Méthode ED-Lines LSD MLSD MLSD (sans DGF) Bureau 1.4 (0.08) 3.8 (0.21) 5.2 (0.29) 5.4 (0.30) Lapin 1.2 (0.07) 4.0 (0.22) 5.7 (0.32) 6.7 (0.37) Plafond 0.4 (0.08) 2.4 (0.46) 3.2 (0.61) 5.5 (1.04) Colonnes 0.9 (0.17) 5.7 (1.08) 7.2 (1.37) ×
TABLE4.1 – Temps de calcul (en secondes) des différentes méthodes sur les images présentées à la Fig.4.16. Nous avons indiqué entre parenthèse le temps de calcul par Mpixel. Notons que le temps de calcul de MLSD sans filtrage dépasse les 10 minutes sur l’image Colonnes.
Enfin, nous pouvons remarquer que l’utilisation du filtre à gradient dense (DGF) permet d’éviter les cas limites où l’étape de fusion post-détection prend trop de temps (en particulier sur Colonnes où le temps de calcul dépasse les 10 min).
4.6
Application à la reconstruction 3D
Nous avons comparé les 3 détecteurs de segment (ED-Lines, LSD et MLSD) dans une op- tique de calibration. En effet, même si la comparaison peut sembler parfois évidente, il est gé- néralement difficile de juger si tel détecteur est meilleur qu’un autre sans introduire un biais subjectif. Comparer de telles méthodes dans une optique de calibration permet d’introduire une mesure plus objective car quantitative. Cependant, les résultats sont alors dépendants des mé- thodes d’appariement et de calibration utilisées ce qui empêche d’obtenir un classement parfait des détecteurs. Notons que nous avons utilisé les implémentations originales des différents au- teurs pour chacune des méthodes.
4.6.1 Calibration bifocale
Pour la calibration, nous avons utilisé des méthode état-de-l’art pour l’appariement des seg- ments [84] et pour la calibration bifocale à partir de segments [69]. Nous avons alors comparé les erreurs de calibration sur deux jeux de données. Notons que seule l’erreur de rotation est fournie puisque les segments ne permettent pas de calculer la translation relative dans le cas bifocal.
Les données utilisées pour la comparaison proviennent de deux jeux de données :
• CastleP19 [73] : une série de 19 photos de la cour intérieure d’un château. Les images de la scène ont une résolution de 3072 × 2048 soit un peu plus de 5 Mpixels.
• Office [69] : une série de 8 photos d’un bureau. Les images de la scène ont une résolution de 5184 × 3456 soit un peu plus de 15 Mpixels.
Certaines images de ces jeux de données sont illustrées dans la Figure4.17.
Les résultats de calibration sont résumés sur les figures 4.18 et 4.19 et leurs moyennes dans le tableau4.2. Comme on peut le voir, les résultats sont assez similaires pour chacun des détecteurs en utilisant le dataset Castle P19. En effet, la scène présente de nombreux segments bien contrastés et relativement courts. De plus la résolution de la scène n’est que de 5 Mpixel. Les résultats obtenus sur le dataset Office sont un peu plus intéressants. Dans le cas du détecteur ED-Lines, les mauvaises détections peuvent entrainer un appariement particulièrement mauvais et donc une calibration incorrecte (paire 5-6). Le graphique des résultats montrent des résultats similaires pour chacun des détecteurs sur une la moitié des paires. Sur l’autre moitié par contre, LSD et ED-Lines montrent quelques écarts de précisions.
Castle P19 Office
FIGURE4.17 – Nous utilisons deux jeu de données pour la comparaison de calibration en fonc-
tion des détecteurs de segments. La série CastleP19 a une résolution de 5 Mpixel tandis que celle d’Office est de 15 Mpixel. La série Office a également moins de contraste et plus de bruit.
