Sistema de mapa de profundidad enfocado en determinación de distancias

Camilo Pardo-Beainy; Edgar Gutiérrez-Cáceres

doi:10.24054/rcta.v2i40.2343

Autores/as

Camilo Pardo-Beainy Universidad Santo Tomás https://orcid.org/0000-0003-0012-3679
Edgar Gutiérrez-Cáceres Universidad Santo Tomás https://orcid.org/0000-0001-6729-7353

DOI:

https://doi.org/10.24054/rcta.v2i40.2343

Palabras clave:

Mapas de Profundidad, Luz Estructurada, Medición de Distancia, Visión por Computador, Geometría Computacional

Resumen

Este trabajo tiene como objetivo el Desarrollo de un Sistema de Generación de Mapas de Profundidad, orientado a la determinación de distancias. Donde se realiza un proceso de exploración de los métodos de Visión Artificial y Luz Estructurada, para obtener el mapa de profundidad de una determinada escena. Ya que mediante este mapa se pueden extraer los datos de localización 3D de los objetos presentes en la escena. El trabajo aborda el problema de la estimación de las distancias 3D mediante la generación del Mapa de Profundidad, presentando así una herramienta para el desarrollo de futuras aplicaciones, como sistemas de clasificación, reconstrucción de superficies, impresión y reconocimiento 3D, entre otras. El desarrollo algorítmico se realiza a través del Software Matlab. Cabe destacar que el trabajo se centra específicamente en el proceso de determinación de distancias sobre una escena fija en condiciones de iluminación controlada, y no en variaciones lumínicas de la escena o entornos en movimiento. Con el Desarrollo planteado, el Sistema presenta una buena respuesta en escenas que tienen variaciones de profundidad entre 540mm to 640mm, presentando errores de menos del 5.5% en el rango mencionado.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Akleman, E., Xing, Q., Garigipati, P., Taubin, G., Chen, J., & Hu, S. (2015). Special Section on Expressive Graphics Hamiltonian cycle art: Surface covering wire sculptures and duotone surfaces. Computers and Graphics, 37, 316–332. https://doi.org/10.1016/j.cag.2013.01.004

Andaló, F. A., Taubin, G., & Goldenstein, S. (2015). Efficient height measurements in single images based on the detection of vanishing points. Computer Vision and Image Understanding, 138, 51–60. https://doi.org/10.1016/j.cviu.2015.03.017

Avendano, J., Ramos, P. J. J., & Prieto, F. A. A. (2017). A system for classifying vegetative structures on coffee branches based on videos recorded in the field by a mobile device. Expert Systems with Applications, 88, 178–192. https://doi.org/10.1016/j.eswa.2017.06.044

Bouguet, J.-Y. (n.d.). Camera Calibration Toolbox for Matlab. Retrieved October 4, 2018, from http://www.vision.caltech.edu/bouguetj/calib_doc/

Falcao, G., Hurtos, N., & Massich, J. (2008). Plane-based calibration of a projector-camera system.

Godin, G., Hébert, P., Masuda, T., & Taubin, G. (n.d.). Special issue on new advances in 3D imaging and modeling. Computer Vision and Image Understanding, 113, 1105–1106. https://doi.org/10.1016/j.cviu.2009.09.007

Herrero-Huerta, M., González-Aguilera, D., Rodriguez-Gonzalvez, P., & Hernández-López, D. (2015). Vineyard yield estimation by automatic 3D bunch modelling in field conditions. Computers and Electronics in Agriculture, 110, 17–26. https://doi.org/10.1016/j.compag.2014.10.003

Ivorra Martínez, E. (2015). Desarrollo de técnicas de visión hiperespectral y tridimensional para el sector agroalimentario. Universidad Politécnica de Valencia.

Lanman, D., Crispell, D., & Taubin, G. (2009). Surround structured lighting: 3-D scanning with orthographic illumination. Computer Vision and Image Understanding, 113, 1107–1117. https://doi.org/10.1016/j.cviu.2009.03.016

Lanman, D., Taubin, G. (2009). Build Your Own 3D Scanner 3D Photography for Beginners. Siggraph, 94. https://doi.org/10.1145/1665817.1665819

Maurice, X., Graebling, P., & Doignon, C. (2011). Epipolar Based Structured Light Pattern Design for 3-D Reconstruction of Moving Surfaces. IEEE International Conference on Robotics and Automation Shanghai International Conference Center May 9-13, 2011, Shanghai, China, 5301–5308.

Mera, C., Orozco-Alzate, M., Branch, J., & Mery, D. (2016). Automatic visual inspection: An approach with multi-instance learning. Computers in Industry, 83, 46–54. https://doi.org/10.1016/j.compind.2016.09.002

Montalto, A., Graziosi, S., Bordegoni, M., & Di Landro, L. (2016). An inspection system to master dimensional and technological variability of fashion-related products: A case study in the eyewear industry. https://doi.org/10.1016/j.compind.2016.09.007

Oh, J., Lee, C., Lee, S., Jung, S., Kim, D., & Lee, S. (2010). Development of a Structured-light Sensor Based Bin-Picking System Using ICP Algorithm. International Conference on Control, Automation and Systems 2010, Oct. 27-30, 2010 in Kintex, Gyeonggi-Do, Korea, 1673–1677.

Pardo-Beainy, C., Gutiérrez-Cáceres, E., Pardo, D., Medina, M., & Jiménez, F. (2020). Sistema de Interacción con Kinect Aplicado a Manipulación de Procesos. Revista Colombiana de Tecnologías de Avanzada (RCTA), Ed. Especial, 11–16. https://doi.org/10.24054/16927257.VESPECIAL.NESPECIAL.2020.849

Parmehr, E. G., Fraser, C. S., Zhang, C., & Leach, J. (2014). Automatic registration of optical imagery with 3D LiDAR data using statistical similarity. ISPRS Journal of Photogrammetry and Remote Sensing, 88, 28–40. https://doi.org/10.1016/j.isprsjprs.2013.11.015

Saiz Muñoz, M. (2010). Reconstrucción Tridimensional Mediante Visión Estéreo y Técnicas de Optimización. Universidad Pontificia Comillas.

Verdú, S., Ivorra, E., Sánchez, A. J., Girón, J., Barat, J. M., & Grau, R. (2013). Comparison of TOF and SL techniques for in-line measurement of food item volume using animal and vegetable tissues. Food Control, 33(1), 221–226.

Young, M., Beeson, E., Davis, J., Rusinkiewicz, S., & Ramamoorthi, R. (2007). Viewpoint-Coded Structured Light. 2007 IEEE Conference on Computer Vision and Pattern Recognition, 1–8. https://doi.org/10.1109/CVPR.2007.383292

Zeng, Q., Martin, R. R., Wang, L., Quinn, J. A., Sun, Y., & Tu, C. (2014). Region-based bas-relief generation from a single image. Graphical Models, 76, 140–151. https://doi.org/10.1016/j.gmod.2013.10.001

Zhao, Y., & Taubin, G. (2011). Chapter 31 - Real-Time Stereo on GPGPU Using Progressive Multiresolution Adaptive Windows. GPU Computing Gems, 473–495. https://doi.org/10.1016/B978-0-12-384988-5.00031-0