slide1 l.
Download
Skip this Video
Download Presentation
Computer Vision Einführung und Grundbegriffe der 3D- Datenverarbeitung von Oliver Kammler Seminar „Mustererkennung

Loading in 2 Seconds...

play fullscreen
1 / 27

Computer Vision Einführung und Grundbegriffe der 3D- Datenverarbeitung von Oliver Kammler Seminar „Mustererkennung - PowerPoint PPT Presentation


  • 141 Views
  • Uploaded on

BTU Cottbus, Lehrstuhl Grafische Systeme Seminar „Mustererkennung in Bildern und 3D-Daten“ Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung. Computer Vision Einführung und Grundbegriffe der 3D- Datenverarbeitung von Oliver Kammler

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Computer Vision Einführung und Grundbegriffe der 3D- Datenverarbeitung von Oliver Kammler Seminar „Mustererkennung ' - tan


Download Now An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide1

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

Computer Vision

Einführung und

Grundbegriffe der 3D- Datenverarbeitung

von

Oliver Kammler

Seminar „Mustererkennung in Bildern und 3D-Daten“

BTU Cottbus, Lehrstuhl Grafische Systeme

SS 2004

slide2

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

Inhalt

1. Einleitung

2. Warum ist die automatische Objekterkennung

ein schwieriges Thema?

3. Motivation und Bedeutung

4. Klassifikation bestehender Systeme

5. Zerlegung eines Problems

6. Wichtige Aspekte der Objekterkennung

7. Aufnahmesysteme

8. Zusammenfassung

9. Literaturverzeichnis

slide3

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

1. Einführung

Versuch, alle biologischen Prozesse technisch nachzubilden

z.B. - menschlicher Bewegungsapparat

- Sprache

- Wahrnehmung

Ziel:

Es soll ein System geschaffen werden, das den menschlichen

Wahrnehmungsprozess detailliert und naturgetreu nachbildet.

slide4

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

Computer Vision/ maschinelles Sehen:

„...beschäftigt sich mit den theoretischen und praktischen

Grundlagen, mit denen nützliche Informationen über die Welt

aus Bildern oder Bildsequenzen automatisch extrahiert und

analysiert werden können...“

Wichtige Schritte:

- extrahieren

- charakterisieren

- interpretieren

slide5

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

Anwendungsgebiete:

- Physiologie

- Künstliche Intelligenz

- Physik

- Objekt- und Mustererkennung

- Vermessungswesen

Problem:

Verständnis des menschlichen Wahrnehmungsvermögens

slide6

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

2. Warum ist automatische Objekterkennung

ein schwieriges Problem?

Die genauen Abläufe des menschlichen Sehens sind noch nicht

vollständig analysiert.

z.B. - Schwierigkeiten beim Nachbilden des Sehprozesses

- Rotation des Auges

- Stellung zum Objekt

Folge:

- Probleme beim Erstellen von exakten mathematischen

Formulierungen

- Finden von effizienten Algorithmen

slide7

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

Durch die Psychologie haben wir ein grobes Verständnis

von der Funktionsweise des menschlichen Gehirns.

Die Nachbildung eines Gehirns ist sehr schwer.

Grund:

- Anzahl der Nervenzellen (10 Billionen)

- komplizierte Vernetzung

- Zusammenhang: Wahrnehmung,

Denken und Wissen

Schwierigkeit:

Die vielfältigen Prinzipien des Sehens sind in dem

erforderlichen Umfang nicht parallel abarbeitungsfähig.

Abbildung 1: Beispiel für menschliche Wahrnehmung [2]

slide8

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

3. Motivation und Bedeutung

Industrie:

- Kontrolle

z.B. - Plan-Ist-Qualitätskontrolle

- visuelle Inspektion

- Sicherheitskontrollen

- Navigation

z.B. - Roboternavigation

- Navigation durch ein Gebiet

anhand einer Planskizze

Abbildung 2: Serviceroboter

HERMES [2]

slide9

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

Gesellschaft:

- Medizin

z.B. - Augenersatz

- Operationshilfen

- Kontrolle

- Alltag

z.B. - Hilfen für

Haushalt

Landschaftsbau

Straßenverkehr

...

