Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Lehrstuhl Graphische Systeme Brandenburgische Technische Universität Cottbus 1 Einführung in die Objekterkennung im dreidimensionalen Raum Sind Objektrepräsentation.

Ähnliche Präsentationen


Präsentation zum Thema: "Lehrstuhl Graphische Systeme Brandenburgische Technische Universität Cottbus 1 Einführung in die Objekterkennung im dreidimensionalen Raum Sind Objektrepräsentation."—  Präsentation transkript:

1 Lehrstuhl Graphische Systeme Brandenburgische Technische Universität Cottbus 1 Einführung in die Objekterkennung im dreidimensionalen Raum Sind Objektrepräsentation und Segmentierung trennbar? Matthias Krause nach Ruzena Bajcsy, Franc Solina, Alok Gupta

2 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Definition der Vorverarbeitung Jeder geometrische Signalverarbeitungsalgorithmus, der die Daten eines Sensors in eine anwendungsoptimierte Form übersetzt Frühverarbeitungsalgorithmen partitionieren oder segmentieren idealerweise die Rohdaten in geometrische Grundformen, so dass jeder Bilddatenpunkt zu einer geometrisch gedeuteten Gruppe gehört Ziel: Rauschen entfernen, Geometrie erhalten

3 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Range Images - Tiefenbilder

4 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Oberflächengeometrie Vorverarbeitung: Glätten und Entfernen von irrelevanten Daten.

5 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Glättungsverfahren: Mittelwertglättung – linear oder nichtlinear –Gute Rauschunterdrückung –Abschwächung hoher Ortsfrequenzen –Verwischen von Kanten Nichtlinearer Medianfilter –Keine Kantenverwischung –Rechenaufwand K-nearest-neighbor-Glättung –Gute Alternative bei K=5 zur 3x3 Mittelwertglättung

6 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Glättungsverfahren(2) Jede Aufnahme benötigt andere Verfahren Verfahren nicht vergleichbar -> individuell anpassen Bestrebung, von möglichst wenigen Parametern abhängig zu sein

7 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Objekterkennung Objekt Teile Features Daten Modellierung Beobachtung

8 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Objekterkennung – Aufgaben ALV – autonome Land-Fahrzeuge –Viele, wahrscheinlich unbekannte Objekte der Natur Industrielle Roboter-Bilderkennung –Wenige Objekte an einem Zeitpunkt –Dennoch bis zu verschiedene Bauteile im Repertoire Industrielle Inspektion –Fehlerentdeckung Weltraumanwendungen –On Board – gut beschrieben –Planetenerforschung Heim- und Dienstroboter –Komplexe Umgebung, komplexe Objekte Warenhausroboter –Flexible Routen

9 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Objekterkennung – Dimensionen Zahl der Objekte Variabilität der Modelle Komplexität des Hintergrundes Berechnungskomplexität

10 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Einführung 1. Was sind die geometrischen Grundformen, die (möglicherweise eindeutig) die Daten beschreiben? 2. Welche Prozesse ermöglichen die Dekomposition? 3. Was ist die grundlegende Kontrollstrategie, um die gemessenen Daten zu erklären?

11 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Die Rolle von Grundformen Die Welt ist zu komplex, um sie digital zu repräsentieren. Daher muss der visuelle Input auf ein Niveau reduziert werden, welches den jeweiligen Anforderungen genügt. Vereinfachung bedeutet, Bilder in Entitäten zu teilen, die den entsprechenden realen Objekten anwendungsgenügend entsprechen (Prinzip der Sparsamkeit).

12 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Die Rolle von Grundformen (2) müssen Formanalyse ermöglichen Polyeder Kugeln verallgemeinerte Zylinder Superquadriken

13 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Polyeder

14 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Kugeln htmlhttp://mathworld.wolfram.com/Sphere. html

15 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Verallgemeinerte Zylinder zedCylinder.htmlhttp://mathworld.wolfram.com/Generali zedCylinder.html

16 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Superquadriken

17 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Superquadriken(2) Zum Ausprobieren: gramming/features/superquadric/super quadric.ziphttp://www.gamedev.net/reference/pro gramming/features/superquadric/super quadric.zip

18 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Wahl der Grundform Eine Grundform: einfacher Segmentierungsprozess, aber nicht natürlich –Bsp: Eine Gerade aus Kreisstücken darstellen oder umgekehrt Natürliche Grundformwahl: Kombinatorische Explosion -> Limitierung der Anzahl von Grundformen

