1 / 15

Active Appearance Models (AAM)

Active Appearance Models (AAM). 18.12.2003 Mario Ullrich. Warum das Ganze?. 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.

jaunie
Download Presentation

Active Appearance Models (AAM)

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. 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 !

More Related