Participants : Jean-Philippe Tarel, Nozha Boujemaa
Mots clefs : vision 3D
Figure 3:
(a) est une des images originales de la scène. Des vues des
résultats de reconstruction 3D obtenus avec nos algorithmes de
stéréovision sont présentées dans la figure 4(a)(d). (b) est un point de vue
de synthèse des modèles recalés (voir figure 4(c)(f)) sur lesquels l'image
originale (a) est projetée.
Un des objectifs de l'analyse stéréoscopique menée au sein du projet est de repositionner les modèles 3D d'objets présents dans une scène par rapport aux images. Pour cela, les vues sont calibrées précisément [9], pour permettre une reconstruction 3D dense sous forme de facettes [26]. Le recalage consiste alors à déterminer le déplacement rigide qui superpose une partie de la reconstruction avec une partie du modèle.
Figure 4: (a)
et (d) sont deux points de vue de la reconstruction 3D obtenue à
partir d'une paire d'images originales dont une est visible en
figure 3(a). Dans (b), la
mire est recalée sur la reconstruction. Dans (e), seul le ballon
est recalé, alors que (c) et (f) montrent les deux objets
recalés.
L'algorithme de recalage itératif développé dans le projet l'année dernière [4] présente l'avantage d'être très précis et robuste tant que la solution initiale est proche de la solution réelle. Cette année notre travail a donc été de concevoir une méthode rapide et approchée pour obtenir un jeu de solutions initiales intéressantes. La propriété recherchée n'est donc pas la précision, mais la robustesse de la méthode par rapport à l'initialisation et au bruit.
Les méthodes de classification floue, de par leur robustesse et leur capacité à bien gérer les incertitudes, ont fourni un outil utile pour résoudre ce problème. A partir de l'algorithme de classification de Dave (PRL, volume 12, 1991), nous avons développé une extension plus adaptée à notre problème qui permet d'introduire des connaissances a priori sur chaque point à classer [25]. L'algorithme conçu cette année nous a permis de développer une méthode de recalage 3D précise et robuste qui ne nécessite pas de solution initiale. La figure 4 montre un exemple de résultat validé par projection de l'image originale sur le modèle recalé, comme dans la figure 3.
Pour estimer la qualité de notre méthode, il s'avère nécessaire d'avoir un outil pour mesurer la similarité de deux ensembles de données 3D. L'outil développé sépare donc automatiquement la partie en recouvrement de celle sans correspondance (voir figure 5), et fournit les informations pertinentes suivantes:
Figure 5:
Segmentation du modèle géométrique de la mire en sa partie
reconstruite et non reconstruite obtenue de l'image originale de
la figure 3(a).