Computer Vision Three-Dimensional Data From Images

See
discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/220689403
Computer Vision: Three-Dimensional Data

From Images
Book January 1998

Source: DBLP
CITATIONS READS
290 2,442
3 authors, including:
Reinhard Klette Andreas Koschan

Auckland University of Technology University of Tennessee
619 PUBLICATIONS 4,788 CITATIONS 195 PUBLICATIONS 2,805 CITATIONS
SEE PROFILE SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Computer vision for road safety, driver comfort and intelligent traffic View project
Available from: Reinhard Klette

Retrieved on: 05 November 2016
GUA DOCENTE DE
Curso 2010-2011
Mstoles, 09 de diciembre de 2010
V02-01042010
TITULACION Mster Oficial en Visin Artificial
GUIA DOCENTE DE LA ASIGNATURA Visin Tridimensional
Profesores:
Nombre y apellidos: Ana Beln Moreno Daz
Coordinador/a de la asignatura: Ana Beln Moreno Daz
I.- Identificacin de la asignatura
Tipo Obligatoria
Materia Visin Tridimensional
Perodo de imparticin 2 Semestre
N Crditos 3 (ECTS)
Idioma en el que se imparte Espaol
Departamento Ciencias de la Computacin
Asignaturas llave Ninguna
Este dato ser incluido por el Vicerrectorado de Profesorado,
Tasa de xito
Titulaciones, Ordenacin Acadmica, Coordinacin y Campus
II.- Presentacin
Incluir los REQUISITOS PREVIOS Y RECOMENDACIONES1.
Se recomiendan conocimientos bsicos de Tratamiento Digital de Imgenes.
III.- Competencias
Competencias transversales Conocer nueva terminologa y nuevos conceptos de Visin Artificial.

Saber aplicar conocimientos tericos de Visin Artificial a sistemas
reales.
Saber comprender, expresar y exponer temas relacionados con la
Visin Artificial.
Competencias especficas Saber los fundamentos de los sistemas de Visin Artificial que
interpretan escenas del mundo real a partir de sus propiedades
tridimensionales obtenidas de imgenes 2D de intensidades, de
digitalizadores 3D pticos, etc.
Ser capaz de crear y poner en marcha sistemas de Visin
Tridimensional.
1
Los requisitos previos o prerrequisitos incluyen conocimientos y competencias previas que el alumno necesitar dominar para
sacar provecho de la asignatura. Por otro lado las recomendaciones indican a los alumnos los conocimientos y acciones que
pueden ayudarles a alcanzar los objetivos formativos de la asignatura y facilitaran su superacin.
2
Saber los fundamentos de la Visin Estereoscpica, abarcando todas
sus etapas: la calibracin de cmaras, el problema de la
correspondencia y las tcnicas ms importantes para simplificarlo (el
empleo de la restriccin epipolar, de la configuracin cannica, etc).
De forma sucinta conocer la posibilidad de obtener informacin 3D a
partir del movimiento capturado en una secuencia de vdeo.
Conocer representaciones de objetos 3D y mtodos de reconstruccin
de objetos 3D de forma densa y no densa, y algunas aplicaciones.
Conocer tcnicas de reconocimiento y de localizacin de objetos 3D
IV.- Contenido
IV. A. Temario de la asignatura
Bloque temtico Tema Apartados

