Human Detection Based On Part Models

Transkript

1 Human Detection Based On Part Models Seminar: Mobile Human Detection Systems William Basilien Kom MatrNr: Institute of Computer Engineering 13. März / 25

2 Motivation 2 / 25

3 Inhaltsverzeichnis / 25

4 Gegeben: Mobiler Agent. Kamera Sensor Standsbild des Kameras. Gesucht: aus Bild Daten. 4 / 25

5 Procedure Codebuch zur Beschreibung der Objektklasse erstellen Bildmerkmale Extraktion. Scale-invariant feature transform (SIFT) Objektdetektion Vergleich der SIFT-Features des Suchbildes mit den Codebuch Einträgen. Objekthypothesen 5 / 25

6 Scale-invariant feature transform (SIFT) Der SIFT-Algorithmus besteht aus vier Stufen: 1 Detektion von scale-space Extrema. 2 Lokalisation von Schlüsselpunkten. 3 Orientierungszuweisung. 4 Erzeugung der Merkmalsvektoren. 6 / 25

7 Detektion von scale-space Extrema Aufbau des scale-space: Faltung des Eingabebildes I (x, y) mit einem Gaussfilter. Faltungsgleichung : 1 L(x, y, σ) = I (x, y) G(x, y, σ) = I (x, y) x2 +y 2 2πσ 2 e 2σ 2 Subtraktion jede zwei benachbarte Abbildungen der Gaussian: Difference of Gaussian (DoG): D(x, y, σ) = L(x, y, kσ) L(x, y, σ) Detektion von Scale-Space-Extrema (Minima und Maxima von DoG) 7 / 25

8 Gauß-Filter Beispiel 8 / 25

9 scale-space Extrema Abbildung : Aufbau des scale-space und Bilden der DoG[1] Abbildung : Maxima und Minima in der DoG[1] 9 / 25

10 Lokalisation von Schlüsselpunkten Kandidaten entlang von Kanten entfernen(laplace Filter) G = L(x, y) / 25

11 Orientierungszuweisung Zur Berechnung der Orientierung wird das Bild L gewählt Für jedes Pixel mit Position (x,y). D x = L [ 1, 0, 1] D y = L [ 1, 0, 1] T Gradientenstärke m = D = (D x ) 2 + (D y ) 2 Gradientenorientierung Θ = arctan ( Dy D x ) 11 / 25

12 Erzeugung der Merkmalsvektoren/Deskriptoren Einteilung der Orientierungshistogramm in 4x4 Subregionen. Gradientenorientierungs und Gradientenstärke in jeder dieser 16 Regionen berechnen. Ergebnis: 4x4x8 = 128-dimensionalen Deskriptor Abbildung : 4x4x8-dimensionaler Deskriptor eines Merkmales [5]. 12 / 25

13 procedure Extraktion von lokalen Bildmerkmalen aus den sbildern Es ergibt sich somit eine Menge Π img von Merkmalen Bildposition (x, y) Skalierungsstufe (s) Merkmalsdeskriptor (ξ) Gruppierung der Merkmale zum Erstellen des Codebuchs k-means clustering Objekt Kategorisierung Implizites Modell der Objektform Initialen Codebuch (C) Ortsverteilung (P c ),die den räumlichen Bezug der Merkmale zum Objektzentrum angibt 13 / 25

14 k-means clustering Abbildung : k-means clustering [5] 14 / 25

15 Procedure Abbildung : Procedure [1] 15 / 25

16 Ablauf der Erkennung Merkmalesextraktion. Vergleich der Merkmale mit den Codebucheinträgen. Merkmalesaktivierung Ähnlichkeitsbestimmung : p (C i π img ). Jeder der aktivierten Codebucheinträge enthält eine Anzahl an Zentrumsversätzen Zentrum des Körpers bestimmen durch Votes. Größte Anzahl an Stimmen Zentrum des Körpers Suche nach Objekthypothesen Maxima vom Voting Raum bestimmen (Mean-Shift-Mode-Estimation) 16 / 25

17 Mean-Shift-Mode-Estimation Ziel: Maxima einer Verteilung finden 17 / 25

18 Merkmalesaktivierung Abbildung : Ablauf Objektdetektion(1)[1] 18 / 25

19 Objekthypothesen Abbildung : Ablauf Objektdetektion(2) [1] 19 / 25

20 Recall = Wahl der sdaten 97 Beispielen von Personen (8 verschiedene Personen). der Personendetektion Sichtbaren Personen mit bounding boxes annotieren Sichtbarkeit von mindestens 75% der Person Bewertung der Detektionsperformance Recall Falschalarme pro Bild. Bewertung einer Detektion als korrekte/ Falschalarm Bounding box Kriterium (BBI) AnzahlKorrekteDetektionen AnzahlObjekteinderGrundwahrheit 20 / 25

21 Quantitative Abbildung : Beispielergebnisse der Personendetektion[1] 21 / 25

22 der Sequenzen Abbildung : Recall in Abhängigkeit der Falschalarme pro Bild[1] 22 / 25

23 Zusammenfassung Einführung in lokale Bildmerkmale(SIFT-Merkmale) sschritt Objektdetektion Problem Überfüllte Szene. Verbesserungsvorschlag Adaptive Boosting by Yoav Freund and Robert Schapire. Lernen einzelner explizit definierter Körperteile Künftige Arbeit Personenverfolgung Personenwiedererkennung 23 / 25

24 Ende Danke für Ihre Aufmerksamkeit 24 / 25

25 literaturverzeichnis Kai Jüngling Ein generisches System zur automatischen Detektion, Verfolgung und Wiedererkennung von Personen in Videodaten, Kapitel 3 [1] Chaitanya Krishna Paturu People Detection in Image and Video Data [2] R. Fergus, P. Perona and A. Zisserman Object Class Recognition By Unsupervised Scale-Invariant Learning [3] Carsten Fries Objekterkennung mit SIFT-Merkmalen [4] Lowe, David G. bject recognition from local scale-invariant features [5] 25 / 25