structure from mo on
play

Structure From Mo,on Ali Farhadi CSE 576 Several - PowerPoint PPT Presentation

Structure From Mo,on Ali Farhadi CSE 576 Several slides from Steve Seitz, Rick Szeliski, Mar,al Hebert, and Noha Snavely Structure from mo,on


  1. Structure ¡From ¡Mo,on ¡ Ali ¡Farhadi ¡ CSE ¡576 ¡ ¡ ¡ Several ¡slides ¡from ¡Steve ¡Seitz, ¡Rick ¡Szeliski, ¡Mar,al ¡Hebert, ¡and ¡Noha ¡Snavely ¡

  2. Structure ¡from ¡mo,on ¡ • aka ¡ “ bundle ¡adjustment ” (texts: ¡ ¡Zisserman; ¡Faugeras) ¡ p 4 ¡ p 1 ¡ p 3 ¡ minimize g ( R , ¡ T , ¡ P ) ¡ p 2 ¡ p 5 ¡ p 7 ¡ p 6 ¡ Camera 1 Camera 3 R 1 ,t 1 ¡ R 3 ,t 3 ¡ Camera 2 R 2 ,t 2 ¡

  3. SfM objective function ¡ ¡ ¡ ¡ • Given ¡point ¡ x and ¡rota,on ¡and ¡transla,on ¡ R , ¡ t ¡ • Minimize ¡sum ¡of ¡squared ¡reprojec,on ¡errors: ¡ predicted observed image location image location

  4. Solving ¡structure ¡from ¡mo,on ¡ • Minimizing ¡ g is ¡difficult: ¡ – g ¡is ¡non-­‑linear ¡due ¡to ¡rota,ons, ¡perspec,ve ¡division ¡ – lots ¡of ¡parameters: ¡3 ¡for ¡each ¡3D ¡point, ¡6 ¡for ¡each ¡camera ¡ – difficult ¡to ¡ini,alize ¡ – gauge ¡ambiguity: ¡error ¡is ¡invariant ¡to ¡a ¡similarity ¡transform ¡(transla,on, ¡ rota,on, ¡uniform ¡scale) ¡ ¡ • Many ¡techniques ¡use ¡non-­‑linear ¡least-­‑squares ¡ op,miza,on ¡( bundle adjustment ) ¡ – Levenberg-­‑Marquardt ¡is ¡a ¡popular ¡algorithm ¡ – hWp://en.wikipedia.org/wiki/Levenberg-­‑Marquardt_algorithm ¡ • Good ¡code ¡online ¡ – Bundler: ¡ ¡hWp://phototour.cs.washington.edu/bundler/ ¡ – Mul,core: ¡ ¡hWp://grail.cs.washington.edu/projects/mcba/ ¡

  5. Suppose ¡we ¡know ¡3D ¡points ¡and ¡affine ¡ camera ¡parameters ¡… ¡ ¡then, ¡we ¡can ¡compute ¡the ¡observed ¡2d ¡ posi,ons ¡of ¡each ¡point ¡ ˆ ˆ ˆ ⎡ A ⎤ ⎡ x x � x ⎤ 1 11 12 1 n ⎢ ⎥ ⎢ ⎥ ˆ ˆ ˆ A x x � x [ ] ⎢ ⎥ ⎢ ⎥ 2 = 21 22 2 n X X � X ⎢ ⎥ 1 2 n ⎢ ⎥ � � ⎢ ⎥ ⎢ ⎥ ˆ ˆ ˆ A x x � x ⎣ ⎦ ⎣ ⎦ 3D ¡Points ¡(3xn) ¡ m m 1 m 2 mn Camera ¡Parameters ¡(2mx3) ¡ 2D ¡Image ¡Points ¡(2mxn) ¡

