Modell einer Kamera ohne Verzeichnung
|
|
- Gerburg Frank
- vor 6 Jahren
- Abrufe
Transkript
1 7.3.1 Sichtsysteme - Kamera-Kalibrierung - Lochkamera-Modell Intelligente Roboter Modell einer Kamera ohne Verzeichnung Lochkameramodell mit und ohne radiale Linseverzeichnung J. Zhang 460
2 7.3.1 Sichtsysteme - Kamera-Kalibrierung - Lochkamera-Modell Intelligente Roboter Modell einer Kamera ohne Verzeichnung (cont.) (x w, y w, z w ): 3D-Weltkoordinatensystem mit Ursprung O w (x, y, z): 3D-Koordinatensystem der Kamera mit Ursprung O (optisches Zentrum) (X, Y ): 2D-Bildkoordinatensystem mit Ursprung O 1 f : Brennweite der Kamera J. Zhang 461
3 7.3.1 Sichtsysteme - Kamera-Kalibrierung - Lochkamera-Modell Intelligente Roboter Transformation von Welt- in Kamerakoordinaten Sei P(x w, y w, z w ) ein Punkt im Weltkoordinatensystem Seine Projektion auf die Bildebene kann wie folgt ermittelt werden: x x w y = R y w + t z z w r 1 r 2 r 3 mit R = r 4 r 5 r 6 und t = r 7 r 8 r 9 t x t y t z Die Parameter R und t sind die extrinsischen Parameter J. Zhang 462
4 7.3.1 Sichtsysteme - Kamera-Kalibrierung - Lochkamera-Modell Intelligente Roboter Projektion von Kamera- auf Bildkoordinaten Punkt P wird auf die analoge (ideale) Bildkoordinate (u, v) projiziert Perspektivprojektion mit Brennweite f : u = f x z v = f y z Die Bildkoordinate (X, Y ) errechnet sich aus (u, v) mit: X = s u u Y = s v v Die Skalierungsfaktoren s u und s v rechnen die analogen Koordinaten von Meter in Pixel um s u, s v und f sind die intrinsischen Kamera-Parameter J. Zhang 463
5 7.3.1 Sichtsysteme - Kamera-Kalibrierung - Lochkamera-Modell Intelligente Roboter Projektion von Welt- auf Bildkoordinaten Da nur zwei unabhängige intrinsische Parameter existieren, definiert man: f x fs u und f y fs v Diese Gleichungen liefern das verzeichnisfreie Kameramodell: X = f x r 1 x w + r 2 y w + r 3 z w + t x r 7 x w + r 8 y w + r 9 z w + t z Y = f y r 4 x w + r 5 y w + r 6 z w + t y r 7 x w + r 8 y w + r 9 z w + t z J. Zhang 464
6 Universität Hamburg Sichtsysteme - Kamera-Kalibrierung - Lochkamera-Modell Intelligente Roboter Pixelkoordinaten im Rechner Von den im Rechner gespeicherten Bildkoordinaten (X f, Y f ) wird die Koordinate (C x, C y ) des Bildmittelpunktes abgezogen Damit ergibt sich: X = X f C x Y = Y f C y Die Unsicherheit über den Bildmittelpunkt kann Pixel erreichen J. Zhang 465
7 7.3.2 Sichtsysteme - Kamera-Kalibrierung - Grundkonzept Kamera-Kalibrierung Intelligente Roboter Kalibrierung einer Kamera: Grundkonzept Das Lochkamera-Modell liefert für die Kalibrierung die drei unabhängigen extrinsischen Parameter von R die drei unabhängigen extrinsischen Parameter von t die intrinsischen Parameter f x, f y, C x und C y J. Zhang 466
8 7.3.2 Sichtsysteme - Kamera-Kalibrierung - Grundkonzept Kamera-Kalibrierung Intelligente Roboter Kalibrierungspunkte Die Kalibrierung erfolgt mit einer Menge von m Objektpunkten, die 1. bekannte Weltkoordinaten {x w,i, y w,i, z w,i }, i = 1,..., m in hinreichend genauer Präzision haben 2. innerhalb des Sichtfeldes der Kamera liegen Diese Kalibrierungspunkte werden im Kamerabild mit ihren respektiven Kamerakoordinaten {X i, Y i } detektiert J. Zhang 467
9 7.3.2 Sichtsysteme - Kamera-Kalibrierung - Grundkonzept Kamera-Kalibrierung Intelligente Roboter Kalibrierung Das Problem bei der Kalibrierung einer Kamera ist die Identifikation der unbekannten Koeffizienten des Kameramodells Die Bestimmung für das verzeichnisfreie Kameramodell liefert expliziet die Position der Kamera in Weltkoordinaten Die grundlegendste Strategie für eine Kamerakalibration ermittelt die Koeffizienten mit Hilfe der linear-least-squares-identifikation der im folgenden vorgestellten perspektivischen Transformationsmatrix (engl. Perspective Transformation Matrix) J. Zhang 468
10 7.3.2 Sichtsysteme - Kamera-Kalibrierung - Grundkonzept Kamera-Kalibrierung Intelligente Roboter Verzeichnisfreies Kameramodell Das verzeichnisfreie Kameramodell X = f x r 1 x w + r 2 y w + r 3 z w + t x r 7 x w + r 8 y w + r 9 z w + t z, lässt sich umschreiben zu Y = f y r 4 x w + r 5 y w + r 6 z w + t y r 7 x w + r 8 y w + r 9 z w + t z X = a 11x w + a 12 y w + a 13 z w + a 14 a 31 x w + a 32 y w + a 33 z w + a 34 Y = a 21x w + a 22 y w + a 23 z w + a 24 a 31 x w + a 32 y w + a 33 z w + a 34 J. Zhang 469
11 7.3.2 Sichtsysteme - Kamera-Kalibrierung - Grundkonzept Kamera-Kalibrierung Intelligente Roboter Perspektivische Transformationsmatrix Es kann a 34 = 1 gesetzt werden, da eine Skalierung der Koeffizienten a 11,..., a 34 die Werte von X und Y nicht ändert Die Koeffizienten a 11,..., a 34 korrespondieren mit der so genannten perspektivischen Transformationsmatrix Die vorangegangenen beiden Gleichungen können im folgenden Identifikationsmodell zusammengefasst werden: [ ] xw y w z w Xx w Xy w Xz w x w y w z w 1 Yx w Yy w Yz w a 11. a 33 = [ X Y ] J. Zhang 470
12 7.3.2 Sichtsysteme - Kamera-Kalibrierung - Grundkonzept Kamera-Kalibrierung Intelligente Roboter Least Squares Die elf unbekannten Koeffizienten a 11,..., a 33 werden mit Hilfe der Methode der kleinsten Quadrate bestimmt Minimal sind sechs Kalibrierungspunkte notwendig Jedes Paar Datenpunkte {(x w,i, y w,i, z w,i ), (X i, Y i )} liefert zwei algebraische Gleichungen mit den gesuchten Koeffizienten Es kann gezeigt werden, dass die Kalibrierungspunkte nicht koplanar sein dürfen Ist dies nicht der Fall, ist die erste Matrix im Identifikationsmodell singulär, da die Spalten 3 und 4 sowie 7 und 8 linear abhängig sind J. Zhang 471
13 7.3.2 Sichtsysteme - Kamera-Kalibrierung - Grundkonzept Kamera-Kalibrierung Intelligente Roboter Probleme Die vorgestellte Lösung ist noch nicht global optimal, da bisher keine Linsenverzeichnung berücksichtigt wurde Es ist nicht möglich expliziet die Rotationsmatrix R und den Translationsvektor t zu bestimmen Das bedeutet die vorgestellte Kalibrierung ermöglicht nicht die Nutzung einer Kamera, die an einem sich bewegenden Roboterarm montiert ist Die Herstellung eines präzisen 3D-Kalibrierungsaufbaus ist aufwändiger als eine 2D-Kalibrierungsplatte J. Zhang 472
