Generación de nubes de puntos a través de un sistema de estereovisión para aplicaciones industriales y de investigación

Muñoz Calva, Kevin Elihan; Salazar Aspiazu, Loberlly Noelia

DSpace Principal
→
Unidades Académicas
→
Facultad de Ingeniería en Electricidad y Computación
→
Tesis de Computación
→
Ver ítem

dc.contributor.advisor	Vintimilla Burgos, Boris Xavier, Director
dc.contributor.author	Muñoz Calva, Kevin Elihan
dc.contributor.author	Salazar Aspiazu, Loberlly Noelia
dc.creator	ESPOL.FIEC
dc.date.accessioned	2024-10-19T16:48:00Z
dc.date.available	2024-10-19T16:48:00Z
dc.date.issued	2024
dc.identifier.citation	Muñoz Calva, K. E. y Salazar Aspiazu, L. N. (2024). Generación de nubes de puntos a través de un sistema de estereovisión para aplicaciones industriales y de investigación. [Proyecto Integrador]. ESPOL.FIEC .
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/62307
dc.description	La estereovisión, una técnica que genera información tridimensional a partir de imágenes 2D capturadas por dos cámaras, destaca por su capacidad de proporcionar representaciones 3D detalladas, aunque enfrenta desafíos técnicos como la calibración de cámaras, la rectificación de imágenes y la generación de mapas de disparidad para producir nubes de puntos con bajo ruido. Este proyecto se enfoca en desarrollar un sistema de estereovisión que combina métodos tradicionales y avanzados para generar mapas de disparidad y nubes de puntos 3D, validando y analizando su precisión mediante la medición de la altura de personas en la escena. Se implementaron técnicas tradicionales como SGBM y enfoques modernos basados en machine learning, como RAFT-Stereo y Selective-IGEV. El desarrollo también incluyó procesos de normalización y corrección dimensional para garantizar la coherencia y comparabilidad de las nubes de puntos generadas. Los resultados mostraron que RAFT-Stereo y Selective-IGEV tienden a crear una mejor representación visual de escenarios tridimensionales mientras que SGBM acompañado del filtro WLS, destaca por su precisión uniforme. Finalmente, se concluye que RAFT-Stereo y Selective-IGEV pueden competir en precisión con métodos avanzados basados en coincidencia de bloques como SGBM, y en ciertas aplicaciones, podrían superarlos, generando representaciones visuales tridimensionales superiores. Palabras Clave: Machine Learning, Mapas De Disparidad, Visión Por Computador, Análisis de Precisión.
dc.format	application/pdf
dc.format.extent	62 página
dc.language.iso	spa
dc.publisher	ESPOL.FIEC
dc.rights	openAccess
dc.subject	Machine Learning
dc.subject	Mapas De Disparidad
dc.subject	Visión Por Computador
dc.subject	Análisis de Precisión
dc.title	Generación de nubes de puntos a través de un sistema de estereovisión para aplicaciones industriales y de investigación
dc.type	Ingeniero/a en Ciencias de la Computación
dc.identifier.codigoespol	T-76960
dc.description.city	Guayaquil
dc.description.degree	Escuela Superior Politécnica del Litoral
dc.identifier.codigoproyectointegrador	TECH-378
dc.description.abstractenglish	Stereovision, a technique that generates three-dimensional information from 2D images captured by two cameras, stands out for its ability to provide detailed 3D representations. However, it faces technical challenges such as camera calibration, image rectification, and disparity map generation to produce low-noise point clouds. This project focuses on developing a stereovision system that combines traditional and advanced methods to generate disparity maps and 3D point clouds, validating and analyzing their accuracy by measuring the height of people in the scene. Traditional techniques such as SGBM and modern approaches based on machine learning, like RAFT-Stereo and Selective-IGEV, were implemented. The development also included normalization and dimensional correction processes to ensure consistency and comparability of the generated point clouds. The results showed that RAFT-Stereo and SelectiveIGEV tend to create a better visual representation of three-dimensional scenarios, while SGBM accompanied by the WLS filter stands out for its uniform accuracy. Finally, it is concluded that RAFT-Stereo and Selective-IGEV can compete in accuracy with advanced block-matching methods like SGBM, and in certain applications, may even surpass them by generating superior three-dimensional visual representations. Keywords: Machine Learning, Disparity Maps, Computer Vision, Accuracy Analysi