Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Computer Vision2_Seite 1 Zielsetzung Automatische Bildauswertung als Informationsquelle Automatisches Situationsverstehen zur Ableitung von Maßnahmen Zur.

Ähnliche Präsentationen


Präsentation zum Thema: "Computer Vision2_Seite 1 Zielsetzung Automatische Bildauswertung als Informationsquelle Automatisches Situationsverstehen zur Ableitung von Maßnahmen Zur."—  Präsentation transkript:

1 Computer Vision2_Seite 1 Zielsetzung Automatische Bildauswertung als Informationsquelle Automatisches Situationsverstehen zur Ableitung von Maßnahmen Zur Unterstützung des Menschen Aufmerksamkeitssteuerung Diagnoseunterstützung Quantitative Analyse Für autonome Systeme Missionsplanung Regelung bei Missionsdurchführung Beantwortung der Grundfragen Wo befinde und wie bewege ich mich in Bezug auf meine Umgebung? (Navigation) Welche Objekte (Art, Ort, Zustand) befinden sich in meiner Umgebung? (Objekterkennung)

2 Computer Vision2_Seite 2 Die Auswertungsaufgaben Detektion im Bild Lokalisierung in der Welt Verfolgung Identifikation Analyse

3 Computer Vision2_Seite 3 Was nicht passieren sollte

4 Computer Vision2_Seite 4 Vorgehensweise Automatische Informationsgewinnung aus Bildern und Bildfolgen durch Messung der Bildinhalte (mittels Merkmalen) anhand von Modellen Modelle beschreiben den Kontext und das Ziel der erforderlichen Informationsgewinnung. Merkmale sind aus den Bilddaten gewonnene Elemente, die wesentliche Eigenschaften der Modellelemente enthalten. Die Messung gibt Aufschluss über das Maß an Übereinstimmung von Bildelementen mit dem Modell. – Modellparameterschätzung: Maximierung des Übereinstimmungsmaßes bezüglich Modellparameter – Klassifikation: Schwellwerte bezüglich des Übereinstimmungsmaßes entscheiden über die Zuordnung zur Modellklasse.

5 Computer Vision2_Seite 5 Vorgehensweise Abbildungsmodell Sensorbewegungsmodell Szenenmodell Objektmodell Objektbewegungsmodell Merkmalsextraktion für Modelle Kanten, Ecken, Flecken,Texturmaße Verschiebungsvektorfelder,... Parameterschätzung von expliziten und impliziten Modellen Klassifikation der geschätzten Parameter Phys. Gesetze Expertensysteme Fuzzy Logic Lernende Klass. Semantische Beschreibung der Klassifikationsergebnisse und Kohärenzen Szenendynamikmodell Messung der räumlichen und zeitlichen Kohärenzen der geschätzten Parameter Änderungsdetektion Merkmalselektion, Modellauswahl

6 Computer Vision2_Seite 6 Die Auswertungsaufgaben Detektion im Bild Lokalisierung in der Welt Verfolgung Identifikation Analyse !

7 Computer Vision2_Seite 7 Detektionsmechanismen Radiometrische Eigenschaften (sensornah) Fernes Infrarot (Temperatur) Radar (Rückstreuquerschnitt, MTI)... Geometrische Eigenschaften Umrißlinien Signaturen... Dynamische Eigenschaften Interne Objektdynamik Bewegungsmuster

8 Computer Vision2_Seite 8 Detektion mittels radiometrischer Eigenschaften Fernes Infrarot (Temperatur) Beispiel Flugzeugdetektion in IR-Bildern (8-12 µm) Anzahl Bildpunkte Helligkeit (Grauwert) Hintergrund Objekt Histogrammsegmentierung Detektionsmechanismen

9 Computer Vision2_Seite 9 Detektion mittels radiometrischer Eigenschaften SAR (Rückstreuquerschnitt) Beispiel: Landfahrzeuge in SAR-Bildern Rückstreuquerschnitt liefert auch andere Objekte als Landfahrzeuge (Clutterobjekte) Detektionsmechanismen

10 Computer Vision2_Seite 10 Detektion mittels radiometrischer Eigenschaften Fernes Infrarot (Temperatur) Beispiel Landfahrzeuge in IR-Bildern 8-12 µm Honeywell- Linescanner Helle Bereiche nicht repräsentativ für zu detektierende Objekte Es werden auch andere Objekte detektiert. Manche Objekte werden nicht detektiert. Detektionsmechanismen

11 Computer Vision2_Seite 11 Detektion mittels radiometrischer Eigenschaften Fazit Im einfachsten Fall sind die radiometrischen Objekteigenschaften vollkommen verschieden vom Hintergrund. Dann können so Objekte eindeutig detektiert werden. Hintergrundobjekte haben z.T. die gleichen radiometrischen Eigenschaften wie die Objekte. Dies führt zu Falschalarmen. Im schwierigsten Fall sind die radiometrischen Objekteigenschaften dem Hintergrund sehr ähnlich. Dann müssen entweder extrem hohe Falschalarmraten oder Fehldetektionen (misses) hingenommen werden. können so Objekte eindeutig detektiert werden. Abhilfe durch Zuhilfenahme geometrischer Merkmale Detektionsmechanismen

12 Computer Vision2_Seite 12 Detektion mittels geometrischer Eigenschaften Umrisse Originalbild Verarbeitung einer “Region of Interest” Detektionsmechanismen

13 Computer Vision2_Seite 13 Relevante BereicheIR Linescanner Bild der CL 289 Detektionsmechanismen Rechtwinkligkeit

14 Computer Vision2_Seite 14 Detektion mittels geometrischer Eigenschaften Automatisch erlernte Signaturen Hintergrundbilder, die vom Verfahren gelernt werden Trainingsdatensatz für das automatische Training eines Klassifikators. Flugzeugsignaturen, die vom Verfahren gelernt werden Detektionsmechanismen