Dataset Méthode
LSD [19] ED-Lines [2] MLSD [68] Castle P19 [73] 0.79 1.06 0.91
Office [69] 1.77 8.00 1.27
TABLE4.2 – Erreur angulaire moyenne de rotation (en◦) pour les différents datasets. La dif- férence se fait plus sur les images de haute-résolution qu’en moyenne résolution où les résultats des différentes méthodes sont plus comparables.
Finalement MLSD ne permet pas d’obtenir une calibration vraiment plus précise que les autres méthodes mais obtient des résultats plus réguliers en particulier sur les images de haute- résolution. En détectant plus correctement les segments dans les images d’intérieur, l’apparie- ment est alors plus complet et correct permettant une calibration plus stable. MLSD permet donc un gain de robustesse dans une optique de calibration sans diminuer significativement la préci- sion. Ses atouts font donc de MLSD une méthode particulièrement adaptée à la calibration en intérieur.
4.6.2 Reconstruction 3D
Pour tester la fiabilité de la reconstruction indépendamment du processus de calibration, nous avons utilisé la vérité terrain de l’ensemble de données de Strecha et al. [73]. Nous avons reconstruit les lignes en 3D à partir des différents appariements et des positions réelles des caméras. Nous avons ensuite comparé la reconstruction 3D obtenue à celle fournie par le scanner laser. Pour cela, nous avons calculé le nombre de segments 3D en dessous d’une certaine distance
4.6–Application à la reconstruction 3D 63
FIGURE4.18 – Comparaison des qualités des détecteurs du point de vue de la calibration bifocale
sur la scène Castle.
FIGURE4.19 – Comparaison des qualités des détecteurs du point de vue de la calibration bifocale
sur la scène Office.
du nuage de points. Nous avons ainsi accès au nombre d’appariements corrects
Les résultats sont affichés dans le tableau4.3et les différentes reconstructions obtenues sont affichées dans les figures4.21 et4.22. Ces résultats combinent la précision des détections et la robustesse de l’appariement. En effet, une détection précise permettra une reconstruction du segment plus proche de la réalité à condition que l’appariement soit correct (dans le cas où
LSD ED-Lines MLSD
FIGURE4.20 – Comparaison des détections et appariements sur une scène d’Office.
l’appariement est faux, le segment reconstruit est généralement loin du nuage de points). On voit alors que les détections de MLSD, avec des extrémités plus stables d’une image à l’autre, permettent à la fois une détection plus précises et des appariements plus corrects ce qui rend la reconstruction de meilleure qualité.
Dataset Distance (m) ∞ 1 0.1 0.01 0.001 Herz-Jesu-P8 [73] LSD 752 246 (33 %) 214 (28 %) 174 (23 %) 118 (16 %) ED-Lines 856 309 (36 %) 244 (29 %) 172 (20 %) 97 (11 %) MLSD 505 357 (71 %) 287 (57 %) 230 (46 %) 137 (27 %) Fountain-P11 [73] LSD 1205 268 (22 %) 230 (19 %) 180 (15 %) 124 (10 %) ED-Lines 1225 319 (26 %) 267 (22 %) 177 (14 %) 97 (8 %) MLSD 879 372 (42 %) 297 (34 %) 214 (24 %) 140 (16 %) TABLE4.3 – Affichage du nombre d’appariements corrects en fonction de la distance du seg-
ment reconstruit au nuage de points. Les proportions d’appariements corrects sont indiqués entre parenthèses et les valeurs en gras représentent le nombre d’appariements le plus élevé pour une catégorie donnée. On remarque alors que MLSD fourni des segments beaucoup plus utiles dans une optique de reconstruction 3D.
4.6–Application à la reconstruction 3D 65
Scène MLSD
LSD ED-Lines
FIGURE4.21 – Reconstruction de la scène Fountain-P11 à partir de la vérité terrain et en fonc-
tion des différents détecteurs.
Scène MLSD
LSD ED-Lines
FIGURE4.22 – Reconstruction de la scène HerzJesu-P8 à partir de la vérité terrain et en fonction