RECONSTRUCCIÓN 3D DE MODELOS UTILIZÁNDO TÉCNICAS DE VISIÓN ARTIFICIAL

Transcripción

1 RECONSTRUCCIÓN 3D DE MODELOS UTILIZÁNDO TÉCNICAS DE VISIÓN ARTIFICIAL Autor: Vilá Ubieto, Karen. Directores: Arranz Domingo, Álvaro. Alvar Miró, Manuel. Sánchez Miralles, Álvaro. Entidad Colaboradora: ICAI Universidad Pontificia Comillas. RESUMEN DEL PROYECTO Uno de los objetivos de la visión artificial es conseguir que un ordenador llegue a analizar una escena real como lo haría una persona. Para conseguir este propósito, es necesario crear un modelo 3D de dicha escena. La reconstrucción tridimensional tiene varias aplicaciones, como la navegación de un robot permitiéndole conocer en qué parte de la escena se encuentra y poder planificar sus movimientos sin necesidad de ayuda humana. También es útil para determinar magnitudes como distancias, superficies o volúmenes, lo cual puede ser aplicable para controles de calidad ya que se pueden verificar los procesos y superficies de los objetos que se estén fabricando. Otra aplicación es la digitalización de museos o monumentos históricos, para crear visitas virtuales a las cuales los usuarios pueden acceder desde Internet. Estas son algunas de las muchas utilidades existentes de la reconstrucción tridimensional y por esta razón surge la necesidad de desarrollar este proyecto. Lo que se pretende con este proyecto es conseguir un algoritmo que, a partir de imágenes, llegue a crear un modelo tridimensional de un objeto. Para conseguir dicho objetivo, en primer lugar se han estudiado las diferentes técnicas desarrolladas para la reconstrucción en 3D para conocer las posibilidades existentes. Algunas de estas técnicas como la telemetría láser o la luz estructurada permiten reproducir modelos muy exactos y precisos, pero con el inconveniente de emplear un equipo costoso. Otras tienen tiempos de ejecución muy altos como la visión estéreo densa y por ello se optó finalmente por una reconstrucción estereoscópica dispersa basada en puntos de interés, al proporcionar una solución robusta y a la vez más rápida que el resto de las técnicas investigadas. A continuación se analizaron los principales detectores de puntos de interés (esquinas y bordes), implantando algunos de ellos como los detectores Harris, KLT, SUSAN y

2 CSS, para la detección de esquinas. Los mejores resultados se obtuvieron con el detector de CSS, ya que es el detector que más esquinas del objeto detecta. Para la detección de bordes se estudiaron los detectores de Roberts, Sobel, Canny y LoG entre otros, siendo el Canny el que más bordes reales del objeto obtenía. Todos los detectores implantados se probaron con imágenes reales para realizar una comparación entre ellos, atendiendo a criterios de eficacia y rapidez. Otro tipo de detectores estudiados fueron los que permiten la detección de líneas rectas. El único detector implantado fue el basado en transformada de Hough, el cual se probó en distintas imágenes para comprobar su eficacia en objetos de geometrías rectas y también en objetos redondeados. Por último se investigó sobre la segmentación en imágenes, ya que éste es un paso esencial en todo proceso de reconstrucción. Se estudiaron e implantaron algunas técnicas, para conseguir separar un objeto del fondo de manera óptima, como los contornos activos y k-means. Estas técnicas se compararon y probaron con distintas imágenes. Ilustración 1.Obtención de un punto Q en el espacio. Una vez estudiado e implementado todos los detectores de puntos de interés y algoritmos de segmentación, se llevó a cabo la programación de un algoritmo que permitiera crear un modelo tridimensional. Así, el algoritmo final realiza una primera etapa de segmentación donde separa el objeto del fondo. De esta manera, se reduce la zona de trabajo. Después se procede a ejecutar un detector de esquinas, para identificar los puntos de interés del objeto. Por último se lleva a cabo la etapa de

