Mål 1: redogöra för, och använda algoritmer för robust skattning av geometriska storheter
Mål 2 : redogöra för, och använda algoritmer för täta korrespondensfält och triangulering i stereobilder
Mål 3: redogöra för, och integrera komponenter för struktur från rörelse
Mål 4: redogöra för, och integrera komponenter för förtätning och visualisering av 3D-modeller
Kursinnehåll
I kursen tar vi upp metodik som relaterar till målen ovan, med fokus på följande:
Robust skattningsmetodik för geometri (RANSAC)
Olinjär minsta-kvadratskattning, samt robusta felnormer
Geometriska skattningsproblem som absolut och relativ kamerapose, och minimala fall för lösbarhet.
Struktur från rörelse, strålknippejustering (bundle adjustment)
Skattning och visualisering av täta korrespondensfält
Triangulering av korrespondenser
Innehållet introduceras under en serie föreläsningar, och används sedan praktiskt i laborationer och projekt.
Förutsättningar
Sannolikhetslära, skattningsteori, minstakvadrat-metoden.Från t.ex. Multidimensionell signalanalys: Projektiva rum, homogena representationer av 2D och 3D geometri, perspektivprojektion, kamerakalibrering, samt epipolärgeometri. Grundläggande bildbehandling: tröskelsättning, segmentering, kantdetektering. Användning av Python. Då halva kursen utgör projektarbete är även programmeringsvana att rekommendera.
Litteratur
Computer vision : models, learning, and inference - Prince, Simon J. D., Verfasser
Klas Nordberg, Introduction to Representations and Estimation in Geometry LiU Compendium - Klas Nordberg
Utvalda forskningsartiklar som anges på kurshemsidan.