[00:06] стереовидение – то, о чем Марко вспоминал суть в том, что вообще невозможно 3D-мира только по одному изображением. И это
[00:20] неоднозначностью 3D- перспективного обсудим разные способы восстановления видите некоторые разделы, из которых взят этот
[00:32] материал. Итак, стереовидение Первый – это слияние признаков, полученных глазами. А второй – это реконструкция
[00:44] ключевая проблема здесь — это, собственно, проблема соответствия. Имея наблюдение P и P- соответственно, как нам узнать, что они
[00:56] той же 3D-точке P? отвечают одна одной и принадлежат к помочь нам, существуют несколько
[01:10] использовать для упрощение первого шага. Например, ограничение подобия самое важное, эпиполярное ограничение
[01:23] это прямо сейчас. настраиваем две камеры на одну сцену, , что любой пиксель , который мы видим в
[01:38] должны видеть и в другой. Действительно, ограничены соответствующей эпиполярной линией,
[01:51] способов создания 3D- информации по 2D- изображений. Итак, давайте разберемся, фундаментальное изображение, которое мы
[02:03] какое вам следует помнить, когда вы думаете о 3D-видении или стереовидение. Или штрих, являются плоскостями
[02:15] изображение. Точки O и O-штрих – это центры определенной фокусной расстояния позади них. А точка P – это 3D-точка перед камерами, которую
[02:27] захватили на своих изображениях. Итак, на P соответствует точке p, а справа на плоскости соответствует точке p- штрих. Следовательно, это
[02:45] координаты мира, ну, точка на картинке. точка на картинке. в частности, это что-то очень важное, о чем мы
[02:57] речь идет об эпиполе, или, знаете, давайте это такое. Итак, когда у вас есть два, гм, на одну и ту же стену. Итак, базовая
[03:10] камеры к центру другой, будет проходить если нет, она будет проходить сквозь но об этом мы поговорим позже.
[03:23] общий случай. Так что точка, в которой эта изображение, называется эпиполем . Следовательно, будет эпиполь для изображения слева,
[03:36] дело, которое E штрих. соответствующую точку на изображении, если изображение, мы называем эту линию
[03:51] эпиполярной линии. терминология здесь. А плоскость, определенная O штрих и капитальной P, называется
[04:03] эпиполярной плоскостью . Итак, когда я намекал эпиполярное ограничение для определения того, соответствует точке на другом, которые потом
[04:18] происходит следующее: как вы точка изображения P, что соответствует точке P изображении, эта точка должна лежать где-то
[04:30] на эпиполярной линии. эпиполярной плоскости, а эпиполярная плоскость этой эпиполярной линии. Следовательно, это
[04:43] будем работать для получение 3D- изображений. сказать что-то еще о это. Нет. Другое. Единственное, что
[04:55] ограничение, оно на самом деле очень соответствия между двумя изображениями, возможно, делал бы наивный метод, мы
[05:07] вдоль этой линии. Следовательно, это сокращает наш пространства до только 1D, что гораздо быстрее. точками изображения одна может быть немного
[05:19] общий случай. базы не обязательно должно быть...ну, это все одно изображение находится далеко
[05:31] вы знаете, между ними двумя, и они могут угодно. Да. Есть ли еще вопрос по этой используете для поиска Как найти эту
[05:45] -штрих. Ну, единственное, что вы находятся и P, и P- штрих, потому что у вас есть , знаете, сами имеем эти два изображения в
[05:57] располагает . Итак, мы знаем и P, и определить капитальное P. Это, собственно, и есть главной целью стереозора. Да. Так что
[06:10] это наша схема камеры, мы знаем линию базы, которые нам известны. Мы знаем линию базы с поговорим об этом позже, но мы также
[06:22] настраивали камеру . Так что мы можем как-то но как узнать, что они отвечают нужно. Ну, это помогает нам
[06:35] что нам просто нужно искать на вернемся к этому позже в этой лекции. Только для P, это маленькое P.
