TAZ-TFM-2020-1352


Estimación de línea del horizonte en imágenes de 360 grados con aprendizaje automático profundo

Fraguas Bordonaba, Eduardo
Bermúdez Cameo, Jesús (dir.)

Universidad de Zaragoza, EINA, 2020
Departamento de Informática e Ingeniería de Sistemas, Área de Ingeniería de Sistemas y Automática

Máster Universitario en Ingeniería Industrial

Resumen: A lo largo de este trabajo, se ha propuesto un método general para la rectificación vertical de la orientación (considerando como referencia absoluta la dirección de la gravedad) en todo tipo de imágenes panorámicas, tanto de interior como de exterior, en ambientes naturales y urbanos y con cualquier tipo de iluminación. El desarrollo de este método se centra principalmente en el entrenamiento de una red neuronal convolucional mediante deep learning, que es capaz de detectar tanto la línea del horizonte como los puntos de fuga verticales de las imágenes panorámicas. Estos elementos de las imágenes nos permiten obtener información geométrica muy valiosa para conocer la orientación de la cámara.
El trabajo aborda todas las fases necesarias para alcanzar los objetivos planteados, comienza con la creación desde cero de un dataset suficientemente grande y variado para que el entrenamiento sea fructífero, esta creación del dataset reúne las tareas de recolección de fotos, procesamiento de las imágenes y generación del ground truth. Posteriormente se entrena la red en la que va a basarse nuestro método de ajuste vertical con el dataset creado. A partir de las imágenes de salida de nuestra red, se desarrolla un algoritmo basado en el procesamiento de imágenes con el que podremos corregir la orientación de las imágenes panorámicas a partir de los mapas de píxeles de los puntos de fuga que obtenemos.
Por último se comparan nuestros resultados con el estado del arte mediante la experimentación sobre un método geométrico de detección de puntos de fuga basado en el algoritmo RANSAC, el cual se ha implementado con el fin de comparar la efectividad de nuestro método respecto a otros trabajos existentes y las ventajas de introducir redes neuronales profundas en el desarrollo del proceso.


Tipo de Trabajo Académico: Trabajo Fin de Master

Creative Commons License

El registro pertenece a las siguientes colecciones:
Trabajos académicos > Trabajos Académicos por Centro > Escuela de Ingeniería y Arquitectura
Trabajos académicos > Trabajos fin de máster



Volver a la búsqueda

Valore este documento:

Rate this document:
1
2
3
 
(Sin ninguna reseña)