Der Einbau im Auto. Stereo: Beispiel Fahrzeug. Einbau im Rückspiegel Erfassung von. Reichweite: bis 30 m
|
|
- Edwina Luisa Winter
- vor 6 Jahren
- Abrufe
Transkript
1 Stereo: Beispiel Fahrzeug Der Einbau im Auto Sichtbereich Sichtbereich Kameras Einbau im Rückspiegel Erfassung von anderen Fahrzeugen (Pkw,Lkw) Zweiradfahrern Fußgängern und Kindern Reichweite: bis 30 m S. Gehrig / 2014 Folie 4
2 Stereo: Beispiel Fahrzeug S. Gehrig / 2014 Folie 5
3 Stereo Algorithmus 1. Merkmalsextraktion aus Interest-Regionen 2D Pixel 2. Korrelation von 16x3 Fenstern [KKFMF] Filtern von 3D Punkten (ebene Straße) 3D Punkte 3. Clustern der 3-dimensionalen Punktwolke 3D Wolke 4. Superclustern der Cluster Rohobjekte 5. Objekt - Verfolgung (Tracken) Symmetrie, fokussiertes Vermessen,... Hindernisse + Trajektorien S. Gehrig / 2014 Folie 6
4 Stereo: Beispiel Fahrzeug 1a. Interest Regionen in Bild 1 (in Wirklichkeit dichter!) S. Gehrig / 2014 Folie 7
5 Stereo: Beispiel Fahrzeug 1b. In jedem Fenster wird nach der stärksten Kante gesucht. S. Gehrig / 2014 Folie 8
6 Stereo: Beispiel Fahrzeug 1c. Um diese Kante wird ein 16x3 Fenster gelegt. S. Gehrig / 2014 Folie 9
7 Stereo: Beispiel Fahrzeug corr Epipolare 2a. Das 16x3 Fenster wird in Bild 2 entlang der Epipolaren korreliert. S. Gehrig / 2014 Folie 10
8 Stereo: Beispiel Fahrzeug 2b. Aus u 1 und u 2 wird per Disparität der zugehörige 3D-Punkt berechnet. S. Gehrig / 2014 Folie 11
9 Stereo: Beispiel Fahrzeug S. Gehrig / 2014 Folie 12
10 Stereo: Beispiel Fahrzeug 3. Clustern der 3D - Punkte bzgl euklidischer Nachbarschaft Herausfiltern von zu tiefen Punkten S. Gehrig / 2014 Folie 13
11 Stereo: Beispiel Fahrzeug 4. Cluster -> Supercluster = Roh-Objekte S. Gehrig / 2014 Folie 14
12 Stereo: Beispiel Fahrzeug 5. Verfolgung von Roh-Objekten über die Zeit (Stabilisierung) S. Gehrig / 2014 Folie 15
13 Stereo: Beispiel Fahrzeug 5b. Zusätzliche Feinvermessung durch Extrafenster S. Gehrig / 2014 Folie 16
14 Stereo: Beispiel Fahrzeug 5b. Zusätzliche Feinvermessung durch Extrafenster - extra 3D Punkte S. Gehrig / 2014 Folie 17
15 Stereo: Beispiel Fahrzeug 5b. Symmetrieoperator S. Gehrig / 2014 Folie 18
16 Stereo: Beispiel Fahrzeug S. Gehrig / 2014 Folie 19
17 Stereo: Beispiel Fahrzeug S. Gehrig / 2014 Folie 20
18 Stereo: Beispiel Fahrzeug Notbremsung S. Gehrig / 2014 Folie 21
19 Stereo: Beispiel Fahrzeug Schneefall S. Gehrig / 2014 Folie 22
20 Stereo: Beispiel Fahrzeug Dunkelheit S. Gehrig / 2014 Folie 23
21 Methoden und Ergebnisse Bilderfassung Rauschunterdrückung Bilder Merkmalsextraktion Merkmale Bewegungsanalyse Optischer Fluß Kalibrierung Erkennung Stereo Shape from Mono Bewegungsanalyse v. M. Analyse des opt. Fluß System Parameter Objekt Identifikation Objekt Lokalisierung 3-D Struktur 3-D Bewegung S. Gehrig / 2014 Folie 27
22 Bewegungsanalyse Wozu Bewegungsanalyse? Struktur aus der Bewegung Sichtbare Bewegung ist ein starker visueller Hinweis um 3D Information zu erfassen Erkennung durch Bewegung biologische visuelle Systeme benutzen Bewegungsanalyse um Eigenschaften der 3D Welt ohne Vorwissen abzuleiten Visuelle Bewegung = Video! S. Gehrig / 2014 Folie 28
23 Beispiel für Bewegungsanalyse Verfolgung von bewegten Objekten mittels einer stationären Kamera durch Hintergrundsubtraktion und Segmentierung (Überwachungsaufgabe) S. Gehrig / 2014 Folie 29
24 Beispiel für Bewegungsanalyse Punktbewegung einer starren Szene (bewegte Kamera) S. Gehrig / 2014 Folie 30
25 Bewegungsanalyse - Problembeschreibung 2 Unterprobleme Korrespondenz: Welche Elemente eines Bildes korrespondieren mit den Elementen im nächsten Bild? Rekonstruktion: Gegeben sei eine Anzahl von Korrespondenzen, und das Wissen um die internen Kameraparameter. Wie kann die 3D-Bewegung und die Struktur der beobachteten Welt rekonstruiert werden? Unterschiede zwischen Bewegung und Stereo Häufig sind die Disparitäten im Stereo größer als die Unterschiede zwischen Folgebildern. Rekonstruktion: die sichtbare Bewegung kann durch verschiedene Bewegungen erzeugt werden, anstatt durch eine einfache starre 3D Transformation S. Gehrig / 2014 Folie 31
