Structure from motion , la enciclopedia libre

Structure from motion es una técnica de bajo coste que tiene sus orígenes en la comunidad de la visión por computador, método fácil de utilizar, para la obtención de datos de alta resolución en un rango de escalas, capaz de representar un objeto 2D a 3D con sólo unas cuantas fotografías desde diferentes puntos de vista.^[1]​

Este tipo de representaciones, muy a menudo, se convierten en altos costes debido a que la recogida y adquisición de los datos puede ser muy complicada por la lejanía o inaccesibilidad en muchos lugares de campo. Otras plataformas como el escaneo láser terrestre o GPS suelen ser métodos más baratos pero poco prácticos y fiables.

En lugar de eso, se resuelven simultáneamente usando un procedimiento de ajuste basado en una base de datos de características, extraídas automáticamente a partir de un conjunto de múltiples imágenes superpuestas, donde derivan de un sensor de movimiento de una cámara.

A diferencia de los métodos tradicionales, las posiciones de la cámara de SFM no tienen la escala y la orientación proporcionada por las coordenadas necesarias del objeto a tratar.

La etapa de procesamiento inicial, es la identificación de características en imágenes individuales que pueden ser usados para relacionarlas entre ellas mediante características comunes.

Una solución popular a este problema, es el sistema de extracción de características SIFT, este algoritmo identifica características en cada imagen que son invariantes en la escala, la rotación y los cambios en condiciones de iluminación, de esta manera, los puntos de interés, o 'puntos clave', se identificarán automáticamente en todas las escalas y localizaciones en cada imagen.

Por lo tanto, obtendremos una base de datos de puntos de interés entre todas las imágenes, que nos ayudarán a relacionarlas más tarde entre ellas.

• El número de puntos clave en una imagen depende principalmente de la textura y la resolución de la imagen, de modo que las imágenes con altas definiciones, devolverán los mejores resultados.

• La disminución de la distancia entre la cámara y la característica de interés, aumentará así la resolución espacial de la fotografía.

• El requisito para la obtención con éxito de las características, es un mínimo de tres fotografías. Sin embargo, la obtención de la mayor cantidad de imágenes, es muy recomendable, ya que optimiza el número máximo de puntos y redundancia del sistema.

Especial atención se dará a la elección de la plataforma de adquisición. Por ejemplo, los sitios de pequeña escala con ángulos muy inclinados, es probable que sean más adecuados para un enfoque desde tierra en diferentes vistas, mientras que la fotografía aérea de baja altitud (LAAP) puede proporcionar una mejor cobertura sobre los lugares más grandes.

Al hacer las fotografías, se debe tomar especial atención a maximizar la superposición de las líneas básicas del objeto para poder obtener mejores resultados.

Tras la identificación y asignación de los puntos claves, habrá puntos, que en múltiples imágenes son coincidentes por un vecino más cercano aproximado, dando puntos que comparten características muy similares. Los que no cumplan con estos criterios serán descartados automáticamente.

Esto también será posible aplicar a objetos no estáticos, capturados involuntariamente o la eliminación de puntos que no sean de nuestro interés a la hora de la reproducción en 3D.

La completa automatización de este proceso, desde la extracción punto clave, la reconstrucción precisa de geometría de la escena, es una clara ventaja del método SFM sobre enfoques fotogramétricos digitales tradicionales.

La técnica SfM ha sido ampliamente empleada en el campo de las geociencias y de la ingeniería. Por ejemplo, en el ámbito de la mecánica de rocas ha sido utilizada para obtener nubes de puntos 3D para determinar la orientación de las discontinuidades.

Con un mínimo de 3 fotografías tomadas desde diferentes puntos de vista de un objeto y sin saber la posición exacta, podemos reconstruir estas imágenes 2D a 3D por un coste mucho más económico que otras técnicas.

El procedimiento consistirá en la extracción de unos puntos en común de todas las fotografías tomadas mediante el algoritmo SIFT, que nos permitirá poder hacer una clasificación para reconstruir la imagen desde los diferentes puntos de vista posibles. Softwares ya especializados, harán inmediatas las representaciones en 3D incluyendo en muchos casos, la textura y el color del objeto, haciendo incluso posible, la eliminación de alguna de las partes que no sean de nuestro interés.

• Richard Hartley and Andrew Zisserman (de 2003). Multiple View Geometry in Computer Vision. Cambridge University Press. ISBN 0-521-54051-8. 

• Olivier Faugeras and Quang-Tuan Luong and Theodore Papadopoulo (de 2001). The Geometry of Multiple Images. MIT Press. ISBN 0-262-06220-8. 
• Yi Ma, S. Shankar Sastry, Jana Kosecka, Stefano Soatto, Jana Kosecka (November de 2003). An Invitation to 3-D Vision: From Images to Geometric Modelos. Interdisciplinary Applied Mathematics Series, # 26. Springer-Verlag New York, LLC. ISBN 0-387-00893-4. 

OpenSource solution

1. Structure from Motion toolbox for Matlab Archivado el 24 de mayo de 2008 en Wayback Machine. by Vincent Rabaud
2. Structure and Motion Toolkit by Phil Torr
3. Libmv - A C ++ Structure from Motion library
4. Micmacs, SFM open-source code released by the Instituto national de la information geográfica te Forestière
5. Matlab Code for Non-Rigid Structure from Motion by Lorenzo Torresani

software

1. Smart3DCapture, a complete photogrammetry solution by Acute3D.
2. Automatic Camera Tracking System (ACTS) A structure-from-motion system for Microsoft Windows, by State Key Lab of CAD & CG, Zhejiang University.
3. SFMToolkit a complete photogrammetry solution based on open-source software
4. MountainsMap SEM software for Scanning Electron Microscope s. 3D is obtained by tilting the specimen + photogrammetry.
5. Catena Python Abstract Workflow Framework with SFM componentes.