English
 
Help Privacy Policy Disclaimer
  Advanced SearchBrowse

Item

ITEM ACTIONSEXPORT
 
 
DownloadE-Mail
 Local TagsRelease HistoryDetailsSummary
  Kamerakalibrierung und Tiefenschätzung: Ein Vergleich von klassischer Bündelblockausgleichung und statistischen Lernalgorithmen

Sinz, F.(2004). Kamerakalibrierung und Tiefenschätzung: Ein Vergleich von klassischer Bündelblockausgleichung und statistischen Lernalgorithmen. Tübingen, Germany: Wilhelm-Schickard-Institut für Informatik, Lehrstuhl für technische Informatik.

Item is

 

show all hide all

Basic

show hide
Item Permalink: https://hdl.handle.net/11858/00-001M-0000-0013-D9B7-F Version Permalink: https://hdl.handle.net/21.11116/0000-0006-C561-E
Genre: Report

Files

show Files
hide Files
:
pdf2616.pdf (Publisher version), 4MB
View   Save
File Permalink:
https://hdl.handle.net/21.11116/0000-0005-5418-2
Name:
pdf2616.pdf
Description:
-
OA-Status:
Visibility:
Public
MIME-Type / Checksum:
application/pdf / [MD5]
Technical Metadata:
View
Copyright Date:
-
Copyright Info:
-
License:
-

Locators

show

Creators

show
hide
 Creators:
Sinz, FH1, 2, Author           
Affiliations:
1Max Planck Institute for Biological Cybernetics, Max Planck Society, Spemannstrasse 38, 72076 Tübingen, DE, ou_1497794              
2Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society, Spemannstrasse 38, 72076 Tübingen, DE, ou_1497795              

Content

show
hide
Free keywords: -
 Abstract: Die Arbeit verleicht zwei Herangehensweisen an das Problem der Schätzung der räumliche Position eines Punktes aus den Bildkoordinaten in zwei verschiedenen Kameras. Die klassische Methode der Bündelblockausgleichung modelliert zwei Einzelkameras und schätzt deren äußere und innere Orientierung mit einer iterativen Kalibrationsmethode, deren Konvergenz sehr stark von guten Startwerten abhängt. Die Tiefenschätzung eines Punkts geschieht durch die Invertierung von drei der insgesamt vier Projektionsgleichungen der Einzalkameramodelle. Die zweite Methode benutzt Kernel Ridge Regression und Support Vector Regression, um direkt eine Abbildung von den Bild- auf die Raumkoordinaten zu lernen. Die Resultate zeigen, daß der Ansatz mit maschinellem Lernen, neben einer erheblichen Vereinfachung des Kalibrationsprozesses, zu höheren Positionsgenaugikeiten führen kann.

Details

show
hide
Language(s):
 Dates: 2004-03
 Publication Status: Issued
 Pages: 50
 Publishing info: Tübingen, Germany : Wilhelm-Schickard-Institut für Informatik, Lehrstuhl für technische Informatik
 Table of Contents: -
 Rev. Type: -
 Identifiers: BibTex Citekey: 2616
 Degree: -

Event

show

Legal Case

show

Project information

show

Source

show