Friedrich-Schiller-Universität Jena. Angewandte Biometrie Modul 9 Gesichtserkennung. Dr. Andreas Wolf
|
|
- Hetty Fertig
- vor 7 Jahren
- Abrufe
Transkript
1 Friedrich-Schiller-Universität Jena Angewandte Biometrie Modul 9 Gesichtserkennung Dr. Andreas Wolf
2 Aufbau Gesichtserkennung Technischer Ablauf Bekannte Algorithmen Anwendungen
3 DoD Report
4 DoD Report
5 Geschichte
6 Geschichte
7 Gesichtserkennung, Definitionen Biologische Gesichtserkennung Die Fähigkeit zur Erkennung und Unterscheidung von Gesichtern wird vom menschlichen Gehirn innerhalb der ersten Lebensmonate erworben. Sie ist an Funktionen des Großhirns gebunden. Technische Gesichtserkennung In technischem Zusammenhang zählt Gesichtserkennung zu den biometrischen Verfahren. Sie wird sicherheitstechnisch, kriminalistisch und forensisch eingesetzt, zum Zweck der Identifikation oder Verifikation (Authentifizierung) natürlicher Personen. Typischerweise dient die technische, computergestützte Gesichtserkennung zur Zutrittskontrolle zu sicherheitsempfindlichen Bereichen und zur Suche nach Dubletten in Datenbanken, beispielsweise in Melderegistern zur Vermeidung von Identitätsdiebstahl.
8 Gesichtserkennung, Definitionen 2D-Verfahren zweidimensionale geometrische Vermessung besonderer Merkmale, z.b. Augen, Nase, Mund Bestimmung von deren Position, Abstand und Lage zueinander Heutige Verfahren verwenden meist komplexe Berechnungen wie die Waveletanalyse (z.b. mittels Gabor-Transformation) oder Hauptkomponentenanalyse. 3D-Verfahren dreidimensionale Erfassung des Gesichts, z.b. mittels Streifenprojektion oder durch die Verwendung von zwei Kameras. Potenziell höhere Erkennungsgenauigkeit, bessere Posenunabhängigkeit und Überwindungssicherheit. Das stimmt in der Praxis allerdings noch nicht.
9 3D-Gesichtserkennung Stereoskopische Aufnahme Strukturiertes Licht
10 Vorteile und Nachteile Vorteile: Natürlich: Menschen erkennen einander am Gesicht Berührungslos, unaufdringich, non-intrusive, Sensor verschmutzt nicht, hygienisch Relativ geringe Anpassung des Menschen an das System erforderlich Einbettbarkeit in vorhandene Infrastrukturen: Video-Überwachung, Web-Cams, etc. Leichte Interpretierbarkeit der Rohdaten durch den Menschen (Backup, Protokollierung von Angriffen) Gesichtserkennung kann schnell und diskret erfolgen, beispielsweise mit bereits installierten Kameras oder mit versteckten Kameras. Kameras sind Massenware und werden deshalb immer preiswerter. Templates zur Beschreibung eines Gesichtes sind häufig recht klein, etwa 3-4 kbyte reichen oft aus.
11 Vorteile und Nachteile Nachteile: Relative hohe Fehlerraten Hoher Schutzbedarf der Rohdaten Unbemerkte Anwendbarkeit Manche Kulturen verbergen das Gesicht Manche Kulturen erlauben nicht das Fotografieren von Gesichtern Gesicher verändern sich ständig (Bart, Make-up, Stimmungen, Brillen, lange Flüge, Blinzeln, Lachen, offener Mund) Altern führt zu Veränderungen Zwillinge lassen sich kaum unterscheiden Ungünstige Lichtverhältnisse erschweren die Erkennung (Schattenwurf, Gegenlicht, ungünstiges Umgebungslicht) Position der zu erkennenden Person beeinflusst Erkennungsleistung (Kopfwinkel, Blickrichtung) Angriffsversuche (Foto, Maske, Video) sind möglich
12 Verwendungsmöglichkeiten Zugangskontrolle zu Gebäuden oder einzelnen Räumen, vorwiegend bei hohem Sicherheitsbedarf Flughäfen Banken Forschungszentren Zugangskontrolle zu Computern Desktop-Kamera, ermöglicht ständige Anfrage, ob auch tatsächlich der betreffende Benutzer anwesend ist Elektronischer Handel (e-commerce, e-trade) als Ergänzung zu PIN- Systemen. Polizeiliche Datenbanken. Moldavien hat etwa ein vollständiges Bürgerregister mit erkennungstauglichen Gesichtsbildern. Soft Access Control Zugangskontrolle zu Casinos Ermittlung der Herkunft von Asylbewerbern
13 Verwendungsmöglichkeiten Gesichtstracking werden bei Video-Konferenzen eingesetzt Kamera zeigt immer den aktuellen Sprecher Gefühlslagen-Analyse, Erkennung von Schmerzen (evtl. auch Müdigkeit oder Krankheiten) Wird die Person bedroht?
14 Verwendungsmöglichkeiten In Fahrzeugen: Steuerung des Airbags Überwachung des Beifahrersitzes und der anderen Sitze Lidschlagsensor zur Ermittlung der Ermüdung des Fahrers Überprüfung der Identität des Fahrers Personalisierung (Sitze, Spiegel, Temperatur, Audio) Kombination mit üblicher Wegfahrsperre Vorteil: Die Personen befinden sich immer an definierten Positionen in definiertem Abstand von der Kamera Zumindest der Fahrer blickt auch fast immer in eine genau definierte Richtung Probleme: Ständig veränderlicher Hintergrund. Draußen kann es viele andere Gesichter geben oder Strukturen, die wie Gesichter aussehen (2000 auf Papierpaket!) Umgebungslicht im Auto ist nicht kontrollierbar. Finden einer geeigneten Position der Kamera (Fahrer: Armaturenbrett?)
