PDF Giáo trình thị giác máy tính và ứng dụng, Lê Mỹ Hà

Giáo trình thị giác máy tính và ứng dụng, Lê Mỹ Hà
322 trang

 

MỤC LỤC
LỜI NÓI ĐẦU ......................................................................................... 9
Chương 1: XỬ LÝ ẢNH CƠ BẢN VÀ NGÔN NGỮ LẬP TRÌNH
PYTHON............................................................................ 13
1.1. PIL - THƯ VIỆN HÌNH ẢNH TRONG PYTHON.................... 13
1.1.1. Chuyển đổi hình ảnh sang định dạng khác............................. 14
1.1.2. Tạo hình thu nhỏ..................................................................... 15
1.1.3. Sao chép và dán các vùng....................................................... 15
1.1.4. Thay đổi kích thước và xoay.................................................. 15
1.2. MATPLOTLIB............................................................................ 15
1.2.1. Vẽ hình ảnh, điểm và đường.................................................. 16
1.2.2. Đường biên ảnh và lược đồ.................................................... 17
1.2.3. Chú thích tương tác................................................................ 19
1.3. NUMPY...................................................................................... 19
1.3.1. Thể hiện hình ảnh dưới dạng mảng........................................ 20
1.3.2. Biến đổi cấp độ xám............................................................... 21
1.3.3. Cân bằng lược đồ ảnh............................................................. 23
1.3.4. Phép tính trung bình pixel ảnh............................................... 25
1.3.5. Phân tích thành phần chính (PCA) của hình ảnh.................... 26
1.3.6. Sử dụng Module Pickle.......................................................... 29
1.4. SCIPY......................................................................................... 30
1.4.1. Làm mờ ảnh............................................................................ 30
1.4.2. Tính đạo hàm của ảnh (Image derivatives)............................ 32
1.4.3. Các module SciPy hữu ích khác............................................. 36
1.5. VÍ DỤ NÂNG CAO: GIẢM NHIỄU HÌNH ẢNH..................... 37
1.6. BÀI TẬP..................................................................................... 41
Chương 2: MÔ TẢ ĐẶC TRƯNG HÌNH ẢNH................................. 42
2.1. XÁC ĐỊNH ĐẶC TRƯNG GÓC HARRIS................................ 42
2.2. ĐẶC TRƯNG BẤT BIẾN VỚI SỰ THAY ĐỔI TỶ LỆ ẢNH
(SCALE-INVARIANT FEATURE TRANSFORM- SIFT)........ 49
2.2.1. Lập trình xác định đặc trưng SIFT trong ảnh......................... 53
2.2.2. Đối sánh các mô tả của điểm đặc trưng.................................. 54
2.3. BÀI TẬP..................................................................................... 60
4
Chương 3: PHÉP ÁNH XẠ HÌNH ẢNH............................................ 61
3.1. HOMOGRAPHIES..................................................................... 63
3.1.1. Thuật toán biến đổi tuyến tính trực tiếp................................. 64
3.1.2. Biến đổi Affine....................................................................... 69
3.2. Nắn ảnh ....................................................................................... 66
3.2.1. Đặt một ảnh trong một ảnh khác............................................ 67
3.2.2. Nắn ảnh Affine theo từng cặp................................................. 70
3.2.3. Hiển thị hình ảnh.................................................................... 74
3.3. Tạo ảnh toàn cảnh....................................................................... 79
3.3.1. Thuật toán RANSAC.............................................................. 79
3.3.2. Ước tính hệ tọa độ đồng nhất bền vững................................. 81
3.3.3. Ghép các hình ảnh lại với nhau.............................................. 85
3.4. BÀI TẬP..................................................................................... 88