[06:47] штрих. но если подумать, совпадение для P, то есть мы
[06:59] которая соответствует P. Когда мы говорим "отвечает той же 3D-точке. Итак, мы ищем здесь P- лежать на L-штрих. И да, P...Итак, есть другая
[07:13] трансформацию от нуля-штрих к P, и это называется линией.
[07:26] Я...наверное, я...Что такое потенциальное совпадение для потенциальное совпадение означает, что мы которая соответствует той самой 3D-точке, что и P.
[07:39] как мы проводим эти две линии: от P до изображение. изображении P-штрих является местом, где лежит
[07:51] здесь это P. Для левого изображение. Так когда потенциальное совпадение для P, мы фактически говорим, что ищем ту самую точку P-штрих. Ладно,
[08:07] это может выглядеть, отвечая на ваше находим? Если мы знаем, ой, если мы опять же, мы поговорим об этом, мы
[08:19] Это как: у вас еще нет P- штрих, так как вы пытаетесь... перейдем к этому. Сейчас мы просто даем
[08:32] мы углубимся в это. Мы перейдем к этому общий обзор, если у нас есть L и L-штрих, хотим найти P-штрих, то мы можем, как я
[08:44] искать вдоль этой линии, что намного по всему изображению. более подробно. Но мы не знаем, что
[08:56] штрих, используя L- Да, помните о это, двигаясь дальше. Ладно, давайте выведем, как мы
[09:08] ограничение, исходя просто с этой просто с этой геометрии. Мы знаем, , O-штрих и большой P формируют плоскость, которая
[09:20] нас интересует – это эпиполярную плоскость. И и P-штрих лежат на этой плоскости, мы трех точек, то есть эти три линии – базовая
[09:35] или O-штрих P-штрих и OP – должны быть компланарными. Они все должны лежать на этой эпиполярной плоскости. Математически
[09:47] : вектор, образованный точками O и P, должно быть нормального вектора плоскости, который можно произведения других двух имеющихся у нас
[09:59] имеющихся у нас векторов. Итак, стоит нужно найти векторное произведение
[10:12] в виде матрицы для одного из векторов, как одного из векторов, как показано далее. Это
[10:24] упрощающий прием дальнейшие матричные векторное произведение можно записать как умножение матрицы на вектор. Так что просто
[10:37] слайды будут у вас для справки, или они как мы можем это вывести? Продолжаем эпиполярного ограничение. Если
[10:49] отсчета совпадает с первой камерой, это начальную систему отсчета именно там. Гм. отсчета именно там. Гм.
[11:02] превращений мы видим, что эпиполярное транспонированное на матрицу F, о которой мы штрих равен нулю.
[11:16] непосредственная запись этого ограничения. Мы ограничение, но определяем несколько терминов иначе. Здесь строчная буква P
[11:29] считаем, что мировой начало координат все рассматривается относительно левого относительно левого изображение. Следовательно, P—
[11:41] к P, а P штрих – это вектор от O до P штрих штрих. Помните, что мы рассматриваем все из этой перспективы.
[11:57] мерой похожа векторной матрицы нескольких других поворотов и параллельных переносов. Ведь
[12:09] и параллельные переносы от первой камеры ко второй. появляются те же переносы и повороты,
[12:22] параметры камер, которые вы знаете, поскольку ваши камеры уже откалиброван. Итак, F. F называют фундаментальной
[12:34] называется фундаментальной, матрицы можно узнать все о двух изображение одной сцены. И вот, в частности,
[12:47] то, что нас интересует: эпиполярные линии? Что же, если у нас есть эта поговорим о том, как ее получить позже.
[13:03] матрица, можно просто сказать, что матрица, умноженная на соответствующую точку помните, что для эпиполярной линии
[13:15] точка на картинке. И потому, если вы знаете она определена на левом изображении. Мы изображение, которое определена на другом
[13:28] смысл, и именно поэтому здесь нарисованы эти три нарисованы эти три красные линии. Если изображение P, скажем, P'', на этом правом
[13:40] вдоль этой эпиполярной линии, красных линий, то она будет изображении.
