Resumo: Este trabalho apresenta uma análise comparativa de diferentes métodos do estado da arte para detecção e descrição de características locais em imagens, com o objetivo de solucionar de forma robusta e eficiente o problema de autocalibração de câmeras. Para atingir esse objetivo, é essencial a utilização de métodos detectores e descritores eficazes, uma vez que a correspondência robusta de características em um conjunto de imagens sucessivas sujeitas a uma ampla variedade de distorções afins e mudanças no ponto de vista 3D da cena, é crucial para a exatidão dos cálculos dos parâmetros da câmera. Muito embora diversos detectores e descritores têm sido propostos na literatura, seus impactos no processo de autocalibração de câmeras não foram ainda devidamente estudados. Nesse trabalho de análise comparativa, utilizam-se como critérios de qualidade da autocalibração os erros: epipolar, de reprojeção e reconstrução, bem como os tempos de execução dos métodos. Os resultados experimentais demonstram que detectores e descritores binários de características (ORB, BRISK e FREAK) e de ponto flutuante (SIFT e SURF) apresentam erros de reprojeção e reconstrução equivalentes. Considerando-se, porém, o menor custo computacional dos métodos binários, recomenda-se, fortemente, o uso destes em soluções de problemas de autocalibração de câmeras.
Palavras-chave: Autocalibração de Câmeras, Detectores e Descritores Locais, Correspondência de Pontos em Imagens.Abstract: This work presents a comparative analysis of different state-of-art local feature detectors and descriptors aiming to accurately and efficiently solve the camera self-calibration problem. To achieve this goal, it is essential the usage of effective image feature detectors and descriptors, since the robust matching of features in a set of successive images subjected to a substantial range of affine distorsion and changes in 3D viewpoint is crucial to the accurate computation of the camera parameters. Even though a lot of detectors and descriptors have been proposed in the literature, their impacts in the camera self-calibration task have not yet been carefully studied. Our comparative analysis uses as criteria the estimated epipolar, reprojection and reconstruction errors, as well as the running times of the methods. Our experiments show that binary (ORB, BRISK and FREAK) and floating-point (SIFT and SURF) feature detectors and descriptors present equivalent reprojection and reconstruction errors. Therefore,considering the smaller computational cost of binary methods, their usage is strongly recommended in camera self-calibration problems.