Chương 4: MÔ HÌNH MÁY ẢNH VÀ THỰC TẾ ẢO...................... 89
4.1. MÔ HÌNH MÁY ẢNH LỖ KIM (PIN- HOLE CAMERA)....... 89
4.1.1. Điểm chiếu 3D........................................................................ 91
4.1.2. Hệ số ma trận camera............................................................. 93
4.1.3. Tính toán điểm trung tâm camera........................................... 94
4.2. HIỆU CHỈNH MÁY ẢNH.......................................................... 94
4.3. ƯỚC LƯỢNG VỊ TRÍ CAMERA TỪ MẶT PHẲNG
VÀ ĐIỂM MỐC.......................................................................... 96
4.4. THỰC TẾ ẢO........................................................................... 100
4.4.1. PyGame và PyOpenGL........................................................ 101
4.4.2. Từ ma trận camera đến định dạng OpenGL......................... 102
4.4.3. Đặt các đối tượng ảo trong ảnh............................................ 104
4.4.4. Kết nối tất cả ảnh.................................................................. 105
4.4.5. Tải mô hình.......................................................................... 107
4.5. BÀI TẬP................................................................................... 109
Chương 5: HÌNH HỌC ĐA GÓC NHÌN (MULTIPLE VIEW
GEOMETRY)................................................................... 110
5.1. EPIPOLAR GEOMETRY......................................................... 110
5.1.1. Một tập dữ liệu mẫu............................................................. 112
5.1.2. Vẽ dữ liệu 3D với Matplotlib............................................... 114
5.1.3. Epipole và các đường thẳng epipole.................................... 117
5
5.2. TÍNH TOÁN VỚI MÁY ẢNH VÀ CẤU TRÚC 3D................ 119
5.2.1. Tính toán ma trận camera từ các điểm 3D........................... 121
5.2.2. Tính toán ma trận camera từ ma trận cơ bản........................ 123
5.2.3. Trường hợp không được hiệu chỉnh - tái cấu trúc hình chiếu... 123
5.2.4. Trường hợp được hiệu chỉnh - tái cấu trúc chính xác mô hình.. 124
5.3. TÁI CẤU TRÚC NHIỀU GÓC NHÌN..................................... 125
5.3.1. Ước lượng ma trận cơ bản bền vững.................................... 125
5.3.2. Ví dụ tái tạo 3D.................................................................... 128
5.3.3. Phần mở rộng và nhiều hơn hai góc nhìn............................. 131
5.4. ẢNH STEREO.......................................................................... 132
5.5. BÀI TẬP................................................................................... 138
Chương 6: PHÂN CỤM ẢNH........................................................... 139
6.1. THUẬT TOÁN PHÂN CỤM K-MEANS................................ 139
6.1.1. Thư viện phân cụm SciPy.................................................... 140
6.1.2. Phân cụm ảnh....................................................................... 141
6.1.3. Biểu diễn trực quan ảnh các thành phần chính..................... 143
6.1.4. Phân cụm các Pixels............................................................. 154
6.2. PHÂN CỤM THEO THỨ BẬC............................................... 146
6.3. Phân cụm ảnh............................................................................ 150
6.4. PHÂN CỤM PHỔ..................................................................... 155
6.5. BÀI TẬP................................................................................... 159
Chương 7: TÌM KIẾM ẢNH............................................................. 160
7.1. TRUY XUẤT ẢNH DỰA TRÊN NỘI DUNG......................... 160
7.2. TỪ NGỮ TRỰC QUAN (VISUAL WORDS)......................... 161
7.3. LẬP CHỈ MỤC ẢNH................................................................ 165
7.3.1. Thiết lập cơ sở dữ liệu.......................................................... 165
7.3.2. Thêm ảnh.............................................................................. 166
