Approximate Models for Fast and Accurate Epipolar Geometry Estimation

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F13%3A00212575" target="_blank" >RIV/68407700:21230/13:00212575 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1109/IVCNZ.2013.6727000" target="_blank" >http://dx.doi.org/10.1109/IVCNZ.2013.6727000</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/IVCNZ.2013.6727000" target="_blank" >10.1109/IVCNZ.2013.6727000</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Approximate Models for Fast and Accurate Epipolar Geometry Estimation

Popis výsledku v původním jazyce

This paper investigates the plausibility of using approximate models for hypothesis generation in a RANSAC framework to accurately and reliably estimate the fundamental matrix. Two novel fundamental matrix estimators are introduced that sample two correspondences to generate affine-fundamental matrices for RANSAC hypotheses. A new RANSAC framework is presented that uses local optimization to estimate the fundamental matrix from the consensus correspondence sets of verified hy- potheses, which are approximate models. The proposed estimators are shown to perform better than other approximate models that have previously been used in the literature for fundamental matrix estimation in a rigorous evaluation. In addition the proposed estimators are over 30 times faster, in terms of models verified, than the 7-point method, and offer comparable accuracy and repeatability on a large subset of the test set.

Název v anglickém jazyce

Approximate Models for Fast and Accurate Epipolar Geometry Estimation

Popis výsledku anglicky

This paper investigates the plausibility of using approximate models for hypothesis generation in a RANSAC framework to accurately and reliably estimate the fundamental matrix. Two novel fundamental matrix estimators are introduced that sample two correspondences to generate affine-fundamental matrices for RANSAC hypotheses. A new RANSAC framework is presented that uses local optimization to estimate the fundamental matrix from the consensus correspondence sets of verified hy- potheses, which are approximate models. The proposed estimators are shown to perform better than other approximate models that have previously been used in the literature for fundamental matrix estimation in a rigorous evaluation. In addition the proposed estimators are over 30 times faster, in terms of models verified, than the 7-point method, and offer comparable accuracy and repeatability on a large subset of the test set.

Druh

D - Stať ve sborníku

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2013

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

2013 28th International Conference of Image and Vision Computing New Zealand (IVCNZ 2013)

ISBN

978-1-4799-0882-0

ISSN

2151-2191

e-ISSN

—

Počet stran výsledku

6

Strana od-do

106-111

Název nakladatele

IEEE

Místo vydání

Piscataway

Místo konání akce

Wellington

Datum konání akce

27. 11. 2013

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—