Feature sind man bestimmte Merkmale, die in einem Bild auftauchen k¨ onnen. Das sind sowohl markante Punkte (Abb. 1.1 links), aber auch Kanten von Objekten in Form von Linien (Abb. 1.1 Mitte), Kurven, Kreisen oder Ellipsen (Abb. 1.1 rechts) sein. Auch Farben k¨ onnen Merkmale als Bildinformation darstellen. Unter Feature Tracking versteht man dann das Verfolgen dieser extrahierten Merkmale innerhalb einer Bildfolge. Dabei m¨ ussen die Featureinformationen logisch miteinander verkn¨ upft werden. Aufeinanderfolgende Merkmale, die von Bild zu Bild ¨ ubereinstimmen, bilden den sogenannten Featurestream (Merkmalsstrom).
[...]
Man kann bei der Verfolgung von Objekten nicht immer von einer idealen Umgebung ausgehen. Oft wechseln die Hintergrundverh¨ altnisse oder das zu verfolgende Objekt ist dem Hintergrund sehr ¨ ahnlich wie das Blatt in Abbildung 1.1. Auch Ver¨ anderungen der Beleuchtung stellen große Anforderungen an den Algorithmus. Es werden auch Merkmale erkannt, die in der realen Welt keine sind. Dazu geh¨ oren insbesondere Schatten- oder Lichteinfall. Wie einfach es ist, dass ein Algorithmus ein falsches Merkmal ausw¨ ahlen kann, ist in Abbildung 1.2 dargestellt. Reflexionen auf gl¨ anzenden Oberfl¨ achen liefern ebenso falsche 3D-Merkmale die sich auch in ihrer 3D-Position mit der Kamerabewegung ¨ andern. Daher beschr¨ anken sich einige Algorithmen auf einfache Umgebungsverh¨ altnisse, um eine gewisse Robustheit zu wahren.
Inhaltsverzeichnis
1 Einfuhrung
1.1 Definitionen
1.2 Hauptziel
1.3 Schwierigkeiten
2 Kanade-Lucas-Tomasi
2.1 Feature-Extraktion
2.2 KLT-Algorithmus
2.3 KLT-Erweiterungen
2.3.1 Background Compensation
2.3.2 X84: Ruckweisungsregel fur Ausreißer
2.4 Open-CV
3 Bidirektionales-Matching-Verfahren
3.1 Moravec-Operator
3.1.1 Erweiterungen des Moravec-Operators
3.2 Feature-Korrelation
3.2.1 Positionskorrelation
3.2.2 Korrelation der lokalen Struktur
3.2.3 Kombination beider Ansätze
3.3 Bidirektionales Matching
3.3.1 Stream-Fortsetzung
3.3.2 Stream-Ende
3.3.3 Stream-Entstehung
3.3.4 Geister
3.3.5 Rauschen
4 Condensation-Algorithmus
4.1 Ablauf des Condensation Algorithmus
4.2 Fazit zum Condensation Algorithmus
Zielsetzung & Themen
Die vorliegende Arbeit befasst sich mit der robusten Verfolgung von Merkmalen (Feature Tracking) in Videosequenzen. Das Hauptziel besteht in der Untersuchung und Darstellung effizienter Algorithmen, die eine echtzeitfähige und fehlertolerante Objektverfolgung unter wechselnden Umgebungsbedingungen und bei Objektveränderungen ermöglichen.
- Grundlagen der Merkmalsextraktion und Feature-Verfolgung
- Analyse und Erweiterungen des Kanade-Lucas-Tomasi (KLT) Algorithmus
- Methodik des bidirektionalen Matchings zur Fehlerreduktion
- Einsatz stochastischer Verfahren wie des Condensation-Algorithmus
- Strategien zur robusten Objekterkennung in verrauschten Umgebungen
Auszug aus dem Buch
2.1 Feature-Extraktion
Wie in allen Feature-Tracking-Verfahren findet am Anfang jeder Verfolgung die Merkmalsauswahl im Bild statt. Wie schon erwähnt, benötigt KLT (und natürlich jeder andere auch) markante Bildpunkte. Der KLT-Algorithmus sucht demzufolge nach auffälligen Punkten (in Farbe und/oder Kontrast). Hohe Farb- und Kontrastunterschiede findet man vorallem in Anfangs- und Endpunkten von Kanten, sowie in Eckpunkten von Flächen. In diesen Punkten ist die Wahrscheinlichkeit am höchsten, dass sie im Folgebild wiedergefunden werden. Dies ist Voraussetzung zur Bildung des Featurestreams bzw. der späteren Objektverfolgung.
