Stéreo multi-vues à grande échelleet de haute qualité.

• Main Author: Vu, Hiep
• Language: ENG
• Published: Ecole Nationale des Ponts et Chaussées 2011
• Subjects: [INFO:INFO_CV] Computer Science/Computer Vision and Pattern Recognition; multi-vues stéréo; reconstruction 3D; reconstruction de surface; méthode variationelle; GPU; fusion des maillages; grande échelle; haute qualité; précision; diviser pour régner; triangulation de Delaunay; tétrahédralisation contrainte de Delaunay; coupe minimale
• Online Access: http://tel.archives-ouvertes.fr/tel-00743289; http://tel.archives-ouvertes.fr/docs/00/74/32/89/PDF/these-hiep.pdf

L'acquisition de modèles 3D des scènes réelles trouve son utilité dans de nombreuses applications pratiques, comme l'archivage numérique, les jeux vid eo, l'ingénierie, la publicité. Il existe principalement deux méthodes pour acqu érir un modèle 3D: la reconstruction avec un scanner laser (méthode active) et la reconstruction à partir de plusieurs photographies d'une même scène prise dans des points de vues différents (méthode passive). La méthode passive, ou la stéréo multi-vues est en revanche plus flexible, facile à mettre en oeuvre avec une grande précision, et surtout moins couteuse que la méthode active. Cette thèse s'attaque au problème de la reconstruction de stereo multi-vues à grande échelle . Nous améliorons des méthodes précédentes et les assemblons pour créer une chaine de stereo multi-vues efficace tirant parti de l'accélération des cartes graphiques. La chaîne produit des maillages de qualité à partir d'images de haute résolution, ce qui permet d'atteindre les meilleurs scores dans de nombreuses évaluations. Aux plus grandes échelles, nous développons d'une part des techniques de type diviser-pour-régner pour reconstruire des morceaux partiaux de la scène. D'autre part, pour combiner ces résultats séparés, nous créons une nouvelle méthode qui fusionne rapidement des centaines de maillages. Nous réussissons à reconstruire de beaux maillages urbains et des monuments historiques précis à partir de grandes collections d'images (environ 1600 images de 5M Pixel).