Upload
joerg-stucker
View
107
Download
2
Embed Size (px)
Citation preview
Computer Vision
2_Seite 1
Zielsetzung
Automatische Bildauswertung als Informationsquelle
Automatisches Situationsverstehen zur Ableitung von Maßnahmen
• Zur Unterstützung des MenschenAufmerksamkeitssteuerungDiagnoseunterstützungQuantitative Analyse
• Für autonome SystemeMissionsplanungRegelung 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)
Computer Vision
2_Seite 2
Die Auswertungsaufgaben
• Detektion im Bild
• Lokalisierung in der Welt
• Verfolgung
• Identifikation
• Analyse
Computer Vision
2_Seite 3
Was nicht passieren sollte
Computer Vision
2_Seite 4
Vorgehensweise
Automatische Informationsgewinnung aus Bildern und Bildfolgendurch 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.
Computer Vision
2_Seite 5
Vorgehensweise
Abbildungsmodell
Sensorbewegungsmodell
Szenenmodell
Objektmodell
Objektbewegungsmodell
Merkmalsextraktion für ModelleKanten, Ecken, Flecken,TexturmaßeVerschiebungsvektorfelder, ...
Parameterschätzung von expliziten und impliziten Modellen
Klassifikation dergeschätzten ParameterPhys. GesetzeExpertensystemeFuzzy LogicLernende Klass.
Semantische Beschreibungder Klassifikationsergebnisseund Kohärenzen
Szenendynamikmodell
Messung der räumlichen und zeitlichen Kohärenzender geschätzten Parameter
Änderungsdetektion
Merkmalselektion, Modellauswahl
Computer Vision
2_Seite 6
Die Auswertungsaufgaben
• Detektion im Bild
• Lokalisierung in der Welt
• Verfolgung
• Identifikation
• Analyse
!
Computer Vision
2_Seite 7
Detektionsmechanismen
Radiometrische Eigenschaften (sensornah)Fernes Infrarot (Temperatur)Radar (Rückstreuquerschnitt, MTI)...
Geometrische EigenschaftenUmrißlinienSignaturen...
Dynamische EigenschaftenInterne ObjektdynamikBewegungsmuster
Computer Vision
2_Seite 8
Detektion mittels radiometrischer Eigenschaften
Fernes Infrarot (Temperatur)Beispiel Flugzeugdetektion in IR-Bildern (8-12 µm)
0
200
400
600
800
1000
1200
1400
20 40 60 80 100 120 140 160 180 200 220 240 260
An
zah
l B
ild
pu
nkte
Helligkeit (Grauwert)
Hintergrund Objekt
Histogrammsegmentierung
Detektionsmechanismen
Computer Vision
2_Seite 9
Detektion mittels radiometrischer Eigenschaften
SAR (Rückstreuquerschnitt)
Beispiel: Landfahrzeuge in SAR-Bildern
Rückstreuquerschnittliefert auch andere Objekte alsLandfahrzeuge(Clutterobjekte)
0
200
400
600
800
1000
1200
1400
20 40 60 80 100 120 140 160 180 200 220 240 260
Detektionsmechanismen
Computer Vision
2_Seite 10
Detektion mittels radiometrischer Eigenschaften
Fernes Infrarot (Temperatur)
Beispiel Landfahrzeugein IR-Bildern 8-12 µmHoneywell-Linescanner
•Helle Bereiche nicht repräsentativ für zu detektierende Objekte
•Es werden auch andere Objekte detektiert .
•Manche Objekte werden nicht detektiert.
0
200
400
600
800
1000
1200
1400
20 40 60 80 100 120 140 160 180 200 220 240 260
Detektionsmechanismen
Computer Vision
2_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 durchZuhilfenahmegeometrischerMerkmale
Detektionsmechanismen
Computer Vision
2_Seite 12
Detektion mittels geometrischer Eigenschaften
Umrisse
Originalbild
Verarbeitungeiner “Regionof Interest”
Detektionsmechanismen
Computer Vision
2_Seite 13
Relevante BereicheIR Linescanner Bild der CL 289
Detektionsmechanismen
Rechtwinkligkeit
Computer Vision
2_Seite 14
Detektion mittels geometrischer Eigenschaften
Automatisch erlernte Signaturen
Abbildung 1: Aus dem Bild gewonnene kreisförmige Ausschnitte mit Flugzeugsignaturen
Hintergrundbilder, die vom Verfahren gelernt werden
Trainingsdatensatz für das automatischeTraining eines Klassifikators.