14 7.3.3 Sichtsysteme - Kamera-Kalibrierung - Stereo-Vision Intelligente Roboter Stereo-Vision Die bisher vorgestellte Kalibrierungsmethode ermöglicht allerdings eine schnelle, wenn auch unpräzise Messung von Punkten mit einem Stereo-Kamera-Aufbau Dazu werden zwei Kameras A und B kalibriert und liefern die Kalbrationsvektoren a A und a B Dann kann die Koordinate {x w, y w, z w } eines jeden Punktes der von beiden Kameras gesehen wird berechnet werden Jeder unbekannte Punkt hat die korrespondierenden Bildkoordinaten {X A, Y A } und {X B, Y B } J. Zhang 473
15 7.3.3 Sichtsysteme - Kamera-Kalibrierung - Stereo-Vision Intelligente Roboter Stereo-Vision (cont.) Mit der Gleichung [ ] a11 a 31 X a 12 a 32 X a 13 a 33 X w [ ] x y a 21 a 31 Y a 22 a 32 Y a 23 a 33 Y w X a14 = Y a z 24 w für jede Kamera ensteht ein überbestimmtes Gleichungssystem, welches die Bestimmung der 3D-Koordinate eines Punktes aus den Bildkoordinaten erlaubt J. Zhang 474
16 7.3.4 Sichtsysteme - Kamera-Kalibrierung - Kameramodell mit Linsenverzeichnung Intelligente Roboter Kameramodell mit Linsenverzeichnung Reale Kameras und Linsen verursachen eine Vielzahl von Abbildungsfehlern und genügen nicht dem Modell Die Hauptfehlerquellen sind: 1. Räumliche Auflösung relativ gering, da die Auflösung der Kameras ebenfalls noch gering ist (Aktuelle DV-Kameras: 320x200, fps; 800x600, fps; fps) 2. Die meisten (billigen) Linsen sind unsymmetrisch und erzeugen Verzerrungen 3. Der Zusammenbau der Kamera ist nicht präzise durchführbar (Mittelpunkt des CCD-Chips liegt nicht auf der optischen Achse; Chip liegt nicht parallel zur Linse etc.) 4. Timing-Fehler zwischen Kamera-Hardware und Grabber-Hardware J. Zhang 475
17 7.3.4 Sichtsysteme - Kamera-Kalibrierung - Kameramodell mit Linsenverzeichnung Intelligente Roboter Verzeichnung Verzeichnung durch das Linsensystem resultiert in einer geänderten Position der Bildpixel auf der Bildebene Das Lochkameramodell wird dem nicht mehr gerecht Es wird ersetzt durch folgendes Modell: u = u + D u (u, v) v = v + D v (u, v) wobei u und v die nicht beobachtbaren, verzeichnisfreien Bildkoordinaten sind und u und v die korrespondierenden verzerrten Koordinaten J. Zhang 476
18 7.3.4 Sichtsysteme - Kamera-Kalibrierung - Kameramodell mit Linsenverzeichnung Intelligente Roboter Verzeichnung (cont.) J. Zhang 477
19 7.3.4 Sichtsysteme - Kamera-Kalibrierung - Kameramodell mit Linsenverzeichnung Intelligente Roboter Verzeichnung (cont.) J. Zhang 478
20 7.3.4 Sichtsysteme - Kamera-Kalibrierung - Kameramodell mit Linsenverzeichnung Intelligente Roboter Arten von Verzeichnungen Es gibt zwei Arten von Verzeichnungen: radial tangential Radiale Verzeichnung verursacht einen Versatz der idealen Position nach innen (Tonne) oder außen (Kissen) Ursache: fehlerhafte radiale Krümmung der Linse J. Zhang 479
21 7.3.4 Sichtsysteme - Kamera-Kalibrierung - Kameramodell mit Linsenverzeichnung Intelligente Roboter Radiale Verzeichnung gerade Linien keine Verzeichnung J. Zhang 480
22 7.3.4 Sichtsysteme - Kamera-Kalibrierung - Kameramodell mit Linsenverzeichnung Intelligente Roboter Tangentiale Verzeichnung gerade Linien keine Verzeichnung J. Zhang 481
23 7.3.4 Sichtsysteme - Kamera-Kalibrierung - Kameramodell mit Linsenverzeichnung Intelligente Roboter Modellierung der Linsenverzeichnung Nach Weng et. al. (1992) unterscheidet man drei Verzeichnungen, die modelliert werden: 1. Radiale Linsenverzeichnung (engl. radial distortion) 2. Dezentrierende Verzeichnung (engl. decentering distortion) 3. Verzeichnung des dünnen Prismas (engl: thin prism distortion) Die dezentrierende Verzeichnung und die Verzeichnung des dünnen Prismas sind sowohl radial als auch tangential Bei der dezentrierenden Verzeichnung sind die optischen Zentren der Linsen nicht kolinear J. Zhang 482
24 7.3.4 Sichtsysteme - Kamera-Kalibrierung - Kameramodell mit Linsenverzeichnung Intelligente Roboter Modell: Radiale Verzeichnung Radiale Verzeichnung D ur = ku(u 2 + v 2 ) + O[(u, v) 5 ] D vr = kv(u 2 + v 2 ) + O[(u, v) 5 ] J. Zhang 483
25 7.3.4 Sichtsysteme - Kamera-Kalibrierung - Kameramodell mit Linsenverzeichnung Intelligente Roboter Modell: Dezentrierende Verzeichnung Dezentrierende Verzeichnung D ud = p 1 (3u 2 + v 2 ) + 2p 2 uv + O[(u, v) 4 ] D vd = 2p 1 uv + p 2 (u 2 + 3v 2 ) + O[(u, v) 4 ] J. Zhang 484
26 7.3.4 Sichtsysteme - Kamera-Kalibrierung - Kameramodell mit Linsenverzeichnung Intelligente Roboter Modell: Verzeichnung des dünnen Prismas Verzeichnung des dünnen Prismas D up = s 1 (u 2 + v 2 ) + O[(u, v) 4 ] D vp = s 2 (u 2 + v 2 ) + O[(u, v) 4 ] J. Zhang 485
27 7.3.4 Sichtsysteme - Kamera-Kalibrierung - Kameramodell mit Linsenverzeichnung Intelligente Roboter Gesamtmodell der Linsenverzeichnung Wir ignorieren die Terme mit Ordnung höher als 4 und fassen die vorangegangenen Modelle zusammen: D u = ku(u 2 + v 2 ) + (p 1 (3u 2 + v 2 ) + 2p 2 uv) + s 1 (u 2 + v 2 ) D v = kv(u 2 + v 2 ) + (2p 1 uv + p 2 (u 2 + 3v 2 )) + s 2 (u 2 + v 2 ) J. Zhang 486
28 7.3.4 Sichtsysteme - Kamera-Kalibrierung - Kameramodell mit Linsenverzeichnung Intelligente Roboter Vereinfachtes Modell Da die radiale Linsenverzeichnung der dominierende Effekt ist, kann folgendes Gleichungssystem als vereinfachtes Kameramodell verwendet werden: Vereinfachtes Kameramodell mit Verzeichnung u = u(1 + k r 2 ) v = v(1 + k r 2 ) mit r 2 = u 2 + v 2 J. Zhang 487
29 7.3.4 Sichtsysteme - Kamera-Kalibrierung - Kameramodell mit Linsenverzeichnung Intelligente Roboter Radialer Verzeichnungskoeffizient Da u und v unbekannt sind, werden diese durch die messbaren Bildkoordinaten X und Y ersetzt und es gilt r 2 = (X/s u ) 2 + (Y /s v ) 2 Definiert man k k s 2 v, den radialen Verzeichniskoeffizienten (engl. radial distortion coefficient), dann folgt µ f y f x = s v s u und r 2 µ 2 X 2 + Y 2 J. Zhang 488