26 2 Unterprobleme Bewegungsanalyse - Ansätze Korrespondenz: differenzielle Methoden führen zu dichten Messungen (optischer Fluß) Korrelations-Methoden führen zu verteilten Messungen Stereo-Ähnlichkeitsmaße funktionieren hier genauso Rekonstruktion Bewegung muß erfaßt werden (starre Szene!) eine kleine Basislinie erzeugt große Fehler S. Gehrig / 2014 Folie 32
27 Beispiel Optischer Fluss S. Gehrig / 2014 Folie 33
28 Bewegungsanalyse starrer Objekte I Bewegung: 3D Bewegung (R,T) Kamerabewegung P V oder Bewegung eines einzelnen Objektes nur eine starre, relative Bewegung zwischen der Kamera und der Szene Y p v Bild Bewegungsfeld: 2D Vektorfeld von Geschwindigkeiten von Bildpunkten. Dies wird durch die relative Bewegung auf die Bildfläche abgebildet. X O f Z S. Gehrig / 2014 Folie 34
29 Bewegungsanalyse starrer Objekte II Daten: Bildfolge viele Bilder t=0,1,2,... Grundbetrachtungen: immer 2 aufeinanderfolgende Bilder Bildbewegungsfeld: Darstellung einer Disparitätskarte zwischen 2 unterschiedlichen Kameraorten (bei bewegter Kamera) S. Gehrig / 2014 Folie 35
30 Bewegungsfeld vs. Disparität Korrespondenz und Punktverschiebungen Stereo Disparität Bewegung Bewegungsfeld Verschiebung (du,dv) Differenzieller Ansatz Geschw (V u,v v ), z.bsp. Zeitableitung (du/dt, dv/dt) keine Randbedingung aufeinanderfolgende Bilder sollten eine gute diskrete Approximation ermöglichen S. Gehrig / 2014 Folie 36
31 Optischer Fluß Helligkeitskonstanz Gleichung unter den meisten Umständen bleibt die gemessene Helligkeit eines bewegten Objektes konstant die Ableitungen der Helligkeit und die Bewegung werden in Beziehung gesetzt de( x, dt y, t) = 0 E x u + Eyv + Et = 0 S. Gehrig / 2014 Folie 39
32 Blendenproblem Nur die Bewegungskomponente des Bewegungsfeldes in der Richtung des räumlichen Bildgradienten kann bestimmt werden. Die Komponente senkrecht zum räumlichen Gradienten ist nicht durch die Gleichung des optischen Flusses bestimmbar.? S. Gehrig / 2014 Folie 40
33 Bestimmung des Optischen Flusses Methode des konstanten Flusses Annahme: das Bewegungsfeld ist gut approximierbar durch einen konstanten Vektor innerhalb jeder kleinen Bildregion Lösung: Methode der kleinsten Quadrate zweier Variablen von NxN Gleichungen (5x5) Bedingung: A t A ist nicht singulär (0 oder parallele Gradienten) gewichtete Methode des konstanten Flusses Methode des affinen Flusses Annahme: das Bewegungsfeld ist gut approximierbar durch ein affines parametrisches Modell Ap + b (Flächenstück mit beliebiger Orientierung) Lösung: Methode der kleinsten Quadrate mit 6 Variablen (A,b) von NxN Gleichungen - NxN planare Region S. Gehrig / 2014 Folie 41
34 Merkmalsbasierter Ansatz 2 Bilder Methode mit Merkmal-Matching Merkmale: Ecken, Census,... Mehrbild Methoden: Merkmal-Tracking Kalman Filter Algorithmen Schätze die Position und Unsicherheit eines sich bewegenden Merkmals im nächsten Bild 2 Teile: Prädizieren (aus der bisherigen Trajektorie) und Messen aus dem Merkmals-Matching Benutzung dünnbesetzter Bewegungsfelder S. Gehrig / 2014 Folie 42
35 Beispiel eines merkmals-basierter Ansatzes: PowerFlow Algorithmus: Representation eines Bildbereiches mit der Census Transformation Algorithmus Teil I: Erzeugung der Korrespondenz-Hypothesen Algorithmus Teil II: Erzeugung der Fluß-Hypothesen S. Gehrig / 2014 Folie 43
36 Census Transformation Darstellung der Region Signatur: oder ternär: 5192 S. Gehrig / 2014 Folie 44
37 Algorithmus Teil 1 v 1 v 2 Image i Image j 1. Image Operator (e.g. Census) u 1 ---> signature string (e.g )... u 2 ---> signature string (e.g ) Table Creation u 1 v table i u 2 v table j 3. Correspondence Hypotheses Generation Corr Hypo u 1 v 1 u 2 v 2 problem: Correspondence Hypotheses explosion S. Gehrig / 2014 Folie 45
38 Smoothing (mask_size) Robustness (ε) Filter 1. global discriminative power 2. local discriminative power u 1 Parameter Teil I Image i v > signature string (e.g ) u 1 v table i 2 u 2 Image j v 2 ---> signature string (e.g ) u 2 v table j 3.a length of flow hypothesis 3.b luminance change Corr Hypo u 1 v 1 u 2 v 2 Correspondence Hypotheses S. Gehrig / 2014 Folie 46
39 Algorithmus Teil II i j k 1. Creation of Correspondence Hypotheses... table i table j table k Corr Hypos Corr Hypos Temporal Analysis 2. Creation of Flow Hypotheses Flow Hypos S. Gehrig / 2014 Folie 47