19 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Einflussfaktoren Manchmal möglich, zu wissen, dass eine bestimmte Klasse von geometrischen Modellen genügt, um die Welt zu beschreiben –Lagerverwaltung – aus Kisten, also Quadern Weiß man die Komplexität der Szene, ist eine Vereinfachung der Kontrollstruktur möglich, da das Wissen um die Dimension der Objekte die Wahl des Formmodells vereinfacht

20 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Einflussfaktoren(2) Unterschiedliche Ziele aufsteigender Komplexität –Objektvermeidung –Objektmanipulation –Objektidentifikation

21 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Repräsentationsarten Volumetrische Repräsentation Formbasierte Repräsentation Grenzenbasierte Repräsentation

22 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Volumetrische Repräsentation Liefert umfassende Eigenschaften –Gesamtform –Klassifizierung der Grundformen nach Länglich, flach, rund, zugespitzt, gebogen oder verdreht

23 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Formbasierte Repräsentation Liefert Details über Oberflächen, die Teile von größeren Volumenkörpern sind Differenziert zwischen –flachen oder gebogenen, –konkaven gegen konvexe, –glatten gegen raue Oberflächen

24 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Grenzenbasierte Repräsentation Repräsentiert die Oberfläche und Biegung nahe der Grenzen Trennt Objekte vom Hintergrund -> definiert dadurch das Objekt

25 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Vereinfachen der Wahl Statt kombinatorischer Suche: –Aus den Daten bestimmen, wo welches Modell eingesetzt werden sollte –Möglicherweise eine grob zu fein- Strategie Ein umfassendes System sollte alle Grundformarten beinhalten

26 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Kriterien der Auswahl von Grundformen Dreidimensional: Superquadriken Zweidimensional: Oberflächengrundformen Eindimensional: Konturgrundformen

27 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Konturgrundformen Nachteile: Zu lokal, um Zusammenhänge zu erkennen Störungsempfindlich gegenüber lokalen Veränderungen Vorteile: Erkennen Konturdetails Beschreiben die globale Form Teilen Objekte auf

28 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Oberflächengrundformen Unstetigkeiten werden als Begrenzungen gezählt Menschliche Wahrnehmung definiert Objekte als Ansammlung von Oberflächen werden Unstetigkeiten als Falten wahrgenommen, sind bessere Objektbeschreibungen möglich

29 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Volumengrundformen Parametrische Modelle sehr beliebt –Kompakte Beschreibung (wenige Parameter) komplexer Formen Vorteile von Superquadriken –Überall differenzierbar –Enthalten eine große Bandbreite von natürlichen Formen –Einfach lösbare Parameter

30 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Der Segmentierungsprozess Entscheidung, was zur Segmentierung benötigt wird Zwei Basisstrategien: Grob zu fein, Fein zu grob Beide vor- und nachteilbehaftet, beide benötigt Einteilung nach Repräsentationen ebenfalls möglich

31 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Grob zu Fein Schnelle Abschätzung über Volumen/Grenzen/Oberflächen des Objekts Weitere Verfeinerung bis zum gewünschten Detailgrad Aber: die detektierbaren Details oft nur durch Repräsentationsänderung ermittelbar

32 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Grundidee: Progressives blurring der Bilder klärt die Grobstruktur Details beeinflussen nicht die Grobstruktur, daher kein Backtracking erforderlich

33 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Scale-Space Tiefpassfilter auf verschiedenen Auflösungen erzeugt einen Skalen- Raum Niedrige Skalen beschreiben Details Hohe Skalen beschreiben homogene Regionen

34 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Fein zu Grob Einige Details können beim Klassifizierungsprozess helfen, da sie Objekte ausschließen können Zuviele Details enden in kombinatorischer Explosion

35 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Segmentierung durch volumenbasierte Repräsentanten Binford und Nevatia: Basis = verallgemeinerte Zylinder Solina: Basis = Superquadriken

36 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Solina Gegeben: Tiefenbild Fasse alle Objektpunkte in einem Elipsoid zusammen Minimierung des Ellipsoids: Beziehe rekursiv die Objektpunkte mit ein und finde Parameter, damit die Form die Objektpunkte schneidet oder nahe der Oberfläche ist Problem: mehrere Objekte nicht separierbar

