Year: 2011
Type: dissertation
Abstract: Resume L’objectif de ce memoire est de concevoir un systeme de stereovision passif pour inferer la profondeur de champ d’une scene. Le systeme est destine a fournir une information utile aux non-voyants sur l’environnement qui les entoure. Il doit fonctionner en temps reel et garantir de bonnes precisions. Le premier chapitre presente des methodes de base ainsi qu’une revue de litterature qui presente differentes categories de methodes qu’on peut employer pour inferer la profondeur. Un systeme a base d’une chaine de Markov cachee est presente. Il permet de mettre en correspondance les pixels des images issues de deux cameras, etape essentielle pour l’inference de profondeur en stereovision passive. Nous analysons les points de faiblesse du systeme et presentons une autre methode graphique, la propagation de conviction qui est plus stable. Une autre categorie de methodes qui sont plus rapides est aussi presentee. En particulier, on met l’emphase sur la correlation de phase. Le deuxieme chapitre presente deux methodes a base de correlation de phase. La premiere methode est une amelioration de la precision de la correlation de phase unidimensionnelle (Enhanced Phase Only Correlation, EPOC) et la deuxieme est une optimisation de la correlation de phase bidimensionnelle (Multiple Modes Phase Only Correlation, MMPOC). La correlation de phase bidimensionnelle est plus precise que la version unidimensionnelle, mais moins rapide. Une description d’une implementation d’EPOC sur FPGA est fournie.
Le troisieme chapitre fait une discussion sur EPOC dans un contexte graphique. Une comparaison entre differentes approches se fait dans un contexte Bayesien.
Le quatrieme chapitre presente deux systemes stereoscopiques a base de memoire associative quantique de Hopfield. Le premier systeme est une architecture serielle qui emploie le reseau quantique de Hopfield, le deuxieme systeme est une version parallele de cette architecture. Le but de ce chapitre est d’expliquer qu’une memoire associative possede la capacite d’inferer la profondeur a partir d’une paire d’images stereoscopiques. Les points de faiblesse de ces methodes sont compares a ceux du cerveau humain.----------Abstract The main objective of the present Master thesis is to design a passive stereovision system to be used in the cortical visual stimulators application. The system aims to provide blind patients with information on the spatial positioning of objects that are present in a given environment. Main requirements are real-time operability and high disparity estimation accuracy.
The first chapter presents different approaches to solve the correspondence search problem, a main step to infer depth with passive stereovision systems. The first system is based on a Hidden Markov Model. We review the drawbacks of the proposed system and present a more stable approach that exists in the literature, Belief Propagation. We also present faster approaches to solve the correspondence problem, with a special attention on phase correlation.
The second chapter presents two phase based approaches to solve the correspondence problem. The first system (Enhanced Phase Only Correlation, EPOC) is an enhancement of the 1D version of the Phase Only Correlation. The second system (Multiple Modes Phase Only Correlation, MMPOC) optimizes the 2D Phase Only Correlation method. The 2D Phase Only Correlation method is known to be more accurate than the 1D version, but takes a longer time to execute. A real-time implementation of the EPOC algorithm on a FPGA is described. The third chapter discusses in more detail the EPOC system in a graphical framework. Key systems comparison is made in a Bayesian framework.
In the fourth chapter, we design two Hopfield based quantum associative memories that have the ability to infer depth from two images, the serial architecture and parallel architecture of Hopfield Quantum network. A comparison relates the drawbacks of the proposed systems with results of experimentations that were performed on the human brain.
Author: Firas Hawi
Language: French
Topic: Advanced Vision and Imaging
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W2265717972