suurnopeusfotogrammetria: 3d-liikkeen määrityksestä ...on kohteiden koordinaatteja, erilaisia...
TRANSCRIPT
Maa-57.290
Fotogrammetrian erikoistyö
Suurnopeusfotogrammetria: 3D-liikkeen määrityksestä kuvamittauksin
suurnopeusvideota käyttäen
Mika Virtanen
Sisällysluettelo
0. Johdanto 5
1. Kuva, sen tallennus ja analysointi 6
1.1 Dynaamisten ilmiöiden mittaaminen kuvilta 6
1.2 Kuvamittauksen eri tyypit 71.2.1 Lähifotogrammetria1.2.2 Tosiaikainen fotogrammetria1.2.3 Suurnopeusfotogrammetria1.2.4 Tosiaikainen suurnopeusfotogrammetria
1.3 Ihmissilmän rajoitukset dynaamisten ilmiöiden analysoinnissa 81.3.1 Ihmissilmän rekisteröintinopeus 1.3.2 Tarkan näön näkökenttä1.3.3 Hidas muutos1.3.4 Hetkellinen nopeuden muutos
1.4 Kuvauslaitteet dynaamisten ilmiöiden tallentamiseen 10 1.4.1 Valokuvaus ja elokuvakamerat 1.4.2 Videokamerat 1.4.3 Suurnopeusvideot1.4.4 Modernit videolaitteet1.4.5 Integroidut videotallentimet 1.4.6 Liikkeen tunnistavat kuvasensorit
1.5 Nopean kuvauksen virstanpylväitä 12
2. Kuvasensorien ominaisuuksista 13
2.1 Kuvasensorien päätyypit 13
2.2 Kuvasensorien ominaisuuksista 142.2.1 Täyttöaste ( Fill factor )2.2.2 Kvanttihyötysuhde2.2.3 Vaste ( responsivity )2.2.4 Herkkyys2.2.5 Yhtenäisyys ( Uniformity )2.2.6 Suljin2.2.7 Nopeus2.2.8 Ikkunointi – kuvan rajaus2.2.9 Antiblooming – ylivuodon estäminen2.2.10 Toimintojen ajoitus2.2.11 Luotettavuus ja käyttö2.2.12 Kustannusvertailu
2
2.3 Kuvasensorien kehitysnäkymiä 18
3. Liikkeen tyyppien taksonomia 20
3.1 Liikkeiden päätyypit 203.1.1 Rajoitetut liikkeen tyypit3.1.2 Yleiset liikkeen tyypit
3.2 A priori-tiedon vaikutus 213.2.1 Liikkeen seuranta ilman a priori-tietoa kohteesta3.2.2 Liikkeen seuranta kohteen a priori-tiedon ja keinotekoisten piirteidenavulla
3.2.3 Rajoitukset ja oletukset mallintamisen apuna
3.3 Piirteiden irrotus kohteesta 233.3.1 Eksplisiittinen piirteiden sovitus3.3.2 Implisiittinen piirteiden sovitus
3.4 Kohteen liikkeen seuranta a priori-tietoa hyödyntäen 243.4.1 Parametriset mallit3.4.2 Fysikaaliset mallit
3.5 Käytännön liikemittauksista 253.5.1 Avainkohtien mittaaminen
3.5.2 Pintamalli3.5.3 Kohteen osittelu3.5.4 Region, volume ja moment of interest
4. Esimerkkejä kuvamittauksen käytännön sovelluksista 27
4.1 3D-mittaus yhdellä kameralla 274.1.1 Geometrinen rajoitus4.1.2 Pintakuvion käyttö4.1.3 Holografiset menetelmät
4.2 3D-mittaus kahdella kameralla 294.2.1 Ortogonaalinen kamerakonfiguraatio4.2.2 Aramis 3D-mittausjärjestelmä4.2.3 Jäykän kappaleen liikkeen 3D-seuranta
4.3 3D-mittaus kolmella kameralla 334.3.1 Epipolaarigeometria4.3.2 Virtauksen määritys kolmella kameralla epipolaarigeometriaahyödyntäen
3
4.4 Neljä kameraa ja enemmän 354.4.1 Kameroiden määrän vaikutus mittaustarkkuuteen
4.5 Kameroiden synkronointi 36
4.6 Matemaattisia malleja ja laitteistoja tietokoneavusteiseen liikkeenhavainnollistamiseen 37
4.6.1 Liikkeen määritys havaintomatriisin faktorisointimenetelmällä4.6.2 DSS - Dynamic surfel sampling4.6.3 Kalman-suodatin
5 ESPI : pienten dynaamisten muutosten mittaus holografialla 42
5.1 Perusteet 425.2Temporaalinen vaiheen purku 435.3 Spatiaalinen vaiheen purku 445.4 Vaihepuretun aineiston käsittely 45
6. Johtopäätökset 46
7. Lähdeluettelo 47
4
0. Johdanto
Dynaamisten ilmiöiden ja liikkeen tutkimiseen ja mittaamiseen liikkuvan kuvan
tallentaminen tarjoaa hyvän työkalun. Kun lähifotogrammetrian keinoin määritetään
tutkimuksen kohteen kolmiulotteista muutosta ja liikettä kuvamittauksin, siirrytään kohti
konenäköä ja tosiaikaista fotogrammetriaa.
Tutkittavien ilmiöiden tai liikkeen ollessa hyvin nopeaa, siirrytään uudelle alueelle
kuvauslaitteiden vaatimusten suhteen, suurnopeusvideoihin. 1990-luvun alusta lähtien on
ollut saatavilla täysin digitaalisia videolaitteita, joiden nopeus ylittää selkeästi normaalin
videostandardin. Näiden hyödyntäminen myös lähifotogrammetriassa on luonnollinen
jatko tosiaikaisen fotogrammetrian ja konenäön kehityksessä.
Tässä erikoistyössä luodaan katsaus kehitykseen dynaamisten ilmiöiden kolmiulotteisessa
mittauksessa lähifotogrammetrian avulla. Pohdinnan kohteena on myös, onko
suurnopeusfotogrammetriaa olemassa, ja millä perusteilla suurnopeusfotogrammetrian
voisi erottaa omaksi lähifotogrammetrian osa-alueekseen. Tätä tavoitetta toteutetaan
etsimällä tässä työssä määritellyn mukaisen suurnopeusfotogrammetrian kriteerit
täyttäviä tai siihen sovellettavia mittausratkaisuja kirjallisuustutkimuksena.
Ensimmäisessä luvussa lähdetään kuvan määrittelystä seuraamaan havaintolaitteiden
kehityskulkua silmästä nykyaikaiseen videotekniikkaan, ja käydään läpi
lähifotogrammetriaan liittyviä määritelmiä. Toisessa luvussa selvitetään nyt vallitsevan
kahden videosensoriteknologian eroja, ja mitkä ovat niiden vahvuudet ja heikkoudet
toisiinsa nähden. Kolmannessa luvussa esitellään liikkeen tyyppien taksonomia, jonka
avulla voidaan luoda viitekehys matemaattisille ja fysikaalisille malleille liikkeen
määrittämisessä. Neljäs luku käsittelee käytännön toteutuksia ja ratkaisumalleja erilaisten
liikkeiden määritykseen, ja esittelee joitain laitteistoja sekä laskentamalleja. Viidennessä
luvussa esitellään lyhyesti hyvin pienten muutosten holografisen mittausmenetelmän
ESPI:n kaksi perusvariaatiota.
5
1. Kuva, sen tallennus ja analysointi
Kuva I voidaan esittää Bengtssonin [2] mukaan funktiona:
I = F(x,y,z,w,t) (1.1)
jossa x,y,z ovat kolme spatiaalista ulottuvuutta, w kuvaa spektraalista ulottuvuutta ja t
temporaalista ulottuvuutta.
Spektraaliset ominaisuudet voidaan jakaa aallonpituuteen, intensiteettiin ja vaiheeseen.
[34]. Sekä spatiaalista että spektraalista tietoa, erityisesti säteilyn aallon vaihetta
käyttävää kuvamittauksen aluetta kutsutaan holografiaksi ( whole-a-graphy, kaikkea
tietoa käyttävä) [36]
Jako kuvan spatiaaliseen, spektraaliseen ja temporaaliseen ulottuvuuteen on erottava
tekijä myös erityyppisille kuvien pakkausmenetelmille [3].
1.1 Dynaamisten ilmiöiden mittaaminen kuvilta
Kuvien käyttö muutoksen tai liikkeen analysointiin on pätevä apuväline eri tutkimuksen
aloilla. Perustuen kuvausjärjestelyn pysyvyyteen on kuva-analyysi jaettu tässä työssä
ensin karkeasti kolmeen ryhmään:
- Kuvasarjat, joissa kuvat voivat olla eri lähteistä, visuaaliseen tarkasteluun ja
puhtaasti kvalitatiiviseen analyysiin, esimerkiksi kaupunkikuvia eri aikakausilta.
Kuvat voivat olla eri suunnista, eri mittakaavaisia, eri formaateissa (painettu kuva,
printti, negatiivit, digitaaliset kuvat). Tämänkaltainen kuva-analyysi ei välttämättä
sisällä kuvakoordinaattien mittaamista. Esimerkkinä Jyväskylän kaupungin
kaupunkikuvan muutos [41].
- Erikseen toisistaan kalibroitujen ja orientoitujen satelliitti-, ilma- tai
terrestriaalikamerakuvien ( mahdollisesti automaattiset) muutostulkinnat.
6
Kuvakulma on sama tai lähes sama eri aikaisilla kuvilla, ja kuvat on orientoitu tai
oikaistu samassa datumissa. Esimerkkinä rannikkoalueen muutosseuranta
myrskytuhojen arvioinnissa Landsat TM-kuvien avulla [43].
- Tutkimuksen aikana vakiona tai lähes vakiona pysyvät kuvausjärjestelyt, jossa
koko ilmiö kuvataan kerralla, sekä kalibroinnin että kuvien orientointien
muutokset ovat pieniä tai kuvausjärjestely oletetaan stabiiliksi. Esimerkkinä ovat
muun muassa deformaatiomittaukset, liikkeen seuranta ja konenäkösovellukset.
