投影和监控摄像头之间的区别
本文讨论了中国香港 Vastfame Camera Ltd. 诉 Birkart Globistics Ltd. 案，该案涉及货运代理的角色。该案件涉及一批相机的误放。介绍了本案的其他事实。 Birkart辩称，它将承担合同承运人的义务。同时，Vastfame 的义务仅限于将货物运送到 HPI 指定的船上。 空间增强现实（SAR）旨在将虚拟信息在空间上叠加到现实世界的物体上。在过去的几十年里，它取得了很大的成功，并被广泛应用于各个领域，例如医学、原型设计、娱乐等。然而，为了获得高质量的投影，人们必须处理多个问题，其中包括最重要的是有限的投影仪输出色域、环境照明、彩色背景以及投影场景的任意几何表面配置。
这些因素会导致图像失真，需要额外的补偿步骤。智能投影是 PAR 应用的核心。它们配备了投影和采集设备，可以控制投影外观并即时进行校正以补偿失真。尽管主动结构光技术迄今为止已成为解决此类问题的事实上的方法，但本博士论文提出了一种相对较新的非侵入式基于内容的方法，用于多个平面的几何补偿和 SAR 中的物体识别。研究了在投影采集场景中使用颜色不变性来增强特征匹配质量。大多数最先进方法的性能与所提出的基于局部直方图均衡的描述符一起进行了研究。其次，为了更好地解决使用投影仪相机系统时遇到的典型条件，专门准备了两个真实世界投影数据集用于实验目的。通过一系列评估框架，对所有考虑的算法的性能进行了彻底分析，并就哪种算法在每种情况下更合适提供了一些推论。第三，这项博士工作解决了用于补偿所获取图像中不同单应性失真的多表面拟合问题。提出了特征匹配和光流跟踪的结合，以实现更低权重的几何补偿。
第四，展示了从获取的投影中进行对象识别的新应用示例。最后，所考虑的方法在 GPU 上的实时实现展示了 SAR 应用中基于非侵入式特征匹配的几何补偿的前景。 事件相机是新型神经形态视觉传感器，具有超高时间分辨率和低延迟（均为微秒级）。事件摄像机不是生成图像帧，而是生成具有精确时间戳的每像素强度变化的异步事件流。由此产生的稀疏数据结构阻碍了将许多传统的计算机视觉技术应用于事件流，并且应该设计特定的算法来利用事件摄像机提供的信息。我们提出了一种角点检测算法 eSUSAN，其灵感来自于用于角点检测的传统 SUSAN（最小单值段同化核）算法。所提出的 eSUSAN 基于跨时间戳的相似性从圆核中提取单值段同化核，并通过核区域中的像素数量来区分角点事件。此外，eSUSAN 的速度足够快，可以应用于具有最高分辨率的事件摄像机 CeleX-V。基于eSUSAN，我们还提出了SE-Harris角点检测器，它使用基于指数衰减的自适应归一化来快速构建活动事件的局部表面，并使用基于事件的Harris检测器来细化eSUSAN识别的角点。我们在公共数据集和 CeleX-V 数据上评估了所提出的算法。 eSUSAN 和 SE-Harris 都表现出了比现有算法更高的实时性能，同时保持了高精度和跟踪性能。
这些因素会导致图像失真，需要额外的补偿步骤。智能投影是 PAR 应用的核心。它们配备了投影和采集设备，可以控制投影外观并即时进行校正以补偿失真。尽管主动结构光技术迄今为止已成为解决此类问题的事实上的方法，但本博士论文提出了一种相对较新的非侵入式基于内容的方法，用于多个平面的几何补偿和 SAR 中的物体识别。研究了在投影采集场景中使用颜色不变性来增强特征匹配质量。大多数最先进方法的性能与所提出的基于局部直方图均衡的描述符一起进行了研究。其次，为了更好地解决使用投影仪相机系统时遇到的典型条件，专门准备了两个真实世界投影数据集用于实验目的。通过一系列评估框架，对所有考虑的算法的性能进行了彻底分析，并就哪种算法在每种情况下更合适提供了一些推论。第三，这项博士工作解决了用于补偿所获取图像中不同单应性失真的多表面拟合问题。提出了特征匹配和光流跟踪的结合，以实现更低权重的几何补偿。
第四，展示了从获取的投影中进行对象识别的新应用示例。最后，所考虑的方法在 GPU 上的实时实现展示了 SAR 应用中基于非侵入式特征匹配的几何补偿的前景。 事件相机是新型神经形态视觉传感器，具有超高时间分辨率和低延迟（均为微秒级）。事件摄像机不是生成图像帧，而是生成具有精确时间戳的每像素强度变化的异步事件流。由此产生的稀疏数据结构阻碍了将许多传统的计算机视觉技术应用于事件流，并且应该设计特定的算法来利用事件摄像机提供的信息。我们提出了一种角点检测算法 eSUSAN，其灵感来自于用于角点检测的传统 SUSAN（最小单值段同化核）算法。所提出的 eSUSAN 基于跨时间戳的相似性从圆核中提取单值段同化核，并通过核区域中的像素数量来区分角点事件。此外，eSUSAN 的速度足够快，可以应用于具有最高分辨率的事件摄像机 CeleX-V。基于eSUSAN，我们还提出了SE-Harris角点检测器，它使用基于指数衰减的自适应归一化来快速构建活动事件的局部表面，并使用基于事件的Harris检测器来细化eSUSAN识别的角点。我们在公共数据集和 CeleX-V 数据上评估了所提出的算法。 eSUSAN 和 SE-Harris 都表现出了比现有算法更高的实时性能，同时保持了高精度和跟踪性能。