7.4. TÌM KIẾM CƠ SỞ DỮ LIỆU CHO ẢNH............................... 168
7.4.1. Tìm kiếm bằng ảnh............................................................... 170
7.4.2. Kiểm chuẩn và biểu diễn kết quả......................................... 171
7.5. XẾP HẠNG KẾT QUẢ BẰNG HÌNH HỌC............................ 173
7.6. XÂY DỰNG CÁC DEMO VÀ ỨNG DỤNG WEB................ 176
7.7. BÀI TẬP................................................................................... 179
6
Chương 8: PHÂN LOẠI NỘI DUNG HÌNH ẢNH.......................... 181
8.1. K-NEAREST NEIGHBORS..................................................... 181
8.1.1. Một ví dụ 2D đơn giản......................................................... 182
8.1.2. Đặc trưng hình ảnh dùng dense SIFT (SIFT dày đặc).......... 185
8.1.3. Phân loại hình ảnh - nhận dạng cử chỉ tay........................... 187
8.2. BỘ PHÂN LOẠI BAYES......................................................... 190
8.3. SUPPORT VECTOR MACHINES........................................... 195
8.3.1. Sử dụng LibSVM................................................................. 196
8.3.2. Nhận dạng cử chỉ tay lại bằng phương pháp SVM.............. 198
8.4. NHẬN DẠNG KÝ TỰ QUANG HỌC (OPTICAL
CHARACTER RECOGNITION)............................................. 200
8.4.1. Huấn luyện một bộ phân loại............................................... 200
8.4.2. Chọn đặc trưng..................................................................... 201
8.4.3. SVM nhiều lớp..................................................................... 201
8.4.4. Trích xuất các hàng và nhận dạng ký tự............................... 202
8.4.5. Chỉnh sửa hình ảnh............................................................... 205
8.5. BÀI TẬP................................................................................... 206
Chương 9: PHÂN ĐOẠN ẢNH......................................................... 208
9.1. PHƯƠNG PHÁP CẮT ĐỒ THỊ (GRAPH CUTS)................... 208
9.1.1. Đồ thị từ các hình ảnh.......................................................... 210
9.1.2. Phân đoạn với đầu vào của người dùng............................... 215
9.2. PHÂN ĐOẠN BẰNG CÁCH SỬ DỤNG PHÂN CỤM.......... 217
9.3. PHƯƠNG PHÁP BIẾN PHÂN................................................ 222
9.4. BÀI TẬP................................................................................... 224
Chương 10: GIỚI THIỆU THƯ VIỆN OpenCV............................. 226
10.1. GIAO DIỆN PYTHON OPENCV......................................... 226
10.2. KHÁI NIỆM CƠ BẢN VỀ OPENCV................................... 226
10.2.1. Đọc và viết hình ảnh........................................................... 227
10.2.2. Không gian màu.................................................................. 227
10.2.3. Hiển thị hình ảnh và kết quả............................................... 228
10.3. XỬ LÝ VIDEO...................................................................... 231
10.3.1. Đầu vào video..................................................................... 231
10.3.2. Đọc video vào mảng NumPy.............................................. 233
10.4. THEO VẾT (TRACKING).................................................... 233
7
10.4.1. Luồng quang học................................................................ 233
10.4.2. Thuật toán Lucas-Kanade................................................... 236
10.4.3. Sử dụng generators............................................................. 241
10.5. CÁC VÍ DỤ KHÁC................................................................. 242
10.5.1. Vá lỗi ảnh (Inpainting)....................................................... 243
10.5.2. Phát hiện đường thẳng với phép biến đổi Hough............... 244
10.6. BÀI TẬP................................................................................. 245
Chương 11: ỨNG DỤNG HÌNH HỌC ĐA GÓC NHÌN VÀO XÂY
DỰNG MÔ HÌNH 3D KẾT HỢP PHÂN TÍCH NGỮ
NGHĨA VÀ PHƯƠNG PHÁP TỐI ƯU LỒI............... 247