Erottavana tekijänä edellä mainitulle kolmelle ryhmälle voidaan pitää kalibrointia:
ensimmäisessä ryhmässä sitä ei ole, tai sillä ei ole merkitystä. Toisessa ryhmässä eri
aikana, mahdollisesti eri laitteilla, otetuilla kuvilla on kullakin oma kalibrointinsa.
Kolmannessa ryhmässä mittausjärjestelmä kalibroidaan kokonaisuutena koko mittauksen
ajaksi.
Tässä työssä keskitytään kolmanteen ryhmään, ja erityisesti nopeiden dynaamisten
ilmiöiden mittaamiseen ja nopeiden ilmiöiden mittaamiseen suhteessa
lähifotogrammetriaan. Pohdinnan kohteena on lähinnä, minkälaisia yhdistäviä tai
erottavia tekijöitä suurnopeusfotogrammetriassa on verrattuna perinteiseen ei-
topografiseen fotogrammetriaan.
1.2 Kuvamittauksen eri tyypit
Fotogrammetria on yleisesti kohteen muodon ja paikan mittaamista kuvilta. Tulosteena
on kohteiden koordinaatteja, erilaisia graafisia esityksiä tai kuvatuotteita. Arkikielessä se
yhdistetään ilmakuvauksiin ja ilmakuvilta suoritettaviin kartoitusmittauksiin eli
topografiseen fotogrammetriaan, jolla tuotetaan aineistoa paikkatietojärjestelmiin [23].
1.2.1 Lähifotogrammetria
Lähifotogrammetria kattaa kuvamittauksen ei-topografiset sovellukset, erotukseksi
topografisesta fotogrammetriasta. Tarkemmin määritettynä lähifotogrammetria kattaa 300
7
metrin sisällä havaintovälineestä olevan kohteen ei-topografiset kuvamittaukset [21].
Kraus määrittelee lähifotogrammetriaksi 1 – 100 m etäisyydeltä otetuilta kuvilta
mittaamisen [23].
1.2.2 Tosiaikainen fotogrammetria
Tosiaikaisessa fotogrammetriassa normaalin videostandardin mukaisesta kuvauksesta
nopeudella 25 tai 30 fps suoritetaan mittaukset ja ne prosessoidaan reaaliajassa – RTP,
real time photogrammetry [10],[24].
1.2.3 Suurnopeusfotogrammetria
Suurnopeusfotogrammetriaksi tässä työssä määritellään mittaukset, joissa kuvausnopeus
ylittää videostandardin huomioiden kuvan limityksen. Tällä määritelmällä yli 60 fps
nopeudella suoritetusta kuvauksesta mittaaminen on suurnopeusfotogrammetrian alueella.
1.2.4 Tosiaikainen suurnopeusfotogrammetria
Tosiaikaisessa suurnopeusfotogrammetriassa – HSRTP, high speed real time
photogrammetry, prosessoidaan suurnopeusvideolla kuvattu aineisto reaaliajassa [31],
[42].
1.3 Ihmissilmän rajoitukset dynaamisten ilmiöiden analysoinnissa
Ihmissilmä on verrattavissa pelkän kameran sijasta kokonaiseen järjestelmään, joka
tuottaa kuvan ja analysoi sitä. Jotkut automaattiset silmän näköaistiin liittyvät reaktiot
ovat paljon silmän kuvanmuodostusprosessia nopeampia, mutta normaalissa tilanteessa
silmän toimintaan pätevät seuraavassa listattavat ominaisuudet [16].
8
1.3.1 Ihmissilmän rekisteröintinopeus
Ihmissilmän rekisteröintinopeuden on todettu olevan yksinkertaiselle liikkeelle noin 1/5
sekuntia, josta saadaan nopeus 5 fps. Monimutkaisempi liike vaatii enemmän aikaa, ja
toisaalta hyvin harjoitetun silmän nopeus voi parhaimmillaan olla 1/10 s.
1.3.2 Tarkan näön näkökenttä
Ihmissilmä tarkan näön havaintoalue on kapea. Havaintoa tehdessä koko näkökenttä
”skannataan” monessa osassa. Tämä osaltaan vaikuttaa rekisteröintinopeuteen.
1.3.3 Hidas muutos
Hitaasti tapahtuvat muutokset ovat ihmissilmälle hyvin vaikeita arvioida. Kyseessä ei
niinkään ole silmän ominaisuus kuin mahdollisuus keskittyä pitkäksi ajaksi yhteen asiaan.
Videolle tai filmille voidaan kuvia tallentaa myös hyvin pienellä kuvanottotiheydellä,
esimerkkinä tästä rakenteiden kunnon valvonta
1.3.4 Hetkellinen nopeuden muutos
Hetkellisen nopeuden muutoksen määritelmä on
v1−v2 /v1⋅100 (1.2)
jossa v1 on nopeus ennen muutosta ja v2 loppunopeus. Ihmissilmä erottaa n. 10%
muutoksen, huonoissa oloissa tai kaukana huonommin. Video- tai filmimateriaalista
mittaamalla päästään selvästi alle 1% erotuskykyyn nopeuden muutoksessa [16].
9
1.4 Kuvauslaitteet dynaamisten ilmiöiden tallentamiseen
1.4.1 Valokuvaus ja elokuvakamerat
Ensimmäiset suurnopeusvalokuvat otettiin 1851 [27], ja mahdollisuus jäädyttää liike
avasi tutkijoille uuden maailman ihmissilmän rajoitusten ulkopuolella. Tästä siirryttiin
elokuvakameroiden kautta kautta suurella nopeudella liikkuvaan filmiin – esimerkiksi
1932 Los Angelesin olympialaisissa käytettiin 128 fps nopeudella toimivaa
maalikameraa, jossa kuvalla oli myös kello näkyvissä.
1950-luvulla saavutettiin 10 000 fps nopeus rotating prism-tyyppisillä kameroilla*. On
syytä erottaa hyvin lyhyet valotusajat, liikkeen jäädytys, nopeista filmikameroista jotka
tallentavat tuhansia, jopa kymmeniätuhansia erillisiä kuvia sekunnissa. Tässä työssä
suurnopeus viittaa nimenomaan suurella nopeudella liikkuvan filmin ja suuren
tallennustiheyden videolaitteisiin.
1.4.2 Videokamerat
Seuraava suuri läpimurto oli videotallennus 1970-luvun alussa. Ratkaiseva tekijä alussa ei
ollut nopeus, joka ei lähennellyt perinteistä filmitallennusmenetelmää, vaan mahdollisuus
kuvatun materiaalin tutkimiseen välittömästi, ilman aikaa vievää kehitysprosessia sekä
tallennusmateriaalin uudelleenkäyttömahdollisuus.
CCD-sensorien ja yleinen elektroniikan kehitys paransi sekä spatiaalista että
temporaalista erotuskykyä, ja 80-luvulla voitiin jo puhua suurnopeusvideoista.
1.4.3 Suurnopeusvideot
90-luvun alussa digitaaliseen suurnopeusvideoon yhdistettiin RAM-muisti [29].
(*) Ultranopeat piko- ja femttosekunnin temporaalisella resoluutiolla toimivat havaintolaitteet ovat käytännössä aina ns. streak-
kameroita, joiden rakenne ja toiminta poikkeaa siitä mitä yleensä mielletään ”kameraksi”. Tässä työssä ei niitä käsitellä, ne ovat
kuvien tulkintaa myöten oma lajinsa.
10
Kodak Ektapro EM:llä saavutettiin kuvausnopeus 1000 kuvaa sekunnissa 192 x 240
resoluutiolla jolloin talteen saatiin 4800 8-bit kuvaa ( 4.8 s mittainen yhtäjaksoinen
mittaus). Tiedon tallennusnopeus oli noin 40 MB / s.
Maas esitteli 1992 edullista ratkaisua, jolla päästäisiin 1000 fps kuvausnopeuteen
yhdistämällä 16 kpl standardi 60 fps videokameraa (756 x 287)ja 16 frame-grabberia
synkronoituun järjestelmään. Tällä järjestelmällä teoreettinen tiedon tallennusnopeus oli
175 MB/s [29].
1.4.4 Modernit videolaitteet
Vertailukohdaksi edellisille käy esimerkiksi nykyaikaisista suurnopeusvideoista
Visionresearchin phantom v9.0 CMOS -kameran tekniset tiedot [37]:
● Spatiaalinen resoluutio 1600 x 1200, 10 bit harmaasävy
● Temporaalinen resoluutio 1000 fps, koko kuvalle
● Lisävarusteena 12.2 GB integroitu muisti, 6.4 s yhtäjaksoinen tallennus
● Mahdollisuus nostaa temporaalista resoluutiota (max. 144750 fps ) pudottamalla
spatiaalista resoluutiota. Resoluution askellus 16 x 8 pikselin välein.
Tiedonsiirto 10/100/1000 ethernet tai RS232
Kuva 1.1 : phantom v9.0 [37]
11
1.4.5 Integroidut videotallentimet
CMOS-tyyppisille videosensoreille on kehitetty yhä pitemmälle integroituja järjestelmiä,
joissa yksittäisessä sensorielementissä on mukana kuvadiodin lisäksi sen toiminnan
ohjaus. Kagami et al. esittelivät menetelmän jolla A-D konversio tehdään kontrolloidusti
sensorielementin omalla kuvankäsittelyelementillä [18].
Sensorin dynaaminen alue laajenee, kun integrointiajat kuvadiodissa voidaan valita
kohteen vaihtelujen mukaan. Tämän kaltaisia älykkäitä sensorisiruja Kagami kutsuu
näkösiruiksi ( ( digital) vision chip). Vision Chip- tekniikkaan on suunnattu paljon
tutkimusresursseja, koska se kaventaa CCD-sensorien merkittävintä etumatkaa CMOS-
sensoreihin nähden.
1.4.6 Liikkeen tunnistavat kuvasensorit
Li et al. esittelee aktiivisen pikselitekniikan, jolla näkösirussa itsessään estimoidaan 2D-
liikettä peräkkäisten kuvien välillä, edellytyksenä SMA- ( small motion assumption)
ehdon toteutuminen. Liikkeen suuruus voi olla korkeintaan 1-2 pikseliä kuvien välillä
[25].
