Schattenerkennung in Farbbild Folgen Seminararbeit von Ralf Mesel Aufarbeitung einer...

Schattenerkennung in Farbbild Folgen

Seminararbeit von Ralf Mesel

Aufarbeitung einer Veröffentlichung der CVPR 2001

Überblick

• Verschiedene Schattenarten• Wozu Schattenerkennung • Klassifizierung der Erkennungsmethoden • Methoden zur Schattenerkennung• Ergebnisse • Leistungsvergleich• Schlussfolgerung

Schattenarten

Ha lb sc ha tten

Ke rnsc ha tten

Eig ensc ha tten

Sc hla gsc ha ttenKernschatten

Halbschatten

Eigenschatten

Schlagschatten

Wozu Schattenerkennung

•Objekte mischen sich

•Objekte werden verzerrt

•Objekte gehen verloren

Erkennen von sich bewegenden Objekten

Physikalische Grundlagen

),(),(),( yxpyxEyxs kkk

Reflektierende Energiedichte

Beleuchtungsdichte

)),,((cos),(

)),,((cos),(

LyxNcyxkc

LyxNcc

c

yxE

pA

pA

A

k

Erdschatten

Beleuchtung

Halbschatten

Annahmen :

•Die Lichtquelle ist stark

•Der Hintergrund ist statisch und strukturiert

•Der Hintergrund ist planar

•Die Ausbreitung der Lichtquelle ist ausreichend groß, sodass sich Halbschatten bilden kann.

Hintergrundmodel

),(),(),( 0 yxpyxpyxpk Hintergrund ändert sich nicht, daher gilt :

Unterschied der reflektierenden Energiedichte zwischen dem aktuellen Bildpunkt und dem Referenzpunkt im Rahmen k

)),(),()(,(),( 0 yxEyxEyxpyxD kk

Erkennung eines Schlagschattens

)),,((cos),(),( LyxNcyxpyxD pk

K lass ifi zierung der S c hattenerkennungs

Verfahren

P arametris c h nic ht

P arametris c h

S tatis t is c h

M odel

bas iert

nic ht

M odel bas iert

Determinis tis c h

S c hatten E rk ennungs

V erfahren

Statistische nicht parametrisiertes Verfahren ( SNP)

ii sE ,

iCD,iα

ii sE ,

iCD,iα

210,,, CD

)(iC

Initialisierung mitN Eingangsrahmen

Helligkeit undFarbverzerrungs-berechnungund Normalisierung

HintergrundModellierung

Helligkeit undFarbverzerrungs-berechnungund Normalisierung

Autom atischeGrenzwertselektion

Andere Eingangsrahm en

PixelKlassifikation

Klassifiziertes Resultat

222

222

)()(

)()(

)()(

)()()(

)()()(

)()()(

ii

ii

ii

iiiI

iiiI

iiiI

B

B

G

G

R

R

B

BB

G

GG

R

RR

i

Helligkeitsvektor

222

)(

)()(

)(

)()(

)(

)()(

i

iiI

i

iiI

i

iiICD

B

BiB

G

GiG

R

RiRi

Farbänderung

Statistische nicht parametrisiertes Verfahren ( SNP)

ii sE ,

iCD,iα

ii sE ,

iCD,iα

210,,, CD

)(iC

Initialisierung mitN Eingangsrahmen

Helligkeit undFarbverzerrungs-berechnungund Normalisierung

HintergrundModellierung

Helligkeit undFarbverzerrungs-berechnungund Normalisierung

Autom atischeGrenzwertselektion

Andere Eingangsrahm en

PixelKlassifikation

Klassifiziertes Resultat

Statistisches parametrisiertes Verfahren (SP)

TBGRv ,, TBGRv ,,

'' , ILIL

'' , ILIL

'' , SHSH

H in te rg ru n dM o d ellie rn u g

L in e arTran sfo rm atio n

W arsc h e in lich k e its-b e rech n u n g

In itia lis ie ru n g m it N R ah m en A n d e re

E in g an g sra h m e n

Klassifikation

Deterministische nicht modelbasierte Annährung 1 (DNM1)

HintergrundUnterdrückung

Schattenerkennung(HSV)

HintergrundUpdate

Bild

Vordergrund BildBew.Obj.

Hindergrund

Mögliches Bew. Obj. Verstandene Szene

Geister Schatten

Deterministisches nicht modelbasiertes Verfahren 2 (DNM2)

Beste Erkennung von Halbschatten

Sequenz Typ

Natur Natur Natur Raum Raum

Schatten Stärke

Mittel Hoch Nieder Sehr nieder Nieder

Schatten Größe

Groß Klein Sehr groß Mittel Groß

Objekt Klasse

Auto Auto Auto/Mensch Mensch Mensch

Objekt Größe

Groß Klein Mittel Mittel Mittel

Objekt Geschw.

30-35 8-15 5-10 0-15 2-5

Rauschen Mittel Mittel Hoch Nieder Mittel

Autobahn 1 Autobahn 2Hochschulgelände Labor

Intelligenter Raum

Ergebnisse

Schatten Unterscheidungsgenauigkeit

0

1

2

3

4

SNP SP DNM1 DNM2

Pu

nk

te

Autobahn 1

Autobahn 2

Hochschulg.

Labor

Intellig. Raum

Schatten Erkennungsgenauigkeit

0

1

2

3

4

SNP SP DNM1 DNM2

Pu

nk

te

Autobahn 1

Autobahn 2

Hochschulg.

Labor

Intellig. Raum

SNP : Statistisch nicht parametrische Methode

SP : Statistisch parametrische Methode

DNM : Deterministisch nicht modellbasierte Methode

Original

SP Ergebnis

Autobahn 2

SNP Ergebnis

Schatten Unterscheidungsgenauigkeit

0

1

2

3

4

SNP SP DNM1 DNM2

Pu

nk

te

Autobahn 1

Autobahn 2

Hochschulg.

Labor

Intellig. Raum

Schatten Erkennungsgenauigkeit

0

1

2

3

4

SNP SP DNM1 DNM2

Pu

nk

te

Autobahn 1

Autobahn 2

Hochschulg.

Labor

Intellig. Raum

DNM1 Ergebnis SNP Ergebnis