11.1. GIỚI THIỆU.......................................................................... 247
11.2. MÔ TẢ THUẬT TOÁN......................................................... 248
11.2.1. Phân tích ngữ nghĩa............................................................ 249
11.2.2. Xây dựng lại cảnh quan trong trường hợp đặc biệt............ 253
11.2.3. Đối sánh theo phương pháp cặp ảnh stereo........................ 259
11.3. THỰC NGHIỆM TRÊN TẬP DỮ LIỆU THỰC................... 260
11.4. KẾT LUẬN............................................................................ 263
Chương 12: ỨNG DỤNG HÌNH HỌC ĐA GÓC NHÌN TRONG
ĐỊNH VỊ CHO MÁY ẢNH ĐA HƯỚNG.................... 264
12.1. GIỚI THIỆU.......................................................................... 264
12.2. MÔ TẢ THUẬT TOÁN......................................................... 264
12.2.1. Ước tính các cặp chuyển động xoay................................... 265
12.2.2. Biến đổi camera đa hướng trong mô hình cầu.................... 266
12.2.3. Trích đặc trưng đường........................................................ 267
12.2.4. Phát hiện điểm vô cực dựa trên phương pháp RANSAC....... 270
12.2.5. Tìm các điểm vô cực tương đồng dựa trên phương pháp ước
lượng chuyển động xoay...................................................... 271
12.3. TÍNH TOÁN GÓC XOAY TOÀN CỤC CỦA CAMERA..... 273
12.4. SỰ PHỤC HỒI CHUYỂN ĐỘNG CỦA CAMERA............. 273
12.4.1. Điểm tương đồng trên gương cầu....................................... 273
12.4.2. Chuyển động của camera với ma trận xoay đã biết............ 273
12.4.3. Tối ưu hóa trong mô hình hình cầu.................................... 275
12.4.3. Tối ưu gần lồi sử dụng ngưỡng giữa.................................. 277
12.5. THỰC NGHIỆM.................................................................... 278
8
12.6. KẾT LUẬN............................................................................ 284
Chương 13: ỨNG DỤNG THỊ GIÁC MÁY TÍNH KẾT HỢP
BIẾN GPS TRONG ĐỊNH VỊ ROBOT....................... 281
13.1. GIỚI THIỆU.......................................................................... 281
13.2. MÔ TẢ THUẬT TOÁN......................................................... 284
13.3. HỆ THỐNG ĐO LƯỜNG BẰNG THỊ GIÁC DỰA TRÊN
CAMERA ĐA HƯỚNG............................................................ 286
13.3.1. Phân tích mô hình di chuyển.............................................. 286
13.3.2. Hệ thống đo lường bằng hình ảnh...................................... 290
13.4. SỰ HIỆU CHỈNH SAI SỐ ĐO VỊ TRÍ CỦA HỆ THỐNG NHỜ
VÀO THÔNG TIN DẪN ĐƯỜNG QUA VỆ TINH (GPS)..... 293
13.4.1. Đánh giá giá trị đo từ hệ thống định vị toàn cầu................ 293
13.4.2. Hiệu chỉnh vị trí dựa trên hệ thống định vị toàn cầu.......... 295
13.5. KẾT QUẢ THỰC NGHIỆM................................................. 295
13.6. KẾT LUẬN............................................................................ 298
Phụ lục A............................................................................................... 300
Phụ lục B............................................................................................... 306
TÀI LIỆU THAM KHẢO.................................................................... 310

 

TÀI LIỆU THAM KHẢO
[1] Herbert Bay, Tinne Tuytelaars, and Luc Van Gool. SURF: Speeded
up robust features. In European Conference on Computer Vision,
2006.
[2] Yuri Boykov, Olga Veksler, and Ramin Zabih. Fast approximate
energy minimization via graph cuts. IEEE Transactions on Pattern
Analysis and Machine Intelligence, 23:2001, 2001.
[3] Gary Bradski and Adrian Kaehler. Learning OpenCV. O’Reilly
Media Inc., 2008.
[4] Martin Byröd. An optical sudoku solver. In Swedish Symposium
on Image Analysis, SSBA, 2007.
[5] Antonin Chambolle. Total variation minimization and a class of
binary mrf models. In Energy Minimization Methods in Computer
Vision and Pattern Recognition, Lecture Notes in Computer
Science, pages 136–152. Springer Berlin /Heidelberg, 2005.