  6. What ¡if ¡we ¡instead ¡observe ¡ corresponding ¡2d ¡image ¡points? ¡ ¡ Can ¡we ¡recover ¡the ¡camera ¡parameters ¡and ¡3d ¡ points? ¡ cameras ¡(2 ¡ m ) ¡ ⎡ ˆ ˆ ˆ ⎤ ⎡ ⎤ x x � x A 11 12 1 n 1 ⎢ ⎥ ⎢ ⎥ ? ˆ ˆ ˆ x x � x A [ ] ⎢ ⎥ ⎢ ⎥ 21 22 2 n 2 = ⇒ D X X � X ⎢ ⎥ ⎢ ⎥ 1 2 n � � ⎢ ⎥ ⎢ ⎥ ˆ ˆ ˆ � x x x A ⎣ ⎦ ⎣ ⎦ m 1 m 2 mn m points ¡( n ) ¡ What ¡rank ¡is ¡the ¡matrix ¡of ¡2D ¡points? ¡

  7. Factorizing ¡the ¡measurement ¡matrix ¡ Source: ¡M. ¡Hebert ¡

  8. Factorizing ¡the ¡measurement ¡matrix ¡ • Singular ¡value ¡decomposi,on ¡of ¡D: ¡ Source: ¡M. ¡Hebert ¡

  9. Factorizing ¡the ¡measurement ¡matrix ¡ • Singular ¡value ¡decomposi,on ¡of ¡D: ¡ Source: ¡M. ¡Hebert ¡

  10. Factorizing ¡the ¡measurement ¡matrix ¡ • Obtaining ¡a ¡factoriza,on ¡from ¡SVD: ¡ Source: ¡M. ¡Hebert ¡

  11. Factorizing ¡the ¡measurement ¡matrix ¡ • Obtaining ¡a ¡factoriza,on ¡from ¡SVD: ¡ This decomposition minimizes |D-MS| 2 Source: ¡M. ¡Hebert ¡

  12. Algorithm ¡summary ¡ • Given: ¡ m ¡ images ¡and ¡ n ¡ features ¡ x ij ¡ • For ¡each ¡image ¡ i, ¡c enter ¡the ¡feature ¡coordinates ¡ • Construct ¡a ¡2 m ¡ × ¡ n ¡ measurement ¡matrix ¡ D : ¡ – Column ¡ j ¡ contains ¡the ¡projec,on ¡of ¡point ¡ j ¡ in ¡all ¡views ¡ – Row ¡ i ¡ contains ¡one ¡coordinate ¡of ¡the ¡projec,ons ¡of ¡all ¡ the ¡ n ¡ points ¡in ¡image ¡ i ¡ • Factorize ¡ D : ¡ – Compute ¡SVD: ¡ D ¡ = ¡U ¡W ¡V T ¡ – Create ¡ U 3 ¡by ¡taking ¡the ¡first ¡3 ¡columns ¡of ¡ U ¡ – Create ¡ V 3 ¡by ¡taking ¡the ¡first ¡3 ¡columns ¡of ¡ V ¡ – Create ¡ W 3 ¡by ¡taking ¡the ¡upper ¡leh ¡3 ¡× ¡3 ¡block ¡of ¡ W ¡ • Create ¡the ¡mo,on ¡and ¡shape ¡matrices: ¡ – M ¡= ¡ U 3 W 3 ½ ¡ ¡ and ¡ S ¡= ¡ W 3 ½ ¡ V 3 T ¡ ( or ¡M ¡ = ¡ U 3 ¡and ¡ S ¡= ¡ W 3 V 3 T ) ¡ Source: ¡M. ¡Hebert ¡

  13. Structure ¡from ¡mo,on ¡ • aka ¡ “ bundle ¡adjustment ” (texts: ¡ ¡Zisserman; ¡Faugeras) ¡ p 4 ¡ p 1 ¡ p 3 ¡ minimize g ( R , ¡ T , ¡ P ) ¡ p 2 ¡ p 5 ¡ p 7 ¡ p 6 ¡ Camera 1 Camera 3 R 1 ,t 1 ¡ R 3 ,t 3 ¡ Camera 2 R 2 ,t 2 ¡