30 7.3.4 Sichtsysteme - Kamera-Kalibrierung - Kameramodell mit Linsenverzeichnung Intelligente Roboter Modell für kleine radiale Verzeichnungen Mit den oben genannten Modifikationen erhält man folgendes Kameramodell für kleine radiale Verzeichnungen X(1 + kr 2 ) = f x r 1 x w + r 2 y w + r 3 z w + t x r 7 x w + r 8 y w + r 9 z w + t z, Y (1 + kr 2 ) = f y r 4 x w + r 5 y w + r 6 z w + t y r 7 x w + r 8 y w + r 9 z w + t z J. Zhang 489
31 7.3.4 Sichtsysteme - Kamera-Kalibrierung - Kameramodell mit Linsenverzeichnung Intelligente Roboter Variation Ein für das least squares Verfahren nützlicher Trick ist die Verwendung der folgenden Variation des vorigen Modells X 1 + kr 2 = f x r 1 x w + r 2 y w + r 3 z w + t x r 7 x w + r 8 y w + r 9 z w + t z, Y 1 + kr 2 = f y r 4 x w + r 5 y w + r 6 z w + t y r 7 x w + r 8 y w + r 9 z w + t z und gilt unter der Annahme, dass kr 2 << 1 ist J. Zhang 490
32 7.3.4 Sichtsysteme - Kamera-Kalibrierung - Kameramodell mit Linsenverzeichnung Intelligente Roboter radial alignment constraint Wenn neben der radialen keine weiteren Verzeichnungen auftreten, erhält man das radial alignment constraint (RAC) bzw: mit X d = f x X und Y d = f y Y X Y = µ 1 r 1x w + r 2 y w + r 3 z w + t x r 4 x w + r 5 y w + r 6 z w + t y X d : Y d = x : y J. Zhang 491
33 7.3.5 Sichtsysteme - Kamera-Kalibrierung - Kamera-Kalibrierung nach Tsai Intelligente Roboter Tsai s RAC-basierte Kamerakalibrierung Annahme C x, C y und µ sind bekannt Ziel ist die Ermittelung der extrinsischen Parameter R und t sowie der intrinsischen Parameter f x, f y und k Für die Kalibrierung wird eine Menge koplanarer Kalibrationspunkte verwendet werden Die Kalibrierung beinhaltet zwei Schritte 1. Ermitteln der Rotationsmatrix R und der Komponenten t x und t y des Translationsvektors 2. Schätzung der übrigen Parameter aufgrund der Ergebnisse des ersten Schrittes J. Zhang 492
34 Universität Hamburg Sichtsysteme - Kamera-Kalibrierung - Kamera-Kalibrierung nach Tsai Intelligente Roboter Kamerakalibrierung nach Tsai: Schritt 1 1. Berechnung der Bildkoordinaten (X i, Y i ) Sei N die Anzahl der Bildpunkte, dann gilt für i = 1, 2,..., N X i = X f,i C x Y i = Y f,i C y wobei X f,i und Y f,i die Pixelwerte im Rechner sind J. Zhang 493
35 7.3.5 Sichtsysteme - Kamera-Kalibrierung - Kamera-Kalibrierung nach Tsai Intelligente Roboter Kamerakalibrierung nach Tsai: Schritt 1 (cont.) 2. Bestimmung der Zwischenparameter {v 1, v 2, v 3, v 4, v 5 } Da RAC unabhängig vom k und f ist, können R, t x und t y berechnet werden Wir definieren {v 1, v 2, v 3, v 4, v 5 } {r 1 t 1 y, r 2 t 1, t x t 1 y y, r 4 ty 1, r 5 ty 1 } J. Zhang 494
36 7.3.5 Sichtsysteme - Kamera-Kalibrierung - Kamera-Kalibrierung nach Tsai Intelligente Roboter Kamerakalibrierung nach Tsai: Schritt 1 (cont.) Wenn man für den i-ten Kalibrationspunkt beide Seiten der RAC-Gleichung durch t y teilt und den entstehenden Ausdruck umarrangiert, erhält man [ xw,i Y i y w,i Y i Y i x w,i µx i ] v 2 y w,i µx i v 3 v 4 = µx i v 5 wobei x x,i und y w,i die x und y Koordinaten des i-ten Kalibrationspunktes sind v 1 J. Zhang 495
37 7.3.5 Sichtsysteme - Kamera-Kalibrierung - Kamera-Kalibrierung nach Tsai Intelligente Roboter Kamerakalibrierung nach Tsai: Schritt 1 (cont.) Die minimale Anzahl an notwendigen nicht kolinearen Kalibrationspunkten ist N = 5 In der Praxis sollte N > 5 gewählt werden Bemerkung: Falls t y = 0 kann obige Gleichung auch in Abhängigkeit von t x formuliert werden Erhält man t x = t y = 0, so ist der gewählte Kameraaufbau in geeigneter Form abzuändern J. Zhang 496
38 7.3.5 Sichtsysteme - Kamera-Kalibrierung - Kamera-Kalibrierung nach Tsai Intelligente Roboter Kamerakalibrierung nach Tsai: Schritt 1 (cont.) 3. Berechnung von R, t x und t y [ ] v1 v Definiere C 2 v 4 v 5 Wenn keine Zeile oder Spalte zu null wird, gilt: t 2 y = S r S 2 r 4(v 1 v 5 v 4 v 2 ) 2 2(v 1 v 5 v 4 v 2 ) mit S r v 2 1 +v 2 2 +v 2 4 +v 2 5 Andernfalls gilt t 2 y = (v 2 i + v 2 j ) 1 wobei v i und v j die Elemente aus C sind, die nicht null sind J. Zhang 497
39 Universität Hamburg Sichtsysteme - Kamera-Kalibrierung - Kamera-Kalibrierung nach Tsai Intelligente Roboter Kamerakalibrierung nach Tsai: Schritt 1 (cont.) Physikalisch sollten die Vorzeichen von x und X sowie y und Y gleich sein Dies wird genutzt, um das Vorzeichen von t y zu bestimmen Annahme: t y > 0 Berechnung von r 1 = v 1 t y r 2 = v 2 t y r 4 = v 4 t y r 5 = v 5 t y t x = v 3 t y J. Zhang 498
40 Universität Hamburg Sichtsysteme - Kamera-Kalibrierung - Kamera-Kalibrierung nach Tsai Intelligente Roboter Kamerakalibrierung nach Tsai: Schritt 1 (cont.) Mit einem beliebigen Kalibrationspunkt lassen sich die folgenden Koordinaten bestimmen: x = r 1 x w + r 2 y w + t x y = r 4 x w + r 5 y w + t y Gilt sign(x) = sign(x) und sign(y) = sign(y ), dann gilt die Annahme sign(t y ) = 1 und wir behalten r 1, r 2, r 4, r 5 und t x Andernfalls setzen wir sign(t y ) = 1 und drehen die Vorzeichen von r 1, r 2, r 4, r 5 und t y entsprechend um J. Zhang 499
41 7.3.5 Sichtsysteme - Kamera-Kalibrierung - Kamera-Kalibrierung nach Tsai Intelligente Roboter Kamerakalibrierung nach Tsai: Schritt 1 (cont.) Es gibt zwei mögliche Lösungen für die Rotationsmatrix R, wenn eine 2 2-Teilmatrix bekannt ist Diese Lösungen sind f x mit positivem und mit negativem Vorzeichen R kann wie folgt berechnet werden r 3 = ±(1 r 2 1 r 2 2 ) 1/2 r 6 = sign(r 1 r 4 + r 2 r 5 )(1 r 2 4 r 2 5 ) 1/2 [r 7 r 8 r 9 ] T = [r 1 r 2 r 3 ] T [r 4 r 5 r 6 ] T Eine der beiden Lösungen führt zu einem positiven f x in Schritt 2 J. Zhang 500
42 7.3.5 Sichtsysteme - Kamera-Kalibrierung - Kamera-Kalibrierung nach Tsai Intelligente Roboter Kamerakalibrierung nach Tsai: Schritt 1 (cont.) Anmerkungen: Die sich ergebende Matrix R ist möglicherweise nicht orthonormal Es müssen daher noch Orthonormalisierungsschritte durchgeführt werden, die hier nicht weiter erläutert werden J. Zhang 501
