Approche monodimensionnelle de la mise en correspondance stéréoscopique par corrélation - Application à la détection d'obstacles routiers
Résumé
In stereovision, a dense disparity map can be computed thanks to local methods that match 2D image neighbourhoods. In the context of 3D metrology, obtaining a dense disparity map is not mandatory, but high accuracy is required. Moreover, because of important local variations of disparity values due to high perspective conditions, we show that 2D methods do not reach a sucient level of accuracy. In this work, we propose a new matching method based on the analysis of several characteristics extracted from a set of similarity curves computed using 1D neighbourhoods. We compute condence values directly linked to accuracy and density properties of the disparity map. This condence values are used to tune a trade-o between density and accuracy of the disparity maps. The generic proposed method is evaluated by comparing its results with those computed with six similar local methods. In this way, we show its eciency, particularly with scenes having a strong perspective. Finally, we validate our 1D method in an obstacle detection application. We show that a quite basic segmentation process applied to our disparity maps yields better results than with disparity maps computed using 2D neighbourhoods. The behaviour of the 1D method with regard to untextured areas or uncalibration defaults is studied for synthetic and real images.
En stéréovision, une carte dense des disparités peut être déterminée grâce à des méthodes locales exploitant la mise en correspondance des contenus de voisinages bidimensionnels. Toutefois, dans le contexte d'une application de métrologie 3D, il n'est pas nécessaire que la carte soit dense, mais elle doit être très précise. Par ailleurs, en présence d'un fort eet de perspective, d'importantes variations locales de la disparit é apparaissent et les méthodes locales exploitant des fenêtres 2D ne garantissent plus une précision susante. Dans ce travail, nous proposons une méthode générique de mise en correspondance qui exploite des caractéristiques extraites d'un ensemble de courbes de similarité calculées sur des fenêtres 1D. Nous établissons une notion de conance reliant directement la précision à la densité de la carte des disparités obtenue, entre lesquelles il est alors possible de xer un compromis. La méthode générique proposée est évaluée en comparant ses résultats à ceux obtenus par six autres méthodes locales similaires. Nous montrons ainsi son ecacité, tout particulièrement quand la scène contient un plan fortement incliné. Nous testons nalement notre méthode dans le cadre d'une application de détection d'obstacles à l'avant d'un véhicule routier. Nous montrons qu'en segmentant notre carte des disparités par un procédé assez simple, la détection des obstacles est possible et surtout plus précise qu'avec des cartes des disparités calculées sur des voisinages 2D. Le comportement de la méthode 1D face à diérents défauts de texture ou de calibration est étudié à la fois sur des images de synthèse et des images réelles.
Loading...