Modèle de régularisation pour l'estimation de la disparité

Abstract

La perception de la profondeur dans les images stéréoscopiques est importante dans plusieurs domaines tels que la robotique, la télédétection et l'imagerie médicale. L'objectif de ce mémoire est de présenter un nouvel algorithme d'estimation de la disparité unidimensionnelle pour calculer la profondeur. Cette disparité est déterminée à partir d'une estimation de la différence de phases entre deux vues d'une même scène sous des angles légèrement différents. Cette différence de phases est obtenue en faisant la convolution des deux vues par la fonction gaussienne et les dérivées première et seconde de cette fonction. Les disparités obtenues sont souvent entachées d'erreurs, pour cela, nous utilisons un modèle de régularisation pour lisser la disparité en préservant les structures des objets. Ensuite, nous proposons une extension 2D de cet algorithme en utilisant la géométrie des deux caméras pour calculer la profondeur. Un premier avantage de cet algorithme est que celui-ci ne fait pas appel à la mise en correspondance de primitives, qui est un problème complexe. Un deuxième avantage est que l'extension 2D se fait de façon directe ; il suffit de prendre chaque droite épipolaire comme un signal, ce qui nous donne un algorithme efficace. Enfin, cet algorithme ne se limite pas à la stéréovision, mais pourra être utilisé dans le cas du mouvement. L'algorithme est appliqué à une scène synthétique simple dont la disparité de chaque point est 5 et a une scène synthétique complexe dont les disparités sont connues et varient entre 0 et 22. La qualité de la récupération atteint typiquement 0.0008 d'erreur moyenne sur la disparité pour la scène simple et 1.424 d'erreur moyenne sur la disparité pour la scène complexe. Finalement, nous l'avons appliqué à une scène réelle dont la disparité de chaque point est inconnue ; il donne de bons résultats visuels. [Résumé abrégé par UMI].