15 Standardisierter Ablauf Gesichtsdetektion Gesichtslokalisierung Lokalisierung der Augen Normierung des Gesichtes Berechnung der zur Erkennung verwendeten Merkmale Berechnung der Ähnlichkeit Vergleich mit gegebenem Schwellwert
16 Technischer Ablauf Gesichtsdetektion und Gesichtslokalisierung Bestimmung von Position, Größe und Orientierung der in einem Bild enthaltenen Gesichter (des Gesichtes) (Meist) Lokalisierung der Augen, Normalisierung Ausschneiden, Skalierung und Drehung des Gesichtes Merkmalsextraktion Ermitteln der nach dem verwendeten Verfahren erforderlichen Features
17 Technischer Ablauf Referenzdatensatz-Erzeugung Zusammenfassung der Daten aus möglicherweise mehreren Bildern Vergleich Zusätzlich: liveness test Kopfbewegung, Mundbewegung, Zwinkern, Haut-Textur
18 Gesichtsfinder Befindet sich an einem bestimmten Punkt p eines Bildes ein Gesicht? Verfahren: Bildpyramide Festes Mustergesicht ( Template ) (häufig 10x10 Pixel)
19 Gesichtsfinder Bildkopien in vielen verschiedenen Vergrößerungen Muster über Bildausschnitte wandern lassen: Binäres (lineares) Klassifikationsproblem Nach dieser Vorsortierung (typischerweise werden 90-95% der Ausschnitte aussortiert) genauere, aber langsamere Verfahren: quadratische Klassifikatoren, Abstandsmaße, etc.
20 Algorithmen Merkmalsbasierte Gesichtserkennung einzelne Merkmale des Gesichtes werden extrahiert und ein Gesicht wird anhand dieser Merkmale klassifiziert Elastic Bunch Graph Matching Gesichtserkennung mittels geometrischer Merkmale Ganzheitlicher Ansatz Betrachtung und Klassifikation anhand des vollständigen Gesichtes Template Matching Fourier-Transformation Eigenface Viele reale Implementierungen kombinieren mehrere Ansätze.
21 Algorithmen Template Matching Gesichtserkennung mittels geometrischer Merkmale Gesichtserkennung mittels 2-dimensionaler diskreter Fourier- Transformation Gesichtserkennung mit neuronalen Netzen Elastic Bunch Graph Matching Eigenfaces (Eigengesichter, Principal Components Analysis PCA) Linear Discriminant Analysis LDA (Supportvektormaschinen) (Hidden Markov Models)
22 Template Matching Berechnung der Ähnlichkeit zwischen einem aktuell gegebenen Bild I und einem Template t Ein Template ist eine vorgegebene Maske, die einem Bild oder einem Teil eines Bilds ähnlich ist.
23 Template Matching Einfachste Form: Vergleich eines Bildes mit einem Template, das das ganze Gesicht repräsentiert Verbessert: Vergleich mit mehreren Templates, die jeweils andere Teile des Gesichts repräsentieren Beispiel: Vier Templates für Augen, Mund, Nase und gesamtes Gesicht
24 Template Matching Identifikation eines Gesichtes: Vergleich dieses Gesichts mit allen Bildern der Datenbank Ergebnis ist ein Vektor, der die Ähnlichkeit zu den Merkmalen des jeweiligen Templates enthält Identifikation der unbekannten Person über die größte Ähnlichkeit aller Merkmale (z.b. über die quadratische Abweichung) Die Qualität der Ergebnisse hängt stark von der Qualität der verwendeten Template-Masken ab. Die Masken müssen bei möglichst vielen unterschiedlichen Personen ähnlich sein und sollten unabhängig von Beleuchtung und Bildkontrast sein Rechenaufwändig Verfahren
25 Geometrische Merkmale Extraktion von geometrischen Merkmale des Gesichts Position von Nase, Augen und Mund relative Position der Merkmale zueinander Anforderungen an den Merkmalsvektor: Möglichst einfache Merkmalsextraktion geringe Abhängigkeit vom Umgebungslicht geringe Abhängigkeit von kleineren Änderungen in einem einzelnen Gesicht hoher Informationsgehalt Vorstufe für die eigentliche Gesichtserkennung: Normierung des Gesichts
26 Geometrische Merkmale Merkmalsextraktion unter Beachtung von Randwerten: Die Augen liegen nebeneinander Die Nase liegt unter den Augen Der Mund liegt unter der Nase Mund und Nase sind weitgehend mittig im Gesicht Gleiche Grundarchitektur von Gesichtern, erleichtert die Merkmalsextraktion, erschwert aber die Klassifikation Gesichtsverletzungen brechen aus dem normalen Schema aus, solche Personen sind mit diesem Verfahren schwerer zu unterscheiden
27 Geometrische Merkmale Technik für die Extraktion der Merkmale: integrale Projektion Aufsummieren der Grauwerte einer Spalte bzw. einer Zeile des Bildes Darstellung in einem Histogramm Gut geeignet, wenn der Bildausschnitt klein genug ist Vorherige Lageabschätzung der verschiedenen Merkmale erforderlich (vertikale bzw. horizontale integrale Projektion im Rechteck [x1,x2]x[y1,y2])
28 Geometrische Merkmale Ablauf der Merkmalsextraktion: Extraktion eines vertikalen und eines horizontalen Gradientenbildes Bestimmung der Lage der Augen mittels Template Matching Extraktion der anderen Merkmale unter Zuhilfenahme des allgemeinen Gesichts-"Layouts"
29 Geometrische Merkmale Abschätzung der ungefähren vertikalen Position aus Durchschnittswerten für menschliche Gesichter Suche nach einem Maximum im horizontalen Kantenbild im Bereich der geschätzten Nasenposition (= Nasenspitze) Suche nach einem Minimum im vertikalen Kantenbild im Bereich der geschätzten Mundposition (= Linie zwischen den Lippen). Minima und Maxima werden bewertet (Größe, Abstand von geschätzter Lage), daraus wird die Lage von Mund und Nase bestimmt. Analoge Bestimmung der Breite der Nase und der Höhe des Mundes. Analoge Bestimmung der Positionen und Dicke der Augenbrauen. Berechnung des Umrisses des Gesichtes.
