La procédure que nous avons suivi consiste à calibrer chaque point de vue grâce à l'utilisation d'une mire, en s'appuyant sur des caractéristiques régionales pour avoir une plus grande précision. Chaque image est rectifiée, puis segmentée en régions dans lesquelles l'intensité est soit constante, soit varie linéairement, grâce à des algorithmes de segmentation fondés sur des méthodes de classification. Ensuite, les régions sont appariées entre les images gauche et droite. Chaque paire de régions permet de retrouver le support 3D de la face dont les régions sont les images en s'appuyant uniquement sur les moments géométriques de ces dernières. Alors, les reconstructions d'un même objet obtenues selon différents points de vue sont recalées l'une par rapport à l'autre, pour les fusionner ensemble. Puis, la reconstruction résultante est modélisée comme la composition de parallélépipèdes par un algorithme qui unifie les méthodes de classification géométrique et de recalage rigide ou non-rigide.
L'analyse de ces différentes étapes, nous a permis de reconnaître une difficulté commune à chacune de ces étapes, et nous a donc conduit à proposer une méthodologie pour analyser et poser un grand nombre de des problèmes que l'on peut rencontrer en modélisation automatique.
Mots-Clés: Vision par ordinateur, Analyse d'images, Stéréovision, Modélisation d'objets polyédriques, Reconnaissance des formes, Mise en correspondance, Calibration de caméras, Rectification, Segmentation d'images, Reconstruction 3D en faces, Recalage rigide et non rigide, Classification floue, Minimisation.
First, each camera is calibrated using a calibration setup with an algorithm based on region features for a better accuracy. Both images of a stereo pair are segmented into clusters, and the resulting regions are matched two by two. Then, when camera geometry is rectfied, the use of these region pairs as inputs allows to compute exactly the location and oriention of 3D patches whose projections on the image planes are assumed to be the two considered regions. Then, multiple-viewpoint reconstructions are robustly and accuratly registrated to obtain a complete geometric reconstruction. Finally, the resulting reconstruction is interpreted, with a more hi-level model, as the overlap of a set of deformed parallelepipeds. The algorithm developed allows to describe 2D and 3D objects by several deformed geometric prototypes in a very generic way.
During this research, I have noticed that many problems of automatic modeling are difficult to solve because of the overlap between geometric transformation and model matching estimations. Thus, I propose a methodology incorporating both geometric and matching estimations.
Keywords: Computer Vision, Image Analysis, Stereovision, Modeling of polyhedral objects, Pattern Recognition, Matching, Camera Calibration, Rectified Geometry, Image Segmentation, 3D Reconstruction in patches, Rigid and Nonrigid Registration, Fuzzy Clustering, Minimization.