Помощь в написании студенческих работ
Антистрессовый сервис

Алгоритмы построения трехмерных компьютерных моделей реальных объектов для систем виртуальной реальности

Диссертация: Алгоритмы построения трехмерных компьютерных моделей реальных объектов для систем виртуальной реальности
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

В этой главе приведен обзор алгоритмов построения 3-х мерных моделей реальных объектов по набору изображений. Для построения моделей объектов с формой цилиндра и параллелепипеда предложены два алгоритма на основе подгонки параметрических моделей. Пользователь выделяет на нескольких исходных изображениях требуемый объект прямоугольной рамкой. Подмножество 3-х мерных точек структуры сцены… Читать ещё >

Алгоритмы построения трехмерных компьютерных моделей реальных объектов для систем виртуальной реальности (реферат, курсовая, диплом, контрольная)

Содержание

  • ГЛАВА 1. СИСТЕМА РЕКОНСТРУКЦИИ 3-Х МЕРНЫХ МОДЕЛЕЙ ПО НАБОРУ ИЗОБРАЖЕНИЙ
    • 1. 1. Обзор существующих подходов
    • 1. 2. Предлагаемая система
  • ГЛАВА 2. РОБАСТНАЯ ОЦЕНКА ПАРАМЕТРОВ МОДЕЛИ
    • 2. 1. Постановка задачи
    • 2. 2. РОБАСТНАЯ ОЦЕНКА ПАРАМЕТРОВ МОДЕЛИ
      • 2. 2. 1. Общая схема оценки параметров на основе случайных выборок. J б
      • 2. 2. 2. Робастное уточнение оценки параметров модели
    • 2. 3. Обзор существующих алгоритмов на основе случайных выборок
      • 2. 3. 1. Варианты оценочных функции
      • 2. 3. 2. Варианты схемы выборки
      • 2. 3. 3. Модификации схемы оценки модели
      • 2. 3. 4. Другие модификации
    • 2. 4. Колебания шума в последовательности оценок
      • 2. 4. 1. Задача оценки позы камеры
      • 2. 4. 2. Колебание шума
    • 2. 5. Предлагаемый алгоритм
      • 2. 5. 1. Оценка максимального правдоподобия
      • 2. 5. 2. Оценка параметров шума в исходных данных
      • 2. 5. 3. Критерий остановки
      • 2. 5. 4. Оценка параметров смеси вероятностей на выборке исходных данных
      • 2. 5. 5. Локальная оптимизация
    • 2. 5. б Полная схема алгоритма AMLESA С
    • 2. 6. Нелинейная минимизация.~
    • 2. б. 1 Оценка параметров смеси по текущей гипотезе
    • 2. б. 2 Параметры смеси как свободные параметры модели
      • 2. 7. Применение алгоритма на реальных данных
      • 2. 8. Применение алгоритма на синтетических данных
        • 2. 8. 1. Тесты на синтетических данных — подгонка линий
        • 2. 8. 2. Оценка позы камеры — тесты на синтетических данных

Термином «Виртуальная реальность» (BP) обозначают новые виды компьютерных интерфейсов, нацеленных на создание у пользователя ощущения реальности окружения. Это ощущение вынуждает пользователя взаимодействовать с окружающим миром точно так же, как он бы вел себя в реальности. Типичным примером систем BP являются тренажеры различных транспортных средств от автомобилей до пилотируемых космических аппаратов, достоверно воспроизводящие ощущения водителя или пилота, позволяющие обучать людей управлению ими, Рис. 1(a). Элементы виртуальной реальности также используются в интерфейсах, называемых «расширенной реальностью», когда в изображения реального мира добавляются синтезированные объекты. Такое расширение реальности необходимо, например, при архитектурном планировании строительства и реконструкции зданий, Рис. 1 (б). а) (б).

Рис, 1 Интерфейсы типа «виртуальная реальность» (а) и «расширенная реальность» (б).