43 7.3.5 Sichtsysteme - Kamera-Kalibrierung - Kamera-Kalibrierung nach Tsai Intelligente Roboter Kamerakalibrierung nach Tsai: Schritt 2 Bestimmung der Parameter t z, k, f x und f y Wenn R, t x und t y bekannt sind, können die übrigen Parameter mit folgender Gleichung für den i-ten Kalibrationspunkt bestimmt werden: mit [ Xi x i x i r 2 i ] t z f x kf x = X i w i x i r 1 x w,i + r 2 y w,i + t x w i r 7 x w,i + r 8 y w,i J. Zhang 502
44 7.3.5 Sichtsysteme - Kamera-Kalibrierung - Kamera-Kalibrierung nach Tsai Intelligente Roboter Kamerakalibrierung nach Tsai: Schritt 2 (cont.) Immer wenn mehr als drei Kalibrationspunkte benutzt werden, entsteht ein überbestimmtes Gleichungssystem Die Lösung mit Hilfe des least-squares-verfahrens liefert k, t z und f x Mit f x lassen sich die übrigen Parameter errechnen: f y = f x µ k = (kf x )f 1 x J. Zhang 503
45 7.3.5 Sichtsysteme - Kamera-Kalibrierung - Kamera-Kalibrierung nach Tsai Intelligente Roboter 3D-Kalibrierungsaufbau Typischer 3D-Kalibrierungsaufbau J. Zhang 504
46 7.3.6 Sichtsysteme - Kamera-Kalibrierung - Schnelle RAC-basierte Kalibrierung Intelligente Roboter Schnelle RAC-basierte Kalibrierung Wenn für den erste Schritt des Tsai-Algorithmus nur Kalibrationspunkte auf der x- und y-achse des Weltkoordinatensystems verwendet werden, vereinfacht sich die RAC-Gleichung Üblicherweise: Die mittlere Reihe und mittlere Spalte einer typischen Kalibrierungsplatte definieren dann die x w - und y w -Achse Beim Tsai-Algorithmus wird das linear-least-squares-verfahren in Schritt eins auf fünf, in Schritt zwei auf drei Variablen angewandt Mit obiger Vereinfachung muss das least-squares-verfahren dreimal für zwei Variablen angewandt werden J. Zhang 505
47 7.3.6 Sichtsysteme - Kamera-Kalibrierung - Schnelle RAC-basierte Kalibrierung Intelligente Roboter Schnelle RAC-basierte Kalibrierung (cont.) Da es hierfür eine geschlossene Lösung gibt, reduziert sich die für die Kalibrierung notwendige Rechenzeit signifikant Voraussetzung für die schnelle Variante des Tsai-Algorithmus ist, das µ sowie C x und C y a priori bekannt sind Wie bei Tsai s Kalibrierung sind zwei Schritte notwendig: 1. Verwendung von Kalibrationspunkten auf der x w - und y w -Achse und einer vereinfachten RAC-Gleichung, um R, t x und t y zu bestimmen 2. Bestimmung der übrigen Parameter mit allen sichtbaren Kalibrationspunkten J. Zhang 506
48 7.3.6 Sichtsysteme - Kamera-Kalibrierung - Schnelle RAC-basierte Kalibrierung Intelligente Roboter Schnelle RAC-basierte Kalibrierung (cont.) Kalibrationspunkte für die erste Phase der schnellen RAC-basierten Kalibrierung J. Zhang 507
49 7.3.6 Sichtsysteme - Kamera-Kalibrierung - Schnelle RAC-basierte Kalibrierung Intelligente Roboter Schnelle RAC-basierte Kalibrierung (cont.) Typische Kalibrierungsplatte J. Zhang 508
50 Universität Hamburg Sichtsysteme - Kamera-Kalibrierung - Schnelle RAC-basierte Kalibrierung Intelligente Roboter Schnelle RAC-basierte Kalibrierung (cont.) Mit einer kalibrierten Kamera lässt sich das Bild entzerren J. Zhang 509
51 7.3.7 Sichtsysteme - Kamera-Kalibrierung - Implizite Kamerakalibrierung Intelligente Roboter Implizite Kamerakalibrierung Die implizite Kamerakalibrierung berücksichtigt alle Linsenverzeichnungen (Gesamtmodell) Wie bei der Kalibrierung ohne Linsenverzeichnung werden die Parameter nicht explizit bestimmt Notation: (u i, v i ) Pixelkoordinaten im Bild (x i, y i ) Weltkoordinaten von Punkt P auf Ebene π i J. Zhang 510
52 7.3.7 Sichtsysteme - Kamera-Kalibrierung - Implizite Kamerakalibrierung Intelligente Roboter Implizite Kamerakalibrierung (cont.) Projektion vom Pixel- auf das Weltkoordinatensystem auf eine Ebene π 1 ergibt sich aus dem Gesamtmodell wie folgt: X 1 = 0 i+j 3 a(1) ij u i 1 v j 1 0 i+j 3 a(3) ij u i 1 v j 1 Y 1 = 0 i+j 3 a(2) ij u i 1 v j 1 0 i+j 3 a(3) ij u i 1 v j 1 wobei a (k) ij die Transformationskoeffizienten sind J. Zhang 511
53 7.3.7 Sichtsysteme - Kamera-Kalibrierung - Implizite Kamerakalibrierung Intelligente Roboter Implizite Kamerakalibrierung (cont.) Mit Hilfe zweier Kalibrationsebenen π 1 und π 2 können die Transformationskoeffizienten zu den beiden Ebenen bestimmt werden Somit ist jeder Bildpunkt auf zwei Ebenen projezierbar Die wirkliche Koordinate liegt auf der Verbindungsgeraden durch die beiden Punkte J. Zhang 512
54 7.4.1 Sichtsysteme - Anwendungen - Bestimmung einer Zeigerichtung Intelligente Roboter Bestimmung einer Zeigerichtung: Motivation Motivation: Die Erkennung von Handgesten kann im Rahmen der Mensch-Maschine-Kommunikation genutzt werden Anwendungen im Bereich der virtuellen Realität, von Multimedia oder Roboter-Instruktion und -Teleoperation Lösungen: Sensoren an der Hand (z.b. Daten-Handschuh) Stereo-Vision (kalibriert) Stereo-Vision (unkalibriert) J. Zhang 513
55 7.4.1 Sichtsysteme - Anwendungen - Bestimmung einer Zeigerichtung Intelligente Roboter Bestimmung einer Zeigerichtung: Stereo-Vision Prinzipieller Stereoaufbau mit parallelen optischen Achsen J. Zhang 514
56 7.4.1 Sichtsysteme - Anwendungen - Bestimmung einer Zeigerichtung Intelligente Roboter Bestimmung einer Zeigerichtung: Epipolarlinien Der mit einem Punkt aus Bild 1 korrespondierende Punkt kann auf der zugehörigen Epipolarlinie in Bild 2 gefunden werden J. Zhang 515
57 7.4.1 Sichtsysteme - Anwendungen - Bestimmung einer Zeigerichtung Intelligente Roboter Bestimmung einer Zeigerichtung: Epipolarlinien Bei parallelen optischen Achsen sind die Epipolarlinien horizontale Linien J. Zhang 516
58 7.4.1 Sichtsysteme - Anwendungen - Bestimmung einer Zeigerichtung Intelligente Roboter Unkalibrierte Stereo-Vision Cipolla et. al. (1994) präsentieren eine unkalibriertes Stereo-System zur Erkennung von Zeigegesten Annahme: Lochkameramodel mit Blick auf eine Ebene Die Beziehung zwischen Ebenenkoordinatensystem (X, Y ) und Bildkoordinatensystem (u, v) lautet: su X sv = T Y s 1 wobei T 3 3 eine homogene Matrix mit t 33 = 1 ist J. Zhang 517
