Neben dem Problem der Navigation, muss es einem Serviceroboter möglich sein, Objekte zu erkennen und deren Lage zu bestimmen um seinen Manipulator entsprechend positionieren zu können. Die Position des Objektes ist dabei typischerweise nur grob bekannt (irgendwo in diesem Raum), seine Lage gar nicht. Die Objekte sind mit keinerlei Markierungen versehen, um deren Auffinden zu erleichtern. Zur Erkennung des Objektes wird eine Kamera verwandt, die entweder am Robotor oder am Manipulator angebracht ist. Das Objekt soll durch das von der Kamera aufgenommene Bild erkannt werden. Dem Roboter steht kein zuvor erstelltes
Modell des Objektes zur Verfügung. In seiner Datenbank befinden sich Bilder der zu erkennenden Objekte aus verschieden Ansichten oder die daraus extrahierten Merkmale. Die Erkennung erfolgt, indem die Merkmale des gesehenen Bildes mit jenen in der Datenbank verglichen werden. Die Objekterkennung basiert also auf der Erscheinung des Objektes, d.h. auf seiner plenoptischen Funktion.
Es sollen hier zwei Verfahren zur erscheinungsbasierten Objekterkennung vorgestellt und mit Blick auf die Problemfelder in der Servicerobotik bewertet werden. Kapitel 2 beschreibt die Objekterkennung mit Hilfe von mehrdimensionalen Histogrammen. Dabei wird zunächst nur die globale Erscheinung eines Objektes betrachtet und das Verfahren anschließend auf die Erkennung anhand der lokalen Erscheinung adaptiert. Zuletzt werden die experimentellen Ergebnisse vorgestellt und zur Bewertung des Verfahrens herangezogen.
Kapitel 3 erläutert ein Verfahren, das die Erkennung mit Nachbarschaften und mehrdimensionalen Oberflächen durchführt und damit auf lokaler Erscheinung basiert. Der Merkmalsvektor des Verfahrens berücksichtigt zudem die Farbinformationen eines Bildes. Am
Ende des Kapitels wird das Verfahren mit dem SIFT-Algorithmus ([Lowe04]) verglichen
und abschließend ebenfalls auf der Grundlage von Experimenten diskutiert.
Eine Lageschätzung durchzuführen bedeutet, die Winkel unter denen das Objekt gesehen wird sowie seine Entfernung zur Kamera zu schätzen. Ein Verfahren zur Bestimmung der Kamerarotation und Entfernung zum Objekt wird in Kapitel 4 beschrieben. Das Verfahren aus Kapitel 3 wird dann um diese Skalenschätzung erweitert und erneut anhand von Experimenten bewertet.
Inhaltsverzeichnis
1 Einleitung
2 Objekterkennung basierend auf Grauwertrezeptoren und mehrdimensionalen Histogrammen
2.1 Idee des Verfahrens
2.2 Generierung der mehrdimensionalen Histogramme
2.3 Die Histogrammdatenbank
2.4 Definition zweier Merkmalsvektoren für die Erzeugung sechs-dimensionaler Histogramme
2.5 Erkennen eines Objektes anhand der Wahrscheinlichkeitsverteilung des Merkmalsvektors
2.6 Algorithmus zur Objekterkennung mittels globaler Erscheinung in vorsegmentierten Bildern
2.7 Algorithmus zur Objekterkennung mittels lokaler Erscheinung in natürlichen Umgebungen
2.8 Experimentelle Ergebnisse und Bewertung
2.9 Profiling des Verfahrens
3 Objekterkennung basierend auf Farbrezeptoren und mehrdimensionalen Oberflächen
3.1 Idee des Verfahrens
3.2 Definition des Merkmalsvektors mit Berücksichtigung von Farbinformationen
3.3 Generierung der mehrdimensionalen Oberflächen
3.4 Erkennung von Objekten mit lokaler Erscheinung und Farbrezeptoren
3.5 Vergleich mit dem SIFT-Algorithmus
3.6 Experimentelle Untersuchung und Bewertung des Verfahrens
3.7 Profiling des Verfahrens
4 Skalierungs- und Rotationsinvarianz in der Objekterkennung
4.1 Das Problem der Skalenschätzung und die klassische Lösung
4.2 Automatische Skalenschätzung
4.3 Verfahren zur automatischen Skalenschätzung
4.4 Implementierung der automatischen Skalenschätzung
4.5 Automatische Schätzung der Orientierung
4.6 Normierung des Merkmalsvektors bezüglich der Orientierung
4.7 Untersuchung der Objekterkennung und Lageschätzung mit Farbrezeptoren im Hinblick auf bildbasierte Regelung
4.8 Initiale Objekterkennung
4.9 Schätzen der Lage des erkannten Objekts
4.10 Profiling der Objekterkennung mit Skalenschätzung
5 Zusammenfassung und Ausblick
Zielsetzung & Themen
Die Arbeit befasst sich mit der Entwicklung und Untersuchung von erscheinungsbasierten Verfahren zur Objekterkennung und Lageschätzung für die Servicerobotik, um Roboter bei der Manipulation von Objekten in veränderlichen Umgebungen zu unterstützen.
- Einsatz von mehrdimensionalen Histogrammen für die Objekterkennung.
- Verwendung von Farbrezeptoren und mehrdimensionalen Oberflächen zur Merkmalsextraktion.
- Implementierung von Skalierungs- und Rotationsinvarianz.
- Bewertung der Leistungsfähigkeit und Echtzeitfähigkeit der vorgestellten Ansätze.
- Lageschätzung mittels Bilddatenbanken zur Unterstützung der Objektmanipulation.
