Heutzutage wird in vielen Sicherheits- und Servicebereichen Videoberwachung
eingesetzt, um Gefahrensituationen erkennen und Informationen gewinnen
zu k¨onnen. Immer ¨ofter kommt es dabei zum Einsatz von Videokameras und
Webcams, deren Qualit¨at st¨andig steigt und deren Preis-Leistungsverh¨altnis sich
ebenfalls zunehmend verbessert. Die Verarbeitungskette der Bilddaten ist aber
im Allgemeinen nicht ¨uberm¨aßig lang und endet meist schon mit der einfachen
Bildanzeige in ¨Uberwachungsmonitoren oder mit der Speicherung der Bilddaten
auf Datentr¨agern zwecks Archivierung. Eine Auswertung und Bewertung dieser
Bildinformationen erfordert immer noch in den h¨aufigsten F¨allen das Urteilsund
Entscheidungsverm¨ogen eines Menschen und ist im Regelfall noch nicht
selbst¨andig von einem automatisierten System durchf¨uhrbar. Existierende Auswertungssoftware
ist zum ¨uberwiegenden Teil auf bestimmte definierte Umgebungen
oder Objekte spezialisiert und daher auf nur wenige Einsatzm¨oglichkeiten beschr
¨ankt. Treten hier beispielsweise Szenerie¨anderungen, Wetter- oder Beleuchtungsschwankungen
auf, so kommt es h¨aufig zu Fehlverhalten und damit zur
Beschneidung der Sicherheitsgew¨ahrleistung. Gerade in Sicherheitssystemen ist
jedoch die Zuverl¨assigkeit von absolut zentraler Bedeutung.
In dieser Arbeit wird der Versuch unternommen, ein solches System zu entwerfen,
welches unabh¨angig von den genannten Einflussfaktoren ist und das eigenst¨andig
und ohne menschliche ¨Uberwachung arbeitet. Das hier vorgestellte System soll
dazu dienen, in Echtzeit mehrere bewegte Objekte innerhalb einer Bildfolge zu
erkennen und diese auch zu verfolgen.
[...]
Inhaltsverzeichnis
Einführung
1 Grundlagen
1.1 Likelihood-Wahrscheinlichkeit
1.2 Integration über Zeit und Raum
2 Einsparung von Berechnungszeit
2.1 Reduktion des Geschwindigkeitsraumes
2.1.1 1D-Geschwindigkeitsraum
2.1.2 2D-Geschwindigkeitsraum
2.2 Zweistufiges System
3 Objekterkennung
3.1 Segmentierung
3.2 Objektzuweisung
3.3 Clustern
4 Anwendung
5 Programmierung und Benutzeroberfläche
6 Ergebnisse
6.1 Einstufiges System
6.2 Einstufiges System mit reduziertem Geschwindigkeitsraum 1D
6.3 Einstufiges System mit reduziertem Geschwindigkeitsraum 2D
6.4 Zweistufiges System
6.5 Zusammenfassung
Ausblick
Zielsetzung & Themen
Die Arbeit entwickelt ein automatisiertes System zur Echtzeit-Mehrfachobjektverfolgung in Videosequenzen, das unabhängig von äußeren Einflussfaktoren wie Wetter oder Beleuchtung funktioniert. Das primäre Ziel ist die effiziente Schätzung und Auswertung von Geschwindigkeitsverteilungen einzelner Bildbereiche, um bewegte Objekte zu segmentieren, zu verfolgen und für Anwendungen wie die Verkehrszählung zu nutzen.
- Grundlagen der statistischen Bewegungsbeschreibung mittels Wahrscheinlichkeitsverteilungen
- Optimierungsstrategien zur Einsparung von Berechnungszeit (eindimensionale und zweidimensionale Reduktion, zweistufige Systeme)
- Methoden der Objekterkennung durch Segmentierung und Clusterung
- Praktische Implementierung einer Echtzeitanwendung zur automatisierten Fahrzeugzählung
Auszug aus dem Buch
1.1 Likelihood-Wahrscheinlichkeit
Jedes Bild I^t einer Bildsequenz zum Zeitpunkt t besteht aus Pixeln an den Orten x. Jedem Pixel werden Eigenschaften wie z.B. Grauwert G^t_x oder Geschwindigkeitsvektor v^t_x zugeordnet. Für das gesamte Bild I^t ist dann G^t die Matrix aller Grauwerte. Um Informationen über die Veränderungen des Bewegungsflusses in einer Bildsequenz zu erhalten, werden gewöhnlich Bereiche von zwei aufeinanderfolgenden Bildern I^t und I^(t+∆t) miteinander verglichen. Ein solcher Bereich eines Bildes I^t wird mit W⊙G^(t,x) definiert, wobei G^(t,x) alle Grauwerte des Bildes I^t sind, die um den Wert x verschoben wurden. Die Matrix W ist ein räumliches 2D-Fenster, welches die Größe des Bildbereiches festlegt und eine Gewichtung (z.B. Gauss-Fenster) enthalten kann. Die Zeitdifferenz ∆t zwischen zwei aufeinanderfolgenden Bildern wird hier als eine Funktion der Zeit t selbst angesetzt.