Достоверная визуализация виртуального мира играет важную роль при создании у пользователя ощущения присутствия. Степень реалистичности изображения в настоящее время сильно зависит от точности и качества используемых моделей. В системах расширенной реальности для корректного встраивания виртуальных объектов в изображения необходимо точно определить положение камеры в пространстве, и оценить общее пространственное расположение наблюдаемых объектов.

Наиболее легкодоступным источником информации об объектах реального мира являются фотоизображения, поэтому в последние 15 лет большое внимание уделяется разработке алгоритмов и систем построения моделей реальных объектов по изображениям. Однако доведенные до коммерческого уровня системы, например, Canoma [1], ImageModeler [2], PhotoModeler [3], требуют точного выделения вершин, ребер и границ объектов на фотоизображениях и сопоставления их вершинам, ребрам и границам выбранной модели простой формы. Этот процесс очень трудоемок, поэтому подобные системы не получили широкого распространения.

В сложившейся ситуации возникла очевидная потребность в автоматизированных системах построения трехмерных моделей по изображениям, не требующих дорогостоящей дополнительной аппаратуры, в которых взаимодействие с пользователем сводится к малому количеству простых операций.

Цель работы.

Целью работы является исследование и разработка таких алгоритмов и методов построения трехмерных компьютерных моделей реальных объектов, которые позволяют существенно снизить необходимый объем взаимодействия с пользователем по сравнению с существующими методами, а также разработка системы построения трехмерных моделей для апробации предложенных алгоритмов и методов.

Научная новизна работы.

Предложен новый алгоритм робастной оценки параметров моделей, показано его преимущество по точности и устойчивости при решении задачи калибровки камеры по сравнению с существующими аналогичными методами. Разработан новый алгоритм отслеживания точечных особенностей, превосходящий по характеристикам существующие алгоритмы, особенно при применении к задаче вычисления траектории движения камеры. Предложен алгоритм построения следов, устойчивый к перепадам резкости в последовательности изображений. Разработаны новые алгоритмы определения параметров камеры и траектории ее движения.

Предложены новые методы построения моделей для объектов формы типа цилиндр и параллелепипед по набору зашумленных трехмерных точек, лежащих на их поверхности.

Практическая значимость и реализация.

Разработаны и доведены до практической реализации алгоритмы вычисления траектории движения фотои видеокамеры и построения трехмерных объектов по последовательности изображений. Программные реализации описываемых в диссертации алгоритмов удовлетворяют всем требованиям и ограничениям, сформулированным при постановке задачи.

На основе предложенных алгоритмов разработана система построения моделей 3-х мерных объектов простой формы по фотографиям и видеопоследовательностям, не требующая большого объема взаимодействия с пользователем. Система разрабатывалась в Лаборатории Компьютерной Графики и Мультимедиа факультеi та ВМиК МГУ им. Ломоносова по заказу Samsung Advanced Institute of Technologies.

Апробация работы и публикации.

Основные результаты работы докладывались и обсуждались на:

• 15-ой международной конференции по компьютерной графике и машинному зрению GraphiCon 2005, Россия, Новосибирск, 2005.

• 12-ой международной конференции «Ломоносов-2005».

• 14-ой международной конференции по компьютерной графике и машинному зрению GraphiCon 2004, Россия, Москва, 2004.

• 13-ой международной конференции по компьютерной графике и машинному зрению GraphiCon 2003, Россия, Москва, 2003.

• Международной конференции по обработке изображений «International Conference on Image Processing 2002», США, Рочестер, 2002.

• Семинаре по компьютерной графике и машинному зрению Ю. М. Баяковского (ф-т ВмиК МГУ).

Основные результаты работы изложены в 7 научных публикациях. Системы, в которые внедрены разработанные алгоритмы, защищены российскими и международными патентами.

Структура работы.

Диссертация состоит из пяти глав, введения и приложения.

В первой гладе приводится краткий обзор существующих систем реконструкции трехмерных моделей по набору изображений, и дается описание общей структуры разработанной автором системы построения трехмерных моделей.

Вторая глава посвящена робастным алгоритмам оценки параметров модели, на которых основываются большинство алгоритмов калибровки камеры и построения трехмерных объектов по изображениям. В ней производится обзор существующих методов робастной оценки на основе случайных выборок и методов уточнения полученных оценок, а также описывается предложенный новый алгоритм решения данной задачи.

