Presented by: Hadar Elor

Presented by: Hadar Elor

Stereo Vision

חוב בסגירת ...נתחיל

Geometric vision• Goal: Recovery of 3D structure

– Structure and depth are inherently ambiguous from single views.

הסנר טל של השקפים על מבוסס

Geometric vision• Goal: Recovery of 3D structure

– What cues in the image allow us to do this?

Slide credit: Svetlana Lazebnik

Shading

[Figure from Prados & Faugeras 2006]

Focus/defocus

[figs from H. Jin and P. Favaro, 2002]

Images from same point of view, different camera parameters

3d shape / depth estimates

Texture

[From A.M. Loh. The recovery of 3-D structure using visual texture patterns. PhD thesis]

Perspective effects

Image credit: S. Seitz

Motion

Figures from L. Zhang http://www.brainconnection.com/teasers/?main=illusion/motion-shape

Estimating scene shape • “Shape from X”: Shading, Texture, Focus, Motion…

• Stereo: – shape from “motion” between two views– infer 3d shape of scene from two (multiple) images

from different viewpoints

scene point

optical center

image plane

Main idea:

Geometry for a Simple Stereo System

• First, assuming parallel optical axes, known camera parameters (i.e., calibrated cameras):

11B. LeibeSlide credit: Kristen Grauman

12B. Leibe

baseline

optical center (left)

optical Center (right)

Focal length

World point

Depth of pimage point (left) image point

(right)

Slide credit: Kristen Grauman

Geometry for a Simple Stereo System• Assume parallel optical axes, known camera

parameters (i.e., calibrated cameras). We can triangulate via:

13B. Leibe

Similar triangles (pl, P, pr) and (Ol, P, Or):

r lT x x T

Z f Z

lr xx

TfZ

disparity

Slide credit: Kristen Grauman

Disparity ועומק

מצלמות

הבדל במיקומי הנקודה (disparityבתמונות )

( ת

מוצל

מה

מק

חמר

dept

h)

lr xx

TfZ

disparity

Depth From Disparity

15B. Leibe

Image I(x,y) Image I´(x´,y´)Disparity map D(x,y)

(x´,y´)=(x+D(x,y), y)

General Case With Calibrated Cameras

• The two cameras need not have parallel optical axes.

16B. Leibe

vs.

Slide credit: Kristen Grauman, Steve Seitz

Stereo Correspondence Constraints

• Given p in the left image, where can the corresponding point p’ in the right image be?

17B. LeibeSlide credit: Kristen Grauman

Stereo Correspondence Constraints

• Given p in the left image, where can the corresponding point p’ in the right image be?

18B. LeibeSlide credit: Kristen Grauman

Stereo Correspondence Constraints

19B. LeibeSlide credit: Kristen Grauman

Stereo Correspondence Constraints

• Geometry of two views allows us to constrain where the corresponding pixel for some image point in the first view must occur in the second view.

• Epipolar constraint: Why is this useful?– Reduces correspondence problem to 1D search along conjugate

epipolar lines.

20B. Leibe

epipolar planeepipolar lineepipolar line

Slide adapted from Steve Seitz

Epipolar Geometry

21

• Epipolar Plane

• Epipoles • Epipolar Lines

• Baseline

Slide adapted from Marc Pollefeys

Example

23B. LeibeSlide credit: Kristen Grauman

• For a given stereo rig, how do we express the epipolar constraints algebraically?

24B. Leibe

ההכרחית המטריצה בניית

נגדיר •סיבוב • מטריצת P, הקשר בין מיקום Rעבור

במערכת הקואורדינטות השמאלית לימנית הוא:

lO rO

P

l rlp

rp

מישור פולרי- י אפ�

r l T O O

r l P R P T

Rotation MatrixExpress 3d rotation as series of rotations around coordinate axes by angles

,,

Overall rotation is product of these elementary rotations:

zyx RRRR

Slide credit: Kristen Grauman

ההכרחית המטריצה בניית

• - על , נמצאים ו הוקטורים שלושת : האפיפולרי המישור המישור אותו

lO rO

P

l rlp

rp

מישור פול- י אפ�רי

lPT) )l P T

Cross Product & Dot Product

• Vector cross product takes two vectors and returns a third vector that’s perpendicular to both inputs.