1.5 Nopean kuvauksen virstanpylväitä
1851 nopean liikkeen jäädytys
1930 suurnopeus filmille
1970 ccd- kamerat
1980 – 90 suurnopeusvideot
1990 digitaaliset suurnopeusvideot
1990 cmos-kamerat,
~2000 → väri- ja multispektraalinen cmos [12], integroidut cmos-rakenteet, APS
12
2. Kuvasensorien ominaisuuksista
2.1 Kuvasensorien päätyypit
Digitaalisten kuva-sensoreiden kaksi päätyyppiä ovat CCD - Charge Coupled Device sekä
CMOS - Complementary Metal Oxide Semiconductor [26]. Kummatkin koostuvat
valoherkkien puolijohteiden joukosta, mutta toisistaan muilta osin poikkeavasti toteutettu
rakenne aiheuttaa niiden välille eroja, joita tässä käsitellään.
Kuvissa 2.1 ja 2.2 käy ilmi tärkein ero: CCD-anturissa kuvadiodit ovat erillään muusta
toiminnasta ja CMOS-anturissa saapuvan fotonin aiheuttaman varauksen muuntaminen
digitaaliseksi arvoksi tapahtuu itse sensorin sisällä.
kuva 2.1 : CCD – sensori [26]
13
kuva 2.2 : CMOS – sensori [26]
2.2 Kuvasensorien ominaisuuksista
Sekä CCD- että CMOS-sensorit koostuvat useista pikselikohtaisista
metallioksidipuolijohteista. Joka pikselissä syntyy sille osuvan elektromagneettisen
säteilyn voimakkuutta vastaava varaus, josta syntyy yksi kuvakoordinaatistossa
sijainniltaan tunnettu näyte.
Kun valotus on valmis, CCD-sensorissa varaukset kuljetetaan rivi kerrallaan yhteiseen
tulostusrakenteeseen, joka muuntaa varauksen jännitteeksi, puskuroi sen ja lähettää sen
eteenpäin.
CMOS-sensorissa varauksen muuntaminen jännitteeksi tapahtuu jokaisessa pikselissä
erikseen. Lukutekniikassa oleva ero vaikuttaa huomattavasti sensorin rakenteeseen ja
toimintaan, ja eroavaisuuksiin suorituskyvyssä ja siihen vaikuttavissa ominaisuuksissa.
2.2.1 Täyttöaste ( Fill factor )
Sensorin täyttöaste ( Fill factor ) kuvaa prosenteissa, kuinka suuri osa sensorista on
valoherkkää. CCD on tässä suhteessa optimaalinen (~ 100 %), koska suuri osa
toiminnoista on itse sensorin ulkopuolella. Anti-blooming- ratkaisut voivat pudottaa
arvoa optimista . Erilaisilla teknisillä (esimerkiksi mikrolinssit) ja layout-ratkaisuilla
14
CMOS-tyyppisten sensoreiden täyttöaste-arvoja on pystytty parantamaan aina 70 %
saakka.
2.2.2 Kvanttihyötysuhde
kvanttihyötysuhde kertoo, kuinka monta elektronia kuvadiodille saapuva fotoni
vapauttaa. Saapuvan valon aallonpituuden lisäksi se riippuu sensorin ominaisuuksista,
CCD-sensoreilla suhde on 85 %, CMOS-antureilla jää alle puoleen tästä [30].
Samassa lähteessä käytetään tärkeänä suureena kvanttihyötysuhde x täyttöaste, joka kuvaa
sensorin vastaanottokykyä kokonaisuutena.
2.2.3 Vaste ( responsivity )
Vaste ( responsivity ) kuvaa, kuinka suuren jännitteen puolijohde-elementille lankeava
säteily aiheuttaa. Tällä ominaisuudella CMOS ottaa CCD-sensorin QE x FF -etumatkaa
kiinni, koska signaalia vahvistavat elementit on helpompi sijoittaa CMOS-rakenteeseen.
2.2.4 Vaihteluväli
Vaihteluväli ( dynamic range ) on suurimman valaistusarvon ( saturation – kyllästyminen)
ja pienimmän erottuvan arvon suhde. Koeolosuhteissa CCD:n dynamic range on
suuruusluokkaa kaksinkertainen verrattuna CMOS-sensoriin, koska CCD-sensorissa ei
synny sirussa itsessään olevista toiminnoista kohinaa yhtä paljon kuin CMOS-
sensoreissa. Tässä suhteessa CCD on selkeästi edellä.
2.2.5 Yhtenäisyys ( Uniformity )
Sensorin eri osille lankeavan säteilyn pitäisi tuottaa samantasoinen signaali.
Ideaalitapaukseen ei päästä, koska kaikki osat sensorissa eivät koskaan ole identtisiä. On
vielä erotettava toisistaan yhtenäisyys valaistuksen kirkkaassa ja tummassa päässä.
15
Alunperin CMOS-sensorit olivat molemmissa tapauksissa heikompia, koska joka
pikselissä olevat vahvistimet poikkesivat toisistaan sekä gain- että offset-arvoiltaan.
Tähän ratkaisuksi kehitettiin vahvistinrakenteita, jotka gain-arvoja pienentämällä pääsivät
lähemmäksi yhtenäistä tasoa kirkkaassa päässä.
Offset-arvojen epäyhtenäisyys tummassa päässä on edelleen ongelma CMOS-sensoreilla
verrattuun CCD-sensoreihin. Erityisesti suurnopeusvideoilla tämä on kriittistä, koska
valotusajat ovat rajallisia ja signaalien matala taso johtaa kuvien laadun heikkouteen.
2.2.6 Suljin
CCD-sensorissa suljin (shutter) voidaan toteuttaa elektronisesti tinkimättä
pikselikohtaisesta valoherkän osan (kuvadiodin) koosta – fill-factor pysyy optimaalisena.
CMOS-sensorissa voidaan saavuttaa lähes yhtä hyvä täyttöaste käyttämällä ”rolling
shutter”-menetelmää, jossa suljin toimii riveittäin. Nopeille kohteille tämä aiheuttaa
kuvan vääristymistä. Koko kuva-alan yhtäaikaisesti sulkeva ”non-rolling shutter”
joudutaan toteuttamaan pikselikohtaisella transistorilla, joka vähentää täyttöastetta.
Valinta jää käyttäjälle: edullinen, rolling shutter CMOS paremmalla täyttöasteella tai
kalliimpi, non-rolling-shutter huonommalla täyttöasteella ja parempi temporaalinen
erotuskyky.
2.2.7 Nopeus
Nopeuden suhteen CMOS on rakenteestaan – suurin osa komponenteista on samalla
sirulla - johtuen teoriassa jokseenkin ylivoimainen. Tämä teoreettinen etumatka on vielä
jossain määrin hyödyntämättä, koska valtaosa kehitystyöstä on ollut kuluttajille
suunnattujen, pienten ja edullisten sensorien tuomisessa käyttöön. CCD-sensoreilla on
tieteellisissä ja teollisissa sovelluksissa pitkä perinne, ja CCD-sensoreihin liittyen on
tehty paljon kehitystyötä, myös nopeuden lisäämiseksi.
16
2.2.8 Ikkunointi – kuvan rajaus
CMOS-sensorista voidaan varsin yksinkertaisesti lukea mielivaltainen alue kerrallaan,
koska jokainen pikseli tuottaa oman signaalinsa. Kuva-alueelta voidaan lukea esimerkiksi
eri resoluutioita eri alueelta. CCD-sensorilla osittelu täytyy tehdä riveittäin.
2.2.9 Antiblooming – ylivuodon estäminen
Ylivalottuneiden pikselien vuotaminen ympäristöön ei ole ongelma CMOS-sensorissa,
koska varaus ei siirry muiden pikseleiden kautta. CCD-sensorissa antiblooming täytyy
toteuttaa erikoisratkaisuilla, jotka pudottavat täyttöastetta.
2.2.10 Toimintojen ajoitus
CMOS-sensori toimii yhdellä kellotuksella ja tästä syystä käytännössä toimivampi, CCD-
sensorille tyypillistä jittering-ongelmaa ei synny.
2.2.11 Luotettavuus ja käyttö
Normaalioloissa ei voida katsoa sensorien luotettavuudessa ja toiminnassa olevan eroa.
Hyvin vaativissa olosuhteissa CMOS on mekaanisesti luotettavampi, koska sen
komponentit ovat samassa sirussa minimoiden liitosten määrän.
CMOS-sensori voidaan räätälöidä sovellukseen hyvin tarkasti, integroiden myös muita
elementtejä samalla sirulle, mahdollistaen hyvin kompaktin rakenteen verrattuna CCD-
sensoriin pohjautuvaan kameraan. Myös virrankulutus on CMOS-sensoriin pohjautuvissa
ratkaisuissa selkeästi pienempi.
17
2.2.12 Kustannusvertailu
Periaatteessa CMOS-sensorit ovat edullisempia, koska niitä voidaan valmistaa missä
tahansa normaalissa elektroniikan tuotantolaitoksessa, standardikomponenteista. CCD-
antureista valtaosa rakennetaan suurten kameratehtaiden omissa, pitkälle erikoistuneissa
tuotantolaitoksissa.
On syytä kuitenkin huomata, että korkean suorituskyvyn CMOS-sensori on räätälöity
tuote, joka pitää suunnitella ja valmistaa tiettyyn tarkoitukseen. Massatuotannosta johtuen
ne ovat selvästi edullisempia kuin CCD-sensorit ja tulevat valtaamaan alaa
nettikameroissa, kamerapuhelimissa ja yleensä kuluttajasovelluksissa. Vaativissa
sovelluksissa hinta-laatusuhde kallistuu vielä useimmissa tapauksissa CCD-sensorin
puolelle [26].
2.3 Kuvasensorien kehitysnäkymiä
CCD-sensorin etuna on pitkä historia (käytössä jo 70-luvun alusta ) ja vankka asema
teknillisessä ja tieteellisissä sovelluksissa. CCD-sensori on itsessään
standardikomponentti, jonka ympärille kootaan korkean suorituskyvyn omaava
kameraratkaisu.