Flugzeugsignaturen, die vom Verfahrengelernt werden
Detektionsmechanismen
Computer Vision
2_Seite 15
Detektion mittels geometrischer Eigenschaften: Signaturen
Anwendung: SAR-Flugzeugdetektor
Anwendung auf nicht trainierte Bilder
Detektionsmechanismen
Computer Vision
2_Seite 16
Detektion mittels dynamischer Eigenschaften
Interne Objektdynamik
Beispiel: Sich bewegende Rotoren von Hubschraubern
Detektionsmechanismen
Computer Vision
2_Seite 17
Lokal geschätzte Flußvektoren
Detektionsmechanismen
Detektion mittels dynamischer Eigenschaften
Hindernisdetektion mit optischem Fluß
Computer Vision
2_Seite 18
Hindernisdetektion mit optischem Fluß
Klassifikation von Flußvektorendurch stochastischen Test:
- bewegt,- stationär über Fahrbahnebene,- auf Fahrbahnebene.
Als bewegt klassifizierte Flußvektoren
Detektionsmechanismen
Computer Vision
2_Seite 19
Hindernisdetektion mit bewegungskompensiertem Differenzbild
Bewegungskompensiertes Differenzbild Binarisierungsergebnis(Robert Bosch GmbH)
Detektionsmechanismen
Computer Vision
2_Seite 20
Die Auswertungsaufgaben
• Detektion im Bild
• Lokalisierung in der Welt
• Verfolgung
• Identifikation
• Analyse
N: 49.800067, E: 24.429837, h: 348996.5
Computer Vision
2_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.
Computer Vision
2_Seite 22
Lokalisierung in der Welt
Geokodierung des BildesBeispiel: Bild mit Straßenkarte
Automatische FeinkodierungStraßen aus Vektorkarte:Anpassung mittels Flugdaten
Computer Vision
2_Seite 23
Lokalisierung in der Welt
Navigation anhand von Landmarken
Beispiel: INS-Rekalibrierung
Aktuelle Schrägansicht
Orthophoto Flughafen
Zuordnung durchSchätzung derParameter derprojektiven Transformation
Computer Vision
2_Seite 24
Lokalisierung in der Welt
Navigation anhand von Landmarken
Beispiel: INS-Rekalibrierung
Merkmale im Schrägansichtsphoto
Merkmale im Orthophoto
Computer Vision
2_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 projiziertesOrthophoto
Computer Vision
2_Seite 26
Landmarken-Navigation anhand Fahrspurbegrenzung
Detektion und Verfolgungvon Fahrspurbegrenzungen - markiert - unmarkiert
Klassifikation von Fahrspurbegrenzungen
Mehrspurdetektion
Fortlaufende Güteüberwachung,ggf. Re-Initialisierung.
Lokalisierung in der Welt
Autobahn/Landstraße
Computer Vision
2_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
Computer Vision
2_Seite 28
Landmarken-Navigation anhand Fahrspurbegrenzung
Modellerzeugung der Landmarken
Ergebnis
Lokalisierung in der Welt
Computer Vision
2_Seite 29
Landmarken-Navigation anhand Fahrspurbegrenzung
Lokalisierung in der Welt
Computer Vision
2_Seite 30
Landmarken-Navigation anhand Fahrspurbegrenzung
Lokalisierung in der Welt
Computer Vision
2_Seite 31
Landmarken-Navigation anhand Fahrspurbegrenzung
Lokalisierung in der Welt
Computer Vision
2_Seite 32
Landmarken-Navigation anhand Fahrspurbegrenzung
Lokalisierung in der Welt
Computer Vision
2_Seite 33
Die Auswertungsaufgaben
• Detektion im Bild
• Lokalisierung in der Welt
• Verfolgung
• Identifikation
• Analyse
Computer Vision
2_Seite 34
Verfolgung
Folge von Prädiktion und Detektion (Messung)
Merkmalstracker
Modelltracker
Weitere:- Korrelationstracker- Umrisstracker (Snakes)
Computer Vision
2_Seite 35
Die Auswertungsaufgaben
• Detektion im Bild
• Lokalisierung in der Welt
• Verfolgung
• Identifikation
• Analyse
„Space Shuttle“
Computer Vision
2_Seite 36
Identifikation
Typbestimmung mittels Bildmerkmalen
Merkmalextraktion,Klassifikation
MerkmalextraktionKlassifikatortraining,
Binari-sierung
Binari-sierung
Klassifikationsvor-schläge:
Boing 737: 0.279A320 : 0.599....
Klassifikator,mit Merkmal-datenbank
Computer Vision
2_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.
A300-600
B737-300
A310-300