Abbildung 3:

Verkehrsbeobachtung [3]

slide10

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

4. Klassifizierung bestehender

Computer-Vision-Systeme

Module eines Computer-Vision-Systems:

1. Datenaufnahme, dieser Prozess liefert ein

sichtbares Bild (pixelidentisches Grauwertbild)

2. Vorverarbeitung, beschäftigt sich mit Techniken der

Reduktion (Rauschglättung) und Tiefengewinnung

3. Segmentierung, teilt ein Bild in Partitionen, die von

Interesse oder Belang sind

4. Beschreibung, beschäftigt sich mit der Berechnung von Merkmalen für eine Unterscheidung

5. Wiedererkennung, Objektidentifizierung und

Merkmalsextraktion z.B. bei Drehung, etc.

slide11

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

zwei Methoden, um von einem Problem zu einer Lösung zu gelangen:

Bottom-Up-Ansatz:

Allg. Annäherung, die aus den Daten des Sensors eine Skizze und eine

Beschreibung herleitet.

z.B.: Theorie von Marr

Top-Down-Ansatz:

Anhand von definierten Objekten oder Objektgruppen werden in dem

Bild oder der Bildsequenz diese Muster gesucht.

z.B. modellbasierte Objekterkennung

slide12

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

Theorie von Marr

3 Stufen eines Computer-Vision-Systems:

- Berechnungstheorie

beschreibt das Umfeld,

z.B. Operationen, etc.

- Darstellung und Algorithmen

beschreiben detailliert die Berechnungen

- Implementation

effizient berechenbare Umsetzung der Algorithmen

slide13

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

Bild

erste

Skizze

Theorie von Marr

 aus einer Szene wird ein Bild gewonnen

 Extraktion von starken

Veränderungen

Form: Kanten und Pixelhaufen

 2.5D, weil zwischen erster Skizze

und 3D

 2.5D, weil Tiefengewinnung bzw.

Abstandsberechnung nur von

sichtbaren Teilen

 Umwandlung in ein auswertbares

Format

 Übertragung in ein Koordinatensystem

zur Auswertung oder Identifikation

2.5D

Skizze

Referenz-

struktur

Abbildung 4: Objekterkennung nach Marr

slide14

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

Modellbasierte Objekterkennung

Prinzip:

- die 3D-Szene wird in ein 2D-Bild transformiert

- die Pixel werden so gruppiert, dass sie die Natur des Bildes

wiedergeben

- Abgleich mit vorhandene Modellen

- Ergebnisdarstellung

Transformation z.B. durch Verwendung von:

- Projektor (strukturiertes Licht)

- Kamera

slide15

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

Datenbank

Modell-daten

Modell-

Repräsentation

Modellbasierte Objekterkennung

- Erstellung von Modellen, die erkannt werden sollen

- Anlegen einer Datenbank

Szene

Objekt-

Repräsentation

Vergleich

Ergebnis-

darstellung

erkanntes

Objekt

Abbildung 5: modellbasierte

Objekterkennung

- Extrahieren von Daten aus einer Szene

- Datenvergleich, Objekterkennung

slide16

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

5. Zerlegung eines Problems

Ein 3D-Objekterkennungssystem besteht aus 3 Teilen:

Modellgewinnung

Für jedes Objekt, dass in Betracht kommen könnte, muss ein

Modell erstellt und in einer Datenbank abgelegt werden.

Erkennung

Für jedes Objekt, dass von dem Sensor betrachtet wird, wird ein

Abgleich mit den Modellen der Datenbank durchgeführt.

Ergänzung

Objekte, die nicht in der Datenbank verfügbar sind, werden in diese aufgenommen.

slide17

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

6. Wichtige Aspekte der Objekterkennung

Komplexität der Objektform

- Anlehnung an geometrische Formen

- je detaillierter die Form, desto schwieriger die Berechnungen

- detaillierte Formen sollten das Ziel sein

Größe der Modelldatenbank

- je größer die Modelldatenbank, desto länger der Prozess, um

ein Objekt zu identifizieren.

- Optimierung durch gute Suchalgorithmen

Lernfähigkeit

- limitierte Anzahl von Modellen in der Datenbank

- das System sollte in der Lage sein, neue Objekte, die mit

keinem Modell aus der Datenbank übereinstimmen, zu

ergänzen.

slide18

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

Modelleinteilung

- Zusammenfassung von Objekten mit gleichen Eigenschaften

- zwei Ebenen des Vergleichens: allgemein  speziell

Informationserhaltende Repräsentation

- diese Informationen werden benötigt, wenn das Originalobjekt

aus der Objektrepräsentation wieder rekonstruiert werden soll

Verdeckung von Teilen

- manche Szenen enthalten Objekte, die sich überlagern

- es muss möglich sein, anhand von nur wenigen Eigenschaften

ein Objekt zu erkennen

Veränderliche Objekte

- es muss ein Annäherungsverfahren geben, das erlaubt,

eine Dynamik von Objekten zu erkennen

slide19

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

7. Aufnahmesysteme

2D-Bilder

- die Aufgabe besteht darin, ein reales Objekt in eine digitale

Form zu übertragen

- es wird eine N x M Matrix erstellt, deren Einträge

z.B. Helligkeit oder Pixel symbolisieren können.