Tulevaisuudessa CMOS-teknologian kehittämiseen tullaan käyttämään paljon resursseja,
ja erot sensorien välillä tulevat vähenemään. CMOS:sta seuraava askel on
APS - active pixel sensor - teknologia, jossa pikseliin lisätään yhä enemmän ja enemmän
älykkyyttä ja toiminnallisuutta, esim. 2D- liikkeen estimointi tai valotusajan säätäminen
(non-destructive multiple capture, kuva 2.3) kohteen osien mukaan dynamiikan
lisäämiseksi [19], [25], [9].
18
kuva 2.3 : APS- tekniikan havaintoesitys: Vasemmalla 4 kuvaa, kasvavin valotusajoin.
Oikealla yhdistetty, synteettinen kuva [9].
19
3. Liikkeen tyyppien taksonomia
3.1 Liikkeiden päätyypit
Kuvamittauksen kohteena oleva liike voidaan jakaa eri tyyppisiin liikkeisiin, jaottelun
puumalli on kuvassa 3.1. Päätyypit ovat 1) jäykän kohteen liike (rigid motion), jossa
kohteessa olevien piirteiden etäisyydet ja kulmat eivät muutu ja 2) muotoa muuttavan
kohteen liike (non-rigid motion).
Muotoa muuttavan kohteen liike voidaan jakaa rajoitettuihin ja yleisiin liikkeisiin.
liike
jäykän kappaleen liike muotoa muuttavan kohteen liike
rajoitetusti muotoa muuttavan kohteen liike
yleinen liike
paloittain jäykkä
lähes jäykkä
isometrinen
homoteettinen
konforminen
elastinen
virtaava
kuva 3.1 : liikkeen päätyyppien jaottelu puumallina [1].
20
3.1.1 Rajoitetut liikkeen tyypit
Rajoitetuissa liikkeen tyypeissä voidaan muodonmuutos jakaa eri ryhmiin rajoittavan
tekijän mukaan seuraavasti [1]:
● Paloittain jäykkä liike ( articulated motion) koostuu jäykkänä liikkuvista osista,
mutta kokonaisuus on muotoa muuttavaa liikettä
● Lähes jäykkä liike ( quasi-rigid ), jossa muutokset ovat hyvin pieniä. On
huomattava, että temporaalisen resoluution parantuessa riittävästi on kaikki liike
luokiteltavissa tähän ryhmään.
● Isometrinen liike, jossa etäisyydet pintaa pitkin säilyvät ennallaan ja pinnalla
olevien käyrien väliset kulmat säilyvät muuttumattomina
● Homoteettinen liike, jossa kohteen pinnan laajeneminen tai supistuminen on
yhtenäistä koko alueella
● Konforminen liike, jossa pinnalla olevien käyrien väliset kulmat säilyvät, mutta
niiden väliset etäisyydet muuttuvat
3.1.2 Yleiset liikkeen tyypit
Yleiset liikkeen tyypit ovat [1]:
● Elastinen liike, jossa oletuksena on selkeä jatkuvuus ja pehmeys muodonmuutoksessa
ja topologian säilyminen.
● Virtaava liike, jossa ei ole mitään rajoituksia, kohteen topologia voi muuttua ja
muutokset voivat olla äkillisiä, satunnaisia ja epäjatkuvia.
3.2 A priori-tiedon vaikutus
Liikkeen ja muodonmuutoksen määritykseen vaikuttaa myös oleellisesti, onko kohteesta
käytettävissä a priori-tietoa vai ei.
21
3.2.1 Liikkeen seuranta ilman a priori-tietoa kohteesta
Kohteen muodonmuutoksen ja liikkeen seuranta ilman a priori-tietoa kohteesta vaatii
piirteiden irrotusta ja temporaalista yhteensovitusta niiden sijainnin ja muodon
mahdollisesti muuttuessa mittauksen aikana. Jos mittaus halutaan automatisoida,
vaadittavat operaatiot ovat monimutkaisia, korkean tason prosesseja [1].
3.2.2 Liikkeen seuranta kohteen a priori-tiedon ja keinotekoisten piirteiden avulla
Liikkeen 3D-seurannan ongelmia on pyritty toteutetuissa koejärjestelyissä
yksinkertaistamaan eri tavoin. Erityisesti piirteiden erotuksen ja tunnistamisen
helpottamiseksi on kehitelty monenlaisia ratkaisuja Yksi yleisesti käytetty menetelmä on
käyttää MLD- tähyksiä ( moving light display - target ) kiinnitettyinä liikkeen tai
muodonmuutoksen kannalta oleellisiin kohtiin. Sovellusesimerkkinä ihmisen liikkeiden
tutkimus liikuntatieteissä tai ergonomian tutkimuksessa [44]. Sopivia, toisistaan erottuvia
tähyksiä voidaan luoda myös kuvioimalla pinta maalaamalla epäsäännöllinen spray-kuvio
[40] tai projisoimalla kuvioita tai pisteitä esimerkiksi laservalon avulla [32]. Robotin
toiminnanohjauksessa on laservalopisteillä ja erotuskuvilla luotu keinotekoisia tähyksiä
[14].
3.2.3 Rajoitukset ja oletukset mallintamisen apuna
Yleiskäyttöisiä algoritmeja ei liikkeen tunnistuksessa muotoa muuttaville, liikkuville
kohteille voida vielä esittää. Paljon käytetty oletus sovitustehtävän automatisoinnin
avuksi on ”small motion assumption”, eli peräkkäisten kuvien välillä liikkeestä johtuva
ero on pieni. Tässä on syytä huomata, että lisäämällä kuvausnopeutta mikä tahansa liike
voidaan teoriassa saattaa tämän oletuksen piiriin. Lisärajoituksia voidaan asettaa myös
liikkeen nopeudelle esimerkiksi olettamalla se vakioksi, tai suurimmille mahdollisille
22
kiihtyvyyksille joita kohteen osilla voi olla. Heuristisena oletuksena voi olla kohteen
osien sisäinen koherenssi liikkeen suhteen [1].
3.3 Piirteiden irrotus kohteesta
Mitenkään merkitsemättömien piirteiden irrottaminen itse kohteesta on vaativa tehtävä,
jossa tasapainoillaan piirteiden irrotuksen itsensä ja irrotettujen piirteiden eri kuvilla
yhteensovittamisen välillä. Jos piirteitä on liian paljon, piirteiden yksiselitteisyyden ja
sovitustulosten luotettavuuden varmistaminen on hankalaa, jos taas pyritään hakemaan
määrällisesti vähemmän laadultaan hyviä piirteitä, on itse piirteiden irrotus ja sopivien
valinta tuottaa vaikeuksia. Ongelmat ovat samankaltaisia kuin digitaalisen
fotogrammetrian kuvien piirrepohjaisessa yhteensovituksessa yleensä.
Piirteiden temporaalinen sovitus jakautuu kahteen päätyyppiin [1]: eksplisiittiseen ja
implisiittiseen.
3.3.1 Eksplisiittinen piirteiden sovitus
Eksplisiittisessä sovituksessa rajattu piirrejoukko erotetaan kuvasarjan kuvilta, ja
piirrejoukkoa yhteen sovitetaan kuvasarjassa kuvalta toiselle edeten. Tämä vastaa
piirrepohjaista yhteensovitusta kuvien välillä fotogrammetriassa, mutta sovitus on
temporaalinen spatiaalisen sijasta.
3.3.2 Implisiittinen piirteiden sovitus
Implisiittisessä sovituksessa piirteitä ei eroteta ollenkaan, vaan luodaan malli sisäisin
(esim. jatkuvuusoletukset) ja ulkoisin ( piirteiden energiasisältö) rajoituksin ja
optimoidaan sitä. Tämä vertautuu yleisen digitaalisen fotogrammetrian radiometriseen,
23
kuvapohjaiseen yhteensovitukseen. Kuvajoukkojen yhteensovituksen sijasta sovitus on
peräkkäisten kuvien välillä.
3.4 Kohteen liikkeen seuranta a priori-tietoa hyödyntäen
Elastisen tai rajoitetun liikkeen tapauksessa voidaan a priori-tietoa kohteesta hyödyntää
kuvaamalla liikettä joko kokonaisuudessaan tai osissa. Osiin jako voidaan tehdä
spatiaalisesti tai temporaalisesti osittaen, tai molemmilla tavoin. Liikettä voidaan a priori-
tietoa hyödyntäen kuvata parametrisillä tai fysikaalisilla malleilla [1].
3.4.1 Parametriset mallit
Parametriset mallit sopivat yksinkertaisempiin, erilaisilla oletuksilla rajoitettuihin
tapauksiin hyvin. Yksinkertaisimpia, ja siksi paljon käytettyjä, ovat erilaiset
polynomimallit. Pallot, sylinterit, kartiot ja yksinkertaiset toisen asteen pinnat ovat
yksinkertaisten muodonmuutosten ja liikkeiden kuvaukseen sopivia.
Harmoniset pallofunktiot sopivat hankalampien pintojen, ja paikallisten deformaatioiden
mallintamiseen. Käytännössä niillä on mallinnettu esimerkiksi sydämen toimintaa [6].
Splinimallit ovat yleinen tapa mallintaa käyriä ja pintoja matemaattisesti
tietokoneavusteisissa suunnittelujärjestelmissä. Niillä on paljon suotuisia ominaisuuksia
deformaation mallintamisen kannalta [17] ja niistä on johdettu fysikaalisiin malleihin
kuuluva snake-model.
3.4.2 Fysikaaliset mallit
Fysikaalisia malleja Aggarwal et al. [1] listaa mm. Snake-, balloon- , symmetry seeking,
deformable superquadrics, deformable templates ja modaaliset mallit.
