بررسی روش بینایی استریو ‌به عنوان روشی برای داده‌برداری دوبعدی و سه‌بعدی از اهداف مورد نظر

نوع مقاله: مقاله علمی ترویجی

نویسندگان

1 کارشناسی ارشد، مهندسی مکانیک، دانشگاه بیرجند، بیرجند

2 دانشیار، مهندسی مکانیک، دانشگاه بیرجند، بیرجند

3 استاد، مهندسی مکانیک، دانشگاه بیرجند، بیرجند

چکیده

از جمله فناوری‌هایی که امروزه به ‌طور گسترده مورد توجه قرار گرفته است، روش‌های منطبق بر بینایی است. این روش‌ها، در بخش‌های مختلفی از جمله خط تولید، کنترل و بازرسی و حتی کنترل ایمنی افراد به‌ کار گرفته شده است. تصویر اصل اساسی ماشین ‌بینایی است و در واقع بازنمایی است که از طریق دستگاه‌های تصویربرداری (دوربین‌ها) به دست می‌آیند. در این بحث، روش بینایی استریو به‌ طور گسترده‌ای برای اندازه‌گیری و داده‌برداری دوبعدی و سه‌بعدی مورد استفاده قرار می‌گیرد. در این روش، از دو دوربین در دو زاویه مختلف برای برداشت تصویر از یک منظره استفاده می‌شود. این مقاله ماهیت روش بینایی استریو و چالش‌های موجود در استفاده از این روش شامل کالیبراسیون دوربین‌ها، انطباق بین دو تصویر گرفته‌شده توسط دو دوربین در دو زاویه مختلف و در نظر گرفتن اصل هندسه اپیپولار با هدف تسهیل در تطبیق بین دو تصور را مورد بررسی قرار داده است.

کلیدواژه‌ها

موضوعات


[1] Hornberg, A. Handbook of Machine Vision. Weinheim WILEY-VCH Verlag GmbH & Co KGaA, 2017.
[2] Balafar. Machine Vision principle and Image processing. ilar, 2015.
[3] Bhatti, A. Current advancements in stereo vision. InTechy, pp. 11–22, 2012.
[4] Hansard, M., Lee, S., Choi, O., and Horaud, R. P. Timeof-flight cameras principles, methods and applications. Springer, 2012.
[5] Foix, S., Alenya, G., and Torras, C. Lock-in time-of-flight (tof) cameras: a survey. IEEE Sensors Journal, 11:1917– 1926, 2011.
[6] Kazmi, W., Foix, S., Alenya, G., and Andersen, H. J. Indoor and outdoor depth imaging of leaves with time-offlight and stereo vision sensors: analysis and comparison. ISPRS Journal of Photogrammetry and Remote Sensing, 88:128–146, 2014.
[7] Corso, J. Geometric Camera Calibration. Electrical Engineering & Computer Science University of Michigan, 2014.
[8] Yangao, L., Wang, B., R. Zhang, H. Zhou, and Wang, R. Analysis on location accuracy for the binocular stereo vision system. IEEE Photonics Journal, 10, 2018.
[9] Li, X., Yao, J., and Zhang, J. Comparison and selection of camera models with lens distortion. J. Comput.-Aided Des. Comput. Graph, 27:824–831, 2015.
[10] Bouguet, J.-Y. www.mathworks.com.
[11] Hamzah, R. A., Kadmin, A. F., Hamid, M. Saad, and Ghani, F. A. Improvement of stereo matching algorithm for 3d surface reconstruction. Signal Processing: Image Communication, 65:165–172, 2018.
[12] J.Flusser and B.Zitova. Image registration methods: a survey. Image and vision computing, 21:977–1000, 2003.
[13] Radke, R. J., Andra, S., Al-kofahi, O., and Roysam, B. Image change detection algorithms: a systematic survey. Image Processing, IEEE Transactions, 14:294–307, 2005.
[14] Lukashevich, P., Zalesky, B., and Ablameyko, S. Medical image registration based on surf detector. Pattern Recognition and Image Analysis, 21:519–521, 2011.
[15] Zhang, Q., Wang, Y., and Wang, L. Registration of images with affine geometric distortion based on maximally stable extremal regions and phase congruency. Image and Vision Computing, 36:23–39, 2015.
[16] Rosten, E. and Drummond, T. Fusing points and lines for high performance tracking. vol. 2, pp. 1508–1511, 2005.
[17] Harris, C. and Stephens, M. Handbook of Machine Vision. 1988.
[18] Shi, J. and Tomasi, C. Good features to track. pp. 593–600, 1994.
[19] Ghosh, P., Pandey, A., and Pati, U. C. Comparison of different feature detection teqniques for image mosaising, 2015.
[20] Gholipour, A., Kehtarnavaz, N., Briggs, R., Devous, M., and Gopinath, K. Brain functional localization: a survey of image registration techniques, 2007.
[21] Remondino, F., El-Hakim, S., Gruen, A., and Zhang, L. Turning images into 3-d models, 2008.
[22] Xu, Z. Z. Gang. Epipolar geometry in stereo, motion and object recognition a unified approach, 1996.
[23] Monasse, P., Morel, J. M., and Tang, Z. Three-step image rectification. Aberystwyth, United Kingdom, 2010.