Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Computer Vision1_Seite 1 Die Aufgaben der Bildauswertung Detektion im Bild Lokalisierung in der Welt Verfolgung Identifikation (Klassifikation) Analyse.

Ähnliche Präsentationen


Präsentation zum Thema: "Computer Vision1_Seite 1 Die Aufgaben der Bildauswertung Detektion im Bild Lokalisierung in der Welt Verfolgung Identifikation (Klassifikation) Analyse."—  Präsentation transkript:

1 Computer Vision1_Seite 1 Die Aufgaben der Bildauswertung Detektion im Bild Lokalisierung in der Welt Verfolgung Identifikation (Klassifikation) Analyse Auswertungsaufgaben Berücksichtigung des zeitlichen Zusammenhangs der einzelnen Bilder: Bildfolgenauswertung

2 Computer Vision1_Seite 2 BildfolgenInformationsgewinnung Statische Kamera Zeit Bewegte Kamera Aufgaben: Detektion sich bewegender Objekte Lokalisierung sich bewegender Objekte Verfolgung sich bewegender Objekte Objektklassifikation anhand von Bewegungsmustern Aufgaben: Detektion sich bewegender Objekte Lokalisierung sich bewegender Objekte Verfolgung sich bewegender Objekte Objektklassifikation anhand von Bewegungsmustern Eigenbewegungsschätzung Wie kann die Information über Bewegung in ein System eingebracht werden?

3 Computer Vision1_Seite 3 Interpretationszyklus für BildfolgenSzeneninterpretation Generische räumliche Beschreibung Modellwelt Bildsensor Signal- verarbeitung Bildauswertung t 0 + n*d Generische räumliche Beschreibung Modellwelt Bildsensor Signal- verarbeitung Bildauswertung t 0 +d Generische räumliche Beschreibung Modellwelt Bildsensor Signal- verarbeitung Bildauswertung t0t0 Generische zeitliche Beschreibung (parametrisierte Modelle für Objekt-, Szenen-, Beleuchtungs-, Sensordynamik)... Prädiktion Die Nutzung der Mehrinformation (aus Bildfolgen) geht an zwei Stellen ein: 1.Generische zeitliche Beschreibung 2.Signalverarbeitung (genauer: Merkmalsextraktion)

4 Computer Vision1_Seite 4 Bildfolgen: Raum-Kanten Raumkantenbild Grauwertbild Flugzeug- Modell Raumkanten Original Raum-Zeit-Kanten Raum-Zeit-Kantenbild Informationsgewinnung

5 Computer Vision1_Seite 5 Bildfolgen: Raum-Kanten Beispiel für Raum-Zeit-Kanten: Infrarotbild (Luftbild) eines Ausschnitts der Meeresoberfläche Interpretation einer Bildfolge G t1 (x,y), G t2 (x,y),..., G tN (x,y) als dreidimensionales Feld G(x,y,t) Raum-Zeit-Kanten z.B. durch 3-D Sobel-Operator Informationsgewinnung

6 Computer Vision1_Seite 6 Bildfolgen: Raum-Kanten Im Bildstapel statischer Kameras ergeben statische Objektpunkte: senkrechte Geraden und bewegte Bildpunkte mit l gleichförmiger Bewegung: geneigte Geraden l beschleunigter Bewegung: gekrümmte Geraden Bildstapel: Informationsgewinnung

7 Computer Vision1_Seite 7 Bildfolgen: Bewegungssegmentierung Differenzbild Informationsgewinnung Differenzbilder für statischen Hintergrund mit sich bewegenden Fahrzeugen Empfindlich gegen Beleuchtungsänderungen Rauschen Periodische Vorgänge / Muster Abhilfe: Betrachte mehr als ein Bild aus der Vergangenheit

8 Computer Vision1_Seite 8 Betrachtung der Vergangenheit: Betrachte die letzten M Bilder für jeden Bildpunkt einzeln (x,y): g(t) = g(x,y,t) Eine bewegungsbedingte Änderung im Bildpunkt (x,y) zeigt sich z.B. als Sprung. Liegt keine Änderung vor, so sind die Grauwerte konstant. Bildfolgen: Bewegungssegmentierung g(t) t Einmaliges Ereignis Informationsgewinnung g(t) t Konstant mit Rauschen

9 Computer Vision1_Seite 9 Bildfolgen: Bewegungssegmentierung Betrachtung der Vergangenheit: Informationsgewinnung g(t) t t t t t Ideal konstant Konstant mit RauschenEinmaliges EreignisLangsame VeränderungPeriodische Schwankung h(q) q q q q q gege Histogrammbildung

10 Computer Vision1_Seite 10 Bildfolgen: Bewegungssegmentierung Betrachtung der Vergangenheit: Anpassen einer Summe von N Gaußfunktionen (= Modellierung der Grauwerthistorie): Für ein aktuelles Bild: Entscheidung für eine Änderung, wenn für den aktuellen Grauwert g gilt: Informationsgewinnung Ideal konstant Konstant mit RauschenEinmaliges EreignisLangsame VeränderungPeriodische Schwankung h(q) q q q q q gege

11 Computer Vision1_Seite 11 Bildfolgen: Bewegungssegmentierung Übersicht: Für jeden Bildpunkt: Berechnung des Histogramms aus den M letzten Bildern. Modellierung des Histogramms durch Summe von Gaußfunktionen Gilt für den aktuellen Grauwert g: ? l Nein:Eintrag als Hintergrundbildpunkt (z.B. 0) l Ja:Eintrag als (Bewegt-) Objektbildpunkt (z.B. 1) Informationsgewinnung... Letzte M Bilderaktuelles Bild Histogramm für jedes Pixel Im Modell Bewegungssegment-Bild

