Camera Calibration without Camera Access — A Robust Validation Technique for Extended PnP Methods

要約

画像ベースの計測と法医学における課題は、使用するカメラが利用できない場合の固有のカメラ キャリブレーションです。
利用できないことにより、2 つの疑問が生じます。
最初の質問は、カメラを説明する投影モデルを見つける方法であり、2 番目の質問は、誤ったモデルを検出することです。
この作業では、市販の拡張 PnP メソッドを使用して 2D-3D 対応からモデルを見つけ、モデルの検証方法を提案します。
投影モデルを評価するための最も一般的な戦略は、異なるモデルの残差分散を比較することです。ただし、この素朴な戦略では、投影モデルが潜在的に適合不足か過剰適合かを区別できません。
この目的のために、各対応の残差をモデル化し、予測された分散を使用してすべての残差を個別にスケーリングし、新しい残差が標準正規分布から引き出されているかどうかをテストします。
2D 検出と Lidar 測定をシミュレートする合成データの実験で、提案された検証の有効性を実証します。
さらに、実際のシーンのデータを使用した実験を提供し、非カメラ アクセスとカメラ アクセスのキャリブレーションを比較します。
最後に、メソッドを使用して MegaDepth で注釈を検証します。

要約(オリジナル)

A challenge in image based metrology and forensics is intrinsic camera calibration when the used camera is unavailable. The unavailability raises two questions. The first question is how to find the projection model that describes the camera, and the second is to detect incorrect models. In this work, we use off-the-shelf extended PnP-methods to find the model from 2D-3D correspondences, and propose a method for model validation. The most common strategy for evaluating a projection model is comparing different models’ residual variances – however, this naive strategy cannot distinguish whether the projection model is potentially underfitted or overfitted. To this end, we model the residual errors for each correspondence, individually scale all residuals using a predicted variance and test if the new residuals are drawn from a standard normal distribution. We demonstrate the effectiveness of our proposed validation in experiments on synthetic data, simulating 2D detection and Lidar measurements. Additionally, we provide experiments using data from an actual scene and compare non-camera access and camera access calibrations. Last, we use our method to validate annotations in MegaDepth.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google