Objekterkennung

Verfahren zur Objekterkennung und Objektwiedererkennung werden seit mehreren Jahren untersucht. Hierbei liegen die Schwerpunkte insbesondere auf ansichtenbasierter Objektwiedererkennung sowie bild- und merkmalsbasierten Registrierungsverfahren.

Modellbasierte Objekterkennung

Ein statistischer Ansatz zur ansichtenbasierten Objektmodellierung und Objekterkennung wurde in [Hornegger1994ORU] vorgestellt. In [Reinhold2001IA3] und [Reinhold2001ASO] wurde dieser Ansatz fortgesetzt, wobei Wavelets anstelle von Punktmerkmalen verwendet wurden. Mit diesen Ansätzen ist es möglich, Objekte auch vor heterogenem Hintergrund zu identifizieren und zu lokalisieren. Das Objekterkennungsproblem wird auf ein statistisches Schätzproblem reduziert. Diese Arbeiten wurden auch in [Deinzer2005OAI] fortgesetzt; in einem statistischen Eigenraumverfahren wurde exemplarisch gezeigt, wie sich eine steuerbare Kamera zur gezielten Exploration beziehungsweise zur Ansichtenplanung für die Objekterkennung verwenden lässt. Weiterhin wurden Grundlagenforschungen zu aktuellen bildbasierten Trackingverfahren unter Verwendung von strukturellen Geometriemodellen durchgeführt, bei denen parallel mehrere Ansätze aus den Fachrichtungen Computergraphik und Bildverarbeitung untersucht wurden. In der Arbeit [Ewering2006MTM] wurde ein Prototyp zum modellbasierten Tracking anhand punktbasierter und linienbasierter Merkmale realisiert. Für den punktbasierten Ansatz wurden Harris-Corners detektiert und anschließend durch einen Eigendeskriptor beschrieben. Eigendeskriptoren haben den Vorteil, dass sie sich beim Matching effizient vergleichen lassen. Beim linienbasierten Ansatz sollte das Drahtgittermodell des zu trackenden Objekts mit kleinstmöglichem Fehler in das Bild zurückprojiziert werden. Hierfür wurden im Wesentlichen die Ideen aus [Wuest2005ALT] verwendet, bei dem Suchstrahlen senkrecht zur Kantenrichtung geeignete Kandidaten für das Linienmatching liefern. Der Ansatz wurde um zusätzliche Linienabstandsmaße erweitert. Diese konnten zur schnelleren Konvergenz der Posebestimmung beitragen. Durch die Kombination der Verfahren gewann das Tracking selbst bei der Verwendung sehr einfacher Abstandsmaße an Stabilität.

Farbbasierte Objekterkennung

» siehe Color Image Processing

Mitarbeiter

Prof. Dr.-Ing. Dietrich Paulus B 308 +49 261 287-2788 paulus at uni-koblenz.de	Dipl.-Inform. Peter Decker B 328 +49 261 287-2791 decker at uni-koblenz.de
Dipl.-Math. (FH) Stefan Wirtz wirtzstefan at uni-koblenz.de

Projekte

PoSe - Realtime Posetracking

Literatur

Ewering2006MTM
Ewering, Dag (2006): Modellbasiertes Tracking mittels Linien- und Punktkorrelationen. Universität Koblenz-Landau, Campus Koblenz, Fachbereich 4 Informatik, Institut für Computervisualistik.

Deinzer2005OAI
Deinzer, Frank (2005): Optimale Ansichtenauswahl in der aktiven Objekterkennung. Berlin: Logos Verlag.

Wuest2005ALT
Wuest, Harald; Vial, Florent; Stricker, Didier (2005): Adaptive Line Tracking with Multiple Hypotheses for Augmented Reality.. In: Werner, Bob: ISMAR. IEEE Computer Society. S. 62-69.

Reinhold2001ASO
Reinhold, Michael; Paulus, Dietrich; Niemann, Heinrich (2001): Appearance-Based Statistical Object Recognition by Heterogenous Background and Occlusions. In: Radig, Bernd; Florczyk, S.: Mustererkennung 2001. Heidelberg: Springer Verlag. S. 254-261.

Reinhold2001IA3
Reinhold, Michael; Paulus, Dietrich; Niemann, Heinrich (2001): Improved Appearance-Based 3-D Object Recognition Using Wavelet Features. In: Ertl, Thomas; Girod, B.; Greiner, G.; Niemann, Heinrich: Vision Modeling and Visualization. IOS Verlag. S. 473-480.

Hornegger1994ORU
Hornegger, Joachim; Niemann, Heinrich; Paulus, Dietrich; Schlottke, Gero (1994): Object Recognition using Hidden Markov Models. In: Gelsema, E. S.; Kanal, L. N.: Pattern Recognition in Practice IV: Multiple Paradigms, Comparative Studies and Hybrid Systems. Amsterdam: Elsevier. Bd. 16. S. 37-44.