Auszug aus dem Buch
2.4 Definition zweier Merkmalsvektoren für die Erzeugung sechs-dimensionaler Histogramme
In [Schiele00] werden zwei verschiedene sechs-dimensionale Merkmalsvektoren verwendet. Der erste besteht aus den den Filterantworten der ersten Ableitung eines Gauß-Filters in x- und in y-Richtung für drei verschiedene Standardabweichungen sigma. Die zweidimensionale Gauß-Verteilung ist definiert als
G^sigma(x, y) = e^(-(x^2+y^2)/(2*sigma^2)) (1)
Die beiden ersten Ableitung sind damit
G^sigma_x(x, y) = -(x/sigma^2) * e^(-(x^2+y^2)/(2*sigma^2)) (2)
und
G^sigma_y(x, y) = -(y/sigma^2) * e^(-(x^2+y^2)/(2*sigma^2)) (3)
Der Merkmalsvektor besteht nun aus G^sigma_x(x, y) und G^sigma_y(x, y) für drei verschiedene sigma.
Zusammenfassung der Kapitel
1 Einleitung: Beschreibt die Anforderungen an Serviceroboter bei der Objektmanipulation und führt in die erscheinungsbasierte Objekterkennung ein.
2 Objekterkennung basierend auf Grauwertrezeptoren und mehrdimensionalen Histogrammen: Stellt ein Verfahren vor, das Objekte anhand der Wahrscheinlichkeitsverteilung von Grauwerten in Histogrammen identifiziert.
3 Objekterkennung basierend auf Farbrezeptoren und mehrdimensionalen Oberflächen: Erweitert die Objekterkennung um Farbinformationen und nutzt lokale Oberflächenstrukturen zur Verbesserung der Erkennungsleistung.
4 Skalierungs- und Rotationsinvarianz in der Objekterkennung: Behandelt Methoden zur automatischen Skalen- und Orientierungsschätzung, um eine robuste Objekterkennung unabhängig von Distanz und Aufnahmewinkel zu ermöglichen.
5 Zusammenfassung und Ausblick: Resümiert die Ergebnisse der Arbeit und diskutiert Grenzen sowie zukünftige Verbesserungsmöglichkeiten der vorgestellten Algorithmen.
Schlüsselwörter
Objekterkennung, Servicerobotik, Bildverarbeitung, Merkmalsvektoren, Histogramme, Farbrezeptoren, Skalenschätzung, Rotationsinvarianz, Lageschätzung, Gauß-Filter, Bildbasierte Regelung, Merkmalsextraktion, Computer Vision, COIL-100, SIFT
Häufig gestellte Fragen
Worum geht es in der Arbeit grundsätzlich?
Die Arbeit beschäftigt sich mit Verfahren zur erscheinungsbasierten Objekterkennung, die es Servicerobotern ermöglichen sollen, Objekte in ihrer Umgebung zu identifizieren und deren Lage für eine Manipulation zu bestimmen.
Was sind die zentralen Themenfelder?
Die zentralen Themenfelder umfassen die Bildverarbeitung, die Entwicklung robuster Merkmalsvektoren, die mathematische Modellierung von Wahrscheinlichkeitsverteilungen für die Objekterkennung sowie die Berücksichtigung von Skalierungs- und Rotationsinvarianz.
Was ist das primäre Ziel der Forschungsarbeit?
Das primäre Ziel ist es, robuste Methoden zu evaluieren, die es einem Manipulator ermöglichen, ein unbekanntes Objekt in einer Szene zu erkennen und seine Position im Raum zu schätzen.
Welche wissenschaftliche Methode wird verwendet?
Es werden methodische Ansätze wie die Verwendung von mehrdimensionalen Histogrammen, Gauß-Filtern erster und zweiter Ordnung zur Kantenerkennung sowie statistische Verfahren basierend auf dem Satz von Bayes eingesetzt.
Was wird im Hauptteil behandelt?
Der Hauptteil analysiert verschiedene algorithmische Ansätze: erst histogrammbasierte Verfahren für Grauwertbilder, dann oberflächenbasierte Methoden unter Einbeziehung von Farbinformationen und schließlich Techniken zur Erreichung von Skalierungs- und Rotationsinvarianz.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind Objekterkennung, Servicerobotik, mehrdimensionale Histogramme, Farbrezeptoren, Skalenschätzung und Lageschätzung.
Warum ist die Wahl des Merkmalsvektors so entscheidend für die Erkennungsleistung?
Der Merkmalsvektor bestimmt, welche visuellen Informationen aus dem Bild extrahiert werden; er muss einerseits diskriminativ genug sein, um Objekte zu unterscheiden, und andererseits robust gegenüber Rauschen und Variationen in der Aufnahmeumgebung.
Welchen Einfluss hat die Skalenschätzung auf die Gesamtrechenzeit?
Die automatische Skalenschätzung erhöht die Rechenzeit signifikant, da sie für jeden Bildpunkt die optimale Skalierung durch Faltung mit verschiedenen Gauß-Filtern ermitteln muss, was den größten Teil der Rechenzeit beansprucht.
Warum schneidet das SIFT-ähnliche Verfahren oft besser ab als einfachere Histogramm-Methoden?
Das vorgestellte oberflächenbasierte Verfahren, ähnlich dem SIFT-Ansatz, nutzt eine höhere Dimensionalität und lokalere Merkmale, was eine eindeutigere Identifikation ermöglicht, besonders wenn sich Objekte in der Datenbank ähnlich sind.
- Quote paper
- Tom Paschenda (Author), 2006, Erscheinungsbasierte Objekterkennung und Lageschätzung zur Objektmanipulation in der Servicerobotik, Munich, GRIN Verlag, https://www.grin.com/document/82563