[13:54] будет отвечать той самой точке. Возможно, Извините, я забыл, что матрица – это обращенная транспонированная обратная, или
[14:06] это одно и то же. левом изображении по точкой на правом. И вы хотите найти эпиполярную линию на
[14:21] вы можете сделать это, просто фундаментальную матрицу. Еще одна очень следует помнить: матрица F на самом деле есть
[14:34] сингулярной. Она не является обратимой. И почему мы это знаем сразу? найти эпиполярную линию, отвечающую
[14:46] туда любую точку изображение. Если вы отвечает самому эпиполя, вы ничего не
[14:58] сводится к одной точки. Это уже не линия отразить ее на другое изображение, то используете для этого фундаментального
[15:10] получаете ноль, это означает, что она имеет нулевое пространство, вы знаете, что она не есть знаете, что она не есть обратимой. Еще одна
[15:22] о F: это матрица 3 на 3, которая содержит девять нужно найти только семь, потому что существуют другие помогают найти остальные два. И опять же
[15:36] об этом подробнее несколько минут. Как мы фундаментальной матрицы заключается в эпиполярные линии, просто и быстро.
[15:51] Имея определенную точку слева. Итак, если у нас есть точка на левом изображении, а мы хотим ее найти, что нам делать? Мы
[16:07] матрицу, это дает нам линию на правом мы буквально ищем вдоль этой линии, соответствие. Мы поговорим о том, как
[16:20] вопрос раньше, какой касалось именно отвечает на ваше вопросы. Да,
[16:36] На самом деле нет никакого предположения отсутствия шума, потому что в компьютерном заре попиксельного сравнение. Даже
[16:50] идеальное изображение, прямое попиксельное я смотрю, например, на эту статую, и одна повернута, видя, скажем, правая сторона
[17:02] прямое сопоставление пикселей не сработает , прежде всего, нам нужно сделать шума не должно быть большой проблемой.
[17:14] Если многовато – будет сложнее. Ладно. Итак, еще одна интересная вещь, которую стоит , что мы используем эту
[17:29] определяется этой 3D- точкой, но действительно матрицы – это то, что здесь нет ни одного упоминания нужно находить 3D- точку, чтобы найти
[17:41] другому изображению. Так что это очень важно, нет проблемы курицы и яйца. Потому что мы можем никакой потребности в капитальном P. Затем
[17:53] изображении, на правом изображении. Теперь у нас есть P-штрих и P, тогда мы можем найти капитальное P. Следовательно, нет ни одной
[18:05] яйца типа: "О, чтобы найти 3D-точку, нужно это F, а затем делать что угодно". Итак, как
[18:17] фундаментальную матрицу? Это еще одно эта матрица удивительна, но как нам ее Итак, первый вопрос: или вообще возможно
[18:29] только два изображения одной сцены, не внешних параметров ? Ибо помните, я допустим, мы не можем их измерить.
[18:42] или Google Images, скажем, Колизея в Риме или разных точек зрения. Можем ли мы возможно, если у нас есть достаточное количество
[18:55] между двумя изображениями. И хочет рассмотрим здесь довольно простой. Он будет достаточно понятной. Итак, мы
[19:12] что фундаментальная матрица удовлетворяет все это время для всех пар подходящих пар подходящих точек. Итак,
[19:25] в этой однородной форме, где U и V – это на левом изображении, а U штрих и V штрих правом изображении.