[6] T. Chan and L. Vese. Active contours without edges. IEEE Trans.
Image Processing, 10(2):266–277, 2001.
[7] Chih-Chung Chang and Chih-Jen Lin. LIBSVM: a library for
support vector machines, 2001. Software available at http://www.
csie.ntu.edu.tw/~cjlin/libsvm.
[8] D. Cremers, T. Pock, K. Kolev, and A. Chambolle. Convex
relaxation techniques for segmentation, stereo and multiview
reconstruction. In Advances in Markov Random Fields for Vision
and Image Processing. MIT Press, 2011.
[9] Nello Cristianini and John Shawe-Taylor. An Introduction to
Support Vector Machines and Other Kernel-based Learning
Methods. Cambridge University Press,2000.
[10] Gunnar Farnebäck. Two-frame motion estimation based on
311
polynomial expansion in Proceedings of the 13th Scandinavian
Conference on Image Analysis, pages 363–370, 2003.
[11] M. A. Fischler and R. C. Bolles. Random sample consensus: a
paradigm for model fitting with applications to image analysis
and automated cartography. Communications-of-the-ACM,
24(6):381–95, 1981.
[12] C. Harris and M. Stephens. A combined corner and edge detector.
In Proc. Alvey Conf., pages 189–192, 1988.
[13] R. I. Hartley and A. Zisserman. Multiple View Geometry in
Computer Vision. Cambridge University Press, ISBN: 0521540518,
second edition, 2004.
[14] Richard Hartley. In defense of the eight-point algorithm. IEEE
Transactions on Pattern Analysis and Machine Intelligence,
19:580–593, 1997.
[15] Berthold K. P. Horn and Brian G. Schunck. Determining optical
flow. Artifical Intelligence, 17:185–203, 1981.
[16] Vladimir Kolmogorov and Ramin Zabih. What energy functions
can be minimized via graph cuts. IEEE Transactions on Pattern
Analysis and Machine Intelligence, 26:65–81, 2004.
[17] David G. Lowe. Object recognition from local scale-invariant
features. In International Conference on Computer Vision, pages
1150–1157, 1999.
[18] David G. Lowe. Distinctive image features from scale-invariant
keypoints. Int. J. Comput. Vision, 60(2):91–110, 2004.
[19] Bruce D. Lucas and Takeo Kanade. An iterative image registration
technique with an application to stereo vision. pages 674–679,
1981.
[20] Mark Lutz. Learning Python. O’Reilly Media Inc., 2009.
312
[21] Will McGugan. Beginning Game Development with Python and
Pygame. Apress, 2007.
[22] F. Meyer. Color image segmentation. In Proc. of the 4th Conference
on Image Processing and its Applications, pages 302–306, 1992.
[23] D. Nistér and H. Stewénius. Scalable recognition with a vocabulary
tree. In IEEE Conference on Computer Vision and Pattern
Recognition (CVPR), volume 2, pages 2161–2168, 2006.
[24] Travis E. Oliphant. Guide to NumPy. http://www.tramy.us/
numpybook.pdf, 2006.
[25] M. Pollefeys, L. Van Gool, M. Vergauwen, F. Verbiest, K. Cornelis,
J. Tops, and R. Koch. Visual modeling with a hand-held camera.
International Journal of Computer Vision, 59(3):207–232, 2004.
[26] Marc Pollefeys. Visual 3d modeling from images – tutorial notes.
Technical report, University of North Carolina âA¸S- Chapel Hill.
˘
[27] Carsten Rother, Vladimir Kolmogorov, and Andrew Blake.
Grabcut: Interactive foreground extraction using iterated graph
cuts. ACM Transactions on Graphics, 23:309–314, 2004.
[28] L. I. Rudin, S. J. Osher, and E. Fatemi. Nonlinear total variation
based noise removal algorithms. Physica D, 60:259–268, 1992.
