La méthode de calcul de cartes de disparité incomplètes présenté en cours [1] a l’avantage de fournir un certain nombre de correspondances sures (avec un faible nombre de fausses correspondances), et ceci sans paramètre de régularisation à régler. Néanmoins il reste des points sur lesquels cette méthode ne donne aucune information de profondeur.
Les méthodes stéréoscopiques basées sur une minimisation d’énergie, et en particulier ceux basés sur les graph-cuts [2] donnent une carte dense, même si le paramètre de régularisation reste à régler à la main.
L’objectif de ce projet est d’étudier une combinaison des deux méthodes afin de donner une carte dense, avec un maximum de points surs, et sans paramètre de régularisation à régler.
Optionnellement on étudiera les problèmes liés au phénomène d’adhérence et ses possibles solutions.
Programmation
Matlab & C++
Encadrement
A. Almansa & F. Tupin
Références
[1] N. Sabater, A. Almansa and J.-M. Morel, Meaningful Matches in Stereovision, IEEE Transactions on Pattern Analysis and Machine Intelligence, October 2011, vol. 99, n° Preprints, pp. 1-12 [PDF] [HAL] [online demo] [source].
[2] Hiroshi Ishikawa, Exact Optimization of Markov Random Fields with Convex Priors, IEEE Transactions on Pattern Analysis and Machine Intelligence, October 2003, vol 25, nro 10. [PDF]