15 Computer Vision2_Seite 15 Detektion mittels geometrischer Eigenschaften: Signaturen Anwendung: SAR-Flugzeugdetektor Anwendung auf nicht trainierte Bilder Detektionsmechanismen

16 Computer Vision2_Seite 16 Detektion mittels dynamischer Eigenschaften Interne Objektdynamik Beispiel: Sich bewegende Rotoren von Hubschraubern Detektionsmechanismen

17 Computer Vision2_Seite 17 Lokal geschätzte Flußvektoren Detektionsmechanismen Detektion mittels dynamischer Eigenschaften Hindernisdetektion mit optischem Fluß

18 Computer Vision2_Seite 18 Hindernisdetektion mit optischem Fluß Klassifikation von Flußvektoren durch stochastischen Test: - bewegt, - stationär über Fahrbahnebene, - auf Fahrbahnebene. Als bewegt klassifizierte Flußvektoren Detektionsmechanismen

19 Computer Vision2_Seite 19 Hindernisdetektion mit bewegungskompensiertem Differenzbild Bewegungskompensiertes Differenzbild Binarisierungsergebnis (Robert Bosch GmbH) Detektionsmechanismen

20 Computer Vision2_Seite 20 Die Auswertungsaufgaben Detektion im Bild Lokalisierung in der Welt Verfolgung Identifikation Analyse N: , E: , h:

21 Computer Vision2_Seite 21 Lokalisierung in der Welt Wo in der Welt befinden sich die im Bild detektierten Objekte? Geokodierung des Bildes. Wo in der Welt befinde ich mich selbst? Navigation durch Landmarken.

22 Computer Vision2_Seite 22 Lokalisierung in der Welt Geokodierung des Bildes Beispiel: Bild mit Straßenkarte Automatische Feinkodierung Straßen aus Vektorkarte: Anpassung mittels Flugdaten

23 Computer Vision2_Seite 23 Lokalisierung in der Welt Navigation anhand von Landmarken Beispiel: INS-Rekalibrierung Aktuelle Schrägansicht Orthophoto Flughafen Zuordnung durch Schätzung der Parameter der projektiven Transformation

24 Computer Vision2_Seite 24 Lokalisierung in der Welt Navigation anhand von Landmarken Beispiel: INS-Rekalibrierung Merkmale im Schrägansichtsphoto Merkmale im Orthophoto

25 Computer Vision2_Seite 25 Lokalisierung in der Welt Navigation anhand von Landmarken Beispiel: INS-Rekalibrierung In das Orthophoto projizierte Schrägaufnahme Referenzierungsergebnis: Transformation zwischen den Bildern In die Schrägaufnahme projiziertes Orthophoto

26 Computer Vision2_Seite 26 Landmarken-Navigation anhand Fahrspurbegrenzung Detektion und Verfolgung von Fahrspurbegrenzungen - markiert - unmarkiert Klassifikation von Fahrspurbegrenzungen Mehrspurdetektion Fortlaufende Güteüberwachung, ggf. Re-Initialisierung. Lokalisierung in der Welt Autobahn/Landstraße

27 Computer Vision2_Seite 27 Landmarken-Navigation anhand Fahrspurbegrenzung Modellerzeugung der Landmarken  Tele ATLAS  Gerichtete Graphen Jpoints  Lon, lat Edges  Name  Class  Permissions Innenortsbereiche Lokalisierung in der Welt

28 Computer Vision2_Seite 28 Landmarken-Navigation anhand Fahrspurbegrenzung Modellerzeugung der Landmarken Ergebnis Lokalisierung in der Welt

29 Computer Vision2_Seite 29 Landmarken-Navigation anhand Fahrspurbegrenzung Lokalisierung in der Welt

30 Computer Vision2_Seite 30 Landmarken-Navigation anhand Fahrspurbegrenzung Lokalisierung in der Welt

31 Computer Vision2_Seite 31 Landmarken-Navigation anhand Fahrspurbegrenzung Lokalisierung in der Welt

32 Computer Vision2_Seite 32 Landmarken-Navigation anhand Fahrspurbegrenzung Lokalisierung in der Welt

33 Computer Vision2_Seite 33 Die Auswertungsaufgaben Detektion im Bild Lokalisierung in der Welt Verfolgung Identifikation Analyse

34 Computer Vision2_Seite 34 Verfolgung Folge von Prädiktion und Detektion (Messung) Merkmalstracker Modelltracker Weitere: - Korrelationstracker - Umrisstracker (Snakes)

35 Computer Vision2_Seite 35 Die Auswertungsaufgaben Detektion im Bild Lokalisierung in der Welt Verfolgung Identifikation Analyse „Space Shuttle“

36 Computer Vision2_Seite 36 Identifikation Typbestimmung mittels Bildmerkmalen Merkmalextraktion, Klassifikation Merkmalextraktion Klassifikatortraining, Binari- sierung Klassifikationsvor- schläge: Boing 737: A320 : Klassifikator, mit Merkmal- datenbank

37 Computer Vision2_Seite 37 Identifikation Typbestimmung durch Anpassung von CAD-Modellen Anpassung eines jeden Modells bezüglich Position und Winkellage an die Objektkanten im Bild. Restfehler: Ähnlichkeit Das Modell mit dem kleinsten Restfehler identifiziert den Objekttyp. A B A


Herunterladen ppt "Computer Vision2_Seite 1 Zielsetzung Automatische Bildauswertung als Informationsquelle Automatisches Situationsverstehen zur Ableitung von Maßnahmen Zur."

Ähnliche Präsentationen


Google-Anzeigen