37 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Segmentierung durch Informationen über die Grenzen Basiert auf der Erkennung von Unstetigkeiten in Tiefenwerten und Orientierung Objektpunkte mit ähnlichen Eigenschaften werden verschmolzen Kurvenannäherung kann durchgeführt werden (Splines, etc)

38 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Segmentierung durch Informationen über die Grenzen(2) Verdeckungen (und Unterbrechungen) erkennbar durch Weiterführung der Kurven Ramachandran zeigt: uneindeutige Oberflächeninformationen können durch die Kanteninformationen gelöst werden

39 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Segmentierung durch Oberflächengrundformen Sehr beliebt, da einfacher handhabbar als Volumenkörper Der Prozess beginnt bei lokalen Nachbarschaften und wird ausgedehnt –Wasserscheiden-Verfahren Problem: unwichtige lokale Minima Für den Gesamtkontext volumetrische Modelle besser geeignet

40 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Kontrollstruktur Wie sollen die drei Strukturen verwoben werden? Zwei Extrema –Parallele Abarbeitung Auftauchen von Konfliktsituationen, die gelöst werden müssen –Sequenzielle Abarbeitung Bei Erreichen von falschen Fährten wäre Backtracking nötig

41 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Kontrollstruktur (2) Menschliche Erkennung kann Kanten ergänzen Ziel: Rechnerbasiert muss ein System ebenfalls anpassungsfähig sein

42 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Vorschlag Paralleles Abarbeiten von volumen- und grenzbasierter Segmentierung –da gegensätzlich –Interaktion zwischen den Methoden zur Kontrolle und Präzisierung von Grenzen/Körpern Oberflächenanalyse für Details –Konflikt-Lösungsmöglichkeit für unsichtbare Kanten -> Ermittlung der Unstetigkeitstellen

43 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Kontrollstruktur (3) Muss Verlässlichkeit der Informationen feststellen Muss Teil/Ganzes-Beziehungen entscheiden Braucht viele Parameter -> vorfestgelegt oder im Prozess ermittelt Z.B. –Größe(-nbereich) der lokalen Nachbarschaften –Größe(-nbereich) der volumetrischen Modelle –Anzahl (oder Bereich) der erwarteten Einheiten –Schwellenwerte für Partitionierung und Zusammenführung –Detailgrad

44 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Zusammenfassung Bei der Bilderkennung gibt es zwei grundlegende Verfahren Objektrepräsentation und Segmentierung Diese sollten zusammen angewendet werden, da sie einander ergänzen können Ein Vorschlag zur Zusammenarbeit wurde vorgestellt: –Das Finden von Volumenkörpern wird einschränkend unterstützt durch Kantenfindung –Feinere Details werden mittels Oberflächenrepräsentierung gefunden

45 Lehrstuhl Graphische Systene Brandenburgische Technische Universität Cottbus Matthias Krause Seminar Mustererkennung Quellen: EarlyProcessing – EP discussion group Segmentation versus object representation - are they separable? Ruzena Bajcsy, Franc Solina, Alok Gupta Superquadriken –http://www.gamedev.net/reference/articles/article1172.asphttp://www.gamedev.net/reference/articles/article1172.asp –http://graphics.tu-bs.de/lvcg01- 02/Vorlesung1/Superquadriken.pdfhttp://graphics.tu-bs.de/lvcg01- 02/Vorlesung1/Superquadriken.pdf Skalenräume –http://cyvision.if.sc.usp.br/msskeletons/http://cyvision.if.sc.usp.br/msskeletons/ –http://www.isip.uni-luebeck.de/~metzler/pdf/bvm99-metzler.pdfhttp://www.isip.uni-luebeck.de/~metzler/pdf/bvm99-metzler.pdf Segmentierung mit Superquadriken –http://www.cs.caltech.edu/~arvo/papers/GenMod.pdfhttp://www.cs.caltech.edu/~arvo/papers/GenMod.pdf Objekte: –http://mathworld.wolfram.comhttp://mathworld.wolfram.com Webquellen vom


Herunterladen ppt "Lehrstuhl Graphische Systeme Brandenburgische Technische Universität Cottbus 1 Einführung in die Objekterkennung im dreidimensionalen Raum Sind Objektrepräsentation."

Ähnliche Präsentationen


Google-Anzeigen