В третьей главе описываются методы отслеживания и построения следов точечных особенностей в последовательностях изображений, приводится обзор существующих алгоритмов и используемых в них методов.

Четвертая глава посвящена методам вычисления траектории камеры и построения структуры наблюдаемой сцены по набору следов точечных особенностей.

В пятой главе описываются два подхода к построению трехмерной модели наблюдаемых объектов: на основе методов подгонки примитивов и с использованием методов плотного стерео, а также приводит описание некоторых алгоритмов обработки построенных моделей.

В приложении дается краткое описание модели и свойств перспективной проекции, а также ограничений, накладываемых на взаимное расположение проекций трехмерной точки на двух изображениях перспективной проекцией при условии статичности сцены. На эти свойства и их модели опираются все методы определения траектории камеры и трехмерной реконструкции.

Основные результаты работы состоят в следующем:

1. Предложены новые алгоритмы построения следов точечных особенностей на последовательности фотоизображений или видеопоследовательности, которые позволяют добиться более высокой точности определения траектории движения камеры.

2. По результатам проведенного исследования предложен новый робастный алгоритм оценки параметров моделей на основе случайных выборок. Алгоритм адаптируется к уровню шума и позволяет добиться высокой точности и устойчивости в условиях значительного уровня шума и ложных данных.

3. Разработан комплекс алгоритмов для генерации трехмерной модели объектов простой формы типа цилиндр и параллелепипед по облаку трехмерных точек. Алгоритмы успешно функционируют на загрязненных данных, что позволяет сократить объем взаимодействия с пользователем для уточнения полученных моделей.

4. На основе предложенных алгоритмов разработана программная система построения трехмерных компьютерных моделей реальных объектов по набору фотоизображений или видеопоследовательности для формирования виртуальной среды.

Благодарности.

Автор выражает благодарность научному руководителю Ю. М. Баяковскому за содействие и помощь в работе и своим коллегам В. П. Вежневцу, А. В. Игнатенко, В. А. Гаганову и Е. В. Лисицину за ценные консультации и плодотворные совместные обсуждения.

5.5 Заключение.

В этой главе приведен обзор алгоритмов построения 3-х мерных моделей реальных объектов по набору изображений. Для построения моделей объектов с формой цилиндра и параллелепипеда предложены два алгоритма на основе подгонки параметрических моделей. Пользователь выделяет на нескольких исходных изображениях требуемый объект прямоугольной рамкой. Подмножество 3-х мерных точек структуры сцены, вычисленной во время калибровки камеры, которые проецируются в выделенные области, используется в качестве исходных данных.

При построении модели цилиндрического объекта вначале с помощью робастного алгоритма определяется положение и ориентация оси цилиндра в пространстве. Затем определяются радиус и положение верхней и нижней плоскостей цилиндра. Параметры модели уточняются с помощью нелинейной минимизации с робаст-ной целевой функцией. г) (Д) («).

Рис. 39 Примеры построенных моделей в виде изображений с картами глубины (а).(г) — исходные изображения (б).(д) построенные карты глубины (в).(е) Визуализированные карты глубины (а)1(б).(в) — изображения реальной сцены (г),(д).{с) ешп сгичсскне данные.

Алгоритм построения модели объекта в форме параллелепипеда опирается на выделение видимых плоскостей робастным алгоритмом. Положение невидимых плоскостей вычисляется с помощью определения осей и границы проекции 3-х мерных точек на эти оси.

Предложенные алгоритмы успешно функционируют на загрязненных данных, поэтому не требуют точного выделения границ и вершшf моделируемого объекта, что позволяют существенно сократить объем взаимодействия с пользователем по сравнению с существующими системами.

Г) (Д) <0.

Рис. 40 Примеры построенных моделей реальных объектов.

Также в данной главе рассмотрен разработанный алгоритм для построения и обработки моделей в виде набора изображений с картами глубины. Модель записывается в файл формата MPEG4 AFX. Предложен алгоритм модификации текстуры моделей в виде набора изображений с глубиной, которые требует от пользователя непосредственного редактирования визуализированных изображений модели.

