Vision por Computadora y Robotica 3d

2. IMPORTANCIA
0 La visión por computadora y robótica, disciplina
que estudia cómo procesar, analizar e interpretar
imágenes de forma automática, es una tecnología
que se ha incorporado cada vez más en nuestra
vida cotidiana. Por su gran versatilidad, bajo costo
y alta efectividad, tiene aplicaciones en muchos
ámbitos
0 Este campo representa hoy en día un campo de
investigación importante a muchos diversos
niveles: industria, seguridad, medicina y inspección

3. VISION 3D ROBOTICA
0 Uno de los más recientes desarrollos en la visión artificial es la
disponibilidad comercial y con algoritmos y herramientas de
software que pueden procesar y medir los píxeles de la tercera
dimensión. Las aplicaciones más comunes funcionan en 2
dimensiones, X e Y. En el mundo real, esto se traduce en la
ubicación exacta de un objeto dentro de la imagen - o la posición
real de un producto sobre una cinta transportadora. Un sistema
de visión 3D puede extrapolar la posición de un pixel, no sólo en
las direcciones X e Y, sino también a la Z. Visión artificial 3D se
logra usando una variedad de técnicas, que incluyen (pero no se
limitan a la visión estéreo, las nubes de puntos, o triangulación
3D. Visión en 3D podría convertirse en un equipo estándar en los
robots, de acuerdo con expertos en el campo de la visión
artificial.

4. SISTEMA DE ADQUISICION
3D
0 Una habilidad esencial para la navegación autónoma de
robots es la capacidad para obtener información del medio
que rodea al robot. El proceso de adquisición se realiza de
una manera rápida sin tener la restricción de detener el
movimiento del robot. La información obtenida de esta
relación son valores de profundidad (disparidad) del
ambiente. Luego, con la información geométrica de la
cámara y con el valor de disparidad se calcula la distancia a
la que se encuentran los puntos del entorno, obteniendo
así una nube de puntos 3D del ambiente de navegación del
robot

5. RECONSTRUCCION DE LA
GEOMETRIA 3D
0 En las últimas tres décadas, tras muchas investigaciones ha
hecho importantes contribuciones al problema de la
reconstrucción de la geometría 3D de una escena desde
múltiples puntos de vista. Si bien este problema ya está
bien tratada en el caso de los entornos estáticos, la
comprensión de los entornos 3D dinámicos plantea retos
difíciles. Esto incluye la utilización de un gran número de
sensores de imágenes basado en el concepto de que da
tareas de detección complejas, como comprensión de
escena 3D, deben ser resueltos por un gran número de
procesos perceptivos paralelos pero simples.

6. AMBITO DE RECONSTRUCCION
GEOMETRICA
0 La descripción de objetos tridimensionales en un plano,
utilizando proyecciones bidimensionales, se remonta a más de
dos mil años. Fue Monge el primero que sistematizó y simplificó
los métodos existentes, dando lugar al nacimiento de la
geometría descriptiva. El problema contrario de cómo
reconstruir automáticamente la estructura de un objeto
tridimensional (estructura geométrica y topológica) a partir de
su proyección, empezó a atraer la atención sólo a finales de los
60, motivado por el desarrollo de los ordenadores digitales.
0 La reconstrucción, implica determinar la relación geométrica y
topológica de las partes atómicas de un objeto. No debe
confundirse con el reconocimiento o restitución, que se usa en
visión artificial y que implica la identificación de un objeto
mediante algún sistema de acoplamiento de plantillas.

7. ALGORITMO DE RECONSTRUCCION
A PARTIR DE VISTAS MULTIPLES
0 En este caso se ha obtenido un algoritmo de
reconstrucción que obtiene el modelo BRep. El algoritmo
tiene como aportación más original la utilización de una
axonometría oblicua (obtenida por un método basado en el
Teorema de Pohlke y en el método Eckhart), para guiar y
validar el proceso de reconstrucción de vértices y aristas
del modelo tridimensional . Es decir, que el algoritmo
realiza la generación automática de axonometrias oblicuas
a partir de las tres proyecciones diédricas de un objeto
poliédrico. Lo cual, además de consistir en si un método
operativo en el campo del dibujo en dos dimensiones, es
útil para determinar la topología.

8. GENERACION AUTOMATICA
DE AXOMETRIA OBLICUA

9. RECONSTRUCCION DE
OBJETOS 3D
0 Medición 3D sigue siendo un gran desafío. Aunque una gran
cantidad de investigación está involucrada en sistemas de visión
estereoscópica, la mayor parte de los problemas geométricos se
puede minimizar cuando el sistema se utiliza para aplicaciones
industriales. Al igual que con todos los sistemas de visión
artificial, la iluminación es siempre un reto, y lo mismo es cierto
para las aplicaciones 3D. Si hay demasiada o muy poca luz, el
contraste sufre e incluso el mejor algoritmo de visión no puede
extraer las coordenadas 3D de la imagen.
0 La buena noticia es que - con el tiempo – las tareas imposibles de
hoy se convierten en un procedimiento operativo estándar del
mañana. Pronto el control visual encabezará la lista de sistemas
maduros, la visión le permitirá nuevos niveles de ahorro de
trabajo y mejoras de productividad en todos los sectores de las
industrias

10. EXPLICACION DEL
ALGORITMO
0 El algoritmo comienza con la adquisición de un par estéreo
y la generación de un mapa de disparidad denso para
obtener puntos 3D. El Algoritmo Consiste de un proceso de
adaptación basada en la correlación de área, seguido con
una operación de post-filtrado que utiliza una combinación
del filtro a la izquierda y otra a la derecha para comprobar
o rechazar las zonas con textura insuficiente. El detector
función es entonces aplicado a la imagen izquierda de la
imagen estéreo para seleccionar puntos de interés. Dos
nubes de puntos se encuentran en el extremo disponible
para cada par estéreo: la nube de puntos pixel y su
correspondiente Nube de puntos 3D.

11. EXPLICACION DEL
ALGORITMO

12. ESTIMACION DEL
ALGORITMO

13. REALIZACION DE UN
EJEMPLO
0 los resultados obtenidos para este caso de prueba se
informan En este experimento, el algoritmo se aplicó a
320 × 240 px imágenes estéreo, tras la cámara girada
10 ° alrededor del eje de paneo (x).
Imágenes de la izquierda (a) antes y (b) después
de la rotación, con características seleccionadas.

14. REALIZACION EJEMPLO
Pares de puntos (a) después de seguimiento de correlación cruzada basado en normalización, y (b)
después de los partidos falsos mediante comprobación de coherencia mutua y robusta de estadística
Resultado Iterativo del punto más cercano (ICP): (a) las correspondencias finales trazada en el
plano de la imagen, (b) - (c) la posición absoluta y errores de orientación durante la iteración

15. REALIZACION DE UN
EJEMPLO
Pares finales en el espacio 3D (a) antes y (b) después del registro, utilizando correlación y la ICP. Al
final, los puntos cuadrados rojos se superponen a los correspondientes puntos redondos negros
RESULTADOS