59 7.4.1 Sichtsysteme - Anwendungen - Bestimmung einer Zeigerichtung Intelligente Roboter Unkalibrierte Stereo-Vision (cont.) Um T zu bestimmen müssen mindestens vier Punkte beobachtet werden Man definiert die Grenzen der Arbeitsebene mit (0, 0),(0, 1),(1, 0) und (1, 1) Für die beiden Kameras werden die Transformationen T und T bestimmt J. Zhang 518
60 7.4.1 Sichtsysteme - Anwendungen - Bestimmung einer Zeigerichtung Intelligente Roboter Bestimmung des Zeigepunktes Notation: l w : Längsachse des Zeigers in der Welt l i : Projektion von l w auf die Bildebene l gp : Projektion von l w auf Ebene G Verfahren: Mit dem Bild der zweiten Kamera erhält man eine Projektion l gp deren Schnittpunkt mit l gp der Zeigepunkt ist l i ist das Bild von l gp, d.h. l i = Tl gp Daraus folgt l gp = T 1 l i und l gp = T 1 l i J. Zhang 519
61 7.4.1 Sichtsysteme - Anwendungen - Bestimmung einer Zeigerichtung Intelligente Roboter Bestimmung des Zeigepunktes (cont.) J. Zhang 520
62 7.4.1 Sichtsysteme - Anwendungen - Bestimmung einer Zeigerichtung Intelligente Roboter Bestimmung des Zeigepunktes (cont.) J. Zhang 521
63 7.4.1 Sichtsysteme - Anwendungen - Bestimmung einer Zeigerichtung Intelligente Roboter Bestimmung des Zeigepunktes (cont.) J. Zhang 522
Prof. J. Zhang zhang@informatik.uni-hamburg.de. Universität Hamburg. AB Technische Aspekte Multimodaler Systeme. 6. Januar 2004
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis Kalibrierung einer Kamera: Grundkonzept...............344
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),
MehrTechnische Universität München. Fakultät für Informatik
Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik IX Thema: Kameramodelle und Kamerakalibrierung Proseminar: Grundlagen Bildverstehen/Bildgestaltung Michaela
MehrBildtransformationen. Geometrische Transformationen Grauwert-Interpolation
Bildtransformationen Geometrische Transformationen Grauwert-Interpolation Transformation Transformation zwei Schritte geometrische Transformation (Trafo der Koordinaten) Neuberechnung der Pielwerte an
MehrVorgehen zur Kalibrierung von Kamerabildern
Vorgehen r Kalibrierng von Kamerabildern Prof. Dr.-Ing. Bernhard Lang, 06.04.2013 3 Kalibrierng von Kamerabildern 3.1 Hintergrnd Eine reale Kamera lässt sich geometrisch drch eine Lochkamera modellieren.
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg,
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg, Literatur Richard Hartle and Andrew Zisserman. Multiple View Geometr in computer vision, Cambridge Universit Press, 2 nd Ed., 23. O.D.
MehrTechnische Universität
Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik IX Stereo Vision: Epipolargeometrie Proseminar: Grundlagen Bildverarbeitung/Bildverstehen Alexander Sahm Betreuer:
MehrPraktikumsversuch. Kamerakalibrierung. S. Rahmann und H. Burkhardt
Praktikumsversuch Kamerakalibrierung S. Rahmann und H. Burkhardt . Inhaltsverzeichnis 1 Kamerakalibrierung 5 1.1 Einleitung............................... 5 1.2 Projektive Geometrie.........................
MehrDIFFERENTIALGLEICHUNGEN
DIFFERENTIALGLEICHUNGEN GRUNDBEGRIFFE Differentialgleichung Eine Gleichung, in der Ableitungen einer unbekannten Funktion y = y(x) bis zur n-ten Ordnung auftreten, heisst gewöhnliche Differentialgleichung
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme Eines der am häufigsten auftretenden Standardprobleme der angewandten Mathematik ist das Lösen linearer Gleichungssysteme, etwa zur Netzwerkberechnung in der Elektrotechnik oder
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 7 Projektionen und Rückprojektionen Der Punkt Die Gerade Die Quadrik Die Ebene Zusammenhang Kalibriermatrix - Bild des absoluten
MehrExterne Kamerakalibration eines Infrarottrackingsystems. Volker Wiendl Lehrstuhl für Multimediakonzepte und Anwendungen Universität Augsburg
Externe Kamerakalibration eines Infrarottrackingsystems Volker Wiendl Lehrstuhl für Multimediakonzepte und Anwendungen Universität Augsburg 18. April 2005 Kurzfassung Für viele Anwendungen im Bereich Augmented
Mehr*EP001251329A2* EP 1 251 329 A2 (19) (11) EP 1 251 329 A2 (12) EUROPÄISCHE PATENTANMELDUNG. (43) Veröffentlichungstag: 23.10.2002 Patentblatt 2002/43
(19) Europäisches Patentamt European Patent Office Office européen des brevets *EP00121329A2* (11) EP 1 21 329 A2 (12) EUROPÄISCHE PATENTANMELDUNG (43) Veröffentlichungstag: 23..02 Patentblatt 02/43 (1)
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
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 8 Projektive Invarianz und das kanonische Kamerapaar Kanonisches Kamerapaar aus gegebener Fundamentalmatrix Freiheitsgrade
MehrErinnerung. Arbeitsschritte der Computergraphik. Modellierung. Animation. Rendering. Ausgabemedium. Generierung
Erinnerung Arbeitsschritte der Computergraphik Modellierung Animation Generierung Ausgabemedium Graphik/-Pipeline Wandelt die Beschreibung einer Szene im dreidimensionalen Raum in eine zweidimensionale
MehrStereo Vision. Projekt zur 3D Computer Vision Wintersemester 05/06
Stereo Vision Projekt zur 3D Computer Vision Wintersemester 05/06 Stereo Vision 3D Computer Vision: Rekonstruktion von Objektoberflächen aus Bildern Stereo Vision: Gleichzeitige Aufnahme eines Objekts
Mehr3D-Model Reconstruction using Vanishing Points
3D-Model Reconstruction using Vanishing Points Seminar: Ausgewä hlte Themen zu "Bildverstehen und Mustererkennung" Dozenten: Prof. Dr. Xiaoyi Jiang, Dr. Da-Chuan Cheng, Steffen Wachenfeld, Kai Rothaus
MehrKlassenarbeit zu linearen Gleichungssystemen
Klassenarbeit zu linearen Gleichungssystemen Aufgabe : Bestimme die Lösungsmenge der Gleichungssysteme mit Hilfe des Additionsverfahrens: x + 4y = 8 5x y = x y = x y = Aufgabe : Bestimme die Lösungsmenge
MehrLU-Zerlegung. Zusätze zum Gelben Rechenbuch. Peter Furlan. Verlag Martina Furlan. Inhaltsverzeichnis. 1 Definitionen.