Показать весь текст

Список литературы

  1. Сапота, http://www.metacreations.com/products/canoma/
  2. Image modeler, http://www.realviz.com/products/im/index.php
  3. Photomodeler, http://www.photomodeler.com
  4. P. Debevec, C. Taylor, J. Malik. Modeling and Rendering Architecture from Photographs: A Hybrid Geometry and Image-Based Approach. In Proc. Siggraph'96, pp. ll-20, ACM Press, New York, 1996.
  5. V.Valiev. 3D Reconstruction of Architectural Objects from Photos. In Proc. Graphi-con'99, pp.171−173, Russia, 1999.
  6. .Х., Зуева Е. Ю., Кугушев E. И. Параметрические модели трехмерных объектов и их использование для реконструкции сцен. Сборник «Вопросы кибернетики» (ВК-181), с. 136−147, Москва, 1995.
  7. I. Сох, S. Hingorani, S. Rao. A Maximum Likelihood Stereo Algorithm. Computer Vision and Image Understanding, Vol. 63, No. 3, May 1996.
  8. D. Scharstein, R. Szeliski. A Taxonomy and Evaluation of Dense Two-Frame Stereo Correspondence Algorithms. IJCV Vol.47, Issue 1−3, pp.7−42, April-June 2002.
  9. S.M. Seitz, C.R. Dyer. Photorealistic Scene Reconstruction by Voxel Coloring. In. Proc. CVPR'97, pp. 1067−1073, 1997.
  10. K. N. Kutulakos, S. M. Seitz. A Theory of Shape by Space Carving. International Journal of Computer Vision, Vol. 38, No. 3, pp. 199−218, July 2000.
  11. P. Eisert, E. Steinbach, B. Girod. Multi-hypothesis, Volumetric Reconstruction of 3D Objects from Multiple Calibrated Camera Views. ICASSP, pp. 3509−3512, 1999.
  12. P. Eisert, E. Steinbach, B. Girod, M. Levoy, P. Hanrahan. Lightfield Rendering. Proc. SIGGRAPH '96, pp 31−12, ACM Press, New York, 1996.
  13. S. Gortler, R. Grzeszczuk, R. Szeliski, M. F. Cohen. The Lumigraph. Proc. SIGGRAPH'96, pp. 43−54, ACM Press, New York, 1996.
  14. V. A. Knyaz, S. Yu. Zheltov. Approach to Accurate Photorealistic Model Generation for Complex 3D Objects. International Archives of Photogrammetry and Remote Sensing, Vol. XXXIII, part B5/1, pp. 428−433, Amsterdam, The Netherlands, 2000.
  15. V.A.Knyaz, S.YU. heltov, Stepanyants D.G., Automated photogrammetric system for photorealistic skull 3D reconstruction. Proceeding of SPIE Videometrics and Optical Methods for 3D Shape Measurements, Vol. 4309, pp. 336−345, 2001.
  16. A.Fitzgibbon, A. Zisserman, Automatic camera tracking. In Proc. Video Registration^, pp. 17−35, 2003.
  17. P. A. Beardsley, P. H. S. Torr, A. Zisserman. 3D model acquisition from extended image sequences. In Proc. ECCV'96, pp. 683−695, Cambridge, 1996.
  18. S. Gibson, J. Cook, T. L. J. Howard, R. J. Hubbold, D. Oram. Accurate camera calibration for offline, video-based augmented reality. In Proc. ISMAR'02 pp.37−46, 2002.
  19. Boujou, http://www.2d3.com
  20. PFTrack, http://www.thepixelfarm.co.uk/products/products.aspx?PID=3
  21. M. Pollefeys, R. Koch, M. Vergauwen, B. Deknuydt, L. Van Gool. Three-dimensional scene reconstruction from images. In Proc. SPIE Electronic Imaging, Three-Dimensional Image Capture and Applications III, Vol. 3958, pp.215−226, 2000.
  22. C.V.Stewart. Robust parameter estimation in computer vision. SI AM Review v. l, n.3, pp. 513−537, 1999.