24
Snake-malli koostuu aktiivisista käyristä jotka muuttavat muotoaan ulkoa annettujen
fysikaalisten muuttujien vaikutuksesta, sisäisten rajoitusten sallimissa rajoissa. Se
voidaan laajentaa kolmiulotteiseksi, jolloin puhutaan balloon-malleista. Malleja voidaan
vielä laajentaa Bayesin teoreeman avulla MAP- (maximum a posteriori ) ongelmaksi,
jolloin mallit alkavat siirtyä fysikaalisisten energiafunktioiden minimointiin perustuvista
malleista takaisin kohti matemaattisia, a posteriori -todennäköisyyksiä maksimoivia
malleja. Lääketieteen sovelluksissa kuten sydämen seinämien liikkeiden analysoinnissa
on käytetty tämän kaltaisia malleja.[1 ].
3.5 Käytännön liikemittauksista
3.5.1 Avainkohtien mittaaminen
Paloittain jäykässä liikkeessä topologisen a priori-tiedon ollessa saatavilla voidaan liike
mallintaa asettamalla tähykset nivelkohtiin tai muuten mittaamalla nivelkohtia.
Nivelkohtia voidaan myös tunnistaa jälkikäteen pelkän kuva-aineiston varassa.
3.5.2 Pintamalli
Edettäessä kohti vapaampia ja vaikeammin ennustettavia malleja tarvitaan yhä enemmän
ja enemmän tietoa kohteen eri kohdista, ääripäässä on kuvakorrelaatiolla mitattava
havaintogridi jolla estimoidaan pintoja koko kohteesta jokaisella (diskreetisti havaitulla)
ajan hetkellä. Vaikka tämä tapa ei ole matemaattisesti hienostunut eikä käytännössä
reaaliaikainen, on sillä epäilemättä sijansa kohteen muodon ja liikkeen muutoksia
tutkittaessa. Suuria datamääriä voidaan tiivistää topografisissa kartoituksissa ja
paikkatietojärjestelmissä käytetyillä menetelmillä.
25
3.5.3 Kohteen osittelu
Kohde voidaan myös jakaa osakohteisiin kunkin osan liiketyypin mukaisesti. Kuvan 3.2
esimerkin mukaisesti: osa a ei liiku, osa b taipuu, osa c1 liikkuu -> katkeaminen
(turbulentti vaihe, topologian muuttuminen) -> osa a ei liiku, osa b1 taipuu takaisin +, osa
b2 taipuu takaisin sekä liikkuu ja osa c2 liikkuu. Näillä kaikilla osilla on erilainen
liikkeen tyyppi eri vaiheessa, ja niiden mallintaminen tapahtuu mahdollisesti eri tavoin.
kuva 3.2 : kohteen jako osakohteisiin ko. osan liiketyypin mukaan.
3.5.4 Region, volume ja moment of interest
Paikkatieto- ja kuvankäsittelysovelluksista tuttu käsite on region of interest.
Dynaamisessa ilmiössä kohteesta voi erottaa region of interest (kuvalla) rajauksen lisäksi
myös ”volume of interest” tyyppisen rajauksen kohteessa, jos liike rajoittuu vain osaan
kohdetta.
Useissa ilmiöissä voidaan erottaa myös temporaalisesti ”moment of interest”, esimerkiksi
hauraan jäykän materiaalin rasituksessa voi mennä pitkiä aikoja ilman mitattavaa liikettä,
kunnes tapahtuu äkillinen, voimakas muutos.
26
4. Esimerkkejä kuvamittauksen käytännön sovelluksista
4.1 3D-mittaus yhdellä kameralla
Reaalinen, kolmiulotteinen kohde tallentuu kuvalle kuvauslaitteen muodostaman
projektion kautta kaksiulotteiseksi. Yhdellä kameralla ei kohteesta saada tietoa kuvatason
etäisyydestä kohteen eri pisteisiin ilman apuvälineitä. Tarpeellisina lisärajoitteina voivat
olla geometriset keinot, valaistuksen tiedot tai keinotekoinen pintakuvio, jonka
poikkeamat tunnetusta muodosta auttavat ratkaisemaan kohteen 3D-muodon. Kohteen
muodon muutos voidaan myös määrittää jos käytössä on kuvaelementin intensiteetin ja
sijainnin lisäksi myös heijastuneen säteilyn aallonpituus ja vaihe [18].
4.1.1 Geometrinen rajoitus
Yksinkertainen rajoitus kohteen liikkeen määrittämiseen on oletus, että kohde liikkuu
tasossa, joka on tunnettu suhteessa kuvatasoon. Useimmiten taso samansuuntainen
kuvatason kanssa, ja sen etäisyys kuvatasosta tunnetaan. Näin voidaan toteuttaa
yksinkertaisia liikeratamittauksia. Eri värisillä valopisteillä ja pitkillä valotusajoilla
saadaan liikkeestä irti useita viivamaisia kuviota yhdelläkin kuvalla.
Aina ei ole tarvetta monimutkaiseen konfiguraatioon; maalikameraa on käytetty 1932 Los
Angelesin olympialaisista lähtien. Nykyisinkin tekniikka on tässä selkeästi
temporaalisessa sovelluksessa lähes sama, streak-kamerasta on vain käytössä CCD-versio
filmikameran sijaan [11].
4.1.2 Pintakuvion käyttö
Heijastamalla tai muuten merkitsemällä jokin tunnettu kuvio kohteen pinnalle, voidaan
sen muoto määrittää. Moiré-kuvion käyttö on tunnettu esimerkki [21]. Myös kohteen
valaistuksen muutoksen avulla voidaan määrittää kohteen muotoa, mutta dynaamisiin
ilmiöihin se sopii huonommin.
27
4.1.3 Holografiset menetelmät
Holografisista menetelmistä lähinnä ESPI (Electronic Speckle Pattern Interferometry) on
ollut tutkijoiden ja käytännön soveltajien mielenkiinnon kohteena.
Huntley, Kaufmann ja Kerr esittelivät v. 1999 1000 fps nopeudella toimivan ESPI-
järjestelmän. Referenssisignaali tahdistettiin muuttamaan vaihetta, jotta jokaiselle kuvien
välille syntyisi vaihe-ero. Tällä järjestelmällä kyettiin 25 mikrometriä/s pinnan nopeuden
seurantaan, ja teoreettisesti arvioitiin sen kykenevän 67 mikronia/s nopeudella liikkuvan
pinnan seurantaan [15].
Kilpatrick et al. esittelivät järjestelmän, joka pystyy seuraamaan 3.2 mm/s nopeudella
liikkuvaa pintaa käyttäen kahta kameraa, toista normaalilla videotaajuudella ja toista aina
100 kHz taajuuteen saakka [22].
Trilion quality systems [40] käyttää Gom gmbh:n [39] kaupallista järjestelmää
teollisuuden laadunvalvontapalveluissa. Teknisiä tietoja laitteista:
28
Kuva 4.1: ESPI-mittausjärjestelmän tulosteita [39].
Sovellusalueiksi mainitaan esimerkiksi rakenteiden optimointi, materiaalien
käyttäytymisen mallinnus rasituksessa, käyttäytymisen mallinnus rasituksessa myös
hauraille materiaaleille, heterogeenisten materiaalien tutkimus, eri materiaalien
rajapintojen tutkiminen, sekä kerros-, komposiitti ja hunajakennomateriaalien ja
rakenteiden tutkimus.
Kuten teknisistä tiedoista käy ilmi, tutkittavan kohteen koko on perusjärjestelmässä
rajoitettu alle 60 cm kappaleisiin, isommille kohteille joutuu räätälöimään ratkaisuja.
Myös suurin mitattava pinnan liikkeen nopeus on rajoitettu, suurnopeuskameroita ei ole
perusmalleissa käytössä.
4.2 3D-mittaus kahdella kameralla
Vähintään kahta kuvaa käytettäessä voidaan kuvatason etäisyys kohteen eri pisteistä
määrittää suoraan kuvakoordinaateista kollineaarisuusehtoa käyttäen, kun käytössä on
kuvahavainnot riittävän suuresta määrästä kohdekoordinaatistossa tunnettuja pisteitä
[21],[23], tai kun kameroiden sijainti ja projektioparametrit on muuten määritetty.
29
4.2.1 Ortogonaalinen kamerakonfiguraatio
Kiinalainen Xian Aircraft Company tutki lentopommin käyttäytymistä lentokoneesta
irrotettaessa tuulitunnelin ja kahden 300 fps filmikameran avulla [7]. Koejärjestelyn
datumin origoksi valittiin pommin kiinnityskohta. X-akseli oli tuulitunnelin suuntainen ja
y-akseli tätä vastaan kohtisuora siten, että xz-taso oli horisontaalinen. Kamerat
orientoitiin hieman konventionaalisesta lähifotogrammetriasta poiketen siten, että
kamerat asetettiin origossa sijaitsevan teodoliitin avulla toinen täsmälleen x- ja toinen
täsmälleen y-akselille, kuvatasojen ollessa akselien suhteen kohtisuorassa ja pääpisteiden
sijaitessa akseleilla – kuvausjärjestelyä kutsutaan ortogonaaliseksi.
kuva 4.2 : kamerakonfiguraatio tuulitunnelikokeessa [7].
Kokeessa seurattiin jäykän kappaleen liikettä, eli pommin nopeutta eri akselien suunnassa
sekä sen asentoa valittujen pisteiden avulla.
Vaikka koejärjestelyn hyvällä suunnittelulla saatiin matemaattisesti yksinkertainen malli
kohteen mittaukselle, koeasetelmaan sisältyy myös riski, koska mitään kontrollia
orientoinnin säilymiselle ei ole kuvamittauksin havaittavissa kokeen aikana.
30
4.2.2 Aramis 3D-mittausjärjestelmä
Modernimpi lähestymistapa kahdella kameralla on esimerkiksi Gom gmbh:n aramis 3-d
mittaustyöasema jossa erilaisilla kameravaihtoehdoilla voidaan rakentaa erilaisia
paketteja tarpeen mukaan. Teknisiä tietoja [39]:
Perusmalleissa ei ole standardi videonopeusoptiota ( 6 – 24 fps ), mutta vaihtamalla
kameraa päästään jo suurnopeuksiin [39]:
31
Periaatteessa kamerat voidaan korvata tarpeen mukaan vielä nopeammilla tai muuten
suorituskykyisemmillä kameroilla. Lisäämällä kameroita ja optimoimalla niiden välisiä
konvergenssikulmia voidaan myös spatiaalista tarkkuutta parantaa
1 : 5000 tasolta.