I.- Introduccin Tema 1. Qu es la 1.1 Aplicaciones de la Visin 3D.
Visin 1.2 Etapas de un sistema de Visin Tridimensional
Tridimensional? 1.3 Tcnicas de adquisicin de imgenes 3D
Tema 2. Calibracin 2.1 Relacin entre las coordenadas del mundo fsico
de una cmara y de la imagen digital.
2.2 Coordenadas homogneas.
2.3 Proyeccin perspectiva.
2.4 Calibracin mediante la Transformada Lineal
Directa.
2.5 Modelos geomtricos de cmara no lineales.
Tema 3. Visin
II.- Adquisicin 3.1 Visin estreo binocular: geometra
de imgenes 3D estreo esttica 3.2 El problema de la correspondencia
3.3 Restriccin epipolar
3.4 Visin estreo trinocular
3.5 Reduccin de ambigedades en la
correspondencia
3.6 Anlisis de correspondencias basado en
intensidad
3.7 Anlisis de correspondencias basado en rasgos
Tema 4.Visin 4.1 Vectores desplazamiento
estreo dinmica 4.2 Flujo ptico
4.3 Reconstruccin 3D a partir del movimiento
Tema 5. 5.1 Proyeccin de luz estructurada
Adquisicin de 5.2 Triangulacin activa
datos 3D mediante 5.3 Las imgenes 3D obtenidas mediante
sensores activos triangulacin activa
III.- Modelado Tema 6. Modelado 6.1 Representacin de objetos 3D
3D y 3D 6.2 Reconstrucciones 3D densas
reconocimiento 6.2 Reconstrucciones 3D basadas en rasgos.
6.3 Tcnicas de reconstruccin con mltiples
cmaras: aplicaciones
Tema 7. 7.1 Reconocimiento y localizacin 3D
Reconocimiento y 7.2 Segmentacin de imgenes 3D
localizacin de 7.3 rboles de interpretacin
objetos 3D 7.4 Invariantes
3
IV. B. Actividades obligatorias (evaluables):
Se debera especificar todas aquellas actividades obligatorias y evaluables que formar parte del
contenido de la asignatura y que sern necesarias para que el alumno adquiera las competencias.
Se pueden incluir otras actividades distintas a las aqu especificadas, siempre que vayan a ser
evaluables.
1. Lecturas (indicar ttulo, autor y editorial para cada referencia)
Ttulo Computer Vision, Three-Dimensional Data from Images

Autor R. Klette, K. Schlns y A. Koschan
Editorial Springer, 2001.
Ttulo Introductory Techniques for 3-D Computer Vision

Autor E. Trucco y A. Verri
Editorial Prentice Hall, 1998
2. Prcticas
Prctica 1.- Calibracin de una cmara

Prctica 2.- Bsqueda de correspondencias en un par de imgenes estreo
Prctica 3.- Creacin de un sistema de visin estreo
Prctica 4.- Extraccin de caractersticas en una mallado de superficie 3D
3. Laboratorios
4. Clnicos
5. Otras
4
V.- Tiempo de trabajo 2
Clases tericas 15
Clases prcticas/de resolucin de problemas, casos, etc. 6
Prcticas en laboratorios tecnolgicos, clnicos, etc. 0
Realizacin de pruebas 3
Tutoras acadmicas 6
Actividades relacionadas: jornadas, seminarios, etc. 0
Preparacin de clases tericas 20
Preparacin de clases prcticas/problemas/casos 15
Preparacin de pruebas 10
Total de horas de trabajo del estudiante 24+6+45 = 75
Puede tomar los siguientes datos como orientacin para la distribucin de crditos:
El total de horas de trabajo del estudiante (d) = 25 x nmero de crditos de la asignatura = a+b+c, y se
distribuye de la siguiente forma:
La suma de los apartados (a) = 8 x nmero de crditos de la asignatura

La suma de los apartados (b) = 2 x nmero de crditos de la asignatura
La suma de los apartados (c) = 15 x nmero de crditos de la asignatura
d = 25 x nmero de crditos de la asignatura
Distribucin horaria de la parte presencial (a):

Como ejemplo, se recomienda establecer para una asignatura semestral de 6 crditos, tres horas
semanales de clase presencial. Para asignaturas con menos crditos, se distribuirn las clases
respetando la proporcin anterior.
VI.- Metodologa y plan de trabajo
Clases tericas
Periodo3 Contenidos
Prcticas/de resolucin de problemas, casos, etc.