40 Parameter Teil II catch radius r max length change max direction change number of predecessors S. Gehrig / 2014 Folie 48
41 Bemerkung: M : N Assoziationen werden nicht aufgelöst! S. Gehrig / 2014 Folie 49
42 Beispiel: Blendenproblem S. Gehrig / 2014 Folie 50
43 Beispiel: Uniforme Bildregionen I ε = 16 S. Gehrig / 2014 Folie 51
44 Beispiel: Uniforme Bildregionen II ε = 32 S. Gehrig / 2014 Folie 52
45 Beispiel: Uniforme Bildregionen III ε = 128 S. Gehrig / 2014 Folie 53
46 Bildsequenz 12bit BOSCH SHARP CMOS imager S. Gehrig / 2014 Folie 54
47 ε Vergleich warme Farben = lange Verschiebungsvektoren kalte Farben = kurze Verschiebungsvektoren S. Gehrig / 2014 Folie 55
48 Kreisverkehr S. Gehrig / 2014 Folie 56
49 PowerFlow Eigenschaften + effiziente Berechnung + lange Verschiebungsvektoren (typisch: px) + andere Merkmale sind einsetzbar - Information mit wenig diskriminativer Mächtigkeit (Power) wird ignoriert - Pixelpräzision S. Gehrig / 2014 Folie 57
50 Soweit für heute... S. Gehrig / 2014 Folie 58
Der Einbau im Auto. Stereo: Beispiel Fahrzeug. Einbau im Rückspiegel Erfassung von. Reichweite: bis 30 m
Der Einbau im Auto Sichtbereich Sichtbereich Kameras Einbau im Rückspiegel Erfassung von anderen Fahrzeugen (Pkw,Lkw) Zweiradfahrern Fußgängern und Kindern Reichweite: bis 30 m Digitale Bildverarbeitung
MehrEin Structure and Motion Ansatz zur Umfeldrekonstruktion in komplexen Fahrzeugumgebungen
Sicherheit durch Fahrerassistenz 2010 Ein Structure and Motion Ansatz zur Umfeldrekonstruktion in komplexen Fahrzeugumgebungen Wojciech Derendarz, Thorsten Graf Volkswagen AG Friedrich M. Wahl TU Braunschweig,
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
MehrBildverarbeitung: 3D-Geometrie. D. Schlesinger () Bildverarbeitung: 3D-Geometrie 1 / 13
Bildverarbeitung: 3D-Geometrie D. Schlesinger () Bildverarbeitung: 3D-Geometrie 1 / 13 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),
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
MehrComputer Vision: Optische Flüsse
Computer Vision: Optische Flüsse D. Schlesinger TUD/INF/KI/IS Bewegungsanalyse Optischer Fluss Lokale Verfahren (Lukas-Kanade) Globale Verfahren (Horn-Schunck) (+ kontinuierliche Ansätze: mathematische
Mehr3D-Aspekte bei der Bildfusion am Beispiel von IR- und VIS-Daten Referenten: Dipl.-Ing. Torsten Koch PD Dr. Karl-Heinz Franke
3D-Aspekte bei der Bildfusion am Beispiel von IR- und VIS-Daten Referenten: Dipl.-Ing. Torsten Koch PD Dr. Karl-Heinz Franke Bildmaterial mit freundlicher Genehmigung von JenOptik L.O.S. Zielstellung 4
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
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
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
MehrVisual Servoing using Mutual Information
Visual Servoing using Mutual Information Christian Rupprecht Robotics and Embedded Systems Technische Universität München Outline 1 Visual Servoing Was ist Visual Servoing? Typische Lösungsansätze 2 Mutual
MehrAlgorithmen für Geographische Informationssysteme
Algorithmen für Geographische Informationssysteme 2. Vorlesung: 16. April 2014 Thomas van Dijk basiert auf Folien von Jan-Henrik Haunert Map Matching? Map Matching! Map Matching...als Teil von Fahrzeugnavigationssystemen
MehrComputer Vision: Kalman Filter
Computer Vision: Kalman Filter D. Schlesinger TUD/INF/KI/IS D. Schlesinger () Computer Vision: Kalman Filter 1 / 8 Bayesscher Filter Ein Objekt kann sich in einem Zustand x X befinden. Zum Zeitpunkt i
MehrStereo Vision. Projekt zu Grundlagen der Computer Vision. Sommersemester 2008
Stereo Vision Projekt zu Grundlagen der Computer Vision Sommersemester 2008 Stereo Vision Computer Vision: Rekonstruktion von Objektoberflächen aus Bildern Stereo Vision: - Gleichzeitige Aufnahme eines
MehrComputer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17
Computer Vision: 3D-Geometrie D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),
MehrDetektion von Eckpunkten und einfachen Kurven
Detektion von Eckpunkten und einfachen Kurven Industrielle Bildverarbeitung, Vorlesung No. 7 1 M. O. Franz 21.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005.
