要約
構築環境の規則性に由来する線形遠近法を使用して、内因性および外因性の両方のカメラパラメータをオンラインで再較正できますが、シーンの不規則性、線分の推定の不確実性、および背景の乱雑さのために、これらの推定は信頼できない可能性があります。
ここでは、4つのイニシアチブを通じてこの課題に取り組んでいます。
まず、PanoContextパノラマ画像データセット[27]を使用して、広範囲のシーン、焦点距離、カメラポーズにわたる平面投影の斬新で現実的なデータセットをキュレートします。
次に、この新しいデータセットとYorkUrbanDB [4]を使用して、文献で頻繁に見られる線形遠近法の偏差測定値を体系的に評価し、偏差測定値と尤度モデルの選択が信頼性に大きな影響を与えることを示します。
第三に、これらの調査結果を使用して、fRと呼ばれるオンラインカメラキャリブレーション用の新しいシステムを作成し、それが以前の最先端技術を上回り、推定カメラ回転と焦点距離の誤差を大幅に削減することを示します。
4番目の貢献は、不確実性を推定するための斬新で効率的なアプローチであり、再キャリブレーションに使用するフレームを戦略的に選択することで、パフォーマンスが重要なアプリケーションのオンライン信頼性を劇的に向上させることができます。
要約(オリジナル)
Linear perspectivecues deriving from regularities of the built environment can be used to recalibrate both intrinsic and extrinsic camera parameters online, but these estimates can be unreliable due to irregularities in the scene, uncertainties in line segment estimation and background clutter. Here we address this challenge through four initiatives. First, we use the PanoContext panoramic image dataset [27] to curate a novel and realistic dataset of planar projections over a broad range of scenes, focal lengths and camera poses. Second, we use this novel dataset and the YorkUrbanDB [4] to systematically evaluate the linear perspective deviation measures frequently found in the literature and show that the choice of deviation measure and likelihood model has a huge impact on reliability. Third, we use these findings to create a novel system for online camera calibration we call fR, and show that it outperforms the prior state of the art, substantially reducing error in estimated camera rotation and focal length. Our fourth contribution is a novel and efficient approach to estimating uncertainty that can dramatically improve online reliability for performance-critical applications by strategically selecting which frames to use for recalibration.
arxiv情報
| 著者 | Yiming Qian,James H. Elder |
| 発行日 | 2022-07-26 14:39:42+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google