время популярны и распространены системы технического зрения, включающие получение, обработку изображений и последующий анализ данных. Стереокамеры широко применяются в таких областях компьютерного зрения как восстановление глубины сцены, трёхмерные представления в компьютерных играх, навигация для роботов, дистационное зондирование, обработка изображений в медицине и др. Однако трёхмерные сканирующие видеосистемы, хотя и обладают весьма высокой точностью, не вполне соответствуют требованиям промышленности из-за своей высокой стоимости.
В работе предложен новый способ повышения точности трёхмерных измерений стереосистемами, обладающими низким разрешением и использующих дешёвые камеры. Выполнен тщательный анализ ошибок дискретизации при восстановлении трёхмерных изображений, полученных такими камерами, и разработана математическая модель для оценки ошибок дискретизации в конвергенционных стереокамерах. Выполнены компьютерные эксперименты как для валидации предложенной математической модели, так и для демонстрации способности повышения точности измерений низкоразрешающими видеостереокамерами с использованием предложенных способов.
Показано существенное повышение точности при измерениях с изменением угла конвергенции.

Ключевые слова:

машинное зрение, стереокамеры, угол конвергенции, ошибка дискретизации

Коды OCIS: 150.0150, 150.3045, 110.3010, 100.3010, 100.6640

Список источников:

1. Luo P.F., Pan S.P., Lee C.L. Application of computer vision and laser interferometer to two-dimensional
inspection // Optical Engineering, 2008. V. 47(12). P. 123601.
2. Robla-Gómez S., Becerra V.M., Llata J.R., Gonzalez-Sarabia E., Torre-Ferrero C., Perez-Oria J. Working together: A review on safe human-robot collaboration in industrial environments // IEEE Access. 2017. V. 5. P. 26754–26773.
3. Aggarwal J.K., Xia L. Human activity recognition from 3D data: A review // Pattern Recognition Letters. 2014. V. 48. P. 70–80.
4. Ambrosch K., Kubinger W. Accurate hardware-based stereo vision // Computer Vision and Image Understanding. 2010. V. 114(11). P. 1303–1316.
5. Zhang J., Zhang P., Deng H., Wang J. High-accuracy three-dimensional reconstruction of vibration based on stereo vision // Optical Engineering. 2016. V. 55(9). P. 091410.
6. Zhang S. (Ed.) Handbook of 3D machine vision: Optical metrology and imaging. Boca Raton, London, New York: CRC Press, 2013. P. 1–31.
7. Jin S., Cho J., Dai Pham X., Lee K.M., Park S.K., Kim M., Jeon J.W. FPGA design and implementation of a real-time stereo vision system // IEEE transactions on circuits and systems for video technology. 2010. V. 20(1). P. 15–26.
8. Boehnen C., Flynn P. Accuracy of 3D scanning technologies in a face scanning scenario // Fifth International Conference on 3D Digital Imaging and Modeling (3DIM’05). 2005. P. 310–317.
9. Blostein S.D., Huang T.S. Error analysis in stereo determination of 3D point positions // IEEE Transactions on Pattern Analysis & Machine Intelligence. 1987. V. 6. P. 752–765.
10. Chen J., Khatibi S., Kulesza W. Depth reconstruction uncertainty analysis and improvement – The dithering approach // Image and Vision Computing. 2010. V. 28(9). P. 1377–1385.
11. Park J.H., Jung S., Choi H., Kim Y., Lee B. Depth extraction by use of a rectangular lens array and onedimensional elemental image modification // Applied optics. 2004. V. 43(25). P. 4882–4895.
12. Segall C.A., Molina R., Katsaggelos A.K. High-resolution images from low-resolution compressed video // IEEE Signal Processing Magazine. 2003. V. 20(3). P. 37–48.
13. Hardie R. A fast image super-resolution algorithm using an adaptive Wiener filter // IEEE Transactions on Image Processing. 2007. V. 16(12). P. 2953–2964.
14. Zitova B., Flusser J. Image registration methods: a survey // Image and vision computing. 2003. V. 21(11). P. 977–1000.
15. McCann M.T., Jin K.H., Unser M. Convolutional neural networks for inverse problems in imaging: A review // IEEE Signal Processing Magazine. 2017. V. 34(6). P. 85–95.
16. Bonchev S., Alexiev K. Improving super-resolution image reconstruction by in-plane camera rotation //
13th International Conference on Information Fusion. EICC Edinburgh, UK. 26–29 July 2010. P. 1–7.
17. Ben-Ezra M., Zomet A., Nayar S.K. Jitter camera: High resolution video from a low resolution detector // IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Washington, USA.
27 Jun 2004. P. 135–142.
18. Lu Z., Tai Y.W., Deng F., Ben-Ezra M., Brown M.S. A 3D imaging framework based on high-resolution photometricstereo and low-resolution depth // International Journal of Computer Vision. 2013. V. 102 (1–3). P. 18–32.
19. Emam S.M., Khatibi S., Khalili K. Improving the accuracy of laser scanning for 3D model reconstruction using dithering technique // Procedia Technology. 2014. V. 12. P. 353–358.
20. Taryudi T., Wang M.S. Eye to hand calibration using ANFIS for stereo vision-based object manipulation
system // Microsystem Technologies. 2018. V. 24(1). P. 305–317.

21. Karami M., Mousavinia A., Ehsanian M. A general solution for Iso-disparity layers and correspondence
field model for stereo systems // IEEE Sensors Journal. 2017. V. 17(12). P. 3744–3753.
22. Mariottini G.L., Prattichizzo D. EGT for multiple view geometry and visual servoing: robotics vision with
pinhole and panoramic cameras // IEEE Robotics & Automation Magazine. 2005. V. 12(4). P. 26–39.
23. Samper D., Santolaria J., Aguilar J.J. MetroVisionLab Toolbox for Camera Calibration and Simulation.
2010. http://metrovisionlab.unizar.es.
24. Nguyen H., Wang Z., Jones P., Zhao B. 3D shape, deformation, and vibration measurements using infrared Kinect sensors and digital image correlation // Applied optics. 2017. V. 56(32). P. 9030–9037.
25. Sun J., Liu Q., Liu Z., Zhang G. A calibration method for stereo vision sensor with large FOV based
on 1D targets // Optics and Lasers in Engineering. 2011. V. 49(11). P. 1245–1250.
26. Stereo camera calibrator app (Matlab 2020), https://www.mathworks.com/help/vision/ug/stereo-cameracalibratorapp.html
27. Samper D., Santolaria J., Aguilar J.J. METROVISIONLAB Toolbox for Camera Calibration and Simulation. 2010. http://metrovisionlab.unizar.es
28. Emam S.M., Sayyedbarzani S.A. Dimensional deviation measurement of ceramic tiles according to ISO 10545-2 using the machine vision // The International Journal of Advanced Manufacturing Technology.
2019. V. 100(5–8). P. 1405–1418.