Zusätze zum Gelben Rechenbuch LU-Zerlegung Peter Furlan Verlag Martina Furlan Inhaltsverzeichnis Definitionen 2 (Allgemeine) LU-Zerlegung 2 3 Vereinfachte LU-Zerlegung 3 4 Lösung eines linearen Gleichungssystems
MehrBachelorarbeit. Vorgelegt von. Helge Andreas Lauterbach. Matr.-Nr.: 1740655
Julius-Maximilians-Universität Würzburg Fakultät für Mathematik und Informatik Informationstechnik für Luft- und Raumfahrt Lehrstuhl für Informatik 8 Prof. Dr. Sergio Montenegro Bachelorarbeit Stereo-Optische
MehrFakultät für Physik und Astronomie
Fakultät für Physik und Astronomie Ruprecht-Karls-Universität Heidelberg Diplomarbeit im Studiengang Physik vorgelegt von Christoph Sebastian Garbe aus Bochum September 1998 Entwicklung eines Systems
Mehr(1) Problemstellung. (2) Kalman Filter
Inhaltsverzeichnis (1) Problemstellung...2 (2) Kalman Filter...2 Funktionsweise... 2 Gleichungen im mehrdimensionalen Fall...3 Schätzung des Systemzustands...3 Vermuteter Schätzfehler... 3 Aktualisierung
MehrComputergraphik I. Scan Conversion: Lines & Co. Einordnung in die Pipeline. G. Zachmann Clausthal University, Germany zach@tu-clausthal.
11/4/10 lausthal omputergraphik I Scan onversion of Lines. Zachmann lausthal University, ermany zach@tu-clausthal.de Einordnung in die Pipeline Rasterisierung der Objekte in Pixel Ecken-Werte interpolieren
MehrElektronisches Auge wird wachsamer
Megapixelkameras erhöhen die Sicherheit Elektronisches Auge wird wachsamer Megapixel-Sensoren steigern die Lichtempfindlichkeit von Überwachungskameras deutlich. Das revolutioniert die Videoüberwachung
MehrBestimmung der relativen Kameraorientierung aus Bildpaaren
Bestimmung der relativen Kameraorientierung aus Bildpaaren Bachelorarbeit an der Fakultät für Informations-, Medien und Elektrotechnik der Fachhochschule Köln im Institut für Medien- und Phototechnik Autor
MehrGleichungen Lösen. Ein graphischer Blick auf Gleichungen
Gleichungen Lösen Was bedeutet es, eine Gleichung zu lösen? Was ist überhaupt eine Gleichung? Eine Gleichung ist, grundsätzlich eine Aussage über zwei mathematische Terme, dass sie gleich sind. Ein Term
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrGrundlagen der Computer-Tomographie
Grundlagen der Computer-Tomographie Quellenangabe Die folgenden Folien sind zum Teil dem Übersichtsvortrag: imbie.meb.uni-bonn.de/epileptologie/staff/lehnertz/ct1.pdf entnommen. Als Quelle für die mathematischen
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrComputer Vision SS 2011. Skript
Computer Vision SS 211 Skript (Work in Progress) Simon Hawe & Martin Kleinsteuber Skript: Manuel Wolf Inhaltsverzeichnis 1 Einführung 1 1.1 Was ist ein Bild?................................. 1 1.2 Wie
MehrTelezentrische Meßtechnik
Telezentrische Meßtechnik Beidseitige Telezentrie - eine Voraussetzung für hochgenaue optische Meßtechnik Autor : Dr. Rolf Wartmann, Bad Kreuznach In den letzten Jahren erlebten die Techniken der berührungslosen,
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrComputergraphik Grundlagen
Computergraphik Grundlagen V. Die Rendering-Pipeline Prof. Stefan Schlechtweg Hochschule Anhalt Fachbereich Informatik Inhalt Lernziele 1. Der Begriff Rendering 2. Die Rendering-Pipeline Geometrische Modellierung
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
Mehr34 5. FINANZMATHEMATIK
34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.
MehrLineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme
Übung Lineare Algebra und Lösung linearer zeitinvarianter Differentialgleichungssysteme Diese Übung beschäftigt sich mit Grundbegriffen der linearen Algebra. Im Speziellen werden lineare Abbildungen, sowie
MehrComputer-Graphik I Transformationen & Viewing
lausthal Motivation omputer-raphik I Transformationen & Viewing Man möchte die virtuelle 3D Welt auf einem 2D Display darstellen. Zachmann lausthal University, ermany zach@in.tu-clausthal.de. Zachmann
MehrSelbstkalibrierung eines KameraRobotersystems
Diplomarbeit Selbstkalibrierung eines KameraRobotersystems Andreas S. Jordt (Matrikelnummer: 632) Betreuer: Dr. Nils T. Siebel August 28 Kognitive Systeme Prof. Dr. Sommer Institut fu r Informatik Christian-Albrechts-Universita
MehrRekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt
Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung
MehrLineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
MehrAugmented Reality - Grundlagen
Augmented Reality - Grundlagen Intelligente Mensch-Maschine-Interaktion - IMMI SS 2011 Prof. Didier Stricker Didier.Stricker@dfki.de Die Vorlesung am 07.06 findet im Raum Zuse am DFKI statt 2 Übersicht
MehrLösen von linearen Gleichungssystemen mit zwei Unbekannten:
Lösen von linearen Gleichungssystemen mit zwei Unbekannten: 1. Additions- und Subtraktionsverfahren 3x = 7y 55 + 5x 3x = 7y 55 7y 5x + 2y = 4 3 5 werden, dass die Variablen links und die Zahl rechts vom
Mehr4. Kapitel 3D Engine Geometry
15.11.2007 Mathematics for 3D Game Programming & Computer Graphics 4. Kapitel 3D Engine Geometry Anne Adams & Katharina Schmitt Universität Trier Fachbereich IV Proseminar Numerik Wintersemester 2007/08
MehrHintergrundsubtraktion mit PTZ-Kameras
Institut für Visualisierung und Interaktive Systeme Universität Stuttgart Universitätsstraße 38 D 70569 Stuttgart Diplomarbeit Nr. 3114 Hintergrundsubtraktion mit PTZ-Kameras Davaadorj Tsendragchaa Studiengang:
MehrMathematik-Dossier. Die lineare Funktion
Name: Mathematik-Dossier Die lineare Funktion Inhalt: Lineare Funktion Lösen von Gleichungssystemen und schneiden von Geraden Verwendung: Dieses Dossier dient der Repetition und Festigung innerhalb der
