Estimation de la matrice fondamentale

Comme nous l'avons vu en section 1.3, la matrice fondamentale contient l'information sur la géométrie épipolaire ainsi que les paramètres intrinsèques des deux caméras. Estimer cette ma- trice revient donc à identier l'ensemble des paramètres nécessaires à la connaissance complète de la géométrie du capteur à un facteur d'échelle près.

2.1. Etat de l'art Certaines méthodes d'évaluation de la matrice fondamentale considèrent la connaissance des in- trinsèques ([Longuet-Higgins, 1981]) et utilisent la méthode linéaire des huit points appariés dans deux vues (méthode décrite plus bas). Les méthodes, sans hypothèses particulières sur les intrin- sèques, utilisent le plus souvent les outils standards de la géométrie projective en appliquant des contraintes géométriques sur des primitives de l'image. La mire n'est plus utilisée au prot de recherches de correspondances de primitives entre les images. Ces correspondances peuvent être calculées automatiquement ou manuellement avec l'intervention d'un opérateur. Dans leur pa- pier, [Liu et al., 1990], retrouvent les positions des caméras à partir de six points ou huits lignes mis en correspondance dans son algorithme linéaire ou de trois points ou trois lignes dans la ver- sion non-linéaire. Dans [Faugeras et al., 1995] et [Lourakis et al., 1999], les auteurs démontrent la possibilité de reconstruire une scène 3D à un facteur d'échelle près. La méthode décrite dans [Luong et al., 1993] calibre automatiquement deux ou trois caméras. Les paramètres intrinsèques sont estimés à l'aide de la détermination de la matrice fondamentale ; trois déplacements permet- tant de trouver une solution aux équations de Kruppa qui conduisent à l'évaluation des éléments de la matrice fondamentale. Les paramètres extrinsèques en sont alors déduits.

Les principaux inconvénients de ces techniques résident dans la trop forte sensibité à la qualité des appariements des primitives. Les résultats de [Lourakis et al., 1999] montrent, par exemple, une erreur de vingt pixels sur l'estimation du point principal pour un bruit d'appariement de un pixel. L'utilisation de ces méthodes est donc rendue dicile et implique souvent l'intervention d'un tiers superviseur lors de la phase d'appariement. La calibration est alors dite semi-automatique. Comme nous l'avons vu en section 1.3, l'équation principale liant la matrice fondamentale aux projections de points dans les images est la suivante :

mt

2Fm1 = 0 (2.1)

La plupart des méthodes d'évaluation de la matrice fondamentale présentées dans la littérature comme [Luong et al., 1995] et [Boufama et al., 1995], se fondent sur cette dernière équation. D'après celle-ci, il est possible d'écrire les coecients de F sous forme linéaire :

ut if = 0 (2.2) où ui= (uiu0i, uivi, ui, viu0i, vivi0, vi, u0i, vi0, 1) et f =   F11 F12 F13 F21 F22 F23 F31 F32 F33  

Cette équation, vraie pour une paire de points appariés se généralise pour n-paires : Ut

nf = 0 (2.3)

où Un= [ui, ..., un]

L'estimation de la matrice fondamentale F = A−t

2 EA

−1

1 permet d'obtenir l'information sur

la géométrie épipolaire liée aux paramètres intrinsèques des deux caméras. Dans le cas d'une calibration de la transformation inter-caméra avec une connaissance préalable des intrinsèques, la matrice essentielle E se déduit simplement de l'expression de F. Par contre, lorsque la calibra- tion des caméras est inconnu il est nécessaire d'identier les Aipour retrouver E. [Hartley, 1993]

propose une méthode fondée sur l'algorithme de Levenberg-Marquardt pour retrouver la géomé- trie projective à un facteur d'échelle près. Un an plus tard, [Hartley, 1994] calcule les paramètres

Chapitre 2. Recalibration d'un capteur stéréoscopique

intrinsèques d'une caméra xe à l'aide de plusieurs images avec rotation de la caméra. L'au- teur explique qu'il est possible d'estimer les intrinsèques avec seulement deux images à l'aide de contraintes telles que (1) l'orthogonalité du plan image par rapport à l'axe optique et (2) des pixels carrés (αu = αv). [Ma, 1996] utilise une méthode d'estimation des intrinsèques à l'aide

de six translations pures et d'une optimisation linéaire.[Mohr et al., 1996] et [Hartley, 1997] in- troduisent alors le SVD15_{, technique de décomposition en valeurs singulières de la matrice fon-}

damentale dans le but de simplier les équations de Kruppa. [Lourakis et al., 1999] exploitent cette voie à l'aide de la contrainte de Huang-Faugeras and Trivedi pour trouver une solution plus robuste au bruit. Ils poursuivent dans [Lourakis et al., 2000] en proposant une technique d'estimation des paramètres intrinsèques lorsque ceux-ci sont variables.

Nous allons maintenant voir deux techniques d'évaluation de la matrice fondamentale basées sur l'équation 2.3.

Algorithme de Longuet-Higgins

Dans le cas de n paires de points mis en correspondance, la matrice Un de l'équation 2.3

correspond à une matrice de taille nx9. Pour éviter la solution triviale f = 0 on ajoute la contrainte F33 = 1, contrainte autorisée grâce au rang égal à deux de la matrice. On peut

aussi contraindre k f k= 1. De cette manière, 2.3 peut être résolue avec huit correspondances de primitives, d'où le nom donné par [Longuet-Higgins, 1981] d'algorithme des huit points. La résolution correspond à la minimisation sous contrainte suivante :

(

minfkUnf k2

k f k= 1 (2.4)

La solution de cette minimisation est donnée par le vecteur propre de la plus petite valeur propre de la matrice Ut

nUn.

L'utilisation de cette méthode a comme avantages la rapidité d'estimation de la matrice fon- damentale ainsi que le faible coût algorithmique (utilisation de seulement huit points ) permettant l'utilisation d'approches robustes du type RANSAC an d'éliminer les faux appariements dans les primitives 2D. Le principal défaut réside dans l'instabilité et la forte sensibilité au bruit ren- dant leurs utilisations diciles. De plus, l'ajout de l'évaluation des distorsions liées aux caméras en brise la linéarité.

Méthode non linéaire

Il est possible d'évaluer la matrice fondamentale F par une méthode d'estimation non linéaire. La minimisation porte alors sur la somme des carrés des distances d'un point à la droite épipolaire lui correspondant. 2.1 signie que m2 (point homoloque de m1 = (u, v, 1)t) se trouve sur la droite

épipolaire l0 m de paramètres :   l0₁ l0₂ l0₃  =   F11 F12 F13 F21 F22 F23 F31 F32 F33     u v 1   (2.5)

2.1. Etat de l'art La minimisation devra donc porter sur la distance suivante :

d(m2, l0_m) =

|m2tl0_m|

q

l₁02+ l₂02

(2.6) [Luong et al., 1995] considèrent simultanément la distance de m2 à la droite Fm1 ainsi que la

distance de m1à la droite Ftm2 de manière à reduire l'écart entre les deux géométries épipolaires.

De manière générale la minimisation pour n appariements s'écrit donc : X i (d2(m2i,Fm1i) + d2(m1i,Ftm2i)) (2.7) En utilisant 2.6 min F [ X i (m2itFm1i)2 (Fm1i)21+ (Fm1i)22 +X i (m1tiFtm2i)2 (Ft_m 2i)21+ (Ftm2i)22 ] (2.8)

Les techniques habituelles d'optimisation non linéaire telles que Gauss-Newton et Levenberg- Marquardt([Levenberg, 1944]) peuvent alors être appliquées.