30 Geometrische Merkmale Beispielhafte extrahierte Merkmale (je nach Verfahren können das auch andere sein) Vertikale Nasenposition, Nasenbreite Vertikale Mundposition, Mundbreite und Mundhöhe Vertikale Augenbrauenposition, Dicke der Augenbrauen über der Augenmitte diverse Radien zur Beschreibung der Kinnform Gesichtsbreite an der Nasenunterkante Gesichtsbreite auf der Augenhöhe Diverse Radien zur Beschreibung der Augenbrauenbögen
31 Geometrische Merkmale Ermittlung der Ähnlichkeit zweier Bilder durch Vergleich der so ermittelten Merkmalsverktoren (wobei der der Referenzdaten natürlich sinnvollerweise vorab berechnet wurde) Häufig wird die "Nearest Neighbour" Regel zur Berechnung der Ähnlichkeit verwendet (Summe der quadratischen Abweichungen) Vorteil Relativ einfache Berechnung der Merkmale aus einem gegebenen Gesicht Problem: Weniger robust gegenüber Lageänderungen des Gesichtes Normierung der Lage des Gesichtes ist erforderlich, um Drehungen herauszurechnen Dazu werden Messwerte aus dem Gesicht benutzt (Kopf schräg = Augen schräg, Mund schräg, Ohren schräg) Andere Winkel sind schwerer zu behandeln
32 Zweidimensionale diskrete Fourier-Transformation Grundidee: Man transformiere Orignal- und Vergleichsbild durch Fourier- Transformation in den Frequenzraum Man vergleiche die Spektren der Bilder Fourier-Transformation (DTF): Funktion auf dem gesamten Eingabebild (globaler Operator) Digitale (Bilder!) 2-dimensionale Signale werden in den Frequenzbereich transformiert Man hat beobachtet, dass offenbar der Hauptteil der Bildinformationen in den niedrigen Frequenzen enthalten ist.
33 Fouriertransformation
34 Fouriertransformation Berechnung der Varianzen für Real- und Imaginärteil In der Praxis hat sich gezeigt, dass Informationen über Bildunterschiede (welche letztendlich für die Gesichtserkennung herangezogen werden) vor allem in den Fourier-Koeffizienten niedriger Ordnung enthalten sind. Anordnung der Fourier-Koeffizienten entsprechend ihres Informationsgehalts Verwendung der n ersten Koeffizienten. Klassifikation der Gesichter Ein Bild-Vergleich erfolgt anhand der Abstandsbestimmung (z.b. euklidisch) der Vektoren der betreffenden Bilder Wie üblich sind Schwellwerte sinnvoll Unterschied zum Template Matching: Vergleich der Koeffizienten nach Transformation in den Frequenzbereich Meist kommt man mit weniger Koeffizienten (= kürzeren Feature- Vektoren) aus
35 Neuronale Netze Künstliche neuronale Netze bestehen aus Neuronen Neuronen reagieren auf Eingabeimpulse und geben Ausgabeimpulse aus Neuronale Netze sind lernfähig. Sie können Funktionen lernen. Es gibt keine einheitliche Meinung darüber, welcher Typ neuronaler Netze am Besten für Gesichtserkennung geeignet ist. Es gibt auch Meinungen, die den Ansatz komplett für suboptimal halten. Hier seien mehrschichtige Perzeptron-Netze gemeint, wann immer von neurnalen Netzen die Rede ist.
36 Neuronale Netze Kleinste Einheit: Neuron Neuronen werden schichtweise zusammengefasst Schichten sind miteinander verbunden Verbindungen können mit Gewichten versehen sein Ausgabe eines Neurons:
37 Neuronale Netze Gewichtete (mit w ij ) Summation der Eingaben o j Addition eines Bias-Wertes θ i Transfer-Funktion f x i ist die Ausgabe häufig nimmt man die Sigmoid-Funktion als Transferfunktion Ein mehrschichtiges Perzeptron besteht aus einer Eingabeschicht, aus verdeckten Zwischenschichten und aus einer Ausgabeschicht
38 Neuronale Netze Vorverarbeitungsschritte Normierung der Trainingsgesichter auf passende Größe und passende Orientierung Herausrechnen von Beleuchtungsunterschieden Unterteilung in spezielle Trainingsmengen (die geschickte Auswahl der Trainingsmenge entscheidet über die Qualität des Verfahrens, oft mehr als die Struktur des Netzes) Lernprozess Netz berechnet einen Ist-Wert, der mit dem Soll-Wert verglichen wird Anpassung der Gewichte des Netzes zur Verbesserung der Leistung Dazu gibt es diverse Lernverfahren, die hier nicht besprochen werden sollen. Verifikation: Im Lernprozess wird immer besser die Trainingsmenge gelernt. Es ist wichtig, dass immer eine Verifikationsmenge zur Verfügung steht, anhand derer geprüft werden kann, ob ein allgemeines Ergebnis gelernt wurde Häufig Kombination mit anderen Verfahren
39 Elastic Graph Matching Elastic-Graph-Matching Von der Malsburg (Bochum) Flexibles Gitter über das Gesichtsbild legen, Anpassungen sind in bestimmtem Maße möglich (Kopfneigung etc.) Vergleich der Gitterstrukturen
40 Elastic Graph Matching Ruhr-Universität Bochum Wiskott, Fellous, Krüger, von der Malsburg Zuordnung eines Gitternetzes zu einem Gesicht (labelled graph) An den Knoten dieses Gitters werden bestimmte Merkmale des Gesichtes berechnet Vergleich zweier Gesichter durch Erzeugung eines Gitters auf einem neuen Bild und Vergleich mit dem hinterlegten Gitter Extraktion der Merkmale durch an signifikanten Punkten des Gesichtes angebrachte Jets Die Jets bestehen aus Gabor Wavelets
41 Elastic Graph Matching Gabor Wavelet Bei diesem Wavelet handelt es sich um eine ebene Welle mit der Frequenz k, die von einem Gauß-Fenster begrenzt wird. 2D und 3D, links im Ortsrechts im Frequenzbereich
42 Elastic Graph Matching Warum nimmt man Gabor Wavelets? robust bei Helligkeits- und Kontraständerungen Akzeptiertes Modell für das menschliche Sehen Positionierung eines Wavelets an die Stelle x eines Bildes Wavelet-Komponente J k mit Grauwertverteilung I(x) kann dann berechnet werden Berechnung von 40 komplexen Werten für jedes Pixel (entsprechend 40 Gabor-Wavelets: fünf Größen, acht Orientierungen) Diese 40 Koeffizienten bilden den Jet. Dieser Vektor beschreibt die lokalen Bildmerkmale in der Umgebung der Stelle x