12 Computer Vision1_Seite 12 Bildfolgen: Bewegungsschätzung Verfolgung von Merkmalen durch Blockmatching (Schablonenanpassung) Informationsgewinnung + Bild zur Zeit t Bild zur Zeit t+ t t t+ t

13 Computer Vision1_Seite 13 Bildfolgen: Bewegungsschätzung Das Prinzip der Schablonenanpassung Schablone zur Suche im nächsten Bild ausschneiden. An welcher Stelle passt die Schablone am besten? Die Suche wird beschränkt auf den Suchbereich um die Schablonenposition im Bild zur Zeit t. Die Position im Bild zur Zeit t+D, an der die Schablone der Bildstruktur am Ähnlichsten ist. Bild zur Zeit t+ t Bild zur Zeit t Für die Suche nach der optimalen Position wird ein Ähnlichkeitsmaß benötigt!

14 Computer Vision1_Seite 14 Bildfolgen: Ähnlichkeitsmaße Lokale Ähnlichkeitsmaße zwischen einem Bild g der Größe BxH und einer Schablone h: Euklidische Distanz: City-Block-Distanz: Kreuzkorrelation: Informationsgewinnung Bild g Schablone h: Position (m,n)=(4,3)

15 Computer Vision1_Seite 15 Bildfolgen: Normierte Kreuzkorrelation Die Normierung der Kreuzkorrelation bezüglich der Bildtransparenzen liefert die normierte Kreuzkorrelation Die NKK liegt zwischen 0 (völlig ungleiche Muster) und 1 (identische Muster). Erinnerung: Faltung von g mit Kern K Informationsgewinnung

16 Computer Vision1_Seite 16 Bildfolgen: Normierte Kreuzkorrelation Beispiel: Informationsgewinnung Bild g und Schablone hNKK

17 Computer Vision1_Seite 17 Bildfolgen: Bildstabilisierung Anwendung der Kreuzkorrelation: Bildstabilisierung (Wackelkompensation) z.B. bei Handycams Voraussetzungen: Nur wenige Objekte in der Szene bewegen sich. Translationen der Kamera sind vernachlässigbar. Drehungen erfolgen um die Achsen des Bildsensors. Informationsgewinnung Keine Rotation um den Sehstrahl (Rollwinkel), nur Gier und Nickwinkel. Feste Szenengegenstände Kamera- drehung Bildsensor Bild Verschiebung (Translation) im Bildbereich!!

18 Computer Vision1_Seite 18 Bildfolgen: Bildstabilisierung Vorgehen Schätzung der Verschiebung ( x, y) im Bildbereich durch Berechnung des Kreuzkorrelationsmaximums der Bilder, z.B. durch die Fouriertransformation. Korrektur der Verschiebung Informationsgewinnung... x max y max Lage des Maximums der Kreuzkorrelationsfunktion: x max, y max

19 Computer Vision1_Seite 19 Detektionsmechanismen: dynamisch Videosequenz: Hindernisdetektion mit optischem Fluss Informationsgewinnung Lokal geschätzte Flussvektoren 1 1) Ein Flussvektor ist ein Vektor, der (in der Bildebene) beschreibt, wie sich die Position eines Szenenpunkts zwischen zwei zeitl. aufeinander folgenden Bildern verschoben hat.

20 Computer Vision1_Seite 20 Bildfolgen: Optischer Fluss Bewegungsschätzung durch optischen Fluss Suche für jeden Bildpunkt (x,y) einen Verschiebungsvektor (v x (x,y), v y (x,y)), so dass (x+v x (x,y) y+v y (x,y)) die Position des Szenenpunktes ist, der zuvor auf Bildposition (x,y) abgebildet war. Allgemeine optische Flussgleichung: Problem: Unterbestimmtheit, so z.B. kommt jeder Grauwert in einem 512x512 Grauwertbild (8 Bit) durchschnittlich 1024 mal vor! Dies macht zusätzliche Einschränkungen nötig, z.B. l Glattheit des Flussvektorfeldes l Kleine Flussvektoren Informationsgewinnung

21 Computer Vision1_Seite 21 Bildfolgen: Optischer Fluß Die Lösung der allgemeinen optischen Flussgleichung erfolgt durch eine Taylor-Entwicklung von unter Vernachlässigung quadratischer und höherer Glieder Umgeformt ergibt sich pro Bildpunkt eine Gleichung Diese Gleichung hat jedoch zwei Unbekannte führt also zu einem unterbestimmten Gleichungssystem. Bestimme den jeweiligen Flussvektor unter Betrachtung einer kleinen Umgebung R von (x,y) (Glattheitsbedingung). Dies führt zu einem überbestimmten Gleichungssystem, daher erfolgt die Bestimmung des Flussvektors durch Minimierung von des Fehlers Informationsgewinnung

22 Computer Vision1_Seite 22 Skripte


Herunterladen ppt "Computer Vision1_Seite 1 Die Aufgaben der Bildauswertung Detektion im Bild Lokalisierung in der Welt Verfolgung Identifikation (Klassifikation) Analyse."

Ähnliche Präsentationen


Google-Anzeigen