Bei der Merkmalsauswahl wird ein vordefiniertes Fenster (z.B. 5x5) über das Bild geschoben, wobei in jedem Fenster die Pixel auf Farbunterschiede ausgewertet werden:
1. Für jeden Pixel P(x,y) wird der Gradient gx,gy berechnet (Abb. 2.1).
2. Berechnung des Mittelwertes und der Kovarianzmatrix mit Hilfe der Gradienten.
Zusammenfassung der Kapitel
1 Einfuhrung: Das Kapitel definiert den Begriff "Feature Tracking" und erläutert das Ziel der echtzeitfähigen Objektverfolgung sowie die dabei auftretenden Schwierigkeiten durch Umgebungs- und Objektveränderungen.
2 Kanade-Lucas-Tomasi: Es werden die Grundlagen des KLT-Algorithmus zur Merkmalsextraktion vorgestellt sowie Erweiterungen wie "Background Compensation" und die "X84"-Regel zur Ausreißereliminierung diskutiert.
3 Bidirektionales-Matching-Verfahren: Dieser Abschnitt behandelt den Moravec-Operator, Techniken zur Feature-Korrelation und das bidirektionale Matching zur systematischen Fehlerreduktion in Featurestreams.
4 Condensation-Algorithmus: Das Kapitel führt den stochastischen Condensation-Algorithmus ein, beschreibt seinen Ablauf mittels Stichproben (Samples) und bewertet seine Effizienz und Robustheit in der Objekterkennung.
Schlüsselwörter
Feature Tracking, Kanade-Lucas-Tomasi, KLT, Objekterkennung, Moravec-Operator, Bidirektionales Matching, Condensation-Algorithmus, Merkmalsextraktion, Stochastische Verfahren, Background Compensation, Bildverarbeitung, Echtzeit, Robustheit, Sample-Set, Computer Vision.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit bietet einen Überblick über verschiedene Verfahren und Algorithmen zur robusten Verfolgung von Objekten in Videosequenzen, insbesondere unter schwierigen Bedingungen.
Was sind die zentralen Themenfelder?
Die zentralen Themen sind die Merkmalserkennung (Feature Extraction), die Korrelation von Bildpunkten über Zeit und der Einsatz stochastischer Filter zur Objektverfolgung.
Was ist das primäre Ziel der Arbeit?
Das Ziel ist die Darstellung von Methoden, die durch hohe Fehlertoleranz und Effizienz eine robuste Echtzeit-Verfolgung von Objekten gewährleisten.
Welche wissenschaftlichen Methoden werden verwendet?
Es werden klassische Verfahren wie der KLT-Algorithmus und der Moravec-Operator sowie der stochastische Condensation-Algorithmus (Conditional Density Propagation) analysiert.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die detaillierte Beschreibung der Merkmalsextraktion, die Funktionsweise bidirektionaler Matching-Verfahren zur Fehlerbehandlung und den stochastischen Ansatz des Condensation-Algorithmus.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit wird maßgeblich durch Begriffe wie Feature Tracking, KLT, Bildverarbeitung, Objekterkennung und Stochastik charakterisiert.
Wie wird das Problem der "Geister" beim Tracking gelöst?
Geister werden identifiziert, wenn Feature nicht den Rückwärtsbedingungen entsprechen oder deren Übereinstimmungswahrscheinlichkeit unter einem definierten Schwellwert liegt, wodurch sie als ungültig aussortiert werden.
Warum ist der Condensation-Algorithmus besonders robust?
Er ist robust, da er probabilistische Vorhersagen trifft und den Suchraum durch gewichtete Stichproben (Samples) gezielt einschränkt, was eine effiziente Anpassung an die Systemleistung ermöglicht.
- Quote paper
- Thomas Münzberg (Author), 2004, Robustes Feature Tracking, Munich, GRIN Verlag, https://www.grin.com/document/21221