MehrKapitel 8. Bewegungsanalyse: Optische Flüsse. Grundlagen Optische Flüsse. Kapitel 8 Bewegungsanalyse: Optische Flüsse p. 1/25
Kapitel 8 Bewegungsanalyse: Optische Flüsse p. 1/25 Kapitel 8 Bewegungsanalyse: Optische Flüsse Grundlagen Optische Flüsse Kapitel 8 Bewegungsanalyse: Optische Flüsse p. 2/25 Grundlagen (1) Eine Folge
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
MehrBildverarbeitung Herbstsemester. Mustererkennung
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Mustererkennung 1 Inhalt Einführung Mustererkennung in Grauwertbildern Ähnlichkeitsmasse Normalisierte Korrelation Korrelationskoeffizient Mustererkennung
MehrComputer Vision: Optische Flüsse
Computer Vision: Optische Flüsse D. Schlesinger TUD/INF/KI/IS Bewegungsanalyse Optischer Fluss Lokale Verfahren (Lukas-Kanade) Globale Verfahren (Horn-Schunck) (+ kontinuierliche Ansätze: mathematische
MehrGrundlagen: Bildbearbeitung / Objekterkennung. Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen
Grundlagen: Bildbearbeitung / Objekterkennung Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen Videoerkennung! Warum? Live-Übertragung von Veranstaltungen Überwachung
MehrQualitätsüberwachung von automatisch verfolgten Merkmalen in Bildsequenzen
Qualitätsüberwachung von automatisch verfolgten Merkmalen in Bildsequenzen J. Shi und C. Tomasi Good features to Track (CVPR94 Seattle, Juni 1994) Dozent: Dr. Felix v. Hundelshausen Referenten: Philipp
MehrVerfahren zur autonomen bildgestützten Navigation
Verfahren zur autonomen bildgestützten Navigation DGLR Workshop, 14. - 15.2.2007 Führungsaspekte unbemannter Luftfahrzeuge: Technologien und die Einbeziehung des Operateurs N. Schweyer, MBDA LFK-Lenkflugkörpersysteme
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 6 Endliche Kameras Die Lochkamera Die Projektive Kamera Die projektive Kamera Spalten von P Zeilen von P Hauptpunkt und Hauptachse
Mehr1. Grundlagen der ebenen Kinematik
Lage: Die Lage eines starren Körpers in der Ebene ist durch die Angabe von zwei Punkten A und P eindeutig festgelegt. Die Lage eines beliebigen Punktes P wird durch Polarkoordinaten bezüglich des Bezugspunktes
MehrVerkehr Analyse. Inhalt. Was ist Verkehr Analyse? Geschichte der Verkehr Analyse. Iavor Jelev Jintao Ding
Inhalt Verkehr Analyse Iavor Jelev Jintao Ding Was ist Verkehr Analyse? Wozu ist die Verkehr Analyse gut? Wie kann man Verkehr Analyse machen? Anwendungsbeispiele Algorithmen für Verkehr Analyse Geschichte
MehrProf. J. Zhang Universität Hamburg. AB Technische Aspekte Multimodaler Systeme. 13. Januar 2004
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis Tsai s RAC-basierte Kamerakalibrierung................374
MehrStructure-from-Motion. Christina Mundhenk Leo Sylvio Rüdian Marcel Kliemannel
Structure-from-Motion Christina Mundhenk Leo Sylvio Rüdian Marcel Kliemannel Fahrplan Structure-from Motion Workflow mit SIFT & Bundle Adjustment mit SURE Probleme/ Grenzen Technik Metrik und Vergleich
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
MehrBildverarbeitung Herbstsemester 2012. Kanten und Ecken
Bildverarbeitung Herbstsemester 01 Kanten und Ecken 1 Inhalt Einführung Kantendetektierung Gradientenbasierende Verfahren Verfahren basierend auf der zweiten Ableitung Eckpunkterkennung Harris Corner Detector
Mehr11. Vorlesung Wintersemester
11. Vorlesung Wintersemester 1 Ableitungen vektorieller Felder Mit Resultat Skalar: die Divergenz diva = A = A + A y y + A z z (1) Mit Resultat Vektor: die Rotation (engl. curl): ( rota = A Az = y A y
MehrMOTION TRACKING. Olaf Christ AIS-Sommersemester 2000 Betreuer: Prof. C. Klauck
MOTION TRACKING Olaf Christ AIS-Sommersemester 2000 Betreuer: Prof. C. Klauck Motion Tracking Ziele des Vortrags Einsatzgebiete Bewegungsanalyse Methoden Weitere Probleme des Motion Tracking Abschließendes
MehrEVC Repetitorium Blender
EVC Repetitorium Blender Michael Hecher Felix Kreuzer Institute of Computer Graphics and Algorithms Vienna University of Technology INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS Filter Transformationen