Periodo Contenidos
Laboratorios
Periodo Contenidos
2 El volumen de trabajo est referido al trabajo del estudiante. La dedicacin de los profesores a las diferentes actividades
docentes permite reconocer y valorar ms adecuadamente su carga de trabajo, y por ello es conveniente desarrollar
herramientas que permitan conocer el tiempo que efectivamente dedica a sus alumnos ms all de las horas lectivas, pero no
son objeto de las guas docentes. Todas las actividades previstas deben tener una preparacin mnima previa para el mejor
aprovechamiento del trabajo del alumno y para el control del responsable de la asignatura y del coordinador de titulacin.
3
Especificar la semana en que est previsto desarrollar el tema.
5
Seminarios y trabajos colectivos
Periodo Contenidos
Tutoras acadmicas
Periodo
Otras actividades
Periodo
Pruebas
Fecha Contenidos
Sera recomendable incluir un cronograma por semanas, indicando en l la distribucin del

trabajo, identificando las fechas de entregas de trabajos/informes del estudiante.
VII.- Mtodos de evaluacin
La ponderacin incluida en este punto debera concordar con la distribucin del tiempo
especificado en el punto V. Asimismo, puesto que en la metodologa de enseanza-aprendizaje se
recomienda el uso de distintas actividades y formas de trabajo, la evaluacin de la asignatura
tambin deber utilizar ms de un instrumento.
VII. A. Ponderacin para la evaluacin continua
El sistema de evaluacin de las titulaciones en el marco del EEES es la evaluacin continua.
En el sistema de evaluacin continua la asistencia a clase es obligatoria y su valoracin en el

proceso de evaluacin continua de la asignatura la establecern los profesores en cada
asignatura.
% Mnimo de asistencia a clase: 80%.
Actividad evaluadora Tipo4 Ponderacin Periodo Contenido

Prueba: Acumulativa
Reevaluable (podr
Liberatoria evaluarse en la 2
Test Puntuacin mnima convocatoria)
(de 1 a 10):.. No reevaluable (si no
supera la prueba, repite
curso)
4 Cada una de las actividades evaluables pueden tener una calificacin liberatoria o acumulativa para la calificacin final. Se
indicar, si hay una puntuacin mnima exigida a las pruebas para que se consideren aprobadas y sean liberatorias. Se
especificar si las pruebas son orales o escritas, y si son o no reevaluables.
6
Prueba: Acumulativa
Reevaluable (podr
Preguntas cortas Puntuacin mnima convocatoria)
orales (de 1 a 10):.. No reevaluable (si no
curso)
Prueba: Acumulativa
Reevaluable (podr
Preguntas cortas Puntuacin mnima convocatoria)
escritas (de 1 a 10):.. No reevaluable (si no
curso)
Prueba: Acumulativa
Reevaluable (podr
Preguntas de Puntuacin mnima convocatoria)
desarrollo orales (de 1 a 10):.. No reevaluable (si no
curso)
Prueba: Acumulativa
Reevaluable (podr
Preguntas de Puntuacin mnima convocatoria)
desarrollo escritas (de 1 a 10):.. No reevaluable (si no
curso)
Prueba: Acumulativa
Reevaluable (podr 60%
Cuestionarios Puntuacin mnima convocatoria)
(de 1 a 10): 5 No reevaluable (si no
curso)
Prcticas dentro del Acumulativa
aula: Reevaluable (podr
Puntuacin mnima convocatoria)
Resolucin de (de 1 a 10):.. No reevaluable (si no
problemas supera la prueba, repite
curso)
Resolucin de casos Puntuacin mnima convocatoria)
curso)
Resolucin de Puntuacin mnima convocatoria)
pruebas (de 1 a 10):.. No reevaluable (si no
curso)
Presentacin de Puntuacin mnima convocatoria)
7
trabajos individuales (de 1 a 10):.. No reevaluable (si no
curso)
Prcticas dentro del Acumulativa 20%
Presentacin de Puntuacin mnima convocatoria)
trabajos en grupo (de 1 a 10):.. No reevaluable (si no
curso)
Pelcula/documental Puntuacin mnima convocatoria)
curso)
Comentarios lecturas (de 1 a 10):.. No reevaluable (si no
curso)
Debates (de 1 a 10):.. No reevaluable (si no
curso)
Prcticas fuera del Acumulativa
aula:
Reevaluable (podr
problemas (de 1 a 10):.. No reevaluable (si no
curso)
Resolucin de casos Puntuacin mnima convocatoria)
curso)
pruebas (de 1 a 10):.. No reevaluable (si no
curso)
Pelcula/documental Puntuacin mnima convocatoria)
curso)
8
Comentarios lecturas Puntuacin mnima convocatoria)
curso)
Trabajos individuales Puntuacin mnima convocatoria)
curso)
aula: Reevaluable (podr 20%
Trabajos de grupo Puntuacin mnima convocatoria)
curso)
Informes Puntuacin mnima convocatoria)
curso)
Recensiones Puntuacin mnima convocatoria)
curso)
Acumulativa
Reevaluable (podr
Laboratorios Puntuacin mnima convocatoria)
curso)
Acumulativa
Reevaluable (podr
Clnicos Puntuacin mnima convocatoria)
curso)
Otras actividades fuera Acumulativa
del aula: Reevaluable (podr
Seminarios Puntuacin mnima convocatoria)
curso)
Visitas externas Puntuacin mnima convocatoria)
9
curso)
Salidas de campo Puntuacin mnima convocatoria)
curso)
Total 100%
VII. B. Ponderacin para la evaluacin de alumnos a tiempo parcial
Para que un alumno pueda optar a esta evaluacin, tendr que obtener la Dispensa Acadmica para la
asignatura, que habr solicitado al Decano o Director/a del Centro que imparte su titulacin.
La Dispensa Acadmica no excluye de la evaluacin continua. Dicha evaluacin se acomodar por el