[29] Daniel Scharstein and Richard Szeliski. A taxonomy and
evaluation of dense two-frame stereo correspondence algorithms.
International Journal of Computer Vision, 2001.
[30] Daniel Scharstein and Richard Szeliski. High-accuracy stereo
depth maps using structured light. In IEEE Computer Society
Conference on Computer Vision and Pattern Recognition, 2003.
[31] Toby Segaran. Programming Collective Intelligence. O’Reilly
Media, 2007.
313
[32] Jianbo Shi and Jitendra Malik. Normalized cuts and image
segmentation. IEEE Trans. Pattern Anal. Mach. Intell., 22:888–
905, August 2000.
[33] Jianbo Shi and Carlo Tomasi. Good features to track. In 1994
IEEE Conference on Computer Vision and Pattern Recognition
(CVPR’94), pages 593 – 600, 1994.
[34] Noah Snavely, Steven M. Seitz, and Richard Szeliski. Photo
tourism: Exploring photo collections in 3d. In SIGGRAPH
Conference Proceedings, pages 835–846. ACM Press, 2006.
[35] Bill Triggs, Philip F. McLauchlan, Richard I. Hartley, and Andrew W.
Fitzgibbon. Bundle adjustment - a modern synthesis. In Proceedings
of the International Workshop on Vision Algorithms: Theory and
Practice, ICCV ’99, pages 298–372. Springer-Verlag, 2000.
[36] A. Vedaldi and B. Fulkerson. VLFeat: An open and portable library
of computer vision algorithms. http://www.vlfeat.org/, 2008
[37] Deepak Verma and Marina Meila. A comparison of spectral
clustering algorithms. Technical report, 2003.
[38] Luminita A. Vese and Tony F. Chan. A multiphase level set
framework for image segmentation using the mumford and shah
model. Int. J. Comput. Vision, 50:271– 293, December 2002.
[39] Paul Viola and Michael Jones. Robust real-time object detection.
In International Journal of Computer Vision, 2001.
[40] Marco Zuliani. Ransac for dummies. Technical report, Vision
Research Lab, UCSB, 2011.
[41] Triggs, P.M., R. Hartley, and A. Fitzgibbon, Bundle adjustment – a
modern synthesis. 2000.
[42] Kanade, C.T.a.T., Shape and motion from image streams under
orthography: a factorization method. European Conf. on Computer
Vision, 1992.
314
[43] Sturm, P.F. and B. Triggs, A Factorization Based Algorithm for
Multi-Image Projective Structure and Motion, in Proceedings of
the 4th European Conference on Computer Vision-Volume II -
Volume II. 1996, Springer-Verlag. p. 709-720.
[44] J.-P. Tardif, A.B., M. Trudeau, N. Guilbert, and S. Roy, Algorithms
for batch matrix factorization with application to structure from
motion. Conf. Computer Vision and Patern Recognition, 2007.
[45] Nister, D., Reconstruction from uncalibrated sequences with a
hierarchy of trifocal tesors. European Conf. on Computer Vision,
2000.
[46] R. Gherardi, M.F., and A. Fusiello, Improving the efficiency of
hierarchical struc-ture-and-motion. Conf. Computer Vision and
Pattern Recognition, 2010.
[47] T. Thormaehlen, H.B., and A. Weissenfeld, Keyframe selection
for camera motion and structure estimation from multiple views.
European Conf. on Computer Vision, 2004.
[48] P. Torr, A.F., and A. Zisserman, The problem of degeneracy in
structure and mo-tion recovery from uncalibrated image sequences.
Int.Journal of Computer Vision, 1999.
[49] K. Cornelis, F.V., and L. Van Gool Drift detection and removal for
sequential structure from motion algorithms. IEEE Transactions
on Pattern Analysis and Machine Intelligence, 2004.
[50] Andrey Vavilin, K.-H.J., Moon-Ho Jeong, Jong-Eun Ha and Dong
Joong Kang, Automatic Context Analysis for Image Classification
and Retrieval. LNCS, 2011. 6838: p. 377-382.