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
MehrDreidimensionales Computersehen
X. Jiang, H. Bunke Dreidimensionales Computersehen Gewinnung und Analyse von Tiefenbildern Mit 137 Abbildungen und 3 Tafeln Springer Inhaltsverzeichnis 1 Einleitung 1 1.1 Bildanalyse 1 1.2 Gewinnung und
MehrStereovision Omnivision Kantendetektion
Sichtsysteme Stereovision Omnivision Kantendetektion Andi Drebes Gliederung des Vortrags 1. Motivation Warum Sichtsysteme? 2. Stereovision Wortherkunft / Bedeutung Klassifizierung Zweikamera Stereovision
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
Mehr3D Umfeldrekonstruktion über Structure from Motion
A HELLA-Group Company 3D Umfeldrekonstruktion über Structure from Motion Dr. Ralph Hänsel, Hella Aglaia Mobile Vision GmbH 11.12.2015 Symposium Beuth Hochschule Geometrische Modellierung und Computational
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
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:
Mehr4. Gleichungen im Frequenzbereich
Stationäre Geräusche: In der technischen Akustik werden überwiegend stationäre Geräusche untersucht. Stationäre Geräusche sind zusammengesetzt aus harmonischen Schallfeldern p x,t = p x cos t x Im Folgenden
MehrDistributed Algorithms. Image and Video Processing
Chapter 7 High Dynamic Range (HDR) Distributed Algorithms for Quelle: wikipedia.org 2 1 High Dynamic Range bezeichnet ein hohes Kontrastverhältnis in einem Bild Kontrastverhältnis bei digitalem Bild: 1.000:1
MehrBildverarbeitung: Diffusion Filters. D. Schlesinger ()Bildverarbeitung: Diffusion Filters 1 / 10
Bildverarbeitung: Diffusion Filters D. Schlesinger ()Bildverarbeitung: Diffusion Filters 1 / 10 Diffusion Idee Motiviert durch physikalische Prozesse Ausgleich der Konzentration eines Stoffes. Konzentration
MehrVorwort. Berlin, im Januar 2004 VOLKER RODEHORST
Kurzfassung V Kurzfassung Für die Rekonstruktion von dreidimensionalen Objekten aus photographischen Bildern wird die Position und Orientierung der verwendeten Aufnahmesysteme benötigt. Da aber häufig
Mehr12. Flächenrekonstruktion aus 3D-Punktwolken und generalisierte Voronoi-Diagramme
12. Flächenrekonstruktion aus 3D-Punktwolken und generalisierte Voronoi-Diagramme (Einfache) Voronoi-Diagramme: Motivation: gegeben: Raum R, darin Menge S von Objekten Frage nach Zerlegung von R in "Einflusszonen"
MehrStereovision: Grundlagen
Stereovision: Grundlagen Matthias Behnisch mbehnisc@techfak.uni-bielefeld.de Februar 2005 Inhaltsverzeichnis 1 Einleitung 2 2 Räumliches Sehen 2 3 Binokulare Perspektive 4 3.1 Hering Koordinaten.........................
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
MehrMathematischer Vorkurs für Physiker WS 2009/10
TU München Prof. Dr. P. Vogl, Dr. S. Schlicht Mathematischer Vorkurs für Physiker WS 29/ Vorlesung 9, Freitag vormittag Linienintegrale und Potential Wir betrachten einen Massenpunkt, auf den die konstante
MehrBildverarbeitung Herbstsemester. Binärbildanalyse
Bildverarbeitung Herbstsemester Herbstsemester 2010 2012 Binärbildanalyse 1 Inhalt Einführung Partikelfilterung und -analyse Auffinden von Regionen und Konturen Gruppenarbeit Erkennung von geometrischen
MehrStatische Stereoanalyse
Statische Stereoanalyse Gliederung: 1. Überblick, Ziel und Ablauf der statischen Stereoanalyse 2. Geometrie eines Stereobildaufnahmesystems 3. Annahmen und Einschränkungen 3.1 Einschränkungen Aufgrund
MehrModellbasiertes Suchen von Objekten
Modellbasiertes Suchen von Objekten Anwendung 1 Vortrag HAW-Hamburg Betreuende Professoren Hosnia Najem Kai von Luck Gunter Klemke Agenda Welches Projekt? Motivation Szenario Technologische Anforderungen
MehrGliederung: 1) Einleitung 2) Oberflächenvergleich 3) Objekterkennung
Using Spin Images for Efficient Object Recogition in Cluttered 3D Scenes (Effiziente Objekterkennung von ungeordneten 3D Szenen mithilfe von Spin Images) Gliederung: 1) Einleitung 2) Oberflächenvergleich