  23. J.Illingworth. J.Kittler. A survey of the Hough transform. CVGIP v.44 pp. 87−116, 1988.
  24. P.J.Rousseeuw. Least median of squares regression. Journal of the American Statistical Association, vol.79 pp.871−880, 1984.
  25. M.A.Fischler, R.C.Bolles. Random Sample Consensus: A paradigm for model fitting with applications to image analysis and automated cartography. In Communications of the ACM, 24 (6), pp. 381−395, 1981.
  26. P.H.S. Torr and A. Zisserman. Robust parameterization and computation of the trifocal tensor. In proc. Image and Vision Computing, 15, pp. 591−605, 1997.
  27. P.H.S.Torr, A.Zisserman. Robust Computation and Parameterization of Multiple View Relations. In Proc. ICCV'98, pp.727−732, 1998.
  28. В. Triggs, P. McLauchlan, R. Hartley, A. Fiztgibbon, Bundle Adjustment A Modern Synthesis. In B. Triggs, A. Zisserman, R. Szeliski (Eds.), Vision Algorithms: Theory and Practice, LNCS, Vol.1883, pp.298−372, Springer-Verlag, 2000.
  29. А.Конушин, К. Мариничев, В.Вежневец. Обзор робастных схем оценки параметров на основе случайных выборок. Труды Графикон-2004, с.275−278, 2004.
  30. P.H.S.Torr, A. Zisserman, MLESAC: A New Robust Estimator with Application to Estimating Image Geometry. In CVIU, vol. 78, pp. 138−156, 2000.
  31. D.Forsyth, J.Ponce. Computer Vision: A modern approach. Prentice Hall, 2003.
  32. B. Tordoff, D. Murray. Guided sampling and consensus for motion estimation. In Proc. ECCV'02, v. 1, pp. 82−96, 2002.
  33. P.H.S. Torr. Bayesian Model Estimation and Selection for Epipolar Geometry and Generic Manifold Fitting. In IJCV, Vol. 50, Issue. 1, pp. 27−45, 2002.
  34. Z.Zhang, R. Deriche, O. Faugeras, Q.T.Luong. A robust technique for matching two uncalibrated images through the recovery of the unknown epipolar geometry. AI Journal, vol.78, pp. 87−119, 1994.
  35. D. Myatt, P.H.S. Torr, S. Nasuto, R. Craddock. NAPSAC: High Noise, High Dimensional Robust Estimation. In Proc. BMVC'02, pp. 458−467, 2002.
  36. O.Chum, J.Matas. Randomized RANSAC with T (d, d) test. In Proc. British Machine Vision Conf., pp. 448−457, 2002.
  37. D.Nister. Preemptive RANSAC for live structure and motion estimation. In Proc. ICCV'03, pp. 199−206, 2003.
  38. O.Chum, J. Matas, J.Kittler. Locally Optimized RANSAC. In Proc. 25th Pattern Recognition Symposium (DAGM), Vol. 2781 of LNCS, pp. 236−243, 2003.
  39. O.Chum, J. Matas, S.Obdrzalek. Enhancing RANSAC by Generalized Model Optimization. In Proc. ACCV 2004, p. 812−817, 2004.
  40. C.Harris, M. Stephens. A combined corner and edge detector. Fourth Alvey Vision Conference, pp. 147−151, 1988.
  41. A.Fusiello. Uncalibrated Euclidean reconstruction: A review. Image and Vision Computing, Vol.18, Issue 6−7, pp. 555−563, 2000.
  42. R. Hartley, P. Sturm, Triangulation. In CVIU, Vol.68, Issue.2, pp.146−157, 1997.
  43. C.L.Feng, Y.S.Hung. A Robust Method for Estimating the Fundamental Matrix. In Proc. DICTA 2003, pp. 633−642, 2003.
  44. A.Konouchine, V. Gaganov, V.Vezhnevets. AMLESAC: A New Maximum Likelihood Robust Estimator. In Proc. Graphicon'05, pp.93−100, 2005.
  45. S.M.Smith, J.M.Brady. SUSAN a new approach to low-level image processing. IJCV, Vol. 23(1): pp. 45−78, 1997.