[51] Andrey Vavilin, M.-H.L.a.K.-H.J., Optimal Feature Subset
Selection for Urban Scenes Understanding. URAI, 2010
[52] Lowe, D., Distinctive Image Features from Scale-Invariant Interest
Points. International Journal of Computer Vision, 2004. 60: p. 91-110.
315
[53] Govindu, V., Robustness in motion averaging. In Eur. Conf.
Computer Vision, 2006.
[54] Hartley, F.K.a.R., Multiple view geometry under the L∞-norm.
IEEE Transations on Pattern Analysis and Machine Intelligence,
2008.
[55] C. Olsson, A.E., R. Hartley, Outlier Removal using Duality. IEEE
Conference on Computer Vision and Pattern Recognition, 2010.
[56] Ponce, Y.F.a.J., Accurate, Dense, and Robust Multi-View
Stereopsis. IEEE Transactions on Pattern Analysis and Machine
Intelligence, 2009.
[57] Celenk, M., A Color Clustering Technique for Image Segmentation.
Computer Vision, Graphics and Image Processing, 1990. 52: p.
145-170.
[58] R. Haralick, K.S., I. Dunstein, Textural features for image
classification. IEEE Transactions on Systems, Man, and
Cybernetics, 1973. 3: p. 610–621.
[59] Sturm, P., Critical motion sequences for monocular self-calibration
and uncalibrated eu-clidean reconstruction. Conference on
Computer Vision and Pattern Recognition, 1997.
[60] F. Kahl, R.H., and K. Astraom, Critical congurations for
n-view projective recon-struction. Computer Vision and Pattern
Recognition, 2001.
[61] O. Enqvist, F.K., Fredrik and C. Olsson, Carl, Non-Sequential
Structure from Motion. Workshop on Omnidirectional Vision,
Camera Networks and Non-Classical Cameras, 2011.
[62] Harris, M.S., A combined corner and edge detector. Alvey Vision
Conference, 1998: p. 147-151.
[63] Herbert Bay, T.T., Luc Van Gool, SURF: speeched up robust
features. ECCV, 2006. 3951: p. 404-417.
316
[64] Schmid, K.M.a.C., A performance evaluation of local descriptors.
Trans. Pattern Analysis and Machine Intelligence, 2005.
[65] R. I. Hartley and A. Zisserman., Multiple View Geometry in
Computer Vision. 2004.
[66] C. Zach, M.K., and M. Pollefeys, Disambiguating visual relations
using loop constraints. Conf. Computer Vision and Pattern
Recognition, 2010.
[67] Pajdla, D.M.a.T., Robust rotation and translation estimation in
multiview reconstruction. CVPR, 2007: p. 1–8.
[68] Kahl, R.H.a.F., Global optimization through rotation space search.
IJCV, 2009.
[69] Hartley, K.S.a.R., Removing outliers using the L∞-norm. Conf.
Computer Vision and Pattern Recognition, 2006: p. 485–492.
[70] Keriven, A.D.a.R., L1-penalized robust estimation for a class
of inverse problems arising in multiview geometry. Neural
Information Processing Systems, 2009.
[71] Vandenberghe, S.B.a.L., Convex Optimization. Cambridge
University Press, 2004.
[72] Geyer, C., Daniilidis, K., Catadioptric projective geometry. Int. J.
Comput. Vis., 2001. 45(3): p. 223–243.
[73] Rives, C.M.a.P., Single View Point Omnidirectional Camera
Calibration from Planar Grids. IEEE International Conference on
Robotics and Automation, 2007.
[74] J.C. Bazin, C.D., P. Vasseur, I.S. Kweon, Motion estimation
by decoupling rotation and translation in catadioptric vision.
Computer Vision and Image Understanding, 2010. 114(2010): p.
254-273.
[75] J.P. Barreto, H.A., Fitting conics to paracatadioptric projections of
317
lines. Computer Vision and Image Understanding 2006. 101(3): p.
