GEOMETRIC AND 3D COMPUTER VISION

L'obiettivo formativo del corso è quello di fornire una conoscenza dettagliata sulle moderne tecniche di computer vision, focalizzandosi sul processo di ricostruzione delle proprietà geometriche di una scena dalla loro rappresentazione sul piano immagine.
Il corso si sviluppa con una logica bottom-up, partendo dai concetti di "early vision" legati all'image processing e progredendo nell'analisi dei metodi classici di detection di feature puntuali e lineari. Infine, vengono fornite le basi di geometria proiettiva con applicazioni di ricostruzione 3D.

Conoscenze:
- Principali algoritmi di image processing
- Conoscere tecniche di identificazione di oggetti e forme in immagini o video
- Concetti generali di geometria proiettiva
- Principali metodologie e tecnologie di ricostruzione 3D

Competenze:
- Utilizzare gli algoritmi fondamentali di image processing
- Saper implementare algoritmi per il rilevamento di features lineari e puntuali
- Sviluppare algoritmi per la ricostruzione 3D di oggetti a partire da immagini

Una conoscenza di base di algebra lineare è consigliata per poter meglio comprendere i contenuti del corso

Early vision
------------------------

- Introduction to vision
- The image formation process
- Intensity transformations
- Color vision
- Spatial filtering
- Filtering in frequency domain
- Morphological image processing
- Edge detection


Mid-level vision
------------------------

- Fitting of curves and Hough transform.
- Detection and matching of point features
- Tracking


Projective geometry
------------------------

- Elements of Analytical Euclidean Geometry
- Geometric primitives
- 2D and 3D projective transformations


Camera models
------------------------

- Affine and projective cameras
- Intrinsic calibration
- Pose estimation


Two-view geometry
------------------------

- Epipolar geometry
- Stereopsis
- 3D Reconstruction and triangulation


Attività di laboratorio: Sviluppo di algoritmi in Python, Numpy e OpenCV

[1] R. C. Gonzalez, R.E. Woods. Digital Image Processing (3rd edition). Pretience Hall
[2] R. Szeliski. Computer Vision Algorithms and Applications. Springer
[3] D. Forsyth, J. Ponce. Computer Vision: A Modern Approach (2nd edition). Pearson
[4] R. Hartley, A. Zisserman. Multiple View Geometry in Computer Vision (2nd edition). Cambridge University Press, New York, NY, USA.

La verifica dell'apprendimento prevede lo sviluppo di programmi Python che implementino strumenti e algoritmi studiati durante il corso. Questo software può essere realizzato sotto forma di un progetto finale oppure una serie di assignment da svolgere durante il corso. In entrambi i casi, l'implementazione da parte dello studente sarà discussa mediante prova orale.

La gradazione del voto è stabilita come segue:

A. punteggi nella fascia 18-22 verranno attribuiti in presenza di:
- sufficiente conoscenza e capacità di comprensione applicata in riferimento al programma;
- limitata capacità di implementare soluzioni algoritmiche ai problemi dati;
- sufficienti abilità comunicative, specie in relazione all'utilizzo del linguaggio specifico della materia;
B. punteggi nella fascia 23-26 verranno attribuiti in presenza di:
- discreta conoscenza e capacità di comprensione applicata in riferimento al programma;
- discreta capacità di implementare soluzioni algoritmiche ai problemi dati;
- sufficienti abilità comunicative, specie in relazione all'utilizzo del linguaggio specifico della materia;
C. punteggi nella fascia 27-30 verranno attribuiti in presenza di:
- buona o ottima conoscenza e capacità di comprensione applicata in riferimento al programma;
- buona o ottima capacità di implementare soluzioni algoritmiche ai problemi dati;
- buone o ottime abilità comunicative, specie in relazione all'utilizzo del linguaggio specifico della materia;
D. la lode verrà attribuita in presenza capacità eccellenti di comprensione e sviluppo di algoritmi avanzati di visione artificiale.

orale

Il corso è composto da lezioni frontali comprendenti esempi pratici per contestualizzare i concetti appresi durante lo studio. Congiuntamente ai testi di riferimento, materiale di studio aggiuntivo sarà fornito in forma di presentazioni PowerPoint e codice sorgente da utilizzare come base per lo sviluppo del progetto d'esame.