Restricciones algebraicas epipolares para estimación visual eficiente de movimiento sin la estructura 3D = Algebraic epipolar constraints for efficient structureless multiview motion estimation.

Resumen

Esta tesis se propone un método de corrección de movimiento sin estructura conocido como global epipolar adjustment (GEA). Debido a su carácter algebraico, y al no incluir restricciones entre múltiples vistas, GEA sacrifica una pequeña cantidad en la precisión de la pose de cámaras estimadas, en comparación con otros métodos de corrección geométrica tales como bundle adjustment (BA). Por contra, la optimización GEA requiere un tiempo de cálculo significativamente menor que la optimización del error de reproyección, incluso la realizada por implementaciones de BA del estado del arte. El coste optimizado por GEA es más simple y más regular que el error de reproyección, dado que no involucra los parámetros de la estructura. Por este motivo, en condiciones generales se puede optimizar con éxito usando métodos numéricos más simples que Levenberg-Marquardt, tales como Gauss-Newton. En ausencia de configuraciones de movimiento críticas, tanto GEA como BA producen estimaciones de movimiento con una precisión similar. Las cámaras obtenidas con el método propuesto son lo suficientemente precisas para obtener estimaciones de alta calidad de la estructura de la escena. A diferencia de las restricciones de movimiento relativo, utilizadas por otros métodos de corrección de odometría tales como PGR, las restricciones epipolares son más fáciles de estimar a partir de las correspondencias de imagen con una precisión suficiente para obtener resultados de alta calidad, como se describe en este trabajo. En el futuro, los métodos como GEA pueden ser una herramienta importante para reducir el coste computacional de las aplicaciones de SfM. Ofrecemos argumentos sólidos que apoyan esta afirmación, junto a una revisión del estado del arte en lo que se refiere a las principales técnicas de VSLAM y SfM. Por otra parte, también describimos cómo usar el método de optimización propuesto de forma satisfactoria, tanto en aplicaciones de estimación odométrica como de reconstrucción visual, con el fin de mejorar su eficiencia computacional. Entre otros usos, proponemos el uso de la optimización para acelerar y prevenir la divergencia de los pasos intermedios de un método de estimación de odometría visual incremental. Las poses de cámara obtenidas con este método se pueden usar para estimar reconstrucciones de escena de alta calidad, tanto densas como basadas en características de imagen. El método incremental propuesto es más eficiente que los métodos clásicos de SfM incrementales, que usan BA y estiman los parámetros de estructura en los pasos intermedios de la estimación de las poses de cámara. Este método puede utilizar métodos de consenso de muestreo clásicos (por ejemplo RANSAC, o PROSAC) para obtener geometrías epipolares entre parejas de imágenes de entrada. Proporcionamos los resultados de una larga cantidad de experimentos que evalúan empíricamente la eficiencia y precisión obtenidos con GEA. Nuestros experimentos demuestran que GEA es capaz de obtener configuraciones de cámaras de manera muy eficiente y precisa, tanto para problemas de reconstrucción pequeños como para otros arbitrariamente grandes, incluso en aquellos que contienen configuraciones casi críticas.