MehrVorlesungsfolien Mathematik 3 WS 2010/11 UMIT. Einleitung
Vorlesungsfolien Mathematik 3 WS 2010/11 Dr. Leonhard Wieser UMIT Einleitung Begriff Vektoranalysis: Kombination aus Linearer Algebra/Vektorrechnung mit Differential- und Integralrechnung Inhaltsangabe:
MehrDeflektometrie Ein Messverfahren für spiegelnde Oberflächen
Deflektometrie Ein Messverfahren für spiegelnde Oberflächen Dr. Alexander Zimmermann FORWISS Universität Passau Institut für Softwaresysteme in technischen Anwendungen der Informatik 19. Oktober 2017 Gliederung
MehrPassagierbrücke. Einrollleitlinie. Rollfeld. Display. Videokamera. Stopposition B Computer Vision 1_Seite 1
Beispiel Andocksstem (ADS) Sstemleistung: Leitung des Flugzeugpiloten mittels Displa auf die für den Flugzeugtp vorgeschriebene Stoppposition. Sensor für Bugradposition und Achsenwinkel eines anrollenden
MehrMathematischer Vorkurs für Physiker WS 2012/13 Vorlesung 7
TU München Prof. P. Vogl Mathematischer Vorkurs für Physiker WS 2012/13 Vorlesung 7 Definition: Ein Skalarfeld ordnet jedem Punkt im dreidimensionalen Raum R 3 eine ahl () zu. Unter einem räumlichen Vektorfeld
MehrSerie 8. D-BAUG Analysis II FS 2015 Dr. Meike Akveld. 1. Berechnen Sie für das Vektorfeld (siehe Abbildung 1) Abbildung 1: Aufgabe 1
D-BAUG Analsis II FS 5 Dr. Meike Akveld Serie 8. Berechnen Sie für das Vektorfeld (siehe Abbildung ) 3 - -3 3 3 Abbildung : Aufgabe F : (, ) ( +, ) die Arbeit entlang der folgenden Wege C, wobei P = (,
Mehrgroße Vielfalt von Daten für die Visualisierung möglich
4. Charakterisierung von Datensätzen und Darstellungsformen 4.1 Charakterisierung von Datensätzen große Vielfalt von Daten für die Visualisierung möglich Überblick Typisierungen von Daten: hierin nicht
MehrBayesianische Netzwerke - Lernen und Inferenz
Bayesianische Netzwerke - Lernen und Inferenz Manuela Hummel 9. Mai 2003 Gliederung 1. Allgemeines 2. Bayesianische Netzwerke zur Auswertung von Genexpressionsdaten 3. Automatische Modellselektion 4. Beispiel
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
Mehr5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
MehrQualitativ: Hier geht es um die Inhalte wie z.b. die Landnutzung Quantitativ: Hierbei geht es um das Messen von Koordinaten
Grundlagen der Photogrammetrie Die Photogrammetrie ist ein Verfahren zur Vermessung von Objekten nach Lage und Form. Dabei werden die Messungen nicht direkt am Objekt, sondern indirekt auf Bildern des
Mehr:= Modellabbildung. Bildsynthese (Rendering) Bildsynthese
Geometrisches Modell bestehend aus Datenstrukturen zur Verknüpfung geometrischer Primitive, welche eine Gesamtszene beschreiben Bildsynthese := Modellabbildung Pixelbasiertes Modell zur Darstellung eines
MehrVektorprodukt. Satz: Für a, b, c V 3 und λ IR gilt: = a b + a c (Linearität) (Linearität) b = λ
Vektorprodukt Satz: Für a, b, c V 3 und λ IR gilt: 1 a b = b a (Anti-Kommutativität) ( ) 2 a b + c ( 3 a λ ) b = λ = a b + a c (Linearität) ( a ) b (Linearität) Satz: Die Koordinatendarstellung des Vektorprodukts
MehrI.1.3 b. (I.7a) I.1 Grundbegriffe der Newton schen Mechanik 9
I. Grundbegriffe der Newton schen Mechanik 9 I..3 b Arbeit einer Kraft Wird die Wirkung einer Kraft über ein Zeitintervall oder genauer über die Strecke, welche das mechanische System in diesem Zeitintervall
MehrAbb. 5.10: Funktion und Tangentialebene im Punkt ( ) ( ) ( ) 3.) Die Zahlenwerte und in Gleichung (Def. 5.11) berechnen sich durch ( ) ( )
Abb. 5.0: Funktion und Tangentialebene im Punkt Aus der totalen Differenzierbarkeit folgt sowohl die partielle Differenzierbarkeit als auch die Stetigkeit von : Satz 5.2: Folgerungen der totalen Differenzierbarkeit
MehrFlächen- und Volumenmessung lokaler Objekte in DICOM-Bildern und Bildfolgen
Flächen- und Volumenmessung lokaler Objekte in ICOM-Bildern und Bildfolgen Sergei Hludov, Christoph Meinel und Thomas Engel Institut für Telematik Bahnhofsstr. 30-3, 549 Trier Email: hludov@ti.fhg.de Zusammenfassung.