  14. Structure ¡from ¡mo,on ¡ Images on the Internet Computed 3D structure

  15. • Photo ¡tourism ¡video: ¡ ¡ hWp://www.youtube.com/watch?v=5Ji84zb2r8s ¡ • Photosynth: ¡ ¡ hWp://photosynth.net/ ¡

  16. Scene ¡reconstruc,on ¡ • Automa,cally ¡es,mate ¡ ¡ – posi,on, ¡orienta,on, ¡and ¡focal ¡length ¡of ¡cameras ¡ – 3D ¡posi,ons ¡of ¡feature ¡points ¡ Feature ¡detec,on ¡ Incremental ¡ Pairwise ¡ structure ¡ feature ¡matching ¡ from ¡mo,on ¡ Correspondence ¡ es,ma,on ¡

  17. Feature ¡detec,on ¡ Detect ¡features ¡using ¡SIFT ¡[Lowe, ¡IJCV ¡2004] ¡

  18. Feature ¡detec,on ¡ Detect ¡features ¡using ¡SIFT ¡[Lowe, ¡IJCV ¡2004] ¡

  19. Feature ¡detec,on ¡ Detect ¡features ¡using ¡SIFT ¡[Lowe, ¡IJCV ¡2004] ¡

  20. Correspondence ¡es,ma,on ¡ • Link ¡up ¡pairwise ¡matches ¡to ¡form ¡connected ¡components ¡of ¡ matches ¡across ¡several ¡images ¡ Image ¡1 ¡ Image ¡2 ¡ Image ¡3 ¡ Image ¡4 ¡

  21. Feature ¡matching ¡ Match ¡features ¡between ¡each ¡pair ¡of ¡images ¡

  22. Feature ¡matching ¡ Refine ¡matching ¡using ¡RANSAC ¡[Fischler ¡& ¡Bolles ¡1987] ¡

  23. Incremental ¡structure ¡from ¡mo,on ¡

  24. Incremental ¡structure ¡from ¡mo,on ¡

  25. Photo ¡Explorer ¡

  26. Coliseum (outside) St. Peters (inside) Coliseum St. Peters (outside) (inside) Il Vittoriano Trevi Fountain Forum

  27. Naviga,on: ¡Prague ¡Old ¡Town ¡Square ¡

  28. Hierarchical ¡annota,ons ¡

  29. Locking ¡the ¡camera ¡(stabiliza,on) ¡

  30. Applica,ons ¡

  31. Community ¡photo ¡collec,ons ¡ • “Wikipedia ¡for ¡photos” ¡– ¡visual ¡record ¡of ¡ world ¡through ¡community ¡of ¡ photographers ¡ – Geograph ¡Bri1sh ¡Isles ¡ hWp://www.geograph.org.uk/ ¡ • Users ¡can ¡tag ¡and ¡comment ¡on ¡photos, ¡ link ¡to ¡other ¡content ¡ – World-­‑wide ¡telescope ¡ • “Where ¡should ¡I ¡take ¡a ¡photo?” ¡ hWp://photocitygame.com/ ¡ ¡

  32. Community ¡photo ¡collec,ons ¡ • Leveraging ¡large ¡databases ¡of ¡photos, ¡large ¡ number ¡of ¡users ¡ – Annota,ons ¡/ ¡augmented ¡reality ¡

  33. Virtual ¡tour ¡guide ¡scenario ¡ St. ¡Peter’s ¡Basilica ¡ • ¡ ¡Built: ¡1506-­‑1626 ¡ • ¡ ¡hWp://en.wikipedia.org/wiki/St._Peter's_Basilica ¡ St. ¡Peter’s ¡Basilica ¡ • ¡ ¡Built: ¡1506-­‑1626 ¡

  34. Rephotography ¡ Topographic ¡data ¡courtesy ¡USGS ¡

Recommend


More recommend