43 Elastic Graph Matching Beschreibung eines Gesichts durch ein beschriftetes Gitternetz (labeled graph) Knoten: signifikante Punkte des Gesichts (Landmarks), z.b. Nasenspitze, Mundwinkel, Augenwinkel, Kinn. Beschriftung der Knoten mit Jets Beschriftung der Kanten mit Abständen Vergleich von Gesichtern: Elastic Bunch Graph Matching Der Face Bunch Graph enthält an den Landmarks, mehrere verschiedene Jets Die Jets können unabhängig voneinander ausgewählt und zu einem neuen Gitter zusammengesetzt werden Jets des neuen Bildes werden mit allen Jets des Bunch Graphen verglichen, die besten werden ausgewählt
44 Elastic Graph Matching Gesichtserkennung in drei Schritten Lokalisierung des Gesichts Lokalisierung der Landmarks Vergleich der Graphen Lokalisierung des Gesichts: Vergleich des Bildes mit verschiedenen Bunch Graphen verschiedener Posen und Größen Gefundenes Gesicht wird in der Größe normiert Suche der Landmarks Erstellung eines Bunch Graphen Vergleich mit den anderen Graphen der Referenzbilder Schwellwert sinnvoll
45 Elastic Graph Matching
46 Eigenfaces Projektion auf Eigenfaces Sirovich/Kirby, 90er Jahre, MIT Media Lab Turk/Pentland werden auch manchmal als Väter dieses Ansatzes genannt Linearkombination von Basisgesichtern Etwa 100 Basisgesichter werden verwendet Genaue Normalisierung erforderlich: Annotation der Lage von Augen, Nasenspitze (oft auch Nasenränder) und Mundmitte (oft auch Mundränder)
47 Eigenfaces Auf der Hauptkomponentenanalyse basierendes Verfahren zur Gesichtserkennung. Trainingsbilder der Gesichter werden in lexikografischer Reihenfolge eingelesen und in Vektoren gespeichert. Aus dem Trainingsset wird ein Durchschnittsgesicht gebildet: Von jedem wird ein Differenzgesicht gebildet:
48 Eigenfaces Mit Hilfe der Differenzbilder wird eine Kovarianzmatrix C erstellt: wobei ist. Die Eigenvektoren der Matrix C sind die Hauptkomponenten, die wegen ihres gesichtsähnlichen Aussehens Eigenfaces genannt werden. Das Berechnen der Eigenvektoren aus C ist in dieser Form mit sehr großem Speicherbedarfs verbunden.
49 Eigenfaces Es gibt einen effizienteren Weg, da es nur M 1 wichtige Eigenvektoren gibt. Dazu wird die neue Matrix L berechnet: Die Eigenvektoren v l von L können leichter berechnet werden, da L von viel kleinerer Dimension ist. Nun wird berechnet: oder anders
50 Eigenfaces Die so erhaltenen Vektoren u l sind die Eigenvektoren von C. Praktisch relevant sind die M Vektoren u * mit den höchsten Eigenwerten. Diese u * müssen noch normiert werden. Mit Hilfe der ermittelten Eigengesichter u * kann ein Bild im Gesichtsraum mit Koordinaten versehen werden. Der so erhaltene Vektor kann von einem Mustererkennungs-Algorithmus für eine Gesichtswiedererkennung benutzt werden. Die Abstände verschiedener Gesichter (Es gibt Scharen von Abstandsmaßen, jeder Hersteller schwört darauf, dass sein Maß das Beste sei!) bestimmen die Ähnlichkeit.
51 Eigenfaces durchschnittliches Gesicht und die ersten vier Eigengesichter Eigengesichter der Ordnung 15, 100, 200, 250, 300 Eigengesichter der Ordnung 400, 450, 1000, 2000
52 Linear Discriminant Analysis
53 Herausforderungen und Zukunft Gegenlicht Wechselnde Lichtverhältnisse Schatten im Gesicht Zu viele Gesichter im Bild Fake detection (Masken, Bilder, Videos) 2.5D und 3D-Gesichtserkennung
54 Hersteller Cognitec (Dresden) L1 (Bochum/USA) Neurotechnology (Russland) NEC (Japan) Morpho (Frankreich) Und natürlich viele andere!
55 Ende Modul 9
Statistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 12. Juli 2011 Gesichtserkennung Begriffsunterscheidung: Lokalisation eines Gesichts im Bild Zuordnung des Gesichts zu einer bestimmten Person Technische
MehrGesichtserkennung. Seminar Biometrische Identifikationsverfahren SoSe2004. Yasushi Tomii Steffen Scheer
Seminar Biometrische Identifikationsverfahren SoSe2004 Yasushi Tomii Steffen Scheer 1. Einleitung Bei der Gesichterkennung werden die charakteristischen Merkmale eines menschlichen Gesichtes verwendet
MehrMultimedia-Metadaten und ihre Anwendung
Multimedia-Metadaten und ihre Anwendung 14.02.2006 Automatische Gesichtserkennung Dominikus Baur Gesichtserkennung in MPEG-7 MPEG-7 bietet Face Descriptor zur Beschreibung von Gesichtern Im Folgenden:
MehrEFME Aufsätze ( Wörter) Der Aufbau von Entscheidungsbäumen...1
EFME Aufsätze (150 200 Wörter) Der Aufbau von Entscheidungsbäumen...1 PCA in der Gesichtserkennung... 2 Bias, Varianz und Generalisierungsfähigkeit... 3 Parametrische und nicht-parametrische Lernverfahren:
MehrAnwendungen der Hauptkomponentenanalyse. Volker Tresp vertreten durch Florian Steinke
Anwendungen der Hauptkomponentenanalyse Volker Tresp vertreten durch Florian Steinke 1 Dimensionsreduktion für Supervised Learning 2 Beispiel: Kaufentscheidung 3 Verbesserte Abstandsmaße durch Hauptkomponentenanalyse
MehrProjektdokumentation Gesichtserkennung per Eigengesichtsanalyse
Hochschule RheinMain Master Informatik Digitale Bildanalyse bei Prof. Dr. U. Schwanecke Projektdokumentation Gesichtserkennung per Eigengesichtsanalyse von Florian Feuerstein (florian feuerstein@web.de)
MehrEigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection
Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection P. Belhumeur, J. Hespanha, D. Kriegman IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 19, No. 7, July
MehrProjektionen für f r die Scanregistrierung mit Hilfe von Bildmerkmalen
Projektionen für f r die Scanregistrierung mit Hilfe von Bildmerkmalen Prof. Dr. Andreas Nüchter Jacobs University Bremen Campus Ring 1 28759 Bremen 1 Hintergrund (1) Automatisierung von terrestrischen
