1 / 37

Zielsetzung

Zielsetzung. Automatische Bildauswertung als Informationsquelle Automatisches Situationsverstehen zur Ableitung von Maßnahmen Zur Unterstützung des Menschen Aufmerksamkeitssteuerung Diagnoseunterstützung Quantitative Analyse Für autonome Systeme Missionsplanung

cala
Download Presentation

Zielsetzung

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. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  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) Computer Vision 2_Seite 1

  2. Die Auswertungsaufgaben • Detektion im Bild • Lokalisierung in der Welt • Verfolgung • Identifikation • Analyse Computer Vision 2_Seite 2

  3. Was nicht passieren sollte Computer Vision 2_Seite 3

  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. Computer Vision 2_Seite 4

  5. Vorgehensweise Merkmalselektion, Modellauswahl Klassifikation der geschätzten Parameter Phys. Gesetze Expertensysteme Fuzzy Logic Lernende Klass. Merkmalsextraktion für Modelle Kanten, Ecken, Flecken,Texturmaße Verschiebungsvektorfelder, ... Parameterschätzung von expliziten und impliziten Modellen Änderungsdetektion Messung der räumlichen und zeitlichen Kohärenzen der geschätzten Parameter Sensorbewegungsmodell Objektbewegungsmodell Abbildungsmodell Objektmodell Semantische Beschreibung der Klassifikationsergebnisse und Kohärenzen Szenenmodell Szenendynamikmodell Computer Vision 2_Seite 5

  6. Die Auswertungsaufgaben ! • Detektion im Bild • Lokalisierung in der Welt • Verfolgung • Identifikation • Analyse Computer Vision 2_Seite 6

  7. Detektionsmechanismen Radiometrische Eigenschaften (sensornah) Fernes Infrarot (Temperatur) Radar (Rückstreuquerschnitt, MTI) ... Geometrische Eigenschaften Umrißlinien Signaturen ... Dynamische Eigenschaften Interne Objektdynamik Bewegungsmuster Computer Vision 2_Seite 7

  8. Detektionsmechanismen Detektion mittels radiometrischer Eigenschaften Fernes Infrarot (Temperatur) Beispiel Flugzeugdetektion in IR-Bildern (8-12 µm) Histogrammsegmentierung Hintergrund Objekt Anzahl Bildpunkte Helligkeit (Grauwert) Computer Vision 2_Seite 8

  9. Detektionsmechanismen Detektion mittels radiometrischer Eigenschaften SAR (Rückstreuquerschnitt) Beispiel: Landfahrzeuge in SAR-Bildern Rückstreuquerschnitt liefert auch andere Objekte als Landfahrzeuge (Clutterobjekte) Computer Vision 2_Seite 9

  10. Detektionsmechanismen 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. Computer Vision 2_Seite 10

  11. Detektionsmechanismen 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 Computer Vision 2_Seite 11

  12. Originalbild Verarbeitung einer “Region of Interest” Detektionsmechanismen Detektion mittels geometrischer Eigenschaften Umrisse Computer Vision 2_Seite 12

  13. Detektionsmechanismen Rechtwinkligkeit IR Linescanner Bild der CL 289 Relevante Bereiche Computer Vision 2_Seite 13

  14. Detektionsmechanismen Detektion mittels geometrischer Eigenschaften Automatisch erlernte Signaturen • Trainingsdatensatz für das automatische Training eines Klassifikators. Flugzeugsignaturen, die vom Verfahrengelernt werden Hintergrundbilder, die vom Verfahren gelernt werden Computer Vision 2_Seite 14

  15. Detektionsmechanismen Detektion mittels geometrischer Eigenschaften: Signaturen Anwendung: SAR-Flugzeugdetektor Anwendung auf nicht trainierte Bilder Computer Vision 2_Seite 15

  16. Detektionsmechanismen Detektion mittels dynamischer Eigenschaften Interne Objektdynamik Beispiel: Sich bewegende Rotoren von Hubschraubern Computer Vision 2_Seite 16

  17. Lokal geschätzte Flußvektoren Detektionsmechanismen Detektion mittels dynamischer Eigenschaften Hindernisdetektion mit optischem Fluß Computer Vision 2_Seite 17

  18. Hindernisdetektion mit optischem Fluß Detektionsmechanismen • Klassifikation von Flußvektorendurch stochastischen Test: • - bewegt, • - stationär über Fahrbahnebene, • - auf Fahrbahnebene. Als bewegt klassifizierte Flußvektoren Computer Vision 2_Seite 18