Die Vorgehensweise für die Schätzung der im Bild enthaltenen Geschwindigkeiten soll im folgenden erklärt werden. Es wird zunächst angenommen, daß sich alle Grauwerte innerhalb des Bildbereiches um den Punkt x für eine gewisse Zeit ∆t mit gemeinsamer Geschwindigkeit v^t_x bewegen. Dies bedeutet, daß sich der gesamte Bildbereich W⊙G^(t,x) des Bildes I^t gleichförmig mit der Geschwindigkeit v^t_x bewegt und nach der Zeit ∆t im Bild I^(t+∆t) wieder an der Position x + ∆x erscheint.
Zusammenfassung der Kapitel
1 Grundlagen: Einführung in die mathematische Notation und Beschreibung von Bildbewegungen mittels Wahrscheinlichkeitsverteilungen sowie deren zeitliche Propagation.
2 Einsparung von Berechnungszeit: Vorstellung verschiedener Methoden zur Reduktion der Rechenlast, darunter die Beschränkung des Suchraums und die Implementierung zweistufiger Systeme.
3 Objekterkennung: Erläuterung der Segmentierung, der Zuweisung von Objektkoordinaten und der Gruppierung von Objekten mittels Cluster-Algorithmen.
4 Anwendung: Konkrete Anwendung des entwickelten Systems zur automatisierten Verkehrszählung mittels Zählmasken.
5 Programmierung und Benutzeroberfläche: Detaillierung der technischen Umsetzung in C unter Nutzung spezialisierter Bibliotheken zur Leistungsoptimierung und Visualisierung.
6 Ergebnisse: Präsentation der experimentellen Resultate, Leistungsvergleich der verschiedenen Systemvarianten und Validierung der Zählgenauigkeit.
Schlüsselwörter
Mehrfachobjektverfolgung, Echtzeitverarbeitung, Wahrscheinlichkeitsverteilung, Likelihood-Messung, Segmentierung, Clusterung, Verkehrszählung, Bildverarbeitung, Bewegungsfluss, Geschwindigkeitsschätzung, Objektverfolgung, Optimierung, Echtzeitsystem, Bildsequenzen, Automatisierungstechnik.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit beschäftigt sich mit der Entwicklung eines automatisierten Systems zur Erkennung und Verfolgung mehrerer bewegter Objekte in Echtzeit auf Basis von Videodaten.
Was sind die zentralen Themenfelder?
Die zentralen Themen sind die statistische Modellierung von Bewegungen mittels Wahrscheinlichkeitsverteilungen, Algorithmen zur effizienten Echtzeit-Berechnung sowie Methoden zur Objekterkennung und -zählung.
Was ist das primäre Ziel oder die Forschungsfrage?
Das Ziel ist es, ein System zu entwerfen, das unabhängig von äußeren Störeinflüssen wie Beleuchtungsschwankungen eigenständig bewegte Objekte erkennt und verfolgt, um diese beispielsweise in einer Verkehrszählung zu erfassen.
Welche wissenschaftliche Methode wird verwendet?
Es werden Bayessche Inferenzmodelle zur Schätzung von Geschwindigkeitsverteilungen sowie räumliche Integration über Zeit und Raum zur Bewegungsanalyse eingesetzt.
Was wird im Hauptteil behandelt?
Der Hauptteil behandelt die mathematische Herleitung der Geschwindigkeitsbeschreibung, verschiedene Optimierungsansätze zur Reduktion der Rechenzeit, sowie die methodische Umsetzung von Segmentierung, Objektzuweisung und Clusterung.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind Mehrfachobjektverfolgung, Echtzeitverarbeitung, Wahrscheinlichkeitsverteilung, Segmentierung, Clusterung und Verkehrszählung.
Warum wird ein zweistufiges System verwendet?
Ein zweistufiges System ermöglicht es, bei reduzierter Auflösung in einem Teilsystem Rechenzeit einzusparen, während gleichzeitig eine hohe Präzision durch das zweite Teilsystem mit Grundauflösung erhalten bleibt.
Wie erfolgt die Zählung von Fahrzeugen?
Durch die Definition einer Zählmaske innerhalb des Bildes wird bei jedem Eintritt eines berechneten Clusterzentrums eines Objekts in diesen Zählbereich ein Zähler automatisch inkrementiert.
- Quote paper
- Dipl-Ing. Thomas Heidenreich (Author), 2005, Videobasierte Mehrfachobjektverfolgung in Echtzeit, Munich, GRIN Verlag, https://www.grin.com/document/113104