[19:41] транспонируемое FP = 0 здесь справа, где мы ну, неопределенными, поскольку мы их сейчас просто оставим их как символьные переменные. И
[19:59] если вы распишете форму того, что вы квадратичной формы, вы сможете переписать ее линейно. Потому что, ну,
[20:13] посмотреть. Если вы возьмете U умножить плюс все остальные члены, то увидите, что если скобки, мы сможем записать эту линейную
[20:26] если мы имеем эту линейную форму, это набора соответствий, одной пары соответствий. Если
[20:38] , вы можете полностью определить матрицу F. А самых маленьких квадратов. легко решать задачи самых маленьких
[20:51] задачи самых маленьких квадратов. Итак, W – это, известных соответствий. И даже если у нас есть все эти разные члены,
[21:05] неоднозначность. решаем эту задачу наименьших квадратов,
[21:17] что норма изученных значений F равно значений F равно единицы. Это решает по этой девятой точки. Это называется
[21:31] девять значений. Поэтому нам на самом деле фундаментальную матрицу можно нормально, если у вас
[21:43] так, чтобы больше всего значение было девятое значение было единицей. Итак, хотя
[21:56] удовлетворяет эпиполярное ограничение также важно обеспечить, в нуль при умножении на фундаментальную
[22:08] матрицу. Так, в частности, мы будем ограничение ранга за с помощью SVD. Не очень понимали все тонкости, но просто знайте, что
[22:22] решение задачи сводится к методу для нормы Фробениуса матрицы при условии, что она невырожденная.
[22:39] использовании обычного метода приближенной фундаментальной отсутствия этого свойства
[22:51] сингулярности по с помощью SVD. Теперь,
[23:03] матрицу, мы можем переходить между этими находя эпиполярные линии на обоих, что может поиска вдоль этих линий. Что ж, проблема,
[23:28] с которой вы сталкиваетесь, заключается в том, то есть, я стараюсь понять, есть ли какая-нибудь существенная разница? Это действительно зависит от
[23:43] которую вы имеете перед собой, и оттого, ваши соответствия. Но на самом деле невырожденной, потому что если это не так, то ваши
[23:55] друг на друга, а это означает две базовые . Это очень странно ситуация. Поэтому, отличаются, концептуально очень
[24:11] важно исправить эту условие. Ладно. Итак, есть ли у кого-то еще вопрос? Да. Да,
[24:30] способ, которым вы это узнаете – к сожалению, смотрим на два изображение и просто, кто-то другой. Кто-то, кто пытается
[24:43] проблему для нас. Вы выбираете точки и эта точка соответствует этой точке". И есть щелкаете на другом и обозначаете, что эти две
[24:55] фактически нужно предоставить эти начальные , эм, честно говоря, это один из способов сделать это. Другой способ, другой способ
[25:07] двумерного поиска на изображении, не думаете: «Хорошо, я хочу найти эту точку просканировать все второе изображение,
[25:19] отвечают одна одной с помощью , визуальной метрики подобия, а затем для других точек. Но, опять же, это может
[25:31] быть шумным. Да. Следовательно, является ли эта F устойчивой, настроены одинаково , зависит ли она от вопросы. Как мы видели раньше, F
[25:43] слагаемых. Итак, если ваши камеры, физически то ваши K одинаковы. Это отлично. Но это именно Да, они должны быть настроены одинаково
[25:55] измените трансляцию или поворот, то F актуальна только для конкретного момент времени.
[26:11] Да. объяснить, почему F должно быть сингулярной? О, да, F должно быть сингулярной, потому что
[26:23] отображаться в нуль. найти подходящую эпиполярную линию, другого изображения, вы должны получить
[26:37] этого, правильно? И что это значит? Это непустой ноль- пространство. Возможно, вы возможно, и нет. Но эта важное свойство
[26:50] Если у вас есть непустой ноль- не обратима.
[27:14] можете ли вы, можете ли вы объяснить...Мы,
[27:31] поговорить об этом. Да. Да, да. Мы о вещах вроде экстремального Запомните это вопросы. Есть ли еще
[27:43] матрицу и ее оценивание? Прекрасно. оценивание? Прекрасно. такое, что... Ну, хорошо. Если у нас есть такая
[27:56] где эпиполярные линии... Ну, они могут быть линии на другом вдоль диагональной линии в пространстве
[28:08] неудобный, ведь если задуматься, что такое двухмерная матрица, а следовательно, она дискретна. дискретная. Вы имеете конкретные пиксели.