profesor, asistido por el coordinador de Master, establecindose la adaptacin curricular segn las
caractersticas de cada caso concreto.
VIII.- Recursos y materiales didcticos5
Es recomendable distinguir entre bibliografa general bsica y complementaria
General
Ttulo Computer Vision, Three-Dimensional Data from Images
Autor R. Klette, K. Schlns y A. Koschan
Editorial Springer, 2001.
Ttulo Introductory Techniques for 3-D Computer Vision
Autor E. Trucco y A. Verri
Editorial Prentice Hall, 1998
Ttulo An Invitation to 3-D Vision
Autor Yi Ma, Stefano Soatto, Jana Kosecka, S. Shankar Sastry
Editorial Springer, 2005
Ttulo Computer Vision - A Modern Approach
Autor D.A. Forsyth y J. Ponce
Editorial Prentice Hall, 2002. ISBN: 0-130-85198-1
Ttulo Image Processing, Analysis, and Machine Vision, Second Edition,
Autor M. Sonka, V. Hlavac y Roger Boyle
Editorial PWS publishing, 1999, cap. 9.
Ttulo Reconocimiento de Formas y Visin Artificial
Autor Daro Maravall
Editorial Ed. Ra-Ma, 1993, cap. 9.
Complementaria
Ttulo Multiple View Geometry in Computer Vision
Autor Richard Hartley and Andrew Zisserman
Editorial Cambridge University Press, 2000
5
Se recomienda no exceder de 20 ttulos
10
Direcciones web de inters
Otros cursos de 3D computer vision en el mundo
http://www.cs.ualberta.ca/~jag/courses/CompVis/
Direccin 2: http://www.cs.cmu.edu/afs/cs/project/cil/ftp/html/vision.html
IX.- Profesorado
Rellenar una tabla por cada profesor implicado en la asignatura
Nombre y apellidos Ana Beln Moreno Daz

