第五章 實驗結果
5.3 以粒子群最佳化估測基礎矩陣實驗結果
5.3.2 第二組實驗(LIDAR)資料
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
69
5.3.2 第二組實驗(LIDAR)資料
第一組 LIDAR 資料
光達資料是一種雷射成像系統，可以將三維模型中的座標記錄下來，相機對 物體拍攝相片後，只要透過投影矩陣，即可計算出三維物體在相片上的座標，我 們可以透過這個步驟獲得 ground truth 資料，圖 5.17 是實驗用的兩張相片。
圖 5.17：LIDAR 第一組實驗相片
相片解析度為 3072x2048，籃子大小為 256x256，共有 96 個，初始找尋對應 點時採用 SIFT 演算法，由於電腦記憶體不足以處理較大的相片解析度，因此我 們在找尋對應點時，會先將相片解析度縮小一半為 1536x1024，找到後的對應點 座標在乘上兩倍，便可以獲得對應點資訊，共可以找到 1336 組對應點，而用來 驗證的 ground truth 資料，則有 2121 組對應點。
採用 5.3.1 小節的三種方法和接近的疊代次數，我們可以有以下的實驗結果，
如表 11、12。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
70
表 11：LIDAR 場景估測基礎矩陣第一組結果
方法 1000 組平均誤差 1000 組標準差 1000 組需要時間 PSO 0.237 像素 0.1056 像素 8 小時 LMedS_PSO 0.247 像素 0.1056 像素 29 小時
LMedS 0.278 像素 0.1057 像素 70 小時
表 12：LIDAR 場景估測基礎矩陣第一組結果標準差分佈 方法 小於平均標準差 小於 0~1 倍 小於 1~2 倍
PSO 673 個 633 個 40 個
LMedS_PSO 642 個 599 個 43 個
LMedS 564 個 541 個 23 個
從表 11、12 可以發現，當我們資料量越多，花費的時間成本也相對增多，
不過 PSO 的方法仍是誤差最小，且時間花費最少的，接著我們統計三種方法的 一千組結果，計算總平均、標準差，繪製出直方圖和累積的折線圖，如圖 5.18、
5.19。
圖 5.18：LIDAR 第一組實驗直方圖比較
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
71
圖 5.19：LIDAR 第一組實驗折線圖比較
第二組 LIDAR 資料
第二組資料的兩張照片如圖 5.20。
圖 5.20：LIDAR 第二組實驗相片
相片解析度為 3072x2048，籃子大小為 256x256，共有 96 個，共可以找到 1157 組對應點，而用來驗證的 ground truth 資料，則有 1733 組對應點，實驗結 果如表 13、14。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
72
表 13：LIDAR 場景估測基礎矩陣第二組結果
方法 1000 組平均誤差 1000 組標準差 1000 組需要時間 PSO 0.385 像素 0.1683 像素 6 小時 LMedS_PSO 0.386 像素 0.1684 像素 23 小時
LMedS 0.431 像素 0.1685 像素 56 小時
表 14：LIDAR 場景估測基礎矩陣第二組結果標準差分佈 方法 小於平均標準差 小於 0~1 倍 小於 1~2 倍
PSO 638 個 520 個 118 個
LMedS_PSO 627 個 492 個 135 個
LMedS 515 個 420 個 95 個
PSO 的方法仍是誤差最小，且時間花費最少的，接著我們統計三種方法的一 千組結果，計算總平均、標準差，繪製出直方圖和累積的折線圖，如圖 5.21、5.22。
圖 5.21：LIDAR 第二組實驗直方圖比較
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
73
圖 5.22：LIDAR 第二組實驗折線圖比較
5.3.3 討論與分析
從 5.3.1 和 5.3.2 共三組實驗結果看出來，三種方法用接近的疊代計算次數比 較，使用 PSO 的方法比過去使用強健式方法 LMedS 快上不少，平均誤差值也較 小，而我們另外結合兩種方法的 LMedS_PSO 則是在時間成本、平均誤差值皆介 於中間，這是可以預期的，第一組 3DMAX 資料因為是我們用電腦模擬，包括相 機的參數皆有的情況下，算出來的誤差值較小，而第二組 LIDAR 資料因為在找 對應點時遇到記憶體不足的問題，調整後已經造成些誤差，再來利用投影矩陣投 影回相片上時，需要做正規化，這部份也產生了誤差，因此整體比較下來，誤差 比 3DMAX 資料大，但是就 LIDAR 資料來說，我們提出的方法是有效率且誤差 值較小的，有了這些資訊後，適合未來繼續進行相關研究。
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
75
6.2 未來工作