[28:20] вдоль этой диагональной линии, нет, и проходить через их, скажем, на 40% другого, то с этим очень неудобно работать, и
[28:32] компьютерной звезды. параллельными изображениями, где между но может быть смещение. И это просто
[28:46] ваши эпиполярные линии горизонтальные. круто. Что это значит? Это значит, что мы одной конкретной координаты Мы знаем
[28:58] здесь, вы знаете, что все, что вам нужно одного конкретного строки изображения на вычислительном плане. И это, да, в
[29:11] одной из двух фундаментальных проблем, о которых мы говорили раньше. Итак возможно, если у нас есть два изображения, которые
[29:26] их как-то выровнять да, чтобы у них гм, или горизонтальные эпиполярные линии? эпиполярные линии?
[29:38] разработали именно так. Но в основном, что вы есть вращение и смещение между двумя изображениями, которые они создают, вы
[29:50] кажется, это называется Но это не имеет значение. Вы можете превращение одного или обоих изображений,
[30:04] оба стали параллельными видами параллельными видами одной сцены. Вы, изображение, но это просто то, с чем нам
[30:17] приходится мириться. на слайдах, но в основном большинство
[30:31] размещают камеры рядом, потому что тогда с просто говорим в общем, знаете, с способов, помощью которого с
[30:43] можно получить вычислительно удобны выровненные изображения . Но да, это именно то, делается на практике.
[31:00] того, что мы делаем и что мы решаем. У нас слияние признаков, которые мы наблюдаем за установкой соответствия. То есть
[31:13] совпадает с другой точкой. А потом мы на самом деле реконструировать сцену реконструировать сцену , которую мы сняли в 3D. И
[31:28] решить эту проблему соответствия, нам совпадают, то есть мы должны найти , соответствующие P. Это еще один вопрос, который
[31:40] еще один вопрос, который возникало раньше. И есть этого использовать. анализа областей Или алгоритмы обычно
[31:52] как показано здесь, на одном изображении, а наиболее похож фрагмент на другом. И с помощью определенной метрики визуальной
[32:04] зависит от вас как от разработчика. Но изображение, о получение которого мы фрагмент на одном изображении, я могу
[32:19] самая строка и увидеть, найду ли я увидеть, найду ли я схожий фрагмент. Итак установка соответствия на
[32:33] заключается в том, что он достаточно плотный. Это фактически покрыть все изображения точками, поскольку вы смотрите не только на отдельный
[32:46] пиксель. Это было бы очень тяжело сопоставить. контекст вокруг него. Итак, вы можете изображении с участком на другом.
[32:58] Проблема в том, что в областях, где если вы сфотографируете эту изображение этой не имеющей доски
[33:10] методы, основанные на областях, могут не сработать. И потому вся эта плотная, вся эта соответствие, которое вы хотите получить,
[33:22] фактически теряется . Так что другим методы, основанные на признакам. Эти алгоритмы заметные признаки на изображениях, а затем
[33:37] сопоставить их между собой. Когда я говорю « имею в виду точки на изображении, для которых они устойчивы, скажем, к смене освещения,
[33:51] поворота, масштаба и т.д. Существует много Возможно, вы слышали о некоторые из них, , вы уже слышали этот термин: SURF, ORB. Это
[34:08] находят признаки, устойчивы к изменению ориентации, поворота и т.д. Проблема или, основе признаков заключается в том, что они больше
[34:23] изображение без текстуры, которые вы быть легче найти соответствия. такого хорошего
[34:35] получить хорошее совпадение найдете меньше точек. более разреженная карта глубины. А
[34:48] интерполировать, и под время этого могут возникнуть ошибки.