MehrPrincipal Component Analysis (PCA)
Principal Component Analysis (PCA) Motivation: Klassifikation mit der PCA Berechnung der Hauptkomponenten Theoretische Hintergründe Anwendungsbeispiel: Klassifikation von Gesichtern Weiterführende Bemerkungen
MehrWas bisher geschah. Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch
Was bisher geschah Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch Punktoperationen (Farbtransformation) f : col1 col
MehrREIHE INFORMATIK TR Gesichtserkennung in Bildern und Videos mit Hilfe von Eigenfaces
Technical Report TR-05-008, Mathematics and Computer Science Department, University of Mannheim, September 2005 by Stephan Kopf, Alexander Oertel REIHE INFORMATIK TR-05-008 Gesichtserkennung in Bildern
MehrVorlesung Digitale Bildverarbeitung Sommersemester 2013
Vorlesung Digitale Bildverarbeitung Sommersemester 2013 Sebastian Houben (Marc Schlipsing) Institut für Neuroinformatik Inhalt Crash-Course in Machine Learning Klassifikationsverfahren Grundsätzliches
Mehr3. Analyse der Kamerabewegung Video - Inhaltsanalyse
3. Analyse der Kamerabewegung Video - Inhaltsanalyse Stephan Kopf Bewegungen in Videos Objektbewegungen (object motion) Kameraoperationen bzw. Kamerabewegungen (camera motion) Semantische Informationen
MehrProseminar "Aufgabenstellungen der Bildanalyse und Mustererkennung"
Fakultät Informatik, Institut für künstliche Intelligenz, Intelligent Systems Proseminar "Aufgabenstellungen der Bildanalyse und Mustererkennung" Lokale Merkmalsdeskriptoren Jens Stormberg - Dresden, 19.06.2009
Mehr4. Segmentierung von Objekten Video - Inhaltsanalyse
4. Segmentierung von Objekten Video - Inhaltsanalyse Stephan Kopf Inhalt Vorgehensweise Berechnung der Kamerabewegungen zwischen beliebigen Bildern Transformation eines Bildes Hintergrundbilder / Panoramabilder
MehrPCA based feature fusion
PCA based feature fusion Seminar Inhaltsbasierte Bildsuche WS 04/05 Übersicht Motivation: PCA an einem Beispiel PCA in der Bildsuche Tests Zusammenfassung / Ausblick Diskussion / Demo 2 Motivation: PCA
MehrSEMINAR AUTOMATISCHE GESICHTSERKENNUNG
SEMINAR AUTOMATISCHE GESICHTSERKENNUNG OBERSEMINAR AUTOMATISCHE ANALYSE VON GESICHTSAUSDRÜCKEN Organisation, Überblick, Themen Überblick heutige Veranstaltung 1. Organisatorisches 2. Überblick über beide
MehrINTELLIGENTE DATENANALYSE IN MATLAB. Objekterkennung
INTELLIGENTE DATENANALYSE IN MATLAB Objekterkennung Objekterkennung Problemstellung Gegeben: Ein Bild. Fragestellungen: Klassifikationsproblem Ist ein bestimmtes Objekt (z.b. Flugzeug) auf dem Bild? Welches
MehrEigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection
Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection Peter N. Belhumeur, João P. Hespanha, David J. Kriegman IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.
MehrDas Modell: Nichtlineare Merkmalsextraktion (Preprozessing) + Lineare Klassifikation
Das Modell: Nichtlineare Merkmalsextraktion (Preprozessing) + Lineare Klassifikation Hochdimensionaler Eingaberaum {0,1} Z S quadratisch aufgemalt (zwecks besserer Visualisierung) als Retina bestehend
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Diskriminanzanalyse
Wahrscheinlichkeitsrechnung und Statistik für Biologen Diskriminanzanalyse Noémie Becker & Dirk Metzler http://evol.bio.lmu.de/_statgen 3. Juli 2013 Übersicht 1 Ruf des Kleinspechts 2 Modell Vorgehen der
MehrInhaltsbasierte Bildsuche. Matthias Spiller. 17. Dezember 2004
Kantenbasierte Merkmale für die Bildsuche Inhaltsbasierte Bildsuche Matthias Spiller 17. Dezember 2004 Übersicht Übersicht Einleitung Was sind Kanten? Kantenrichtungs Histogramm Der Canny-Algorithmus Feature-Erzeugung
MehrHow To Create A Panorama Image From A Photoelectric Image From An Image From The Camera (I)
Chapter 3 Image Registration Distributed Algorithms for Einführung (I) Definition: Image Registration Gegeben: 2 Bilder der gleichen Szene aber aufgenommen aus unterschiedlichen Perspektiven Gesucht: Transformation,
MehrStatistical Learning
Statistical Learning M. Gruber KW 42 Rev.1 1 Neuronale Netze Wir folgen [1], Lec 10. Beginnen wir mit einem Beispiel. Beispiel 1 Wir konstruieren einen Klassifikator auf der Menge, dessen Wirkung man in
MehrWas bisher geschah. digitale Bilder: Funktion B : pos col Matrix B col pos. Punktoperationen f : col 1 col 2
Was bisher geschah digitale Bilder: Funktion B : pos col Matrix B col pos statistische Merkmale Punktoperationen f : col 1 col 2 (Bildanalyse) (Farbtransformation) Geometrische Operationen f : pos 1 pos
Mehr3. Analyse der Kamerabewegung Video - Inhaltsanalyse
3. Analyse der Kamerabewegung Video - Inhaltsanalyse Stephan Kopf Bewegungen in Videos Objektbewegungen (object motion) Kameraoperationen bzw. Kamerabewegungen (camera motion) Semantische Informationen
MehrStatistik, Datenanalyse und Simulation
Dr. Michael O. Distler distler@kph.uni-mainz.de Mainz, 5. Juli 2011 Zunächst: PCA (Hauptkomponentenanalyse) ist eine mathematische Prozedur, die eine Anzahl von (möglicherweise korrelierten) Variablen
MehrSuche nach korrespondierenden Pixeln
Suche nach korrespondierenden Pixeln Seminar Algorithmen zur Erzeugung von Panoramabildern Philip Mildner, Gliederung 1. Motivation 2. Anforderungen 3. Moravec Detektor 4. Harris Detektor 5. Scale Invariant
MehrPERSONENAUTHENTIFIKATION MITTELS GESICHTSERKENNUNG AUF CHIPKARTEN
PERSONENAUTHENTIFIKATION MITTELS GESICHTSERKENNUNG AUF CHIPKARTEN DI Dr. Stefan Pittner Wissenschaftlicher Mitarbeiter Institut für IT Sicherheitsforschung Fachhochschule St. Pölten 3100 St. Pölten 24.