  46. P.Smith, D. Sinclair, R. Cipolla, K. Wood, Effective corner matching. In. Proc. BMVC'98, Vol.2, pp.545−556, 1998.
  47. D.Lucas, T.Kanade. An Iterative Image Registration Technique with an Application to Stereo Vision. In Proc. UCAI'81, pp 674−679, 1981.
  48. C.Tomasi, T.Kanade. Detection and tracking of point features. Technical Report CMU-CS-91−132,Carnegie Mellon University, April 1991.
  49. J. Shi, C. Tomasi. Good features to track. In Proc. CVPR'94, pp. 593−600, 1994.
  50. H.Jin, P. Favaro, S.Soatto. Real-time tracking and outlier rejection with changes in illumination. In Proc. ICCV'01, vol.1, pp.684−692, 2001.
  51. J.Y. Bouguet. Pyramidal implementation of the lucas-kanade feature tracker, Microsoft Research Labs, Tech. Rep., 1999.
  52. T. Tommasini, A. Fusiello, E. Trucco, V. Roberto. Making good features to track better. In Proc. IEEE CVPR'98, pp. 178−183, 1998.
  53. A.Fusiello, E. Trucco, T. Tommasini, V.Roberto. Improving feature tracking with robust statistics. Pattern Analysis and Applications, Vol. 2, No. 4, pp.312−320, 1999.
  54. R. Hartley. In Defense of the Eight-Point Algorithm. PAMI, Vol. 19, No.6, pp.580 593, 1997.
  55. P.H.S. Torr, A.W. Fitzgibbon. Invariant Fitting of Two View Geometry. In PAMI, Vol.26, No.5, pp. 648−650, 2004.
  56. H. Akaike. A new look at the statistical model identification. In Proc. Trans Aut Ctrl, Vol. AC-19, Issue.6, pp.716−723, 1974.
  57. P.H.S.Torr. An assesment of information criteria for motion model selection. In Proc. CVPR'97, pp. 47−53, 1997.
  58. P.H.S.Torr, A. Fitzgibbon, A.Zisserman. Maintaining Multiple Motion Model Hypotheses Over Many Views to Recover Matching and Structure. In Proc. ICCV'04, pp.485−492, 2004.
  59. A.Konouchine, V. Gaganov, V.Vezhnevets. Combined Guided Tracking and Matching with Adaptive Track Initialization. In Proc. Graphicon'05, pp.301−304, 2005.
  60. Е.Лисицин, А. Конушин, В.Вежневец. Отслеживание точечных особенностей в видеопоследовательностях с изменениями резкости. Труды конференции Graphi-соп'04, с.233−236, Москва, 2004.
  61. P. Vivirito, S. Battiato, S. Curti, M. La Cascia, R. Pirrone. Restoration of out of focus images based on circle of confusion estimate. In. Proc. SPIE 47th Annual Meeting. vol.4790, USA, 2002.
  62. F.Rooms, A. Pizurica W. Philips. Estimating image blur in the wavelet domain. In. Proc. ACCV'02, pp.210−215, 2002.
  63. J.Elder, S. Zucker. Local Scale Control for Edge Detection and Blur Estimation. In. IEEE PAMI, vol. 20, no. 7, pp. 699−716, 1998.
  64. S.Zucker, J.Elder. Scale space localization, blur, and contour-based image coding. In Proc. CVPR'96. pp.27−34, 1996.
  65. Z. Zhang. A flexible new technique for camera calibration. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.22(l 1), pp. 1330−1334, 2000.
  66. R. Hartley. Estimation of Relative Camera Positions for Uncalibrated Cameras. In Proc. ECCV'92, pp.579−587, 1992.
  67. D.Nister. An Efficient Solution to the Five-Point Relative Pose Problem. In PAMI, Vol.26, Issue 6, pp. 756−777, 2004.
  68. T.Thormahlen, H. Broszio, A.Weissenfeld. Keyframe Selection for Camera Motion and Structure Estimation from Multiple Views. In Proc. ECCV'04, pp.523−535, 2004.