4.2.3 Jäykän kappaleen liikkeen 3D-seuranta kuvamittauksella
Kamera Kamera
40 m
40 m
30 m 22,5 m
VTT:n laivatekniikan laboratoriossa toteutettiin tutkimusjärjestelmä vesialtaassa
liikkuvien jäykkien kohteiden – alusten pienoismallien – seurantaan tähysten avulla [3].
Järjestelmässä on kaksi PC-työasemaa, kaksi Pentax TM 560 videokameraa ja
videokaappauskorttia sekä kameroiden synkronointia säätävä ulkoinen voimanlähde.
Järjestelmän ohjelmisto rakennettiin Mapvision- ohjelman pohjalle. Ohjelmisto koostui
kalibrointiosasta sekä kuvankaappausosasta, jolla myös annettiin likiarvot tähyksille
kuvasarjan alussa. Varsinaiselle laskennalle kohteen 3D-liikkeen määrittämiseksi luotiin
oma ohjelmamoduuli.
Kamerat kalibroitiin liikuttelemalla kahta tähystä kolmiulotteisella 40m x 40m
koealueella tähysten korkeuden vaihdellessa välillä 0.5 – 2 m. Tähysten paikat
määritettiin EPLA-teodoliittimittauksin.
32
Koejärjestelyssä mitattiin koko 40 m x 40m aluetta, mutta paras mittausalue oli kooltaan
22,5 m x 30 m. Tällä alueella mittaustarkkuudeksi tuli stabiilille kohteelle
σx = 1.1 cm
σy = 0.8 cm
σz = 0.4 cm
ja liikkuvalle kohteelle
σx = 2.2 cm
σy = 1.8 cm
σz = 1.0 cm
4.3 3D-mittaus kolmella kameralla
4.3.1 Epipolaarigeometria
Yleinen kuvien automaattisessa yhteensovituksessa käytetty malli perustuu
epipolaarigeometriaan. Yhdellä kuvalla oleva piste kuvautuu jonnekin kameroiden
keskinäisestä orientoinnista ja kyseessä olevasta pisteestä määräytyvän epipolaaritason ja
toisen kuvatason leikkauksessa syntyvälle epipolaarisuoralle, jolloin vastinpisteen haku
toiselta kuvalta rajoittuu 1-ulotteiseksi [17]. Suoralla kuitenkin voi löytyä useita
ehdokkaita vastinpisteeksi, ja näin yksikäsitteistä ratkaisua ei löydy. Lisäämällä
konfiguraatioon kolmas kamera saadaan toisella kuvalla oleville kandidaateille
kolmannella kuvalla uudet suorat, joiden leikkauksia tutkimalla voidaan löytää
yksikäsitteinen ratkaisu.
33
kuva 4.3 : epipolaarigeometria kuvan 1 pisteen P paikantamisessa kuvilla 2 ja 3 [28].
4.3.2 Virtauksen määritys kolmella kameralla epipolaarigeometriaa hyödyntäen
Artikkelissa [28], Maas esitteli uudenlaisen järjestelmän virtauksen tutkimiseen.
Kokeessa virtaavaan, läpinäkyvään aineeseen lisättiin kooltaan 50 mikronin hiukkasia,
jotka olivat riittävän pieniä ollakseen muuttamatta virtausta, mutta valaistaessa tulivat
näkyviin. Ylipäästösuodatuksella kolmen kameran aikasynkronoidut kuvasarjat
muokattiin pistejoukoksi, jonka liikettä mitattiin.
Kolmella, keskenään n. 60° konvergenssikulmaan asetetulla Aqua TV HR 480 - ½”
frame-transfer ccd-videolla kuvattiin 15 x 15 x 2 cm aluetta 25 Hz taajuudella.
Kalibroinnissa, ennen ja jälkeen kuvauksen, käytettiin kahteen tasoon jaettuja 85
tunnettua tähystä virtauskanavassa. Kuvauslaite liikkui virtauksen mukana,
kuvausjärjestelyllä tutkittiin poikkeamaa normaalista suorasta virtauksesta.
Noin 900 löytyneen pisteen joukosta seuranta onnistui n. 700:lle hiukkaselle koko ajan.
Yksittäisen hiukkasen sijainnin määrityksen tarkkuus oli:
σx = 0.08 mm
σy = 0.09 mm (virtauksen suunta)
σz = 0.22 mm (syvyyssuunta)
34
Koska peräkkäiset mittaukset korreloivat keskenään, vektorien RMS-variaatio oli
pienempi, 0.028 mm, 0.055 mm ja 0.042 mm X,Y,Z suunnissa. Y-suunnan suurempi
virhe johtui luultavasti hieman epätasaisesti kulkevasta kuvauskelkasta.
Yhden kuvakolmikon laskentaan kului SUN 4 – työasemalla 30-40 sekuntia, käsittäen
kaikki vaiheet kuvankäsittelystä vektorien laskentaan. Polssonin työasemakronologia [33]
antaa SUN 4 työasemalle nopeudeksi 10 MIPS ( Million Instructions Per Second) ja
uudemmille vastaaville nopeudeksi annetaan 696 Specint2000- yksikköä joka vastaa ( 4 x
696 = ) likimain 2800 MIPSiä. Vaikka MIPS-arvo ei kerro suoraan suorituskykyä, Maasin
koejärjestelyn kaltainen mittaus reaaliaikaisena saattaa olla pian mahdollista.
4.4 Neljä kameraa ja enemmän
4.4.1 kameroiden määrän vaikutus mittaustarkkuuteen
Fraser [21] esittelee graafisesti useamman kameran konfiguraation vaikutusta
mittaustarkkuuteen kameroiden määrän ja niiden välisten konvergenssikulmien suhteen.
Neljän kameran optimaalisella asettelulla päästään 1 : 240 000 suhteelliseen tarkkuuteen
kun kuvamittauksen keskivirheenä pidetään 1.5 mikrometriä, ja kuvakoko 230 x 230 mm.
Laskelmassa on käytetty kameroita joissa on 240 mm polttoväli.
Digitaalikameroissa on yleisesti käytössä pienempi polttoväli ja kuvamittauksen
keskivirheen määräävä resoluutio on heikompi. Mapvision4D-lähifotogrammetria
järjestelmän neljän 756 x 576 pikselin CCD kameran konfiguraatiolla saadaan 200 x 200
x 100 mm kappaleelle 5 mikrometrin tarkkuus [32].
Kameroiden lisääminen parantaa tarkkuutta kameroiden määrän neliöjuuren suhteessa.
Konvergenssikulman suurentaminen parantaa tarkkuutta nopeasti Z-suunnassa, mutta
samalla uhrataan XY-suunnan tarkkuutta [21]. Lisäksi automaattisen piirteiden
tunnistuksen hankaloituminen kuvien geometrisesti erotessa paljon toisistaan ei kannusta
käyttämään voimakkaasti konvergoivia konfiguraatioita automaattisissa järjestelmissä .
35
4.5 Kameroiden synkronointi
Kameroiden määrän kasvaessa varsinkin suurnopeuskameroilla kameroiden
temporaalinen kalibrointi ja yhteensovitus tulee tärkeäksi. Vision Researchin Phantom
6.2e on esimerkki valmiista ratkaisusta 2-4 suurnopeuskameran synkronoituun käyttöön.
kuva 4.4 : phantom 6.2e multihead [36]
teknisiä tietoja phantom 6.2e:stä [36]:
36
4.6 Matemaattisia malleja ja laitteistoja tietokoneavusteiseen liikkeen
havainnollistamiseen
Tässä mainitut menetelmät, laitteet ja alustat eivät kaikki ole erityisesti
suurnopeuslaitteille sovitettuja. Laskennallisten menetelmien kannalta on kuitenkin
merkityksetöntä, onko kuvausnopeus 30 fps vai 1000 fps, laskenta tapahtuu peräkkäisten
kuvien välillä tai kokonaisten kuvasarjojen avulla. Reaaliaikaisuuskaan ei ole este
suurnopeuksissa, esimerkkinä Ishikawa-laboratorion sensor-fusion-projektin baseball-
robotti [42].
Hager ja Toyama [ 13] esittelevät X-visionin, alustan jonka päälle voi rakentaa
reaaliaikaisia konenäkösovelluksia. Käytännössä on toteutettu mm. eleisiin ja liikkeisiin
perustuva piirto-ohjelma ja liikkeen seurantaa.
4.6.1 Liikkeen määritys havaintomatriisin faktorisointimenetelmällä
Tan et al. ,[ 34], esittelee parannetun version Tomasin & Kanaden
singulaariarvohajotelmaan perustuvasta faktorisointimenetelmästä, jolla pystytään
määrittämään jäykän kohteen 3-d muoto ilman ennakkotietoa kameraparametreistä.
Parannettu menetelmä on iteratiivinen, spatiotemporaalista kuvahavaintomatriisia svd-
faktorisointimenetelmällä käsittelevä, ja se pystyy seuraamaan muotoaan muuttavaa
kappaletta ilman kamerakalibrointia.
kuva 4.5 : täyttyvä ja tyhjenevä tähyksillä varustettu ilmapallo kuvattuna kolmella
kameralla ja siitä spatiotemporaalisen havaintomatriisin faktorisoinnilla laskettu
muodonmuutos [36].
37
kuva 4.6 : faktorisointimenetelmällä luotu tikku-ukko malli makuulta nousevasta
ihmisestä [36].
38
4.6.2 DSS - Dynamic surfel sampling
Carceroni et al. ,[5], esittelevät menetelmää jota kutsuvat nimellä Dynamic Surfel
Sampling. Pikseleistä muodostetaan sijainnin, liikkeen, muodon, heijastuksen ja
näkyvyyden kautta yksiköitä joita kutsutaan nimellä ”surfel”. Näiden pintaelementtien
rekonstruoinnin ja yhteen liittämisen kautta syntyy koko järjestelmä dynaamiseen
pintaelementtien rekonstruointiin – dynamic surfel sampling. Menetelmä on kehitetty
matemaattiseksi pohjaksi liikkeen ja muodon määrittämiseksi elastisesti liikkuvasta
kohteesta ilman ennakkotietoa kohteesta.
kuva 4.7 : kaulan pintamalli päätä kääntävällä ihmisellä, rekonstruoitu DSS-menetelmällä
[5].