未來我們可以考慮在演算法初始化步驟中加入挑選點的方法，田口方法是有 機會加入並且結合的，由於粒子群最佳化演算法是會根據過去經驗不斷更新疊代 的演算法，因此第一次挑選扮演著重要的角色，若初始選點可以分散並且具有規 則，或許有機會在搜尋空間中做比較完整的搜尋，雖然我們已經利用分群與隨機 取樣的方法儘可能將初始化的對應點分散和避免共平面問題，但仍是採用隨機取 樣，並沒有一套機制分配初始化的點，這部份是我們未來可以更加探討的。
有了準確的基礎矩陣後，後續可以應用在找尋密集的對應點，過去有許多學 者長期研究在找尋精確度高的對應點，本研究中曾提到，在幾何關係下，多視角 影像的對應點是可以由準確的基礎矩陣計算出座標。
接著過濾誤差較大的雜訊點後，便可以建出三維模型空間，有了精確的三維 模型空間後，進一步可以加入材質敷貼，就形成了完整的三維模型，有機會可以 應用在地理資訊系統(Geographic Information System)、數位典藏(Digital archive)、
電影製作(filmmaking)。
‧
[8]. C. Tang, Y. Wu, and Y. Lai, “Fundamental Matrix Estimation using Evolutionary Algorithms with Multi-Objective Functions”, Journal of Information Science
and Engineering , 2008, pp.785-800.
[9]. F. Frenzel, “Genetic algorithms,” Potentials, IEEE , vol.12, no.3, pp.21-24, Oct 1993.
[10]. L. George. 2004. Artificial Intelligence: Structures and Strategies for Complex
Problem Solving (5th Edition). Pearson Addison Wesley.
[11]. M. Lhuillier, Q. Long, “Match propagation for image-based modeling and rendering,” Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol.24, no.8, pp. 1140- 1146, Aug 2002.
‧
[12]. G. Lowe, “Distinctive Image Features from Scale-Invariant Keypoints”,
International Journal of Computer Vision, vol. 60, no. 2, pp. 91-110, 2004.
[13]. J. Kennedy, R. Eberhart, “Particle swarm optimization,” Neural Networks, 1995.
Proceedings., IEEE International Conference on, vol.4, no., pp.1942-1948 vol.4,
Nov/Dec 1995.
[14]. J. Phillip, “Taguchi Techniques for Quality Engineering”, McGraw-Hill Professional, 2nd edition, 1995.
[15]. A. Ratnaweera, K. Halgamuge, C.Watson, “Self-organizing hierarchical particle swarm optimizer with time-varying acceleration coefficients,” Evolutionary
Computation, IEEE Transactions on, vol.8, no.3, pp. 240- 255, June 2004.
[16]. H. Richard, Z. Andrew. 2003. Multiple View Geometry in Computer Vision (2 ed.). Cambridge University Press, New York, NY, USA.
[17]. H. Thomas, S. Clifford, L. Ronald, and E. Charles. 2001. Introduction to
Algorithms (2nd ed.). McGraw-Hill Higher Education.
[18]. A. Xavier, S. Joaquim, “Overall view regarding fundamental matrix estimation”
Image and Vision Computing, vol. 21, no. 2, pp. 205-220, 2003
[19]. Z. Zhengyou, “Parameter Estimation Technique: A Tutorial with Application to Conic Fitting”, Image and Vision Computing, vol. 15, no. 1, pp. 59-76, 1997.
[20]. Ground Truth data, http://cvlab.epfl.ch/~strecha/multiview/denseMVS.html