Elaborazione tridimensionale di impronte digitali acquisite senza contatto

La letteratura relativa agli algoritmi di correlazione è estremamente vasta.
E' possibile, in prima approssimazione, classificare gli algoritmi in due categorie principali:
- algoritmi basati su feature;
- algoritmi di tipo denso.
Gli algoritmi appartenenti a ciascuna delle due categorie hanno come obiettivo la creazione di una mappa di disparità (disparity map), composta dall’insieme delle distanze tra i punti correlati.
Gli algoritmi appartenenti alla prima categoria consentono di ottenere la mappa di disparità tra i punti per un numero limitato di punti delle immagini, corrispondenti a feature particolari e facilmente identificabili (come linee, segmenti o angoli). Questi algoritmi, però, sono poco utilizzati in quanto le mappe di disparità risultano limitate e contengono solo pochi particolari punti.
Gli algoritmi di tipo denso, invece, generano mappe di disparità per ogni punto dell’immagine. Secondo una recente tassonomia è possibile classificare gli algoritmi di dense matching in due tipologie:
- algoritmi di tipo locale;
- algoritmi di tipo globale.
Gli algoritmi di tipo locale ricercano i punti omologhi singolarmente ed indipendentemente gli uni dagli altri, analizzando l’intorno di ogni pixel (supporto locale). Questo metodo, detto anche della finestra di correlazione, ha lo scopo di aumentare il rapporto segnale/rumore. Gli algoritmi di tipo locale assumono che all’interno di ogni supporto locale la disparità sia costante. Questa ipotesi, però, non è sempre verificata e conduce ad una discrepanza tra gli oggetti della scena e le mappe di disparità in prossimità di punti posti a differente distanza dalle fotocamere. E importante osservare che esistino anche algoritmi locali che adattano il proprio supporto in base alle caratteristiche locali delle immagini. In questo modo è possibile ottenere risultati migliori ad un costo computazionale pi ù alto rispetto agli algoritmi locali standard. Gli algoritmi locali, inoltre, risultano implementabili in modo relativamente semplice anche a livello hardware, utilizzabili applicazioni real-time.
Questi algoritmi, comunque, hanno un limite legato al fatto che non sempre sono in grado di produrre mappe di disparità completamente dense.
Ciò è dovuto alla presenza di regioni uniformi e di occlusioni. Nel primo caso non è possibile determinare informazioni di disparità in regioni che presentano intensità costante (o comunque pochi elementi distintivi) a causa del fatto che risulta difficile identificare con precisione un punto all’interno di tali regioni. Nel secondo caso, alcuni punti possono risultare visibili in una sola immagine, rendendo impossibile risolvere la corrispondenza tra i pixel delle due immagini stereoscopiche.
Diversamente dagli algoritmi densi di tipo locale, gli algoritmi densi di tipo globale non utilizzano alcun supporto locale, ma si basano su alcune ipotesi sulla natura degli oggetti (smoothness assumption) e ricercano un valore di disparità per i punti in modo da minimizzare l’errore globale. Gli algoritmi densi di tipo globale consentono spesso di ottenere mappe di disparità migliori rispetto agli algoritmi di tipo locale, con lo svantaggio di avere un costo computazionale pi ù elevato (il che li rende attualmente non utilizzabili in applicazioni real-time).
Gli algoritmi densi di tipo globale non producono necessariamente mappe di disparità completamente dense.