Segmentação de Regiões de Interesse em Mapas de Disparidade

Autores

  • Thiago Rateke Universidade Federal de Santa Catarina (UFSC) Instituto Nacional para Convergência Digital (INCoD) Laboratório de Processamento de Imagens e Computação Gráfica (LAPIX) Florianópolis – Santa Catarina Universidade Federal de Santa Catarina (UFSC) Programa de Pós-Graduação em Ciência da Computação (PPGCC) Florianópolis – Santa Catarina
  • Marcelo Dornbusch Lopes Universidade Federal de Santa Catarina (UFSC) Instituto Nacional para Convergência Digital (INCoD) Laboratório de Processamento de Imagens e Computação Gráfica (LAPIX) Florianópolis – Santa Catarina
  • Antonio Carlos Sobieranski Universidade Federal de Santa Catarina (UFSC) Instituto Nacional para Convergência Digital (INCoD) Laboratório de Processamento de Imagens e Computação Gráfica (LAPIX) Florianópolis – Santa Catarina Universidade do Vale do Itajaí (UNIVALI) 4Vision Lab Florianópolis – Santa Catarina
  • Eros Comunello Universidade Federal de Santa Catarina (UFSC) Instituto Nacional para Convergência Digital (INCoD) Laboratório de Processamento de Imagens e Computação Gráfica (LAPIX) Florianópolis – Santa Catarina Universidade do Vale do Itajaí (UNIVALI) 4Vision Lab Florianópolis – Santa Catarina
  • Aldo von Wangenheim Universidade Federal de Santa Catarina (UFSC) Instituto Nacional para Convergência Digital (INCoD) Laboratório de Processamento de Imagens e Computação Gráfica (LAPIX) Florianópolis – Santa Catarina

DOI:

https://doi.org/10.14210/cotb.v0n0.pp.288-297

Resumo

Este trabalho apresenta os conceitos e etapas que envolvem a visão estereoscópica, desde a etapa de calibração das câmeras até os métodos de correspondência estéreo; para isso foram utilizadas as funções disponíveis na biblioteca OpenCV. A proposta deste trabalho é utilizar um Threshold no mapa de disparidade, buscando assim eliminar ruídos e más correlações entre pixels, deixando somente a região de maior interesse, que é a pessoa ou objeto mais próximo às fontes de captura. Os resultados obtidos demonstram que o pós-processamento pode eliminar as correlações mais distantes, ruídos e falhas da correlação. Além disso, deixa claro as possibilidades de trabalhos futuros baseados no pós-processamento em mapa de disparidade.

Downloads

Edição

Seção

Artigos Completos