論文の概要: Multi-camera calibration with pattern rigs, including for non-overlapping cameras: CALICO

• arxiv url: http://arxiv.org/abs/1903.06811v3
• Date: Wed, 27 Mar 2024 20:03:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-29 22:28:24.799436
• Title: Multi-camera calibration with pattern rigs, including for non-overlapping cameras: CALICO
• Title（参考訳）: オーバーラップしないカメラを含むパターンリグを用いたマルチカメラキャリブレーション:CALICO
• Authors: Amy Tabb, Henry Medeiros, Mitchell J. Feldmann, Thiago T. Santos,
• Abstract要約: 本稿では,挑戦的コンテキストに適したマルチカメラキャリブレーション手法であるCALICOについて述べる。 CalICOはパターンに基づくアプローチであり、パターンとカメラ間の剛性制約を用いて多重校正問題を定式化する。
• 参考スコア（独自算出の注目度）: 1.8874301050354767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper describes CALICO, a method for multi-camera calibration suitable for challenging contexts: stationary and mobile multi-camera systems, cameras without overlapping fields of view, and non-synchronized cameras. Recent approaches are roughly divided into infrastructure- and pattern-based. Infrastructure-based approaches use the scene's features to calibrate, while pattern-based approaches use calibration patterns. Infrastructure-based approaches are not suitable for stationary camera systems, and pattern-based approaches may constrain camera placement because shared fields of view or extremely large patterns are required. CALICO is a pattern-based approach, where the multi-calibration problem is formulated using rigidity constraints between patterns and cameras. We use a {\it pattern rig}: several patterns rigidly attached to each other or some structure. We express the calibration problem as that of algebraic and reprojection error minimization problems. Simulated and real experiments demonstrate the method in a variety of settings. CALICO compared favorably to Kalibr. Mean reconstruction accuracy error was $\le 0.71$ mm for real camera rigs, and $\le 1.11$ for simulated camera rigs. Code and data releases are available at \cite{tabb_amy_2019_3520866} and \url{https://github.com/amy-tabb/calico}.
• Abstract（参考訳）: 本稿では、静止・移動型マルチカメラシステム、重なり合う視野のないカメラ、非同期カメラなど、困難な状況に適したマルチカメラキャリブレーション手法であるCALICOについて述べる。 最近のアプローチは、インフラストラクチャとパターンベースに大別されている。 インフラストラクチャベースのアプローチでは、シーンの機能をキャリブレーションに使用し、パターンベースのアプローチではキャリブレーションパターンを使用する。 インフラストラクチャベースのアプローチは静止カメラシステムには適さないが、ビューの共有フィールドや極めて大きなパターンを必要とするため、パターンベースのアプローチはカメラ配置を制約する可能性がある。 CALICOはパターンに基づくアプローチであり、パターンとカメラ間の剛性制約を用いて多重校正問題を定式化する。 パターンリグ(パターンリグ) — 互いに厳格にアタッチされたいくつかのパターン、あるいはいくつかの構造体。 本稿では,代数的および再射誤差最小化問題としてキャリブレーション問題を表現している。 シミュレーションおよび実実験は、様々な環境でこの手法を実証する。 CalicoはKalibrを好んで比較した。 再現精度の誤差は、実際のカメラリグには$0.71$ mm、シミュレートされたカメラリグには$$1.11$であった。 コードとデータリリースは \cite{tabb_amy_2019_3520866} と \url{https://github.com/amy-tabb/calico} で利用可能である。