MehrTeil II. Nichtlineare Optimierung
Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene
MehrGrundlagen der digitalen Bildverarbeitung / Fortsetzung
Grundlagen der digitalen Bildverarbeitung / Fortsetzung Wir haben bereits zwei Beispiele digitaler Bildfilter gesehen. Es gibt eine große Menge von Filtern mit ganz unterschiedlicher Auswirkung auf das
Mehr9. Schätzen und Testen bei unbekannter Varianz
9. Schätzen und Testen bei unbekannter Varianz Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Schätzen und Testen bei unbekannter Varianz Wenn wir die Standardabweichung σ nicht kennen,
MehrName: Klasse: Datum: Klassenarbeit Wachstumsvorgänge Kl10-Gruppe B
Name: Klasse: Datum: Teil B Klassenarbeit Wachstumsvorgänge Kl0-Gruppe B. Gegeben ist die Exponentialfunktion y=f x =0.8 2 x ; x R. (9P) a) Geben Sie die folgenden Eigenschaften dieser Funktion an! Wertebereich,
Mehr2.4 Adaptive Verfahren mit Schrittweitensteuerung
0 0 0 Euler und RK4 fuer f(t,y) = t 0. Euler RK4 /N 0 0 f(t,y) =. t 0., graduiertes Gitter RK4 /N 4 Fehler bei T = 0 3 0 4 0 5 Fehler bei T = 0 5 0 0 0 6 0 7 0 0 0 0 2 0 3 0 4 0 5 Anzahl Schritte N 0 5
MehrEinführung in die Tensorrechnung
1. Definition eines Tensors Tensoren sind Grössen, mit deren Hilfe man Skalare, Vektoren und weitere Grössen analoger Struktur in ein einheitliches Schema zur Beschreibung mathematischer und physikalischer
MehrParallele und funktionale Programmierung Wintersemester 2013/14. 8. Übung Abgabe bis 20.12.2013, 16:00 Uhr
8. Übung Abgabe bis 20.12.2013, 16:00 Uhr Aufgabe 8.1: Zeigerverdopplung Ermitteln Sie an folgendem Beispiel den Rang für jedes Listenelement sequentiell und mit dem in der Vorlesung vorgestellten parallelen
MehrName: Klasse: Datum: Klassenarbeit Wachstumsvorgänge Kl10-Gruppe A
Name: Klasse: Datum: Teil B Klassenarbeit Wachstumsvorgänge Kl10-Gruppe A 1. Gegeben ist die Exponentialfunktion y=f x = 0,5 x ; x R. (9P) a) Geben Sie die folgenden Eigenschaften dieser Funktion an! Wertebereich,
MehrElemente der Analysis II
Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel
MehrBachelorarbeit. Peter Oltmann. 3D-Lagebestimmung von Objekten für Assistenzroboter. Fakultät Technik und Informatik Studiendepartment Informatik
Bachelorarbeit Peter Oltmann 3D-Lagebestimmung von Objekten für Assistenzroboter Fakultät Technik und Informatik Studiendepartment Informatik Faculty of Engineering and Computer Science Department of Computer
MehrFotografie * Informatik * Mathematik * Computer-Algebra * Handreichung für Lehrer
BIKUBISCHE INTERPOLATION AM BEISPIEL DER DIGITALEN BILDBEARBEITUNG - AUFGABENSTELLUNG FÜR SCHÜLER Problem Bei Veränderung der Größe eines Digitalbildes sind entweder zuviel Pixel (Verkleinerung) oder zuwenig
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
MehrDas Magnetfeld der Erde. Stephen Kimbrough Damjan Štrus Corina Toma
Das Magnetfeld der Erde Stephen Kimbrough Damjan Štrus Corina Toma Das Magnetfeld der Erde 65 1 Zusammenfassung Warum ist es so wichtig, die Werte des Magnetfelds der Erde zu kennen? Warum untersucht die
MehrZwei Aufgaben, die auf windschiefe Regelflächen führen,
Zwei Aufgaben, die auf windschiefe Regelflächen führen, von À. KIEFER (Zürich). (Als Manuskript eingegangen am 25. Januar 1926.) I. Gesucht im Raum der Ort des Punktes, von dem aus die Zentralprojektionen
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
MehrGrundlagen der Bildverarbeitung Klaus D. Tönnies
Grundlagen der Bildverarbeitung Klaus D. Tönnies ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney Mexico City Madrid Amsterdam Einflüsse bei der
MehrÜbung 3: Einfache Graphiken und Näherungen durch Regression
Übung 3: Einfache Graphiken und Näherungen durch Regression M. Schlup, 9. August 010 Aufgabe 1 Einfache Graphik Für die abgegebene Leistung P = UI eines linearen, aktiven Zweipols mit Leerlaufspannung
MehrEin Scan basierter Seitenangriff auf DES
Ein Scan basierter Seitenangriff auf DES Seminar Codes & Kryptographie SS04 Tobias Witteler 29.06.2004 Struktur des Vortrags 1. Einführung / Motivation 2. Struktur von DES 3. Die Attacke Begriffsklärung:
MehrBL Brennweite von Linsen
BL Brennweite von Linsen Blockpraktikum Frühjahr 2007 25. April 2007 Inhaltsverzeichnis 1 Einführung 2 2 Theoretische Grundlagen 2 2.1 Geometrische Optik................... 2 2.2 Dünne Linse........................
MehrOptimierte automatische Kameraorientierung auf Basis projektiver Beziehungen
Fakultät für Geowissenschaften, Geotechnik und Bergbau Institut für Markscheidewesen und Geodäsie Diplomarbeit Optimierte automatische Kameraorientierung auf Basis projektiver Beziehungen David Matthus
MehrK2 MATHEMATIK KLAUSUR. Aufgabe PT WTA WTGS Darst. Gesamtpunktzahl Punkte (max) 28 15 15 2 60 Punkte Notenpunkte
K2 MATHEMATIK KLAUSUR 26.2.24 Aufgabe PT WTA WTGS Darst. Gesamtpunktzahl Punkte (max 28 5 5 2 6 Punkte Notenpunkte PT 2 3 4 5 6 7 8 9 P. (max 2 2 2 4 5 3 3 4 3 Punkte WT Ana A.a b A.c Summe P. (max 7 5
Mehrwww.mathe-aufgaben.com
Abiturprüfung Mathematik Baden-Württemberg (ohne CAS) Pflichtteil Aufgaben Aufgabe : ( VP) Bilden Sie die erste Ableitung der Funktion f mit sin() f() =. Aufgabe : ( VP) Berechnen Sie das Integral ( )
MehrFunktionen (linear, quadratisch)
Funktionen (linear, quadratisch) 1. Definitionsbereich Bestimme den Definitionsbereich der Funktion f(x) = 16 x 2 2x + 4 2. Umkehrfunktionen Wie lauten die Umkehrfunktionen der folgenden Funktionen? (a)
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.