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 5 Quadriken Polarität Transformationen Klassifikation von Quadriken Geraden in Regelquadriken Die kubische Wendelinie (twisted
MehrMod. 2 p. 1. Prof. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Fernerkundung und Waldinventur
Histogramme der Grauwerte der TM Kanäle 1-7 für das Beispielsbild. - Kanäle 4 und 5 zeigen mehr Differenzierung als die anderen (Kontrast=das Verhältnis der hellsten zur dunkelsten Fläche in der Landschaft).
MehrSupport Vector Machines, Kernels
Support Vector Machines, Kernels Katja Kunze 13.01.04 19.03.2004 1 Inhalt: Grundlagen/Allgemeines Lineare Trennung/Separation - Maximum Margin Hyperplane - Soft Margin SVM Kernels Praktische Anwendungen
Mehry (t) Wie berechnet sich die Ableitung von F aus den Ableitungen von x (t) und y (t)? Die Antwort gibt die erste Kettenregel
103 Differenzialrechnung 553 1035 Kettenregeln Die Kettenregel bei Funktionen einer Variablen erlaubt die Berechnung der Ableitung von verketteten Funktionen Je nach Verkettung gibt es bei Funktionen von
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 8 Epipolargeometrie Die Fundamentalmatrix Korrelation Schätzung der Fundamentalmatrix Homographie infolge einer Ebene Sonderfälle
Mehr3. Kreisbewegung. Punkte auf einem Rad Zahnräder, Getriebe Drehkran Turbinen, Hubschrauberrotor
3. Kreisbewegung Ein wichtiger technischer Sonderfall ist die Bewegung auf einer Kreisbahn. Dabei hat der Massenpunkt zu jedem Zeitpunkt den gleichen Abstand vom Kreismittelpunkt. Beispiele: Punkte auf
MehrSegmentierung. Vorlesung FH-Hagenberg SEM
Segmentierung Vorlesung FH-Hagenberg SEM Segmentierung: Definition Die Pixel eines Bildes A={a i }, i=1:n, mit N der Anzahl der Pixel, werden in Teilmengen S i unterteilt. Die Teilmengen sind disjunkt
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
MehrWie findet man interessante Punkte? Martin Herrmann, Philipp Gaschler
Wie findet man interessante Punkte? Martin Herrmann, Philipp Gaschler Wenn man sie denn gefunden hat, was kann man mit den interessanten Punkten anfangen? /Anwendungsgebiete Wenn man sie denn gefunden
MehrEinsatz von Tiefenkameras zur Mensch/Roboter-Überwachung
Einsatz von Tiefenkameras zur Mensch/Roboter-Überwachung Prof. Dr. Dominik Henrich Lehrstuhl für Angewandte Informatik III (Robotik und Eingebettete Systeme) Universität Bayreuth Technologie der Tiefenkameras
MehrHSI Kamera VIS. » High Performance Hyper Spectral Imaging. » Datenblatt. Kontinuierliche Echtzeit VIS Hyper-Spektral Kamera
HSI Kamera VIS» High Performance Hyper Spectral Imaging» Datenblatt Das HSI VIS Kamera-System ist ein integriertes Laborgerät für die präzise Farbanalyse. Das System setzt die Chemical Color Imaging Technologie
MehrX.4 Elektromagnetische Wellen im Vakuum
X.4 Elektromagnetische Wellen im Vakuum 173 X.4 Elektromagnetische Wellen im Vakuum In Abwesenheit von Quellen, ρ el. = 0 j el. = 0, nehmen die Bewegungsgleichungen (X.9) (X.11) für die elektromagnetischen
Mehr4. Verzerrungen. Der Abstand von zwei Punkten ändert sich. Der Winkel zwischen drei Punkten ändert sich
4. Verzerrungen Wird ein Körper belastet, so ändert sich seine Geometrie. Die Punkte des Körpers ändern ihre Lage. Sie erfahren eine Verschiebung. Ist die Verschiebung für benachbarte Punkte unterschiedlich,
MehrFormelsammlung. Lagrange-Gleichungen: q k. Zur Koordinate q k konjugierter Impuls: p k = L. Hamilton-Funktion: p k. Hamiltonsche Gleichungen: q k = H
Formelsammlung Lagrange-Gleichungen: ( ) d L dt q k L q k = 0 mit k = 1,..., n. (1) Zur Koordinate q k konjugierter Impuls: p k = L q k. (2) Hamilton-Funktion: n H(q 1,..., q n, p 1,..., p n, t) = p k
MehrSerie 3. z = f(x, y) = 9 (x 2) 2 (y 3) 2 z 2 = 9 (x 2) 2 (y 3) 2, z 0 9 = (x 2) 2 + (y 3) 2 + z 2, z 0.
Analysis D-BAUG Dr Cornelia Busch FS 2016 Serie 3 1 a) Zeigen Sie, dass der Graph von f(x, y) = 9 (x 2) 2 (y 3) 2 eine Halbkugel beschreibt und bestimmen Sie ihren Radius und ihr Zentrum z = f(x, y) =
Mehr9. November ZHK in dynamischen Graphen Zentralitäten. H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 67
9. November 2011 ZHK in dynamischen Graphen Zentralitäten H. Meyerhenke: Algorithmische Methoden zur Netzwerkanalyse 67 ZHK in dynamischen Graphen Ungerichteter schlichter dynamischer Graph Dynamisch:
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
MehrKapitel 8: Gewöhnliche Differentialgleichungen 8.1 Definition, Existenz, Eindeutigkeit von Lösungen Motivation: z.b. Newton 2.