151–165.
[76] D. Nistér, O.N., and J. Bergen Visual odometer. Computer Vision
and Pattern Recognition, 2004: p. I652–I659.
[77] E. Royer, M.L., M. Dhome, and J. M. Lavest, Monocular vision for
mobile robot localization and autonomous navigation. International
Journal of Computer Vision, 2007. 74(3): p. 237–260.
[78] R. García-García, M.A.S., I. Parra, D. Fernández, J. E. Naranjo,
and M. Gavilán, 3D visual odometry for road vehicles. Journal of
Intelligent and Robotic Systems, 2008. 51(1): p. 1 13-134.
[79] K. Konolige, M.A., and J. Solà, Large-scale visual odometry for
rough terrain. International Symposium on Robotics Research,
2007.
[80] Scaramuzza, D., 1-Point-RANSAC Structure from Motion
for Vehicle-Mounted Cameras by Exploiting Non-Holonomic
Constraints. International Journal of Computer Vision, 2011. 95:
p. 74-85.
[81] Trivedi, T.G.a.M., Parametric ego-motion estimation for vehicle
surround analysis using an omnidirectional camera. Machine
Vision and Applications, 2005. 16(2): p. 85–95.
[82] J. P. Tardif, Y.P., and K. Daniilidis, Monocular visual odometry in
urban environments using an omnidirectional camera. Proceedings
of the IEEE/RSJ International Conference on Intelligent Robots
and Systems, 2008: p. 2531–2538.
[83] S. Y. Kim, K.S.Y., D. H. Lee, and M. H. Lee, The Localization of
a Mobile Robot Using a Pseudolite Ultrasonic System and a Dead
Reckoning Integrated System. International Journal of Control,
Automation, and Systems, 2011. 9(2): p. 339-347.
318
[84] S. Sukkarieh, E.M.N., and H. F. Durrant-Whyte, A high
integrity IMU/GPS navigation loop for autonomous land vehicle
applications. IEEE Transactions on Robotics and Automation,
1999. 15(3): p. 572–578.
[85] J.-H. Choi, Y.-W.P., J.-B. Song, and I.-S. Kweon, “,”, vol. 9, no.
4, pp.,. Localization using GPS and VISION aided INS with an
Image Database and a Network of a Ground-based Reference
Station in Outdoor Environments. International Journal of Control,
Automation, and Systems, 2011. 9(4): p. 716-725.
[86] Y.-J. Lee, B.-D.Y., and J.-B. Song, Mobile Robot Localization
based on Effective Combination of Vision and Range Sensors.
International Journal of Control, Automation, and Systems, 2009.
7(1): p. 97-104.
[87] Lijun Wei, C.C., Yassine Ruichek, and Frédérick Zann, GPS
and Stereovision-Based Visual Odometry: Application to Urban
Scene Mapping and Intelligent Vehicle Localization. International
Journal of Vehicular Technology, 2011. 2011.
[88] Siegwart, R., Nourbakhsh, I., Introduction to Autonomous Mobile
Robots. MIT Press, 2004.
[89] Nister, D., Preemptive ransac for live structure and motion
estimation. Machine Vision and Applications, 2005. 16: p. 321–
329.
[90] H. G. Barrow, J.M.T., R.C. Bolles, H.C. Wolf, Parametric
correspondence and chamfer matching: two new techniques
for image matching. Proceedings of the 5th international joint
conference on Artificial intelligence, 1977: p. 659-663.
[91] Bonnifait, M.E.E.N.a.P., A road-matching method for precise
vehicle localization using belief theory and kalman filtering.
Auton. Robots, 2005. 19: p. 173–191.
319
H- M., H.-K.L., K.-W. Choi, and S.-W. Bang, Mobile Robot
Localization with Gyroscope and Constrained Kalman Filter.
International Journal of Control, Automation, and Systems, 2010.
8(3): p. 667-676.