4.6.3 Kalman-suodatin
Lineaarisen prosessin seurannan avuksi kehitettiin 60-luvun alussa rekursiivinen,
prosessien stokastisen luonteen huomioiva laskentamenetelmä. Täyttä selvyyttä
laskentamallin ensimmäisestä kehittäjästä ei ole, mutta yleisesti viitataan R.E.Kalmanin
1960 julkaisemaan artikkeliin [20] ensimmäisenä esityksenä aiheesta.
Kalman esitti laskentamallin, jossa prosessin tilaa seurataan mittauksin, ennustaen
prosessin tulevaa tilaa edellisen havainnon ja tilansiirtomatriisin avulla. Kalman-suodatin
yhdistää mittausdatan ja mallin antaman informaatioin niiden luotettavuuteen suhteuttaen.
39
Koska suodattimen laskennassa käytetään vain edellisen laskentakierroksen lopullista
estimaattia, uutta havaintoa ja näiden variansseja, sekä vakiona pysyvää tilansiirtoa,
laskutoimitusten ja muistissa pidettävien muuttujien määrä pysyy pienenä. Tämä tekee
laskennasta nopeaa ja on-line -mittauksiin hyvin soveltuvaa.
Kuva 4.8 : Prosessin dynaaminen malli.
Tilaa seurataan havaintovektorin l avulla. Havaintomallin muodostaa yhdessä tilavektorin
ja havaintovektorin kanssa niiden välistä riippuvuutta kuvaava matriisi A. Todellisessa
prosessissa sekä prosessiin että havaintoon liittyy satunnaista virhettä, joita kuvaavat
vektorit w ja v. Näistä johtuen havaittu havainto lk poikkeaa prosessin ennustetusta
havainnosta Axk|k-1.
Kuva 4.9 : Dynaaminen malli ja havaintomalli sekä niiden erotus l. Innovaatiovektori.
lk on innovaatiovektori, joka edustaa havainnossa sitä osuutta, jota edellisen ennusteen
xk|k-1 avulla ei voi määrittää. Lopullista, a posteriori -estimaattia xk|k laskiessa pitää vielä
päättää, kuinka suurella painolla uutta havaintoa käytetään a priori -estimaatin
korjaamiseen. Korjauksen määrittävä päivitysmatriisi K voidaan määrittää tunnettujen
varianssien ja havaintomallin avulla:
K = (Σee k|k-1AkTAkΣee k|k-1Ak
T + Σvv k)-1
40
Φx
k-1
xk
++
(x0)
lk
Φxk-1
xk|k-1
+ +
(x0) wk
+
vk
A
Axk|k-1– lk= lk|k-1 – lk = lk
ja päivitetty estimaatti xk|k sekä varianssit Σee k|k lasketaan K-matriisin avulla:
xk|k = xk|k-1 + Kk(lk – Akxk|k-1)
Σee k|k = ( I – KkAk)) Σee k|k-1
K-matriisin laskennan työmäärä riippuu lähinnä havaintojen määrästä, joka määrää
käännettävän matriisin koon. Varianssimatriisit ja havaintomalli ovat jo tunnettuja.[17].
Kun dynaaminen malli, havaintomalli tai molemmat ovat epälineaarisia, puhutaan
laajennetusta Kalman-suodattimesta [35]. Vaikka alkuperäinen teoria perustui lineaarisiin
malleihin, on merkittävimmät sovellukset toteutettu epälineaarisilla malleilla. Yleensä
mallit pyritään linearisoimaan käyttäen mahdollisimman hyviä likiarvoja. Tässäkin
asiassa “small motion assumption” helpottaa hyvien likiarvojen löytämistä, eli
mahdollisimman tiheä havaintoväli mahdollistaa suuremman yksinkertaistamisen ja sitä
kautta kevyemmän laskennan [17].
41
5 ESPI : pienten dynaamisten muutosten mittaus holografialla
5.1 Perusteet
ESPI on lyhenne termistä Electronic Speckle Pattern Interferometry [38]. Se on
kontaktiton mittausmenetelmä staattisten ja dynaamisten deformaatioiden määritykseen.
Kohteen heijastaman säteilyn vaiheen muutoksista syntyvien intensiteettikuvioiden
vertailulla ennen deformaatiota ja sen jälkeen, tai kuvasarjalla deformaation aikana,
voidaan mitata jännityksiä, värähtelyiden amplitudia ja rakenteellisia energian siirtymisiä.
Mittaustarkkuus on riippuvainen kohteen valaisuun käytetyn (yleensä) laservalon
aallonpituudesta ollen sen murto-osia [38], [15]. Sovelluksia on käytetty erityisesti muun
muassa mekaniikan, materiaalitekniikan ja lujuusopin tutkimuksessa.
Alunperin koejärjestelmissä toistettiin yhtä kuvaa ottavaa mittausta, joka suoritettiin
useita kertoja peräkkäin aina eri viiveellä kokeen alkuhetkestä. On ilmeistä, että
tämänkaltainen koejärjestely ei sopinut kaikille kohteille. Toinen merkittävä tekijä oli
laskennallisella puolella, pelkästään spatiaalinen vaiheen purku kahden kuvan välillä ei
aina ole yksiselitteisesti tulkittavissa. Vaiheen purku voidaan suorittaa myös
temporaalisesti, kuvalta toiselle edeten, jolloin tarkkuus ja luotettavuus paranee.
Temporaaliseen vaiheen purkamiseen tarvitaan vähintään neljän kuvan sarja.
spatiaalinen vaiheen purku : kaksi kuvaa
temporaalinen vaiheen purku : vähintään neljä kuvaa
t
kuva 5.1 : spatiaalinen ja temporaalinen vaiheen purku.
42
5.2 Temporaalinen vaiheen purku
Yhdistämällä temporaalinen vaiheen purku ja vaiheen muuttaminen ( lisäämällä tunnettu
vaiheen siirto jokaiselle kuvalle) synkronoituna kuvauslaitteen kuvaustaajuuteen voidaan
jokaista kuvapikseliä käsitellä itsenäisenä ”havaintolaitteena” [15].
Yhden pikselin intensiteetti riippuu kohteesta tulevan ja referenssiaallon vaihe-erosta
seuraavasti:
I t =I rI o2 I r⋅I o⋅cosΦ t (5.1)
Kun jokaiselle kuvavälille luodaan ylimääräinen, tunnettu vaiheen siirto intensiteetti
muodostuu seuraavasti:
I t =I rI o2 I r⋅I o⋅cosΦ t φ t (5.2)
Kaavoissa 5.1 ja 5.2 I(t) on pikselin intensiteetti hetkellä t, Ir on referenssisäteen
intensiteetti, I0 kohteesta tulevan säteen intensiteetti, Φ(t) vaihe-ero Ir:n ja I0:n välillä ja φ
(t) lisätty vaiheen siirto.
kuva 5.2 : ESPI kuvausjärjestely temporaaliseen vaiheenpurkuun sovitettuna.
43
CCD
Laser
Peili
peili
Säteen hajoitus
kohde
Säteen jako Säteen hajoitus
Ir I0
vaiheensiirto
Vaihe pikselissä, jonka koordinaatit ovat x,y voidaan ratkaista kolmen kuvan sarjasta
seuraavasti [8]:
φ x , y =tan−1[ I 3 x , y −I 2 x , y I 1 x , y −I 2 x , y ] , (5.3)
missä In (x,y) on kuvien n,n+1 ja n+2 intensiteettiarvo kohdassa x,y.
5.3 Spatiaalinen vaiheen purku
Muuttamalla kuvausjärjestelyä voidaan vaiheen purku suorittaa myös spatiaalisesti.
Herkkää mekaanista vaiheensiirtotoimintoa ei tarvita, sen sijaan käännetään viimeistä
säteet yhdistävää puolipeiliä, jotta referenssisäde osuisi kameraan eri kulmassa kuin
kohteesta heijastuva.
Säteen jako Ir
I0
CCD Säteen yhdistäminen
Laser
Säteen hajoitus
kohde
kuva 5.3 : kuvausjärjestely spatiaaliseen vaihepurkuun sovitettuna
Pikseli
CCD
Referenssi säde Kohteesta
heijastuva säde
- 120 °
+120 ° 0 °
edestä päin:
Speckle
kuva 5.4 : Säteiden muodostaman aaltorintaman peruskuvio.
44
Lisäksi kamera on tarkennettu siten, että yhden specklen koko on kolme pikseliä tai
enemmän. Näillä järjestelyillä pikselin xn,y vaiheeksi saadaan [4]:
φ xn , y =tan−1[3I xn−1 , y −I xn1 , y
2 I xn , y −I xn1 , y −I xn−1 , y ]mod π (5.4)
laskemalla vaihe kolmen vierekkäisen pikselin intensiteettiarvoista, kun aaltorintamien
välinen kulma on 120°.
5.4 Vaihepuretun aineiston käsittely
kuva 5.4: Esimerkki vaihepuretusta kuvasarjasta
Vaihepuretulle kuvalle suoritetaan lopuksi tulkinta, jossa vaihepuretun kuvan arvot
muunnetaan vastaamaan aallonpituudesta laskettavaa muutosta. Jatkuvilla,
aallonpituuden määrityskyvyn rajoissa pysyvillä kohteilla tulkinta on laskettavissa, mutta
epäjatkuvuudet tai liian suuret muutosnopeudet vaikeuttavat tulkintaa. Erityisesti
temporaalinen vaiheenpurku on hyvin herkkä ympäristön muutoksille, kuten ilman
väreilylle lämpötilojen muuttuessa.
