Resumo: A matriz de homografia define uma relação que surge quando um plano é observado a partir de dois pontos de vista diferentes. Estimar uma homografia de um par de imagens é uma tarefa fundamental em muitas aplicações da robótica e pode ser formulada como um problema de registro de imagens. Ele é definido como uma busca pelos parâmetros que melhor definem uma transformação entre duas imagens. Métodos de estimação visual dividem-se em duas classe: baseados em primitivas ou intensidade. Por um lado, métodos baseados em primitivas tem um domínio de convergência grande, mas baixa precisão. Por outro lado, aqueles baseados em intensidade possuem propriedades complementares: um domínio de convergência menor, com alta precisão. Esse trabalho apresenta um método que possui o domínio de convergência dos métodos baseados em primitivas e a precisão daqueles baseados em intensidade. Ele unifica a informação geométrica e fotométrica advinda de cada classe em um único método de otimização, combinando suas funcões custo por meio de pesos cuidadosamente selecionados e executando rejeição de outliers. A otimização utiliza o método de Minimização de Segunda-ordem Eficiente porque ele permite uma aproximação de segunda ordem da série de Taylor sem a realização de cálculos custosos da matriz Hessiana. Adicionalmente, dois métodos são apresentados como passos intermediários: um baseado em intensidade capaz de tratar robustamente oclusões desconhecidas e outro baseado em primitivas que implementa o a Minimização de Segunda-ordem Eficiente. Todos os métodos desenvolvidos nessa dissertação são disponibilizados para uso pela comunidade acadêmica Ver menos

Abstract: The homography matrix defines a relation that arises when a plane is observed from two different viewpoints. Estimating a homography from a pair of images is a fundamental task in many robotic applications and can be formulated as an image registration problem. It is defined as a search for the parameters that best define the transformation between a pair of images. Vision-based algorithms are generally divided in two classes: feature-based and intensity-based. Feature-based methods have a large convergence domain with relatively low precision. Intensity-based methods have complementary properties: a smaller convergence domain with better precision. This work presents a method that has the convergence domain of feature-based methods with the precision of the intensity-based ones. It unifies the photometric and geometric information from each classes into a single optimization method, combining their cost functions with carefully selected weights and performing outlier rejection. The optimization uses the Efficient Second-order Minimization (ESM) because it allows for a second-order approximation of the Taylor series without performing any computationally expensive Hessian calculations. Additionally, two methods are also presented as intermediate steps: a intensity-based one that is able to robustly handle unknown occlusions and a feature-based method that implements the same ESM optimization framework. All the methods developed in this work are made available for use by the research community Ver menos