演化式演算法在電腦視覺之應用 20091126 Seminar報告 研 究 生：劉恭良 指導教授：何瑁鎧

Outline 1. 簡介 2. 相關研究 3. 目前進度 4. 未來規劃 5. Q&A

1.簡介 目的 電腦視覺的應用越來越多，如何改善並延 展現有的應用(如：改善準確率、提升效能) 已經是目前熱門的研究。 我們將使用演化式演算法來改善我們現有 結果，希望可以藉由新的演算法來提升準 確率、達到高效能的成果。 目前重點將放在3D模型重建和影像修補。

2.相關研究(1/13) 蔡政君提出「使用光束調整法與多張影 像做相機校正與三維模型重建」 使用多視角影像來改善各個對應點位置， 並經由光束調整法產生較精準的相機內、 外部參數，接著建出想要的模型。

2.相關研究(2/13) 稀疏光束調整法 SBA(Sparse Bundle Adjustment)

2.相關研究(3/13) 蔡瑞陽提出 「從多視角萃取密集影像對應」 對應點位置之改善 各種不同條件下精確地萃取對應點 極線轉換 零平均正規化相關匹配、ZNCC(Zero-mean Normalized Cross-Correlation) 顏色直方圖

2.相關研究(4/13) 極線轉換 任兩張影像上兩對應點，在第三張影像上， 其極線交點即為兩對應點在第三張影像上 的對應點。 I3 I1 p1 p2 p3 L1 L2

2.相關研究(5/13) 吳坤信提出「從多視角已校正影像改善 三維粗略模型」 利用視覺外廓去改善模型的精確度 使用多視角幾何及極線轉換改善多視角相 片上的對應點 自動化的將多視角拍攝的相片敷貼於三維 空間模型上

2.相關研究(6/13) 劉啟宗提出使用序列影像做影像修補 使用Homography與Image Rectification 特性修補影像中的缺口

2.相關研究(7/13) 粒子群最佳化 PSO(Particle Swarm Optimization) Step1： 將問題形式化。將D個參數最佳化的問題 視為一個D維的求解空間，定義一個具有 粒子的族群，每個粒子的位置及速率均為 D維的向量。

2.相關研究(8/13) Step2： Step3： Step4： 初始化。 以隨機方式設定每個粒子的位置及其速率。 將粒子的位置代入求解問題評估函數以求得每 個粒子的評估值。 Step4： 每一個粒子的評估值與該粒子所經歷的最佳評 估值比較，假若新的評估值比粒子的最佳評估 值佳，則以新的位置及評估值取代粒子的最佳 解位置及評估值。

2.相關研究(9/13) Step5： 每一個粒子的最佳評估值與群體的最佳評估值 比較，假若粒子的最佳評估值比群體的最佳評 估值佳，則以粒子的最佳解位置及評估值取代 所有粒子的最佳解位置及評估值。 Step6： 使用下列式子改變個體的速率並移動粒子位置。 其中　　為粒子的位置， 為粒子的速度， 為粒子最佳解位置，　為所有粒子的最佳 解位置，C1=C2=2，rand為-1至1的亂數值。

2.相關研究(10/13) Step7： 重複步驟3~步驟6，直到群體的最佳評估值 符合我們的需求。

2.相關研究(11/13) 基因演算法 極值問題： 排列問題： 組合問題： 評估函數的最大化或最小化 在N個元素中取M個進行排列 投資組合 預算分配 排課問題

2.相關研究(12/13) 基因演算法 優點： 可以處理的資料類型範圍極大 可以用在最適化的問題上 和類神經網路結合容易

2.相關研究(13/13) 基因演算法 缺點： 許多問題有編碼上的困難 不保證最適化 運算成本極高 可以運用的商業套裝軟體不多

3.目前進度(1/6) 非共面材質處理 類似且重複性牆面 柱狀牆面

3.目前進度(2/6) 類似且重複性牆面 拍攝照片時，很有可能一張照片裡有重 覆需要修補的地方，稱為重覆性牆面。 先選定要修補的區塊，再使用區塊比對 演算法找出照片中重覆區域，以進行影 像修補。

3.目前進度(3/6)

3.目前進度(4/6) 柱狀牆面 因為必須貼回3D Model，所以需要對照 片做正規化處理。 選定一平面後，將自動產生對應的曲線 高度，以用來做後續的homography對應。

3.目前進度(5/6) 解析度 2592*3888

3.目前進度(6/6) 經由實驗自動產生的曲線

4.未來規劃 將投入在多種電腦視覺應用，並加入一 種或多種演化式演算法，用來提升實驗 準確率及實驗效能。 考慮在Multi-Core的架構下進行實驗。 (Ex：NVIDIA CUDA)

Thank you for your attention!! 5.Q&A Thank you for your attention!!