3 reconstrucción en 3D, realizando una correspondencia de puntos entre las dos imágenes para finalmente obtener sus puntos tridimensionales por un proceso de triangulación. Para comprobar la eficacia del algoritmo se realizaron varias pruebas con varias imágenes tomadas por una cámara estéreo. Los mejores resultados obtenidos con el algoritmo son con imágenes con objetos de geometrías rectas. Al tratarse de una reconstrucción estereoscópica basada en esquinas, los resultados obtenidos con objetos redondos no son los óptimos, puesto que estos objetos apenas contienen esquinas. En la Ilustración 2, se puede ver la reconstrucción de un cubo a partir de una imagen. Ilustración 2. Reconstrucción 3D de un objeto. El presente trabajo demuestra que se puede realizar un algoritmo que reconstruya un objeto en el espacio, dejándose como trabajo futuro su optimización para todo tipo de objetos. Además constituye una importante base para futuros desarrollos, ya que se han estudiado y comparado muchas técnicas para el análisis de imágenes.

4 3D RECONSTRUCTION MODELS USING ARTIFICIAL VISION TECHNIQUES One of the goals of artificial vision is to permit that a computer gets to analyze a real scene, as a person would do. To achieve this purpose it is necessary to create a 3D model of that scene. The three-dimensional reconstruction has several applications, such as robot navigation, allowing it to know in what part of the scene he is located and being able to plan its movements without needing human help. It is also useful for determining quantities such as distances, areas or volumes, which may be applicable for quality controls as it can verify the processes and areas of objects that are being manufactured. Another application is the digitization of historical monuments and museums to create virtual tours, which users can access from the Internet. These are some of the many uses of three-dimensional reconstruction and for this reason there is a need to develop this project. The purpose of this project is to obtain an algorithm that, based on images, creates a three-dimensional model of an object. To achieve this aim, in first place the different techniques developed about 3D reconstruction were studied in order to know the different possibilities. Some of these techniques such as telemetry laser or structured light obtain models which are very accurate and precise, but with the disadvantage of using expensive equipment. Others have very high running times as dense stereo vision and therefore a stereoscopic disperse reconstruction based on interest points was chosen, as it provides a robust and faster solution than the other techniques investigated. Moreover, the main interest point detectors (corners and edges) were analysed, and some were implemented such as detectors Harris, KLT, SUSAN and CSS to detect corners. The best results were obtained with detector CSS since it is the detector that more corners of the object detects. For edge detection, detectors Roberts, Sobel, Canny and LoG were studied among others, being Canny the detector that more real edge of the object obtains. All implanted detectors were tested with real images to make a comparison between them, according to efficiency and speed criteria. Another types of detectors studied were detectors for straight-line detection The only detector implemented was based on the Hough transform, which was tested on different images to verify its effectiveness in straight line and rounded objects.

5 D istorsión de lente C orrección de distorsión Figura 1.9: Ejemplo de rectificación de distorsión de lente. Finally segmentation in images was investigated, as this is an essential step in every reconstruction Reconstrucción process. Some 3Dof the techniques were studied and implemented to obtain the Aseparation partir deof lasthe vistas, object mediante from the la background, técnica delike triangulación, active contours es posible and k- obtener un modelo 3D del objeto proyectado en las vistas. El principio means. The different techniques were compared and tested with different images. C entro óptico 1 C 1 C 2 C entro óptico 2 Q B O bjeto 3D A Vista 2 Vista 1 Figura 1.10: Triangulación: estimación de Q a partir de A y B. Illustration 1. Obtaining the point Q in three-dimensions. Having studied and implemented all the points of interest detection and segmentation algorithms, the programming of an algorithm was carried out that allowed to create a three-dimensional model. Therefore, the final algorithm has a first stage, were a segmentation of the image is done, separating the object from the background. In this way, the area of detection is reduced and later on corner detection is performed. The last step is the 3D reconstruction, where a matching between points of the two images is done to finally obtain the tree-dimensional points by a triangulation process. To verify the efficiency of the algorithm different tests were done with variety of images taken by the stereo camera. The best results obtained with the algorithm are with images with objects of straight geometries. As it a stereo reconstruction based on corners, the results obtained with rounded objects are not son good, as these objects don t contain so many corners. In Illustration 2, the reconstruction of a cube is shown.

6 Illustration 2. 3D Reconstruction of an object. This work shows that an algorithm can be done to reconstruct an object in threedimensions, leaving for future developments the optimization for all kinds of objects. In addition it is an important basis for future developments, as many different techniques for image analysis were studied and compared.