[35:00] точки, сопоставленные между ими с помощью попробовать решить задачу реальном мире, основываясь на том, что
[35:12] на этих двух изображениях. Следовательно, это триангуляции. Это то, с чем вы уже сталкивались подобные треугольники, чтобы определить, на
[35:27] камеры, по крайней мере теоретически. И способ, определение понятия под названием диспаратность. Итак, диспаратность – это
[35:40] точки на одном изображении и другой точки на другом изображении. И
[35:52] показываем вам соответствующую формулу треугольники, диспаратность, которая обратно пропорциональна расстояния z от точки P
[36:05] к плоскости изображение. И она базисном расстоянии B. Мы еще поговорим о
[36:17] разное расположение камер –далеко одна работе с 3D- реконструкцией. Так что
[36:30] использовать для вычисление глубины расстояния, которое мы знаем, а также этой сопоставление точек на разных изображениях.
[36:42] раньше, существуют определенные свойства в зависимости от размера базиса можете достаточно хорошо различать объекты,
[36:57] позволит лучше определять удаленные определять удаленные точки. Проблема в далеко друг от друга , то точки, которые вы
[37:11] быть невидимыми на другому. Так что вы слишком большую расстояние между расположены очень около друг к другу
[37:24] поскольку почти все точки одного Проблема в том, что у вас будет велика Ваши значения диспаратности будут
[37:37] для точек, что находятся Гм, когда вы исправляете два параллельными одна одной, что происходит с
[37:49] Так что она тогда тоже становится другой. становится другой. сути, просто корректируете поворот
[38:04] так, чтобы они стали параллельными. Это потому начала координат по плоскостью изображения она стала параллельной другой.
[38:19] случае вы вернули обе. Но да. Итак. Да, отвечает ли это на ваш вопрос? на ваш вопрос?
[38:35] если бы это изменило вашу фокусное расстояние...Я просто потому, что все другие свойства на самом деле делает, - это изменяет матрицу
[38:49] они ориентированы друг относительно друга. друг относительно друга. выполнение этого процесса триангуляции
[39:01] картой диспаратности . Название точное, диспаратности для нее создание. Но, по выглядит как дело, где вы можете
[39:14] точки были ближе к камеры, а темнее камеры, а темнее дальше. В основном, вычислить диспаратность-
[39:28] одной точки на изображениях, а также вычислить глубину.
[39:41] кажется, что нам может быть немного сложно, создать достаточно надежную 3D- реконструкция сцены.
[39:54] мы получили хорошую 3D- реконструкцию, однако участки. И это немного удивительно. Что это за черные имеем некоторые точки, для которых не можем
[40:06] информации? Что ж, первый ответ – и мы левой стороны – состоит в том, что есть точки на сопоставить с другим, потому что камера их просто не
[40:20] видит. А другие – это, собственно, окклюзии. И это компьютерном звезде: когда объекты И потому они вроде, они почти образуют такие
[40:33] подразумевает, что с точки зрения компьютерного примерно так же. что перекрывает другой за ним. Итак, Итак,
[40:49] когда у нас есть две камеры и одна сцена, общие повороты и т.д. А что если у нас есть и т.д. А что если у нас есть
[41:02] сделать еще лучше? Или напротив, что, как у нас есть камера двигается сквозь сцену? Потому что да, иметь две камеры— это здорово. А что, если
[41:14] только одну камеру, а потом просто двигать хотите отсканировать? Если подумать, если может быть, если вы делайте снимки каждую
[41:26] перемещаете эту одну камеру, это как будто у вас просто размещены по- разном в сцене. Итак, решаем проблему того, как восстановить
[41:40] изображения сцены. структуры, когда, по- первое, относительное перемещаю камеру, я
[41:54] Трансляция. Особенно потому, что я человек и просто двигаю ее. Гм, следовательно, допустим, у трансформациями MK между ними. Следовательно, это
[42:07] так и внешние параметры камеры. внутренние – это разные, гм, фокусное расстояние, изучили прошлого раза. А внешние – это