関連論文リスト

• eWand: A calibration framework for wide baseline frame-based and event-based camera systems [11.735290341808064]
  印刷または表示されたパターンの代わりに不透明な球体内でLEDを点滅させる新しい方法であるeWandを提案する。 本手法は,イベントベースカメラとフレームベースカメラの両方において,高精度なキャリブレーション手法を実現する。
  論文  参考訳（メタデータ） (2023-09-22T07:51:17Z)
• SceneCalib: Automatic Targetless Calibration of Cameras and Lidars in Autonomous Driving [10.517099201352414]
  SceneCalibは、複数のカメラとライダーセンサーを含むシステムにおいて、外在パラメータと内在パラメータを同時に自己校正する新しい方法である。 我々は,カメラ画像とライダー点雲との明示的な対応を必要としない完全自動方式で問題を解決する。
  論文  参考訳（メタデータ） (2023-04-11T23:02:16Z)
• Towards Nonlinear-Motion-Aware and Occlusion-Robust Rolling Shutter Correction [54.00007868515432]
  既存の手法では、一様速度仮定による補正の精度を推定する上で、課題に直面している。 本稿では,個々の画素の高次補正場を正確に推定する,幾何的回転シャッター(QRS)運動解法を提案する。 提案手法は,Carla-RS,Fastec-RS,BS-RSCの各データセット上で,PSNRの+4.98,+0.77,+4.33を超える。
  論文  参考訳（メタデータ） (2023-03-31T15:09:18Z)
• Deep Learning for Camera Calibration and Beyond: A Survey [100.75060862015945]
  カメラキャリブレーションでは、キャプチャされたシーケンスから幾何学的特徴を推測するために、カメラパラメータを推定する。 近年の取り組みでは,手動キャリブレーションの繰り返し作業に代えて,学習ベースのソリューションが活用される可能性が示唆されている。
  論文  参考訳（メタデータ） (2023-03-19T04:00:05Z)
• Cross-View Cross-Scene Multi-View Crowd Counting [56.83882084112913]
  従来,複数カメラを用いて1台のカメラの視野を拡大する手法が提案されてきた。 任意のカメラレイアウトで異なるシーンでトレーニングやテストを行う,クロスビュー・クロスシーン(CVCS)のマルチビュー・クラウドカウント・パラダイムを提案する。
  論文  参考訳（メタデータ） (2022-05-03T15:03:44Z)
• Self-Calibrating Neural Radiance Fields [68.64327335620708]
  キャリブレーション対象のないシーンの幾何学と正確なカメラパラメータを共同で学習する。 我々のカメラモデルは、ピンホールモデル、第4次ラジアル歪み、および任意の非線形カメラ歪みを学習可能な汎用ノイズモデルで構成されている。
  論文  参考訳（メタデータ） (2021-08-31T13:34:28Z)
• Wide-Baseline Multi-Camera Calibration using Person Re-Identification [27.965850489928457]
  本稿では,大規模広ベースシナリオのためのカメラネットワークの3次元ポーズ推定の問題に対処する。 現場の人々を「キーポイント」として扱い、異なるカメラビューに関連付けることは、対応を得るための代替方法である。 本手法ではまず,カメラ間で人間境界ボックスを関連付ける再ID法を用い,境界ボックス対応を点対応に変換する。
  論文  参考訳（メタデータ） (2021-04-17T15:09:18Z)
• Infrastructure-based Multi-Camera Calibration using Radial Projections [117.22654577367246]
  パターンベースのキャリブレーション技術は、カメラの内在を個別にキャリブレーションするために使用することができる。 Infrastucture-based calibration techniqueはSLAMやStructure-from-Motionで事前に構築した3Dマップを用いて外部情報を推定することができる。 本稿では,インフラストラクチャベースのアプローチを用いて,マルチカメラシステムをスクラッチから完全にキャリブレーションすることを提案する。
  論文  参考訳（メタデータ） (2020-07-30T09:21:04Z)
• 6D Camera Relocalization in Ambiguous Scenes via Continuous Multimodal Inference [67.70859730448473]
  あいまいさと不確かさを捉えるマルチモーダルカメラ再ローカライズフレームワークを提案する。 我々は、複数のカメラのポーズ仮説を予測し、それぞれの予測の不確実性も予測する。 あいまいな環境下でのカメラローカライゼーション研究を促進するための新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2020-04-09T20:55:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。