  69. M.Ameller, B. Triggs, L. Quan. Camera pose revisited a new linear algorithm. In Proc. ECCV'00, 2000.
  70. B.Horn. Relative Orientation. IJCV Vol.4., Issue 1, pp.59−78, 1989.
  71. T.Sato, M. Kanbara, N. Yokoya, H. Takemura. Dense 3-D Reconstruction of an Outdoor Scene by Hundreds-baseline Stereo using a Hand-held Video Camera. IJCV, Vol.47, Issues. 1−3, pp.119−129,2002.
  72. A.Zisserman, D. Murray, P. A. Beardsley. Sequential updating of projective and af-fine structure from motion. IJCV Vol.23, Issue 3, pp.235−259, 1994.
  73. Y-K. Yu, K-H. Wong. M. M-Y. Chang. A Fast Recursive 3D Model Reconstruction Algorithm for Multimedia applications. In Proc. ICPR'04, pp.241−244, 2004.
  74. A.Fitzgibbon, A.Zisserman. Automatic Camera Recovery for Closed or Open Image Sequences. In Proc. ECCV'98, pp.311−326, 1998.
  75. А.Конушин. Система построения трехмерных моделей реальных объектов по последовательности изображений. Тезисы Ломоносов'05, с. 30, 2005.
  76. Y. Bayakovski, L. Levkovich-Maslyuk, A. Ignatenko, A. Konushin, D. Timasov, A. Zhirkov, M. Han, I.K.Park. Depth Image-Based representations for static and animated 3D objects. In Proc. ICIP'02 vol.3, pp.25−28, 2002.78. VRML, www. web3d.org
  77. ISO/IEC JTC1/SC29/WG11 14 496−1, Coding of Audio-Visual Objects: Systems.
  78. Curless, M. Levoy. A Volumetric Method for Building Complex Models from Range Images. In Proc. Siggraph'96, pp.303−312, 1996.
  79. G. Turk, M. Levoy. Zippered Polygon Meshes from Range Images. In Proc. Sig-graph'94, pp.311−318, 1994.
  80. S. Gibson, T.L.J. Howard. Interactive Reconstruction of Virtual Environments from Photographs, with Application to Scene-of Crime Analysis. In Proc. VRCT'00, pp. 4148, 2000.
  81. W.A.Hoff, F.W.Hood, R.H.King. An Interactive System for Creating Object Model from Range Data based on Simulated Annealing. In Robotics and Automation, Vol.3, pp. 2559−2564, 1997.
  82. D.Marshall, G. Lukacs, R.Martin. Robust Segmentation of Primitives from Range Data in the Presence of Geometric Degeneracy. In PAMI, Vol.23, I. 3, pp.304−314, 2001.
  83. M. Callieri, P. Cignoni, R. Scopigno. Reconstructing Textured Meshes from Multiple Range+RGB Maps, In Proc VMW'02, pp. 665 672, 2002.
  84. S. Gumustekin, R.W. Hall. Mosaic image generation on a flattened gaussian sphere. In Proc. IEEE Workshop on Applications of Computer Vision, pp. 50−55, 1996.
  85. C.Loops, Z.Zhang. Computing Rectifying Homographies for Stereo Vision. In Proc. CVPR'99, pp.125−131, 1999.
  86. S. Birchfield, C. Tomasi. Depth discontinuities by pixel-to-pixel stereo. In Proc. ICCV'98, pp. 1073−1080, 1998.
  87. A.Ignatenko, A.Konushin. A Framework for Depth Image-Based Modeling and Rendering. In. Proc. Graphicon-2003, pp. 169−172,2003.
  88. S. Seitz, K. Kutulakos. Plenoptic image editing. In Proc. ICCV'98, pp. 17−24, 1998.
  89. B.M. Oh, M. Chen, J. Dorsey, F. Durand. Image-Based modeling and photo-editing. International Conference on Computer Graphics and Interactive Techniques, pp.433−442, 2001.
Заполнить форму текущей работой

Сессия? Спокойно!