Taulukossa on spatiaalisen ja temporaalisen vaiheenpurkumenetelmän vertailua:
Temporaalinen vaiheen purku Spatiaalinen vaiheen purku• Tarkka • Vähemmän tarkka• vähintään neljän kuvan sarja • kaksi kuvaa• ei juuri kohinaa • runsaasti kohinaa• hyvin herkkä ympäristön muutoksille • stabiilimpi• parempi erotuskyky • huonompi erotuskyky• sisältää herkkää mekaniikkaa • vain optiikka
45
X
-2.44 18.80
40.04 61.28
82.51 103.75
Y
122.02 92.32
62.62 32.91
3.21 -26.49
Z
0.00 0.70 1.41 2.12 2.83 3.53
Fringe-kuva
-
Tulkittu 3d-muoto
6. Johtopäätökset
Suurnopeusfotogrammetria on olemassa. Sen voi löytää useistakin konenäön ja 3D-
kuvamittauksen sovelluksesta. Ishikawa-laboratorioiden sensor-fusion projekteissa on jo
rakennettu robottijärjestelmiä, joissa koko laitteen vasteaika visuaaliseen ärsykkeeseen –
kohteen kolmiulotteiseen liikkeeseen – on millisekunnin luokkaa.
Erikseen määriteltynä suurnopeusfotogrammetriaa ei varsinaisesti kirjallisuudesta
löytynyt. Kuva-aineistosta suoritettavien mittausten periaate säilyy samana riippumatta
kuvanottotiheydestä. Nopeampien kameroiden avulla voidaan tutkia nopeampia ilmiöitä,
tai helpottaa automaattisen mittauksen suorittamista ja ohjelmistojen laatimista, mutta
3D-mittauksen keskeiset lainalaisuudet ovat voimassa.
Liikkeen tyyppien taksonomian kautta löytyy mielenkiintoinen ajatus lähes jäykän
kappaleen liikkeestä: kasvattamalla kuvaustiheyttä voidaan periaatteessa mikä tahansa
liike saattaa tämän oletuksen piiriin. Tuloksena on ”small motion assumption”-ehdon
täyttymisen mahdollistaminen kuvausnopeutta kasvattamalla. Vaikka itse tutkittava ilmiö
ei välttämättä nopeutensa puolesta vaadi erityisen nopeaa kuvausta, voi automaattisen
liikkeentunnistuksen ja mittauksen kannalta olla edullista kuvata tutkittava ilmiö suurella
nopeudella, varsinkin tutkittavan liikkeen ollessa tyypiltään jäykän kappaleen liikettä
monimutkaisempaa.
Osaa tässä työssä esitellyistä rtp- ja muiden mittausten esimerkeistä voidaan pitää
vanhentuneina. Ongelmat siirrettäessä laitteistojen suorituskyvyn rajoja automaattisessa
mittauksessa ovat tekniikan kehittyessä kuitenkin usein samankaltaisia, kuin aiemmin
alaa tutkineiden jo kertaalleen taklaamat. Rajoitukset muistissa, datan siirtonopeudessa,
levytilassa ja prosessointinopeudessa ovat edelleenkin olemassa, suuruusluokka on vain
toinen.
Suurnopeusfotogrammetrian voi erottaa omaksi osa-alueeksi lähifotogrammetriassa, yhtä
lailla kuin suurella nopeudella toimivat kamerat ja videot erotetaan normaaleista
kameroista ja videoista.
46
7. Lähdeluettelo
[1] Aggarwal, J. K. Nonrigid Motion Analysis: Articulated and Elastic Motion,
COMPUTER VISION AND IMAGE UNDERSTANDING
Vol. 70, No. 2, May 1998.
[2] Bengtsson, M Luentomateriaali : Digital Bildalstrande System, 2004.Centrum för bildanalys, UppsalaUniversitet.http://www.cb.uu.se/~ewert/kurs.html
sivulla käyty 13.12.2004
[3] Broman, H Tredimensionell positionsbestämning av ett rörligt föremål,
Diplomityö, Fotogrammetrian ja kaukokartoituksen
laboratorio, Teknillinen Korkeakoulu 1997.
[4] Burke, J et al. Messung schnell veränderlicher Verformungen mit
räumlich phasenschiebender elektronischer Specklemuster-
Interferometrie (ESPI). Z. Angew. Math. Mech. 78, 1998.
[5] Carceroni, R et al. From Video Streams to Non-Rigid 3D-Motion, Shape and
Reflectance, International Journal of Computer Vision 49
(2/3) 2002.
[6] Chen, C. W. et al Surface modeling in heart motion analysis, Proceedings of
SPIE Vol 1610,1991.
[7] Chen, J. et al. Three-dimensional high speed photographic survey for
bomb dropping in wind tunnel, Proceedings of SPIE Vol.
1032 part 1, 1988.
[8] Creath, K Phase-measurement interferometry: Beware these errors,
Proceedings of SPIE Vol. 1553, 1992.
47
[9] El Gamal, A. Trends in CMOS Image Sensor Technology and Design,
Invited Talk at IEDM 2002, Dec. 2002.
[10] El-Hakim, S.F. A Real Time system for object measurement with CCD
cameras, International Archives of Photogrammetry and
Remote sensing Vol. 26, part 5 1986.
[11] EtherLynx PRO http://www.finishlynx.com/, sivulla käyty 13.12.2004
[12] Gilblom, D.L. et al. Infrared and ultraviolet imaging with a CMOS sensor
having layered photodiodes. SPIE/ISA Electronic Imaging
2004 - January 18-22, 2004 - San Jose California, USA .
[13] Hager,G. et al. A Portable Substrate for Real-Time Vision Applications,
Computer Vision and Image Understanding, Vol 69. No.
1,1998.
[14] Haggrén, H. On System Development of Photogrammetric Stations for
On-Line Manufacturing Control. Acta Polytecnica
Scandinavia Ci 97. Helsinki 1992.
[15] Huntley, J. et al. Phase Shifted Dynamic Speckle Pattern Interferometry at 1
kHz, Applied Optics Vol 38 No. 31, Nov. 1999.
[16] Hyzer, W.G. The Eye, The Film, and Video In High Speed Motion
Analysis, Proceedings of SPIE Vol. 674 part 1, 1986.
[17] Inkilä, K Analyyttinen fotogrammetria, luentomateriaali, TKK/M
Otaniemi, 2004.
48
[18] Jain, R. et al. Machine vision. McGraw-Hill, 1995.
[19] Kagami et al. A Software-Controlled Pixel-Level A-D Conversion
Method for Digital Vision Chips, 2003 IEEE Workshop on
Charge-Coupled Devices and Advanced Image Sensors
Elmau, Germany - May 2003.
[20] Kalman, R. E. A New Approach to Linear Filtering and Prediction
Problems. Transactions of the ASME – Journal of Basic
Engineering, 82 (Series D), March 1960.
[21] Karara,M et al. Non-Topographic Photogrammetry, 2nd edition, American
society for photogrammetry and remote sensing, 1989.
[22] Kilpatrick, J.M. et al. Measurement of Complex Surface Deformation by High-
Speed Dynamic Speckle Pattern Interferometry, Optics
Letters Vol. 25 No. 15, 2000.
[23] Kraus, K Photogrammetry Vol. 1, 4th edition, Ferd. Dummlers
Verlag, Bonn 1993.
[24] Li, W et al. Determination of the deformation of the bridge model in
real time with CCD solid state camera, Proceedings of
SPIE Vol. 1395 part 2. 1990.
[25] Li, Z. et al. Design and Implementation of a Smart Image Sensor with
2D Motion Vector Estimation, Procedings of SPIE vol.
3649, 1999.
49
[26] Litwiller, D CCD vs. CMOS:Facts and Fiction, PHOTONICS
SPECTRA,January 2001,Laurin Publishing Co. Inc.
[27] Lunn, G.H. High Speed Photography in The United Kingdom,
Proceedings of SPIE vol.1032 part 2, 1988.
[28] Maas, H Digital Photogrammetry for Determination of Trace
Particle Coordinates in Trbulent Flow Research,
Proceedings of SPIE Vol. 1395 part 1, 1990.
[29] Maas, H. High-Speed Solid State Camera Systems for Digital
Photogrammetry, The International Archives of
Photogrammetry and Remote Sensing, Vol. XXIX, 1992.
[30] Meynants G. et al. CMOS active pixel image sensor with CCD performance,
proceedings of SPIE, vol. 3410, 1998.
[31] Namiki A. et al High Speed Grasping Using Visual and Force Feedback,
Proc. IEEE Int. Conf. on Robotics and Automation, Detroit,
Proceedings, 1999.
[32] Niini, I On The Calibration of Mapvision 4D System, The
International Archives of Photogrammetry and
RemoteSensing and Spatial Information Sciences, Vol. 34,
Part 3A, Graz, Austria 2002.
[33] Polsson, K Chronology of Workstation Computers,
http://www.islandnet.com/~kpolsson/workstat/
sivulla käyty 13.12.2004
50
[34] Schenk,T Digital photogrammetry 1 : Background, fundamentals,
automatic orientation procedures, Laurelville (OH) :
TerraScience, 1999.
[35] Sorenson, H. W. Least Squares Estimation: From Gauss to Kalman. IEEE
Spectrum, vol 7, July 1970.
[36] Tan, J et al. Deformable Shape Recovery by Factorization Based on a
Spatiotemporal Measurement Matrix, Computer Vision and
Image Understanding 82, 2001.
[37] Vision Research Inc. www.visiblesolutions.com, Phantom v9.0 esite, 2004.
[38] Wykes & Jones Holographic and Speckle Interferometry, 2nd edition,
Cambridge University Press 1989.
[39] www.gom.com, sivulla käyty 13.12.2004
[40] www.trilion.com, sivulla käyty 13.12.2004
[41] http://www.jyvaskyla.fi/historia/nakymat/muuttuva.htm
sivulla käyty 13.12.2004
[42] High-Speed Batting Using a Multi-Jointed Manipulator,
http://www.k2.t.u-
tokyo.ac.jp/fusion/HighspeedBatting/index-e.html
sivulla käyty 13.12.2004
51
[43] Using remote sensing technology as a tool for hazards
planning and damage assessment :
http://www.csc.noaa.gov/products/nchaz/htm/ccap2.htm
sivulla käyty 13.12.2004
[44] www.arielnet.com, sivulla käyty 13.12.2004
52