• So here, c is perpendicular to both a and b, which means the dot product = 0.

Slide credit: Kristen Grauman

ההכרחית המטריצה בניית

• - על , נמצאים ו הוקטורים שלושת : האפיפולרי המישור המישור אותו

למישור • הניצב וקטור הוא מכאן:••- ו היותאזי:•• : ונקבל במשואה נציב

lO rO

P

l rlp

rp

מישור פול- י אפ�רי

lPT) )l P T

lT P

0T

l l P T T P

r l P R P T

Tr l R P P T

0TT T

r l r l R P T P P RT P

Matrix Form of Cross Product

30Slide credit: Kristen Grauman

ההכרחית המטריצה בניית

מטריצות • כפל באמצעות נשכתב– נגדיר –ונקבל: –

נקראת Eהמטריצה •המטריצה ההכרחית

)Essential Matrix)

0TT T

r l r l R P T P P RT P

0TT T

r l r x l R P T P P R T P

xE R T

0Tr l P EP

lO rO

P

l rlp

rp

מישור פול- י אפ�רי

ההכרחית המטריצה

נתונות • התמונות במישורי ונקודות היות ,' נחליף הומ (שכן זהות p ב- Pבקואורדינטות

עד לכדי כפל בקבוע(ישר במישור התמונה הימנית אשר הוא •

מובטח כי מכיל את הנקודה•E שימושית כאשר נתונות לנו קואורדינטות נקודות

התמונה.במישורלנו יש קואורדינטות פיקסלים בתמונה...•

0Tr l p Ep

r lu Ep

rp

היסודית המטריצה

היסודית • Fundamental Matrix Fמטריצהדומה באופייה למטריצה היסודית אך הפעם ו- •

פיקסליםבקואורדינטות • עבור ו- מטריצות פנימיות של שתי •

המצלמותאלג' שמונה חישוב המטריצה היסודית באמצעות "•

"הנקודות

0Tr l p Fp

lprp

1Tr l F M EM

lMlM

Fundamental matrix

• Relates pixel coordinates in the two views

• More general form than essential matrix: we remove need to know intrinsic parameters

• If we estimate fundamental matrix from correspondences in pixel coordinates, can reconstruct epipolar geometry without intrinsic or extrinsic parameters

Grauman

Computing F from correspondences

• Cameras are uncalibrated: we don’t know E or left or right Mint matrices

• Estimate F from 8+ point correspondences.

0leftright pFp

1int.int,

leftright EMMF

Grauman

Computing F from correspondences

0leftright pFp

Each point correspondence generates one constraint on F

Grauman

We can re-write as:

סטראו מערכת כיול

So, where to start with uncalibrated cameras?Need to find fundamental matrix F and the correspondences (pairs of points (u’,v’) ↔

(u,v)).

1) Find interest points in image2) Compute correspondences3) Compute epipolar geometry4) Refine

Example from Andrew Zisserman

1) Find interest points

Stereo pipeline with weak calibration

Grauman

2) Match points only using proximity

Stereo pipeline with weak calibration

Grauman

Putative matches based on correlation search

Grauman

עעעעעעעעעעעעעעעעעעעעעעעעעעעעעעעעעעעעעעעעעעעעעעעע

RANSAC for robust estimation of the fundamental matrix

• Select random sample of correspondences

• Compute F using them– This determines epipolar constraint

• Evaluate amount of support – inliers within threshold distance of epipolar line

• Choose F with most support (inliers)

Grauman

Putative matches based on correlation search

Grauman

Pruned matches• Correspondences consistent with epipolar geometry

Grauman

• Resulting epipolar geometry

Grauman

? היום ראינו מה אז

סיכום

סטראו • מערכת של אנטומיהאפיפולרית • גיאומטריה

– , האפיפולרי, המישור האפיפולרי הישר האפיפול

• ' , מע וכיול היסודית ההכרחית המטריצהסטראו

יסודית: המטריצה שיר !לסיכום

The Fundamental Matrix Song

שקפים מקורות

• , על מבוססים רבים שקפים שצוין כל מלבד: של אלו

–B. Leibe–K. Grauman– D. Low–S. Lazebnik–A. Torralba–T. Darrell