Depth-driven variational methods for stereo reconstruction

Abstract

Stereo reconstruction belongs to the fundamental problems in computer vision, with the aim of reconstructing the depth of a static scene. In order to solve this problem the corresponding pixels in both views must be found. A common technique is to minimize an energy (cost) function. Therefore, most methods use a parameterization in form of a displacement information (disparity). In contrast, this thesis uses, extends and examines a depth parameterization. (i) First a basic depth-driven variational method is developed based on a recently presented method of Basha et al. [2]. (ii) After that, several possible extensions are presented, in order to improve the developed method. These extensions include advanced smoothness terms that incorporate image information and enable an anisotropic smoothing behavior. Further advanced data terms are considered, which use modified constraints to allow a more accurate estimation in different situations. (iii) Finally, all extensions are compared with each other and with a disparity-driven counterpart.

Die Stereorekonstruktion zählt zu den grundlegenden Problemen des Maschinensehens (Computer Vision), mit dem Ziel die Tiefeninformation einer statischen Szene zu rekonstruieren. Um dieses Problem zu lösen, müssen die zueinandergehörigen Bildpunkte in beiden Ansichten identifiziert werden (Korrespondenzfindung). Ein häufig verwendeter Ansatz beinhaltet die Minimierung eines Energiefunktionals (Kostenfunktional). Dabei verwenden die meisten Ansätze eine Parametrisierung in Form von Verschiebungsinformation (Disparität). Im Unterschied dazu verwendet, erweitert und untersucht diese Arbeit eine Tiefen-Parametrisierung. (i) Zuerst wird ein tiefengetriebener Variationsansatz auf Basis einer kürzlich vorgestellten Arbeit von Basha et al. [2] entwickelt. (ii) Danach werden mehrere mögliche Erweiterungen präsentiert, um das entwickelte Verfahren zu verbessern. Diese Erweiterungen beinhalten fortgeschrittene Glattheitsterme, die Bildinformationen miteinbeziehen und ein anisotropes Glättungsverhalten ermöglichen. Zudem werden fortgeschrittene Datenterme, mit veränderten Annahmen, betrachtet, um eine genauere Schätzung zu ermöglichen. (iii) Zum Schluss werden alle Erweiterungen miteinander und mit einem disparitätsgetriebenen Äquivalent verglichen.