Kernel dressing

113

8. Conclusiones y trabajos futuros

8.1. Conclusiones

A lo largo de este Trabajo Fin de Máster se ha propuesto un sistema de calibración de cámaras de tiempo de vuelo de baja resolución (120 x 160 píxeles) y baja calidad. El primer paso a realizar para ello es la detección de los puntos característicos de un patrón capturado en varias imágenes con distintas posiciones, por lo que debe elegirse un patrón cuyas características sean grandes, para poder ser detectadas aunque el patrón se encuentre alejado del sensor, y además que estén suficientemente distanciadas entre sí para que no se observen como un solo contorno al realizar el tratamiento de la imagen. Para ello, se observa que el patrón damero (chessboard) , que es el que se utiliza en MATLAB® junto con funciones de detección de esquinas, no proporciona buenos resultados independientemente del tamaño de los cuadros, y tampoco lo hace utilizando las funciones análogas de calibración en OpenCV. Por lo tanto, ha de buscarse otro tipo de patrón válido, así como un algoritmo para buscar puntos de control en él con una precisión sub-pixélica. Se demuestra que un patrón con círculos impresos sobre él cuyas posiciones sean conocidas posibilita la detección precisa de sus centroides por debajo del píxel, por lo que se va a adoptar este patrón con su correspondiente algoritmo de búsqueda de puntos de control diseñados. Por otro lado, a la hora de calibrar y de corregir la distorsión presente en las imágenes es aconsejable tener un alto número de puntos característicos a detectar en cada imagen, pero esto es incompatible con la resolución de la cámara, por lo que se debe llegar a un patrón que cumpla una solución de compromiso entre ambas.

En cuanto a la calibración estéreo, se realiza la correspondencia de puntos entre los pares de imágenes a través del algoritmo diseñado de búsqueda de centroides, y a partir de ahí se calculan las matrices de rotación y traslación de las cámaras en parejas mediante la función de calibración estéreo de la toolbox. Con ello, se analizan los datos obtenidos y se comprueban mediante reconstrucción de puntos 3D, llegando a la conclusión de que finalmente se han obtenido parámetros de calibración válidos a través de las pseudo-imágenes de grises.

Por último, se toman los datos de calibración obtenidos para cada cámara junto con sus medidas de distancia y se calcula la superficie tridimensional que captura cada una de ellas. Se observa que existe un error en la medida de distancia, ya que el valor que devuelven las cámaras no coincide con el real, y esto provoca que las coordenadas 3D de la superficie no coincidan con las reales. Además, este error de medida de distancia no es lineal, sino que varía en función de la propia distancia, por lo que sería necesario realizar otro proceso de calibración añadido para poder obtener una superficie volumétrica que se ajuste de manera precisa a la realidad.

Debido a que cada una de las cámaras presentará su propio error de distancia, a pesar de que se apliquen los parámetros estéreo correctamente calculados para hacer coincidir nubes de puntos de más de una cámara, los puntos no llegarán a coincidir totalmente, ya que se acumula el error de cada una de las cámaras, y esto desemboca en que el resultado de la fusión de datos de varias cámaras no sea satisfactorio, ya que se presentan errores que hay que considerar. Para resolver esto, solamente quedaría la opción de calibrar en distancias. Sin embargo, con el objetivo de conseguir una reconstrucción volumétrica orientativa de la escena, aunque no coincidan las medidas calculadas con las reales, se fijan algunas medidas para tratar de poder reconstruir. Para ello, en primer lugar se calcula un factor de corrección medio de la distancia de

114

cada una de las cámaras, y además se utiliza una función iterativa ICP (Iterative Closest Points) que busca aplicar una nueva rotación y traslación a las nubes de puntos para lograr que coincidan en mayor medida. Con ello se consigue, por lo tanto, una visión orientativa de la escena.

No obstante, las cámaras que se han adquirido son un prototipo de muy bajo coste que el fabricante vende indicando que son útiles para aplicaciones sencillas de usuario en la que la precisión necesaria no sea demasiado alta, por lo que los resultados obtenidos coinciden con los esperados. Sin embargo, en comparación con el resto de cámaras existentes en la actualidad en el mercado es realmente útil embarcarse en este tipo de procesos para lograr la escena 3D con cámaras de bajo coste, ya que el presupuesto del sistema disminuye un orden de magnitud (cámaras de 600€ vs cámaras de más de 3000€).

8.2. Trabajos futuros

Como principales trabajo futuro cabría destacar las siguientes posibilidades:

 La realización de un proceso de calibración de las imágenes de distancias para poder corregir el error que presentan las cámaras, y de esta manera conseguir que la fusión de datos de varias cámaras sea posible y precisa, logrando una reconstrucción volumétrica consistente. Conseguir un nuevo modelo que incluya la profundidad como parámetro, y se calibre a partir de las pseudo imágenes de gris y la imagen de profundidades.

 También podrían realizarse mejoras en la detección de centroides en el patrón, como por ejemplo automatizar aún más la detección de elipses estableciendo los parámetros de búsqueda en función del tamaño y la forma que tenga el patrón en la imagen capturada, lo cual depende de lo lejos o cerca que esté situado, así como la orientación que presente con respecto a las cámaras.

 A pesar de que se puede adjuntar a la representación los tonos obtenidos de la imagen de pseudo-escala de grises, podría ser útil utilizar otra cámara auxiliar móvil RGB que capture la escena desde varios ángulos y así obtener información en color de la escena que se pueda añadir a la reconstrucción 3D.