Efektivní RANSAC z nejednoznačných korespondencí

Abstract

V této bakalářské práci se věnujeme problému robustního odhadu dvoupohledové geometrie z mnohonásobných korespondencí. Způsoby, kterými se standardně získávají tentativní korespondence, zajištují, že se každý zájmový bod uplatní pouze v jediné potenciální korespondenci. Tyto konstrukce množiny potenciálních korespondencí, obvykle založené na testu poměru vzdáleností~\cite{Lowe2004}, nebo na vzájemné blízkosti~\cite{Matas2002} příznaků, přirozeně vyřazují potenciálně víceznačné korespondence.

Ukazujeme, že v některých typech scén, například ve scénách obsahujících opakované struktury, nesou mnohonásobné korespondence cenné informace, které mohou být využity pro vylepšení odhadu geometrie.

Navrhujeme čtyři nové varianty algoritmu \loransac, z nichž všechny využívají mnohonásobných korespondencí k tomu, aby v určitých situacích poskytly lepší výsledky než standardní \loransac.

Shromáždili jsme přes 50 dvojic fotografií ze standardních testovacích datových sad obohacených o naše vlastní snímky a využili je k otestování navrhovaných algoritmů a jejich porovnání se standardním algoritmem \loransac. Na základě výsledků těchto testů jsme potvrdili, že jeden z námi navrhovaných algoritmů překonává standardní \loransac a přitom v případech, které zvládá původní algoritmus řešit dobře, není výpočetně náročnější.In this bachelor thesis, we investigate the problem of robust two-view geometry estimation from many-to-many correspondences. In standard approaches, the construction of tentative correspondences ensures that each feature point participates in at most one potential correspondence. Such constructions, typically based on a distance ratio~\cite{Lowe2004} test or mutually nearest property~\cite{Matas2002}, naturally drops potentially ambiguous correspondences.

We show, that for certain types of scenes, such as those containing repeated structures, many-to-many correspondences contain valuable information that can be utilized in order to improve the geometry estimation.

Four new variants of the \loransac algorithm are proposed, each of them using the additional many-to-many correspondences in order to get better results than the standard algorithm in some scenarios.

We have collected more than 50 image pairs from standard benchmark datasets and our own photos and used them to test all of our proposed algorithms against the state-of-the-art \loransac. Based on the experimental results, we have concluded, that one of our proposed algorithms outperforms the standard \loransac, while not introducing any additional computational cost in the cases, when the original algorithm works well.