[0,0] [0,1] ... [0,M-1]

[1,0] [1,1] ... [1,M-1]

Matrix = ... ...

... ...

[N-1,0] [N-1,1] ... [N-1,M-1]

slide20

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

3D-Bilder

Beim menschliches Sehen gewinnen wir die Tiefeninformationen

durch unsere zwei Augen.

Gewinnung von Tiefeninformationen beim maschinellen Sehen durch:

- Passive Tiefengewinnung

Standard-Stereogeometrie

- Aktive Tiefengewinnung

Strukturiertes Licht

Lauflängenverfahren

z.B. Ultraschall, Radar, Sonar

slide21

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

- d.h. aus zwei Kamera-

aufnahmen kann die

dritte Dimension

rekonsturiert werden

Standard-Stereogeometrie

- der Objektpunkt ist in der linken und rechten Projektion

- Tiefenberechnung erfolgt mittels Triangulation

Abbildung 6: Basis- Stereogeometrie [5]

slide22

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

- Erfassung der

gesamten Ober-

flächenstruktur

Strukturiertes Licht

- Projektion von strukturiertem Licht auf das Objekt

- Aufnahme durch eine Kamera

- aus den Linien können die 3D-Koordinaten berechnet werden

- ist nur in kontrollier-

baren Umgebungen

möglich

Abbildung 7: Objekterkennung mittels

strukturiertem Licht [4]

slide23

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

Abbildung 8: Laserkamera [4]

Lauflängenverfahren

durch Verwendung von:

- Radar

- Laser

- Ultraschall

Vorteile:

- Tiefenvermessen des Umfeldes mit aktivem physikalischem

Verfahren und relativ klar interpretierbaren Messwerten

Nachteile:

- begrenzte Möglichkeiten einer umfassenden Szeneninterpretation

- gegenseitige Störung bei hohem Ausstattungsgrad ?

slide24

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

Moiré-Technik

- mit Hilfe der Moiré-Technik ist es möglich, aus einer

zweidimensionalen Aufnahme Tiefeninformationen zu gewinnen

- dazu wird die Szene mit Streifengittern beleuchtet,

eines vor der Kamera und eines wird auf das Objekt projiziert

- die Form und Lage der Streifen erlauben eine Berechnung des

Abstandes zur Kamera

- aus diesen Daten kann ein Bild rekonstruiert werden

slide25

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

8. Zusammenfassung

Maschinelles Sehen ist ein kompliziertes Problem:

- Nachbildung des menschlichen Wahrnehmungsvermögens

- mathematische Umsetzung

- effiziente Algorithmen und Genauigkeit

Wichtige Bestrebungen:

- Gewinnung von Tiefeninformationen

- realistische Abbildung der Wirklichkeit

slide26

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

9. Literaturverzeichnis

[1] M. Bennamoun, G. J. Mamic:

„Object Recognition - Fundamentals and case studies“,

Springer, London, 2002, S. 3-27

[2] V. Graefe, R. Bischoff:

„Maschinelles Sehen zur Steuerung autonomer mobiler Systeme“,

Universität der Bundeswehr, München

www.unibw-muenchen.de/campus/LRT6/PDF/MaSteSy.pdf

[3] H. Winter:

„Entwicklung visueller Sensorik für innovative

Fahrerassistenzsysteme“

www.aglaia-gmbh.de/ videos/doc/Vortrag-IIR-2003-10-14-www.pdf

slide27

BTU Cottbus, Lehrstuhl Grafische SystemeSeminar „Mustererkennung in Bildern und 3D-Daten“Computer Vision, Einführung und Grundbegriffe der 3D-Datenverarbeitung

[4] M. Födisch, M. Horstmann, Th. Hermes:

Vorlesung 3D-Bildverarbeitung 2,

Universität Bremen

www.informatik.uni-bremen.de/~hermes/

lectures/ss04/10.05.2004.folien.pdf

[5] H. Bischof:

”Robot Vision”

TU Graz

www.icg.tu-graz.ac.at/~Education/Vorlesung/

MAB/Slides/robvis-3FR.pdf