Loading...
Please wait, while we are loading the content...
Similar Documents
High Accuracy Estimation Method of Vehicle Motion by using Omnidirectional Factorization
| Content Provider | Semantic Scholar |
|---|---|
| Author | Ryota, Matsuhisa Shintaro, Ono Hiroshi, Kawasaki Atsuhiko, Banno Katsushi, Ikeuchi |
| Copyright Year | 2009 |
| Abstract | Estimation of Vehicle Motion has generally done by GPS, accelerometer and so on. However, higher accurate method is necessary for measurement of vehicle characteristics, Automatic Driving and so on. In this paper, we estimate vehicle motion and surrounding environments by Structure from Motion (SFM) method with omnidirectional image sequences. SFM can estimate those parameters accurately as pixel resolution. However, SFM method is usually unstable dependent on initial parameters and noise. In this paper, we propose a SFM method for omnidirectional image sequences to achieve high accuracy and robustness. Keyword Omnidirectional Image,Structure from Motion,Factorization,Bundle Adjustment 1. はじめに ITS において走行車両の運動(位置・姿勢)を同定 することは基本的な問題であり,交通流そのものの計 測や車両特性の推定,車両の誘導・制御,また各種の 車載センサによるデータ収集など,様々な場面で必要 とされる. 単体ハードウェアとして実用化されたものとして は, GPS やジャイロセンサ,車速パルス計,対地速 度計,またこれらを組み合わせたシステムなどが目的 に応じて利用される.また,主にレーザスキャナを用 いてシーンの形状と自己の相対位置・姿勢を得る手法 (SLAM; Simultaneous Localization and Mapping) も移動 ロボットの分野でよく研究されている.しかし,これ らの手法には高精度とされるものも存在するが,例え ば,車両から撮影した画像とそのシーンの CAD モデ ルをピクセル単位で位置合わせできるほどの精度は実 現されていない.より精密な車両特性の計測や,将来 的な自動・隊列走行,また我々がこれまでに提案して きた現実感の高い実画像による都市の仮想空間再現 (画像ベースレンダリング)のためには,更に高精度 な推定が必要である. 一方,コンピュータビジョンの分野では,動画像か らシーンの形状と撮影したカメラの位置姿勢を同時に 推定する Structure from Motion (SFM) に関する研究が 行われている.SFM ではシーンの情報が密に得られる カメラを用いるため,理論上はピクセル単位精度での 推定が実現できるが,最適化するパラメータが多く, 評価関数が非線形のため,初期値依存性が高く,ノイ ズに敏感であり,推定結果が不安定になり易いという 問題がある.位置の既知なマーカや GPS を併用して 良い初期値を得ることでこの問題を解決する例 [1][2] もあるが,マーカの設置やセンサの高精度同期など, システムの構築は簡易ではない. カメラ画像のみから精度良く車両運動を推定でき れば,システムとしての簡便性だけでなく,様々な他 用途との共通化(例えば画像ベースレンダリングにお けるテクスチャデータ収集)も可能である.カメラは レーザスキャナ等とは異なり,比較的簡易な多目的デ バイスとして今後一般車両への設置が普及し,プロー ビングや協調走行などへの応用が開ける可能性もある. 本研究では,全方位画像列を入力とし,因子分解法 (付録参照)で得た初期結果をバンドル調整法で改善 させる SFM 手法を提案する.全方位の情報を用いるこ とで,様々な方向に存在する画像特徴量のうち最も位 置姿勢に敏感なものを常に最適化に寄与させられるた め,解の安定性向上が期待される. 2. 関連研究 入力に全方位画像を用いる SFM は近年多く行われ ている. 文献 [3]では,全方位画像の広範な視野を活かし, 一台の移動カメラにおいてフレーム間画像を用 いたステレオ計測による推定が提案されている. しかし,単一カメラにおけるステレオ計測では, カメラの移動距離がそのまま基線長となる.従っ て,撮影点が近接している場合には閉ループ経路 制約など,別の最適化を取り入れる必要がある. 文献 [4]では,上方を向いた魚眼カメラの画像に 因子分解法を適用し,運動をカメラの光軸まわり 回転(ヨー)と平面移動に限定した推定を行って いる.運動がこの 3 自由度に限られる場合は有効 であると考えられるが,一般的な車両運動などの 場合には,そのまま利用することは難しい(最適 化の初期値として利用することは考えられる). 位置姿勢 6 自由度全てを推定する手法 [5]も提案 されているが,3 次元位置が既知な基準マーカを 利用している.本提案手法では既知のマーカは一 切用いない. 3. 提案手法の概要 本手法の概要を図 1 に示す.まず全方位カメラシス テムから得た全方位画像列から特徴点を抽出,および 追跡する.そして正確に得られた特徴点がより多くな るような範囲を指定し,その部分を一般的なカメラ画 像に近い透視投影画像に変換した場合の座標系へ特徴 点の座標値を変換する.変換した特徴点の軌跡に対し 因子分解法を適用することでシーンの 3 次元座標とカ メラの位置姿勢を推定する.ここで推定されるパラメ ータは全方位画像を分割変換した後の透視投影座標系 の仮想的なカメラのものである.以上の処理を分割位 置を変えながら複数回行い,複数の方向についてパラ メータを推定する. 因子分解法から得られる推定結果は,通常,カ メラモデルの相違などによる誤差を含むため,こ れらを初期パラメータとしてバンドル調整法に より精度向上を図る.その際,全方位画像と複数 方向の全てのパラメータを同時に用いることで, より安定な推定を行う. |
| Starting Page | 109 |
| Ending Page | 114 |
| Page Count | 6 |
| File Format | PDF HTM / HTML |
| Volume Number | 108 |
| Alternate Webpage(s) | https://www.jstage.jst.go.jp/article/itetr/33.6/0/33.6_109/_pdf/-char/ja |
| Language | English |
| Access Restriction | Open |
| Content Type | Text |
| Resource Type | Article |
