Active Appearance Models (AAM) - PowerPoint PPT Presentation

jaunie
active appearance models aam n.
Skip this Video
Loading SlideShow in 5 Seconds..
Active Appearance Models (AAM) PowerPoint Presentation
Download Presentation
Active Appearance Models (AAM)

play fullscreen
1 / 15
Download Presentation
Presentation Description
112 Views
Download Presentation

Active Appearance Models (AAM)

- - - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript

  1. Active Appearance Models (AAM) 18.12.2003 Mario Ullrich

  2. Warum das Ganze?

  3. Wie gelangt man dort hin? • Erstellen des Modells • Das Active Shape Modell • Erweiterung um Texturen • Vereinigung • Modell Suche • Korrektur der Parameter • Iterative Minimierung • Beispiele • Zusammenfassung

  4. Active Shape Modell • Annotierte Trainingsbilder • Ausrichten der Trainingsdaten • Hauptkomponentenanalyse • Erstellen des Modells 

  5. Erweiterung mit Texturen Ziel : Erstellen einer Beschreibung der Durchschnittstextur der Form • Speichern des Grauwerts von jedem Pixel • Werte normieren : Skalierung und Offset • Hauptkomponentenanalyse auf den normierten Daten


  6. Vereinigung zum AAM(1/2) Gegeben : • Weitere Hauptkomponentenanalyse • Ws als Ausgleich für Form- und Texturparameter • Ergebnis: „ ein b“

  7. Vereinigung zum AAM(2/2) • So kann für ein gegebenes c ein neues Trainingsbild • angepasst werden, indem die Texturen des Vektors • g generiert werden und sie in die Kontrollpunkte • in x eingebunden werden. • mit den Formeln

  8. Suche Angleichen des Modells an das Bild ABER WIE?

  9. Suche Problem: Optimiere den Unterschied zwischen Bild und Modell Lösung: Variation des Vektors c, jedoch : Hochdimensionales Problem Ansatz: Optimierungsproblem wiederholt sich finden einer linearen Abhängigkeit absichtliches Stören von Parametern

  10. Suche • Position, Maßstab oder Orientierung ändern • Aufzeichnen der veränderten g und c • Anwendung bei den Trainingsbildern • Multivariate Regression um die lineare Abhängigkeit zu erreichen

  11. Suche Iteratives Verfahren zur Angleichung an das Bild mit gegebener aktueller Schätzung Vorgehen: 1.Fehlervektor berechnen 2. Erwartete Entfernung 3. Neue Schätzung errechnen 4. Neuer Fehler < vorheriger  wiederholen oder andere Konstante verwenden

  12. Suchbeispiel

  13. Anwendungsgebiete • Mimikerkennung • Verfolgung deformierbarer Objekte • Gesichtserkennung • Medizinische Bilderkennung

  14. Zusammenfassung • Vorteile • Echtzeitfähig (ASM) • Wiederverwendbar (Modell) (ASM) • Deutlich mehr Informationen durch Texturen • Dadurch bessere Suchergebnisse • Nachteile • Hoher Initialisierungsaufwand (ASM) • Große Abhängigkeit von Training Set (ASM) • Schlechte Leistung bei ungünstiger Initialisierung • Im Vergleich längere Suche als ASM

  15. Vielen Dank für die Aufmerksamkeit !