Тип работы:
Предмет:
Язык работы:


Построение карты глубины по изображениям стереопары

Работа №125353

Тип работы

Бакалаврская работа

Предмет

модели данных

Объем работы18
Год сдачи2017
Стоимость4700 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
61
Не подходит работа?

Узнай цену на написание


Введение 3
Постановка задачи 4
Обзор литературы 5
Глава 1. Основные подходы 6
1.1. Общая схема 6
1.2. Выбор алгоритма 7
Глава 2. AD-Census 8
2.1. Ценовая метрика 8
2.2. Агрегация 8
2.3. Оптимизация по направлениям 9
2.4. Вычисление диспаритетов 9
2.5. Уточнение диспаритетов 9
Глава 3. Реализация 11
Глава 4. Модификация алгоритма 14
Выводы 15
Заключение 17
Список литературы 18

Карта глубины представляет собой матрицу расстояний от стереока­меры до объекта для каждого пикселя одного из изображений.
Компьютерное стереозрение позволяет получать карты глубины по­средством фиксированной системы из двух оптических камер. Это дешев­ле, а в некоторых задачах и эффективнее, чем активные системы, такие как Microsoft Kinect и Intel RealSence.
Стереозрение применяется в таких областях, как распознавание же­стов, обход препятствий и 3D-реконструкция. Оно является областью ак­тивных исследований на протяжении многих лет, однако эффективное со всех точек зрения решение пока ещё не найдено.

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


Предложенная модификация улучшает качество алгоритма без суще­ственных потерь в скорости и итоговая реализация, запущенная на GeForce GTX 1060, соответствует требованиям задач реального времени на раз­решении 750 х 500. В дальнейшем планируется упростить алгоритм для эффективной работы на большем разрешении и на более слабом оборудо­вании.


[1] Hartley R. I., Zisserman A. Multiple view geometry in computer vision. Second edition. Cambridge University Press, 2004.
[2] Scharstein D., Szeliski R. A taxonomy and evaluation of dense two-frame stereo correspondence algorithms // International Journal of Computer Vision. 2002. No 47. P. 7-42.
[3] Zhang Y., Gu Y., Huang K. et al. Accurate image-guided stereo matching with efficient matching cost and disparity refinement // IEEE Transactions on Circuits and Systems for Video Technology. 2016. Vol. 26. No 9. P. 1632­1645.
[4] Xing M., Xun S., Mingcai Z. et al. On building an accurate stereo matching system on graphics hardware // 2011 IEEE International Conference on Computer Vision Workshops (ICCV Workshops). Barcelona: IEEE. 2011. P. 467-474.
[5] Jure Zbontar, Yann LeCun. Stereo matching by training a convolutional neural network to compare image patches // JMLR 17(65):1-32, 2016.
[6] Hirschmiiller H. Stereo processing by semiglobal matching and mutual information // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2008. Vol. 30. No 2. P. 328-341.
[7] Scharstein D., Hirschmiiller H., Kitajima Y. et al. High-resolution stereo datasets with subpixel-accurate ground truth //In German Conference on Pattern Recognition (GCPR 2014). Munster: GCPR. 2014. P. 31-42.


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2025 Cервис помощи студентам в выполнении работ