Horario de tutoras Lunes de 10:00 a 13:00 y de 14:00 a 17:00 en el despacho 213 del edificio
acadmicas Departamental II. Se ruega a los alumnos que avisen al profesor
previamente.
Correo electrnico belen.moreno@urjc.es
Departamento/rea de CC. de la Computacin/ Ciencia de la Computacin e Inteligencia Artificial.
conocimiento
Categora Profesor Titular de Escuela Universitaria
Titulacin Acadmica Licenciada en Ciencias Fsicas (UCM) y Doctora en Informtica (UPM)
Experiencia Docente6 - Posee 2 quinquenios docentes
- 11 aos de experiencia docente universitaria (Universidad Rey Juan
Carlos).
- 8 aos de experiencia impartiendo asignaturas relacionadas con la
Visin Artificial
Experiencia profesional7 - Cuenta con 2 aos de experiencia profesional externa a la universidad.
- Ha participado en diversos convenios de investigacin con empresas.
- Es coautora de numerosas publicaciones en congresos nacionales e
internacionales, y revistas relacionados con Visin Artificial,
Reconocimiento de Patrones, Biometra Informtica y Reconocimiento
Facial Automtico mediante tcnicas de Visin Tridimensional
realizadas desde 1996 hasta la fecha.
- Ha participado en ms de 14 proyectos de investigacin desde
relacionados con la Visin Artificial desde 1996 hasta la fecha.
6
Indicar la antigedad en el rea y en la asignatura. Incluir tramos de docencia.
7
Indicar la actividad profesional y la antigedad en la misma.
11

Computer Vision Three-Dimensional Data From Images

Uploaded by

Document Information

Original Description:

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Computer Vision Three-Dimensional Data From Images

Uploaded by

Copyright:

Available Formats

See

Computer Vision: Three-Dimensional Data

Book January 1998

Reinhard Klette Andreas Koschan

SEE PROFILE SEE PROFILE

Available from: Reinhard Klette

Mstoles, 09 de diciembre de 2010

GUIA DOCENTE DE LA ASIGNATURA Visin Tridimensional

Nombre y apellidos: Ana Beln Moreno Daz

Coordinador/a de la asignatura: Ana Beln Moreno Daz

I.- Identificacin de la asignatura

Incluir los REQUISITOS PREVIOS Y RECOMENDACIONES1.

Se recomiendan conocimientos bsicos de Tratamiento Digital de Imgenes.

Competencias transversales Conocer nueva terminologa y nuevos conceptos de Visin Artificial.

IV. A. Temario de la asignatura

Bloque temtico Tema Apartados

1. Lecturas (indicar ttulo, autor y editorial para cada referencia)

Ttulo Computer Vision, Three-Dimensional Data from Images

Ttulo Introductory Techniques for 3-D Computer Vision

Prctica 1.- Calibracin de una cmara

La suma de los apartados (a) = 8 x nmero de crditos de la asignatura

Distribucin horaria de la parte presencial (a):

VI.- Metodologa y plan de trabajo

Prcticas/de resolucin de problemas, casos, etc.

Sera recomendable incluir un cronograma por semanas, indicando en l la distribucin del

VII.- Mtodos de evaluacin

VII. A. Ponderacin para la evaluacin continua

El sistema de evaluacin de las titulaciones en el marco del EEES es la evaluacin continua.

En el sistema de evaluacin continua la asistencia a clase es obligatoria y su valoracin en el

% Mnimo de asistencia a clase: 80%.

Actividad evaluadora Tipo4 Ponderacin Periodo Contenido

VII. B. Ponderacin para la evaluacin de alumnos a tiempo parcial

La Dispensa Acadmica no excluye de la evaluacin continua. Dicha evaluacin se acomodar por el

VIII.- Recursos y materiales didcticos5

Es recomendable distinguir entre bibliografa general bsica y complementaria

Rellenar una tabla por cada profesor implicado en la asignatura

Nombre y apellidos Ana Beln Moreno Daz

You might also like