MehrBild-Erkennung & -Interpretation
Kapitel I Bild-Erkennung & -Interpretation FH Aachen / Jülich, FB 9 Prof. Dr. rer.nat. Walter Hillen (Dig Img I) 1 Einführung Schritte zur Bilderkennung und Interpretation: Bild-Erfassung Vorverarbeitung
MehrHannah Wester Juan Jose Gonzalez
Neuronale Netze Supervised Learning Proseminar Kognitive Robotik (SS12) Hannah Wester Juan Jose Gonzalez Kurze Einführung Warum braucht man Neuronale Netze und insbesondere Supervised Learning? Das Perzeptron
MehrBildverarbeitung Herbstsemester. Mustererkennung
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung
MehrKünstliche neuronale Netze
Künstliche neuronale Netze Eigenschaften neuronaler Netze: hohe Arbeitsgeschwindigkeit durch Parallelität, Funktionsfähigkeit auch nach Ausfall von Teilen des Netzes, Lernfähigkeit, Möglichkeit zur Generalisierung
MehrProf. J. Zhang Universität Hamburg. AB Technische Aspekte Multimodaler Systeme. 20. Januar 2004
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis 6. Bildverarbeitung..........................415 Aufbau
MehrPersonenerkennung. Harald Hauptseminarpräsentation. Harald Kirschenmann. Department Informatik. Department Informatik.
Harald Hauptseminarpräsentation Kirschenmann Personenerkennung 1 Inhaltsübersicht Motivation Grundlagen Benchmark Eigene Gesichtserkennung 2 Motivation Baustein einer Microservice Architektur Personenerkennung
MehrGesichtsidentifikation mit dem Erkennungssystem FaceVACS SDK der Firma Cognitec
Gesichtsidentifikation mit dem Erkennungssystem FaceVACS SDK der Firma Cognitec Zwischenpräsentation Autoren: Alexander Mielchen und Lorenz Kaipf 20.05.2014 1 Gliederung Aufgabenstellung und Randbedingungen
MehrWahrscheinlichkeitsrechnung und Statistik für Biologen Diskriminanzanalyse
Wahrscheinlichkeitsrechnung und Statistik für Biologen Diskriminanzanalyse Martin Hutzenthaler & Dirk Metzler http://evol.bio.lmu.de/_statgen 6. Juli 2010 Übersicht 1 Ruf des Kleinspechts 2 Modell Vorgehen
MehrGesichtsdetektierung und Gesichtserkennung
[ 1 / 103 ] Technische Universität Bergakademie Freiberg stefan@guettel.com Fakultät für Mathematik und Informatik Institut für Numerische Mathematik und Optimierung Spezialistenlager des GCG Halle, 15.01.2009
MehrObjekterkennung mit SIFT-Merkmalen
Hochschule für Angewandte Wissenschaften Hamburg 06. Januar 2010 Gliederung Problemstellung SIFT-Verfahren Merkmalsvergleich zur Identifikation von Gegenständen Zusammenfassung und Ausblick Problemstellung
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung Pipeline Pipelinestufen können sich unterscheiden, beinhalten aber i.d.r. eine Stufe zur Bildvorverarbeitung zur
Mehr6. Texterkennung in Videos Videoanalyse
6. Texterkennung in Videos Videoanalyse Dr. Stephan Kopf 1 Übersicht Motivation Texterkennung in Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben 3. Auswahl der Buchstabenpixel
MehrEntwicklung einer robusten Methode zur Berechnung von Stereokorrespondenzen
Entwicklung einer robusten Methode zur Berechnung von Stereokorrespondenzen Seminar - Wintersemester 2010/2011 Fakultät Technik und Informatik Department Informatik Gregory Föll Übersicht Rückblick Stereo
MehrKamerabasierte Erkennung von Fußgängern in urbanen Verkehrsszenen
Kamerabasierte Erkennung von Fußgängern in urbanen Verkehrsszenen Vortragender: Studiengang: Betreuer: Yeyi Qiu Fahrzeugtechnik Prof. Dr. rer. nat. Toralf Trautmann M. Sc. Patrick Richter Seite 01 von
MehrMustererkennung. Merkmalsreduktion. R. Neubecker, WS 2016 / Übersicht
Mustererkennung Merkmalsreduktion R. Neubecker, WS 2016 / 2017 Übersicht 2 Merkmale Principal Component Analysis: Konzept Mathematische Formulierung Anwendung Eigengesichter 1 Merkmale 3 (Zu) Viele Merkmale
MehrDistributed Algorithms. Image and Video Processing
Chapter 6 Optical Character Recognition Distributed Algorithms for Übersicht Motivation Texterkennung in Bildern und Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Bildanalyse Literatur David A. Forsyth: Computer Vision i A Modern Approach. Mark S. Nixon und Alberto S. Aguado: Feature Extraction and Image Processing. Ulrich Schwanecke:
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale
MehrWas bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und
Was bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und Ausgaben Aktivierungsfunktionen: Schwellwertfunktion
MehrBachelorverteidigung Marco Franke
Bachelorverteidigung Java EE Webservice basiert auf RESTlet, JaxB und JPA/Hibernate zur Bilderkennung mit Hilfe der SURF-Merkmalsextraktion Verantwortlicher Professor: Prof. Dr. rer. nat. Klaus Hering
MehrKlassifikation und Ähnlichkeitssuche
Klassifikation und Ähnlichkeitssuche Vorlesung XIII Allgemeines Ziel Rationale Zusammenfassung von Molekülen in Gruppen auf der Basis bestimmter Eigenschaften Auswahl von repräsentativen Molekülen Strukturell
MehrVektoren - Die Basis
Vektoren - Die Basis Motivation (Als Vereinfachung - der Schreibarbeit - wählen wir meistens Vektoren in R 2.) Eigentlich ist ja Alles klar! Für einen Vektor a gilt a = ( a x a y )! Am Ende werden wir
Mehr3D-Rekonstruktion aus Bildern
