ANALIZA PROJICIRANIH SLIKOVNIH VZORCEV ZA PRIDOBIVANJE GLOBINSKIH SLIKKRAVANJA, JAKA (Avtor) Dobrišek, Simon (Mentor) Štruc, Vitomir (Komentor) Zajemanje globinskih sliktriangulacijastrukturirana osvetlitevverjetnostni grafični modelipovratne nevronske mrežeLSTMTema te disertacije je označevanje ujemajočih se parov vzorcev za pridobivanje globinskih slik v zunanjem okolju s pomočjo aktivne strukturirane osvetlitve. Največji problem, s katerim se soočamo pri zajemanju globinskih slik na prostem, so močna osvetlitev ozadja (sonce, drugi svetlobni viri) in motnje drugih podobnih sistemov, ki delujejo na istem območju, ali pa namerne motnje sistema. V delu je predstavljen sistem, ki uporablja poseben, sinhroniziran zajem slike projiciranega vzorca, s katerim odpravi večino motenj in neželene osvetlitve ozadja, s čimer pridobi želeno sliko projiciranega vzorca na prizoru. Pri metodah pridobivanja slike s strukturirano osvetlitvijo je ključni problem določitev ujemajočih se parov točk projiciranega vzorca in točk na zajeti sliki, ki pripadajo projiciranemu vzorcu. Podobni sistemi uporabljajo posebne projekcijske vzorce ali celo barve in s tem olajšajo problem iskanja parov. V tem delu se osredotočimo na iskanje parov z uporabo preprostega enobarvnega vzorca (ena valovna dolžina projicirane svetlobe), ki je sestavljen iz vzporednih premic. Uporaba takega vzorca omogoča uporabo zelo preprostega projektorja vzorcev (laser s posebno lečo, ki žarek razprši v vzporedne premice), uporaba samo ene valovne dolžine svetlobe pa omogoča uporabo ozkopasovnih optičnih filtrov na kameri, ki zajema sliko. S tem se že izloči večina motenj. Pridobljena slika vsebuje projekcijski vzorec na opazovanem prizoru, ki ga je treba izluščiti iz slike in točkam na vzorcu dodeliti oznake oziroma pare, ki so pripadajoče točke na projiciranem vzorcu. V tem delu je predstavljena rešitev, ki ta problem rešuje z uporabo verjetnostnih grafičnih modelov. Predlagamo novo metodo, ki upošteva večje število zaporednih slik, in predstavimo vpliv števila slik na točnost označevanja projiciranih vzorcev. Zaznani projicirani vzorec na sliki razdelimo na večje število rojev slikovnih točk in vsakemu roju dodelimo naključno spremenljivko. Vsi roji slikovnih točk (naključnih spremenljivk) povežemo v verjetnostni grafični model. Naključne spremenljivke, ki pripadajo sosednjim rojem slikovnih točk, uporabimo za izgradnjo faktorjev, s katerimi modeliramo soodvisnost sosednjih naključnih spremenljivk. Upoštevamo soodvisnosti v vodoravni in navpični smeri, vključimo pa še informacijo zaporednih slik, tako da določimo faktorje med prekrivajočimi se roji slikovnih točk v zaporednih slikah na istem položaju na sliki. Izkaže se, da upoštevanje te informacije iz zaporednih slik pomaga pri določevanju oznak rojev slikovnih točk. Kljub specializiranemu senzorju, ki odpravi večino motenj, se lahko v sliki pojavijo slikovni elementi (roji slikovnih točk), motnje, ki niso posledica projiciranega vzorca. Take motnje poskušamo odpraviti s posebno prilagoditvijo grafičnega modela. Naključnim spremenljivkam pri gradnji verjetnostnega grafičnega modela dodamo še eno stanje, ki predstavlja oznako »šum«. Zaželeno je, da model rojem točk, ki ne pripadajo projiciranemu vzorcu, dodeli to oznako. V zadnjem delu predstavimo rešitev z uporabo vrste povratnih nevronskih mrež (ang. recurrent neural network), nevronskega omrežja z dolgim kratkoročnim spominom (ang. Long short-term memory, LSTM). Vhodno sliko razdelimo na večje število manjših področij, ki predstavljajo vhodno zaporedje v nevronsko mrežo. Vsakemu področju dodelimo ustrezno oznako v odvisnosti od dela projekcijskega vzorca na danem področju slike. Nevronsko mrežo učimo tako, da hkrati na sliki zaznava in označuje projicirane vzorce iz surovih podatkov slike brez njene predobdelave. S to metodo je mogoče z veliko natančnostjo na sliki pravilno zaznati in označiti projicirani vzorec.20162016-05-16 08:50:09Doktorsko delo/naloga82696VisID: 35561COBISS_ID: 11364692sl