  19. Hindernisdetektion mit bewegungskompensiertem Differenzbild Detektionsmechanismen Bewegungskompensiertes Differenzbild Binarisierungsergebnis (Robert Bosch GmbH) Computer Vision 2_Seite 19

  20. Die Auswertungsaufgaben N: 49.800067, E: 24.429837, h: 348996.5 • Detektion im Bild • Lokalisierung in der Welt • Verfolgung • Identifikation • Analyse Computer Vision 2_Seite 20

  21. Lokalisierung in der Welt Wo in der Welt befinde ich mich selbst? Navigation durch Landmarken. Wo in der Welt befinden sich die im Bild detektierten Objekte? Geokodierung des Bildes. Computer Vision 2_Seite 21

  22. Lokalisierung in der Welt Geokodierung des Bildes Beispiel: Bild mit Straßenkarte Straßen aus Vektorkarte: Anpassung mittels Flugdaten Automatische Feinkodierung Computer Vision 2_Seite 22

  23. Lokalisierung in der Welt Navigation anhand von Landmarken Beispiel: INS-Rekalibrierung Aktuelle Schrägansicht Zuordnung durch Schätzung der Parameter der projektiven Transformation Orthophoto Flughafen Computer Vision 2_Seite 23

  24. Lokalisierung in der Welt Navigation anhand von Landmarken Beispiel: INS-Rekalibrierung Merkmale im Schrägansichtsphoto Merkmale im Orthophoto Computer Vision 2_Seite 24

  25. Lokalisierung in der Welt Navigation anhand von Landmarken Beispiel: INS-Rekalibrierung Referenzierungsergebnis: Transformation zwischen den Bildern In das Orthophoto projizierte Schrägaufnahme In die Schrägaufnahme projiziertes Orthophoto Computer Vision 2_Seite 25

  26. Lokalisierung in der Welt Landmarken-Navigation anhand Fahrspurbegrenzung Autobahn/Landstraße Detektion und Verfolgung von Fahrspurbegrenzungen - markiert - unmarkiert Klassifikation von Fahrspurbegrenzungen Mehrspurdetektion Fortlaufende Güteüberwachung,ggf. Re-Initialisierung. Computer Vision 2_Seite 26

  27. Lokalisierung in der Welt Landmarken-Navigation anhand Fahrspurbegrenzung Modellerzeugung der Landmarken • Tele ATLAS • Gerichtete Graphen • Jpoints • Lon, lat • Edges • Name • Class • Permissions Innenortsbereiche Computer Vision 2_Seite 27

  28. Lokalisierung in der Welt Landmarken-Navigation anhand Fahrspurbegrenzung Modellerzeugung der Landmarken Ergebnis Computer Vision 2_Seite 28

  29. Lokalisierung in der Welt Landmarken-Navigation anhand Fahrspurbegrenzung Computer Vision 2_Seite 29

  30. Lokalisierung in der Welt Landmarken-Navigation anhand Fahrspurbegrenzung Computer Vision 2_Seite 30

  31. Lokalisierung in der Welt Landmarken-Navigation anhand Fahrspurbegrenzung Computer Vision 2_Seite 31

  32. Lokalisierung in der Welt Landmarken-Navigation anhand Fahrspurbegrenzung Computer Vision 2_Seite 32

  33. Die Auswertungsaufgaben • Detektion im Bild • Lokalisierung in der Welt • Verfolgung • Identifikation • Analyse Computer Vision 2_Seite 33

  34. Verfolgung Folge von Prädiktion und Detektion (Messung) Merkmalstracker Modelltracker Weitere: - Korrelationstracker - Umrisstracker (Snakes) Computer Vision 2_Seite 34

  35. Die Auswertungsaufgaben „Space Shuttle“ • Detektion im Bild • Lokalisierung in der Welt • Verfolgung • Identifikation • Analyse Computer Vision 2_Seite 35

  36. Identifikation Typbestimmung mittels Bildmerkmalen Binari-sierung MerkmalextraktionKlassifikatortraining, Klassifikator, mit Merkmal- datenbank Klassifikationsvor-schläge: Boing 737: 0.279 A320 : 0.599.... Binari-sierung Merkmalextraktion,Klassifikation Computer Vision 2_Seite 36

  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. A310-300 B737-300 A300-600 Computer Vision 2_Seite 37

More Related