Allgemeine Nachrichtentechnik Prof. Dr.-Ing. Udo Zölzer 3D-Rekonstruktion aus Bildern Dipl.-Ing. Christian Ruwwe 41. Treffen der ITG-Fachgruppe Algorithmen für die Signalverarbeitung HSU Hamburg 24. Februar
MehrDigitale Bildverarbeitung
Digitale Bildverarbeitung Prof. Dr. Sibylle Schwarz HTWK Leipzig, Fakultät IMN Gustav-Freytag-Str. 42a, 04277 Leipzig Zimmer Z 411 (Zuse-Bau) http://www.imn.htwk-leipzig.de/~schwarz sibylle.schwarz@htwk-leipzig.de
MehrDer diskrete Kalman Filter
Der diskrete Kalman Filter Fachbereich: Informatik Betreuer: Marc Drassler Patrick Winkler 1168954 6. Dezember 2004 Technische Universität Darmstadt Simulation und Systemoptimierung Darmstadt Dribbling
MehrPerzeptronen. Katrin Dust, Felix Oppermann Universität Oldenburg, FK II - Department für Informatik Vortrag im Rahmen des Proseminars 2004
Perzeptronen Katrin Dust, Felix Oppermann Universität Oldenburg, FK II - Department für Informatik Vortrag im Rahmen des Proseminars 2004 1/25 Gliederung Vorbilder Neuron McCulloch-Pitts-Netze Perzeptron
Mehr2. Schnitterkennung Video - Inhaltsanalyse
2. Schnitterkennung Video - Inhaltsanalyse Stephan Kopf Definition: Schnitt Schnitte (cut) liefern Informationen über den Produktionsprozess eines Filmes. trennen kontinuierliche Aufnahmen, die als Kameraeinstellungen
MehrWas bisher geschah. digitale Bilder: Funktion B : pos col Matrix B col
Was bisher geschah digitale Bilder: Funktion B : pos col Matrix B col pos mit den Mengen pos von Positionen (Adressen) col von Farben, Intensitäten Aufgaben maschineller Bildverarbeitung: Erzeugung, Wiedergabe,
MehrKlassifikation durch direkten Vergleich (Matching)
Klassifikation durch direkten Vergleich (Matching) Eine triviale Lösung für die Klassifikation ergibt sich durch direkten Vergleich des unbekannten Musters in allen Erscheinungsformen der Äquivalenzklasse
MehrFakultät für Informatik Übung zu Kognitive Systeme Sommersemester 2016
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 1 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Übungsblatt 3 Maschinelles Lernen und Klassifikation Abgabe online
Mehr5. Objekterkennung in Bildern und Videos Videoanalyse
5. Objekterkennung in Bildern und Videos Videoanalyse Stephan Kopf 1 Übersicht Motivation Anforderungen an Objekterkennungsalgorithmen Objekterkennung mittels Konturen Helligkeiten Farben Formen Objekterkennung
MehrTopologieerkennung von Sensornetzwerken
looz@ira.uka.de Institut für Theoretische Informatik - Algorithmik I 26. Januar 2010 Übersicht Motivation Definitionen Überlegungen Algorithmus Resultate Motivation Definitionen Überlegungen Algorithmus
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
MehrEigenwerte und Eigenvektoren
Eigenwerte und Eigenvektoren Siehe Analysis (von der Hude, Folie 20: Definition 2.3. Ein Vektor x R n heißt Eigenvektor der quadratischen n n-matrix A zum Eigenwert λ R, wenn gilt Ax = λx Die Eigenwerte
MehrKünstliche Neuronale Netze
Inhalt (Biologische) Neuronale Netze Schwellenwertelemente Allgemein Neuronale Netze Mehrschichtiges Perzeptron Weitere Arten Neuronaler Netze 2 Neuronale Netze Bestehend aus vielen Neuronen(menschliches
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung 1. Einführung 2. Bildverarbeitung 3. orphologische Operationen 4. Bildsegmentierung 5. erkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrSeminar: Multi-Core Architectures and Programming. Viola-Jones Gesichtsdetektor
Seminar: Multi-Core Architectures and Programming Viola-Jones Gesichtsdetektor Hardware-Software-Co-Design Universität Erlangen-Nürnberg 1 Übersicht Einleitung Viola-Jones Gesichtsdetektor Aufbau Blockmerkmale
MehrHauptkomponenten-basierte Klassifikationsverfahren (PCA)
Hauptkomponenten-basierte Klassifikationsverfahren (PCA) Projektseminar: Wetterlagen und Feinstaub - Übung Dozent: Claudia Weitnauer Referent: Esther Oßwald, Julian Dare Datum: 30.05.2011 Übersicht 1 Einleitung
MehrIdeen und Konzepte der Informatik. Maschinelles Lernen. Kurt Mehlhorn
Ideen und Konzepte der Informatik Maschinelles Lernen Kurt Mehlhorn Übersicht Lernen: Begriff Beispiele für den Stand der Kunst Spamerkennung Handschriftenerkennung mit und ohne Trainingsdaten Gesichts-
MehrTutorium Mathematik II M WM
Tutorium Mathematik II M WM 9.6.7 Lösungen Lösen Sie folgende Systeme von Differentialgleichungen der Form x = A x + b mit. A = 6 und b = et. e t Hinweis: Die Eigenwerte und -vektoren der Matrix A lauten:
MehrMathematik I+II Frühlingsemester 2019 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik I+II Frühlingsemester 219 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/ farkas 1 / 46 8. Lineare Algebra: 5. Eigenwerte und
MehrInhaltsverzeichnis. Aufbau eines Bildverarbeitungssystems
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis 6. Bildverarbeitung..........................378 Aufbau
MehrComputational Intelligence 1 / 20. Computational Intelligence Künstliche Neuronale Netze Perzeptron 3 / 20
Gliederung / Künstliche Neuronale Netze Perzeptron Einschränkungen Netze von Perzeptonen Perzeptron-Lernen Perzeptron Künstliche Neuronale Netze Perzeptron 3 / Der Psychologe und Informatiker Frank Rosenblatt
MehrNeuronale Netze. Christian Böhm.