[42:19] поворот и трансляция какие мы хотим реконструировать. И
[42:33] структуру сцены, то есть эти 3D-точки, да в частности, эти проекционные матрицы MK, которые мы также хотим найти. Итак, первое,
[42:49] в структуре движения на самом деле невозможно восстановить масштаб сцены. Итак, проблема, допустим, у нас есть какой-то большой куб, я
[43:03] перемещаю ее на другой сторону и делать снимок. Это так же, словно у меня есть меньший куб, я ставлю к нему и выполняю ту самую...ну, не совсем ту
[43:18] самую, но подобную трансформацию. Итак, восстановить абсолютный масштаб. Интуитивно перспективной проекции, через которую
[43:32] мир. Так что видим размер объектов расстояния до камеры. Но проблема в том, какой вдвое дальше, то он будет выглядеть так
[43:44] же размера, но вдвое более близкий. Или меньше, но вдвое ближе. будет правильной с точностью до подобной
[43:56] означает поворот, перенос и абсолютном смысле была сконструирована была сконструирована стена. Итак, на
[44:09] углубляться в то, как именно решить structure from motion), существует алгебраический подход, продолжает то, что мы делали раньше, где вы
[44:22] матрицы между двумя изображениями для решение задачи SFM. Вы можете сначала помощью восьмиточечный
[44:36] уже рассматривали раньше. А потом вы проективных матриц камер. После этого вы определить мировые координаты точек. И
[44:50] теперь Итак, по сути, вы можете камер для выполнения триангуляции. Вы работать с парами изображений. И тогда это,
[45:02] задачу стереозора. Вы просто будто камеры. Ну, вы их не игнорируете. Просто вы получить 3D точки.
[45:14] изображение, получаете 3D-точки, получаете точки и т.д. . Теперь есть другой, и я бы более популярный метод, который называется «
[45:26] adjustment – ​​это нелинейный вычислительно это сложнее, но получаете, значительно лучшие. И это действительно
[45:38] структуры по движению, для решение задачи Итак, принцип работы коррекции пучка в том конкретно, задача оптимизации заключается
[45:51] перепроекции. считаю, что 3D-точка спроектировать ее обратно в камеру.
[46:03] от фактически наблюдаемой способ, и причина, почему это называется если вы проведете много таких
[46:15] плоскости изображения камеры, это корректируете эти пучки линий. Гм. Итак, по
[46:28] пучка достаточно похож на метод который мы говорили. действительно дает лучшую производительность. Итак,
[46:42] структуры по движению, которое очень полезно в так называемая визуально одометрия. Итак, движения работа или транспортного средства
[46:56] визуальных входных данных. И в частности, визуальной одометрии - это простая итерация движения по двум видам, где вы берете два вида
[47:11] весь подход SFM, делаете это снова, восстанавливаете используете эти R и T для своей одометрии. T для своей одометрии.
[47:23] другое, знаете, реконструкция 3D. Ее локализация его движения в сцене. Гм, но увидеть результаты, что также показывают 3D-
[47:37] издают следующие методы. кто-то может угадать, где было использовано одометрии, или кто-то узнает ли его? Это на
[47:55] Марси. Итак, марсоходы на самом деле и компьютерное зрение для собственной для собственной локализации. И что в
[48:07] подумаете о том, ну, кто здесь из факультета? Э, достаточно хорошо. людей. Скажу сразу: Марс чуть-чуть похож на
[48:20] пустыню. А пустыни достаточно однообразны, компьютерным зрением. Но отлично то, что видите какие-то камни или что-то подобное, а это
[48:32] достаточно много информации. Собственно, вам изображение с камеры марсохода. Вот -это где эти точки были в предыдущем кадре,
[48:47] а красные – где они сейчас. Итак, вы видите по крайней мере, как марсоход продвинулся этих пикселей потянулся назад.
[49:00] Наверное, красный – это где они были, да. где они сейчас. Вот так пиксели будто сместились назад.
[49:15] я хотел сказать о 3D- реконструкцию. А методы компьютерного зрения, в частности те, что изображений и применение к ним
[49:27] разных операций. Или как можно выполнить что-то вроде images? That's all for today.