MehrHead Tracking durch Bildanalyse auf einem Smartphone
Gruppenarbeit Head Tracking durch Bildanalyse auf einem Smartphone Andreas Marcaletti Si Sun Betreuer: Samuel Welten Michael Kuhn Prof. Dr. R. Wattenhofer 1 / 17
MehrInternal Report 06 01. Inkrementelle Akquisition von 3D-Objektmodellen
Internal Report 06 01 Inkrementelle Akquisition von 3D-Objektmodellen by Lars Heyden Ruhr-Universität Bochum Institut für Neuroinformatik 44780 Bochum IR-INI 06 01 April 2006 ISSN 0943-2752 c 2006 Institut
MehrComputer Graphik. Mitschrift von www.kuertz.name
Computer Graphik Mitschrift von www.kuertz.name Hinweis: Dies ist kein offizielles Script, sondern nur eine private Mitschrift. Die Mitschriften sind teweilse unvollständig, falsch oder inaktuell, da sie
MehrBachelorarbeit. Visual Docking für die Rotorblattinspektion. per Multikopter
Bachelorarbeit Visual Docking für die Rotorblattinspektion per Multikopter angefertigt an der Hochschule Harz Fachbereich Automatisierung und Informatik Studiengang Automatisierungstechnik vorgelegt von:
MehrPlanare Projektionen und Betrachtungstransformation. Quelle: Angel (2000)
Planare Projektionen und Betrachtungstransformation Quelle: Angel (2) Gliederung Einführung Parallelprojektionen Perspektivische Projektionen Kameramodell und Betrachtungstransformationen Mathematische
MehrKapitel 15. Lösung linearer Gleichungssysteme
Kapitel 15. Lösung linearer Gleichungssysteme Lineare Gleichungssysteme Wir befassen uns nun mit der Lösung im allgemeinen nichthomogener linearer Gleichungssysteme in zweifacher Hinsicht. Wir studieren
MehrKreisprogrammierung Interpolation
Kreisprogrammierung Zuerst einige Worte zur Interpolation: Wenn eine mathematische Formel grafisch als Punkte dargestellt wird, die zu einer (angenäherten) Geraden oder Kurve verbunden werden, dann ist
MehrO. Rott Starrkörperbewegungen, Singularitäten, die Jacobimatrix und Roboterdynamik
W eierstraß-institut für Angew andte Analysis und Stochastik Robotik-Seminar O. Rott Starrkörperbewegungen, Singularitäten, die Jacobimatrix und Roboterdynamik Mohrenstr 39 10117 Berlin rott@wias-berlin.de
MehrDie Laufzeit muss nun ebenfalls in Monaten gerechnet werden und beträgt 25 12 = 300 Monate. Damit liefert die Sparkassenformel (zweiter Teil):
Lösungen zur Mathematikklausur WS 2004/2005 (Versuch 1) 1.1. Hier ist die Rentenformel für gemischte Verzinsung (nachschüssig) zu verwenden: K n = r(12 + 5, 5i p ) qn 1 q 1 = 100(12 + 5, 5 0, 03)1, 0325
MehrLinsen und Linsensysteme
1 Ziele Linsen und Linsensysteme Sie werden hier die Brennweiten von Linsen und Linsensystemen bestimmen und dabei lernen, wie Brillen, Teleobjektive und andere optische Geräte funktionieren. Sie werden
Mehr6.2 Regressionsanalyse
c-kennzahlensystem (ROCI) 6. Regressionsanalyse Die Regressionsanalyse zählt zu den wichtigsten Analysemethoden des Kommunikationscontrollings und hat ihre tiefen Wurzeln in der Statistik. Im Rahmen des
MehrInformationsgehalt von Messungen von IR-Bildsensor und FTIR Spektrometer für die Bestimmung von CO2 und CO Säulengehalten über Vegetationsfeuern
Informationsgehalt von Messungen von IR-Bildsensor und FTIR Spektrometer für die Bestimmung von CO2 und CO Säulengehalten über Vegetationsfeuern M.HESS, F.SCHREIER und A.DOICU Institut für Methodik der
MehrModulabschlussklausur Analysis II
Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen
MehrV 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x + 400 y = 520 300x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775,
Aufgabenpool für angewandte Mathematik / 1. Jahrgang V B, C, D Drinks Ein gastronomischer Betrieb kauft 300 Dosen Energydrinks (0,3 l) und 400 Liter Flaschen Mineralwasser und zahlt dafür 50, Euro. Einen
MehrScheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É.
Scheduling und Lineare ProgrammierungNach J. K. Lenstra, D. B. Shmoys und É. Tardos Janick Martinez Esturo jmartine@techfak.uni-bielefeld.de xx.08.2007 Sommerakademie Görlitz Arbeitsgruppe 5 Gliederung
MehrKlassische Theoretische Physik II. V: Prof. Dr. M. Mühlleitner, Ü: Dr. M. Rauch. Klausur 1 Lösung. 01. August 2012, 17-19 Uhr
KIT SS 0 Klassische Theoretische Physik II V: Prof. Dr. M. Mühlleitner, Ü: Dr. M. Rauch Klausur Lösung 0. August 0, 7-9 Uhr Aufgabe : Kurzfragen (+++4=0 Punkte (a Zwangsbedingungen beschreiben Einschränkungen
MehrVorkurs Mathematik Übungen zu Polynomgleichungen
Vorkurs Mathematik Übungen zu en 1 Aufgaben Lineare Gleichungen Aufgabe 1.1 Ein Freund von Ihnen möchte einen neuen Mobilfunkvertrag abschließen. Es gibt zwei verschiedene Angebote: Anbieter 1: monatl.
MehrAustausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen
Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:
MehrUmgekehrte Kurvendiskussion
Umgekehrte Kurvendiskussion Bei einer Kurvendiskussion haben wir eine Funktionsgleichung vorgegeben und versuchen ihre 'Besonderheiten' herauszufinden: Nullstellen, Extremwerte, Wendepunkte, Polstellen
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
MehrAuswertung von kritischen Daten Vorgehensweise anhand eines Beispiels Visual-XSel 10.0
Auswertung von kritischen Daten Vorgehensweise anhand eines Beispiels Visual-XSel 10.0??? Curt Ronniger 2007 Bei Neueinstieg in das Programm, sollte zunächst die Dokumentation XSelDoE10.pdf gelesen werden.
MehrRegressionsanalysen. Zusammenhänge von Variablen. Ziel der Regression. ( Idealfall )
Zusammenhänge von Variablen Regressionsanalysen linearer Zusammenhang ( Idealfall ) kein Zusammenhang nichtlinearer monotoner Zusammenhang (i.d.regel berechenbar über Variablentransformationen mittels
MehrTheoretische Grundlagen der Informatik WS 09/10
Theoretische Grundlagen der Informatik WS 09/10 - Tutorium 6 - Michael Kirsten und Kai Wallisch Sitzung 13 02.02.2010 Inhaltsverzeichnis 1 Formeln zur Berechnung Aufgabe 1 2 Hamming-Distanz Aufgabe 2 3
MehrNichtlineare Optimierung ohne Nebenbedingungen
Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt
MehrMathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011
Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h
MehrHauptseminar Autofokus
Hauptseminar Autofokus Hans Dichtl 30. Januar 2007 Wann ist ein Bild fokussiert? Wann ist ein Bild fokusiert? Welche mathematischen Modelle stehen uns zur Verfügung? Wie wird das elektronisch und mechanisch
MehrInstitut für Informatik Visual Computing SE Computational Photography
Kameramodelle und Grundlagen Institut für Informatik Visual Computing SE Computational Photography Prof. Eisert Vortrag von Juliane Hüttl Gliederung 1. Bilderfassung 1. Optische Abbildungsmodelle 2. Sensoren
Mehr0, v 6 = 2 2. 1, v 4 = 1. 2. span(v 1, v 5, v 6 ) = span(v 1, v 2, v 3, v 4, v 5, v 6 ) 4. span(v 1, v 2, v 4 ) = span(v 2, v 3, v 5, v 6 )
Aufgabe 65. Ganz schön span(n)end. Gegeben sei folgende Menge M von 6 Vektoren v, v,..., v 6 R 4 aus Aufgabe P 6: M = v =, v =, v =, v 4 =, v 5 =, v 6 = Welche der folgenden Aussagen sind wahr? span(v,
MehrGefesselte Masse. Jörg J. Buchholz 23. März 2014
Gefesselte Masse Jörg J. Buchholz 23. März 204 Einleitung In Abbildung ist eine Punktmasse m dargestellt, die sich, von einem masselosen starren tab der Länge l gefesselt, auf einer Kreisbahn bewegt. Dabei
Mehr3D-Sensorik für Industrie- und Alltagsanwendungen. Dr. Markus Pichler Linz Center of Mechatronics GmbH www.lcm.at markus.pichler@lcm.
3D-Sensorik für Industrie- und Alltagsanwendungen Dr. Markus Pichler Linz Center of Mechatronics GmbH www.lcm.at markus.pichler@lcm.at Übersicht Kamera und optische Markierung Einzelzielmarkierung Vermessung
Mehr