Ludwig Maximilians Universität München Institut für Informatik Forschungsgruppe Data Mining in der Medizin Neuronale Netze Christian Böhm http://dmm.dbs.ifi.lmu.de/dbs 1 Lehrbuch zur Vorlesung Lehrbuch
MehrScene Reconstruction with Multiple View Geometry
Scene Reconstruction with Multiple View Geometry Anwendungen 2 16.06.2010 Nikolaus Rusitska nikolausrusitska@gmx.de Inhalt Rückblick Techniken Related Work Fazit 1 Rückblick Techniken Related Work Fazit
MehrGeometrie 2. Julian Fischer Julian Fischer Geometrie / 30
Geometrie 2 Julian Fischer 6.7.2009 Julian Fischer Geometrie 2 6.7.2009 1 / 30 Themen 1 Bereichssuche und kd-bäume 1 Bereichssuche 2 kd-bäume 2 Divide and Conquer 1 Closest pair 2 Beispiel: Points (IOI
MehrSupport Vector Machines (SVM)
Universität Ulm 12. Juni 2007 Inhalt 1 2 3 Grundlegende Idee Der Kern-Trick 4 5 Multi-Klassen-Einteilung Vor- und Nachteile der SVM 1 2 3 Grundlegende Idee Der Kern-Trick 4 5 Multi-Klassen-Einteilung Vor-
MehrGlobale und Individuelle Schmerz-Klassifikatoren auf Basis relationaler Mimikdaten
Globale und Individuelle Schmerz-Klassifikatoren auf Basis relationaler Mimikdaten M. Siebers 1 U. Schmid 2 1 Otto-Friedrich-Universität Bamberg 2 Fakultät für Wirtschaftsinformatik und Angewandte Informatik
MehrSoftware zur Erkennung von Körperhaltungen K Bildschirmarbeitsplätzen. tzen. Referent: Markus Kirschmann
Software zur Erkennung von Körperhaltungen K an Bildschirmarbeitsplätzen tzen Vortrag zur Diplomarbeit Neuronale Mehrklassifikatorsysteme zur Erkennung der Körperhaltung K in Bildschirmarbeitsplatzumgebungen
MehrMustererkennung. Übersicht. Unüberwachtes Lernen. (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren Gaussian-Mixture Modelle
Mustererkennung Unüberwachtes Lernen R. Neubecker, WS 01 / 01 Übersicht (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren 1 Lernen Überwachtes Lernen Zum Training des Klassifikators
MehrVerfahren zur Lokalisierung von Schallquellen im Raum
Hauptseminar Technische Informationssysteme Verfahren zur Lokalisierung von Schallquellen im Raum Ali Jaber Dresden, 05.11.2012 Überblick 1. Motivation 2. Ortungsverfahren Time Delay of Arrival (TDOA)
MehrNeue Ansätze für Mustererkennung und automatisches Lernen
Z Y X Neue Ansätze für Mustererkennung und automatisches Lernen Vortrag im Rahmen des 2. Technologieforums Bildverarbeitung am 03./04. November 2015 Johannes Zügner STEMMER IMAGING GmbH, Puchheim GLIEDERUNG
MehrLook at us! V O R L E S U N G U N D P R A K T I K U M B I L D V E R A R B E I T U N G S S
Look at us! S C I TO S R O B OT L E O N I E V O R L E S U N G U N D P R A K T I K U M B I L D V E R A R B E I T U N G S S 2 0 1 4 Bildquelle: http://www.n-tv.de/wissen/roboter-sollen-mit-anpackenarticle7440986.html
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
MehrMathematik II Frühjahrssemester 2013
Mathematik II Frühjahrssemester 213 Prof. Dr. Erich Walter Farkas Kapitel 7: Lineare Algebra Kapitel 7.5: Eigenwerte und Eigenvektoren einer quadratischen Matrix Prof. Dr. Erich Walter Farkas Mathematik
Mehr2. Schnitterkennung Videoanalyse
2. Schnitterkennung Videoanalyse Stephan Kopf Inhalt Definition: Schnitt Klassifikation eines Schnittes Vorgehensweise bei der automatischen Schnitterkennung Pixelbasierte Verfahren Histogramme Aggregierte
MehrDigitale Bildverarbeitung (DBV)
Digitale Bildverarbeitung (DBV) Prof. Dr. Ing. Heinz Jürgen Przybilla Labor für Photogrammetrie Email: heinz juergen.przybilla@hs bochum.de Tel. 0234 32 10517 Sprechstunde: Montags 13 14 Uhr und nach Vereinbarung
MehrEin selbstmodellierendes System für die Wasserwirtschaft
Ein selbstmodellierendes System für die Wasserwirtschaft Dipl.-Ing. Dr. ANDRADE-LEAL Wien, im Juli 2001 1 Einleitung, Motivation und Voraussetzungen Künstliche Intelligenz Neuronale Netze Experte Systeme
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
MehrÜberblick. Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung
Grundlagen Überblick Einführung in die automatische Mustererkennung Grundlagen der Wahrscheinlichkeitsrechnung Klassifikation bei bekannter Wahrscheinlichkeitsverteilung Entscheidungstheorie Bayes-Klassifikator
MehrEchtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH
Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung 26.10.2016, TP 2: Arbeiten von A.R.T. TP2: Tracking und Umfelderkennung Markerloses Tracking texturierte Objekte Umfelderkennung
MehrNavigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform. Thorsten Jost INF-M2 AW1 Sommersemester
Navigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform Thorsten Jost INF-M2 AW1 Sommersemester 2008 Agenda Motivation Feature Detection Beispiele Posenbestimmung in Räumen
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrFeature Selection / Preprocessing
1 Feature Selection / Preprocessing 2 Was ist Feature Selection? 3 Warum Feature Selection? Mehr Variablen führen nicht automatisch zu besseren Ergebnissen. Lernen von unwichtigen Daten Mehr Daten notwendig
Mehr1. Referenzpunkt Transformation
2.3 Featurereduktion Idee: Anstatt Features einfach wegzulassen, generiere einen neuen niedrigdimensionalen Featureraum aus allen Features: Redundante Features können zusammengefasst werden Irrelevantere
Mehr