Kapitel 8: Gewöhnliche Differentialgleichungen 8.1 Definition, Existenz, Eindeutigkeit von Lösungen Motivation: z.b. Newton 2. Gesetz: (enthalten Ableitungen der gesuchten Funktionen) Geschwindigkeit:
MehrMethoden des automatischen Weißabgleichs und ihr Bezug zur Farbkonstanz. R. Jahn, K.-H. Franke
Methoden des automatischen Weißabgleichs und ihr Bezug zur Farbkonstanz R. Jahn, K.-H. Franke Inhalt 4 Farbkonstanz, Metamerie 4 Automatischer Weißabgleich (AWB) im Überblick 4 Ausgewählte AWB-Verfahren
MehrBeschleunigung von Bild-Segmentierungs- Algorithmen mit FPGAs
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Algorithmen mit FPGAs Vortrag von Jan Frenzel Dresden, Gliederung Was ist Bildsegmentierung?
MehrVektoren: Grundbegriffe. 6-E Ma 1 Lubov Vassilevskaya
Vektoren: Grundbegriffe 6-E Ma 1 Lubov Vassilevskaya Parallele Vektoren Abb. 6-1: Vektoren a, b, c und d liegen auf drei zueinander parallelen Linien l, l' und l'' und haben gleiche Richtung Linien l,
MehrDidaktik der Analysis und der Analytischen Geometrie/ Linearen Algebra
A. Filler[-3mm] Didaktik der Analysis und der Analytischen Geometrie/ Linearen Algebra, Teil 8 Folie 1 /27 Didaktik der Analysis und der Analytischen Geometrie/ Linearen Algebra 8. Das Skalarprodukt, metrische
MehrVom Zeichen zur Schrift Mit Mustererkennung zur automatisierten Schreiberhanderkennung in mittelalterlichen und frühneuzeitlichen Handschriften
Platzhalter für Bild, Bild auf Titelfolie hinter das Logo einsetzen Vom Zeichen zur Schrift Mit Mustererkennung zur automatisierten Schreiberhanderkennung in mittelalterlichen und frühneuzeitlichen Handschriften
MehrGPU-friendly multi-view stereo reconstruction using surfel representation and graph cuts
GPU-friendly multi-view stereo reconstruction using surfel representation and graph cuts Rico Jonschkowski Seminar 3D Rekonstruktion SoSe 2011 Verantstalter: Prof. Raúl Rojas, Fabian Wiesel FU Berlin,
MehrSymmetrie von Naturgesetzen - Galilei-Transformationen und die Invarianz der Newton schen Gesetze
Symmetrie von Naturgesetzen - Galilei-Transformationen und die Invarianz der Newton schen Gesetze Symmetrie (Physik) (aus Wikipedia, der freien Enzyklopädie) Symmetrie ist ein grundlegendes Konzept der
Mehr3 Trend- und Saisonkomponenten
3 Trend- und Saisonkomponenten Schritte bei der Analyse von Zeitreihendaten : Plot ; Identifikation von Strukturbrüchen, Ausreißern etc. ; Modellansatz, z.b. klassisches Komponentenmodell X t = m t + s
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
MehrElemente der Analysis II
Elemente der Analysis II Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 8. Mai 2009 1 / 29 Bemerkung In der Vorlesung Elemente der Analysis I wurden Funktionen
MehrProjektpraktikum: Bildauswertung und fusion Wintersemester 2013 / 2014
Projektpraktikum: Bildauswertung und fusion Wintersemester 2013 / 2014 ies.anthropomatik.kit.edu Bildvergleich mittels Image Warping Themenbeschreibung: Zur Bildklassifikation oder Bildsuche können Image
MehrGrundlagen der Physik 1 Lösung zu Übungsblatt 1
Grundlagen der Physik 1 Lösung zu Übungsblatt 1 Daniel Weiss 16. Oktober 29 Aufgabe 1 Angaben: Geschwindigkeiten von Peter und Rolf: v = 1 m s Breite des Flusses: b = 1m Flieÿgeschwindigkeit des Wassers:
MehrDas Gradientenverfahren
Das Gradientenverfahren - Proseminar: Algorithmen der Nichtlinearen Optimierung - David Beisel December 10, 2012 David Beisel Das Gradientenverfahren December 10, 2012 1 / 28 Gliederung 0 Einführung 1
MehrOberflächenrekonstruktion aus Punktwolken
Oberflächenrekonstruktion aus Punktwolken Betreuer: Dominik Fritz Seminar Medizinische Simulationssysteme SS 2005 Gliederung 1 2 Der - 3 Der von Hoppe 4 Der - Gliederung 1 2 Der - 3 Der von Hoppe 4 Der
Mehr3 Trend- und Saisonkomponenten
3 Trend- und Saisonkomponenten Schritte bei der Analyse von Zeitreihendaten : Plot ; Identifikation von Strukturbrüchen, Ausreißern etc. ; Modellansatz, z.b. klassisches Komponentenmodell X t = m t + s
Mehr