Linien- / Flächenfindung in Bildern der PMD-3D-Kamera. Hochschule für Technik und Wirtschaft Dresden
|
|
- Oldwig Dieter
- vor 6 Jahren
- Abrufe
Transkript
1 Linien- / Flächenfindung in Bildern der PMD-3D-Kamera Angelos Drossos Marius Vopel Christian Lenke Hochschule für Technik und Wirtschaft Dresden Fakultät Informatik / Mathematik Fachgebiet Künstliche Intelligenz 31. Januar 2012
2 Motivation Motivation: Linien- / Flächenfindung 3D-Kamerasysteme: 3D-Punktwolke Für verschiedene Aufgaben: 3D-Informationen nützlich Navigation (Bodenerkennung, Kollisionserkennung) Mapping Dimensionsreduzierung der Punktwolke einfache Objekterkennung (unabhaengig von Lichtverhältnissen) Flächenbasierte Repräsentationen besser geeignet Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 2 / 25
3 Ziel Ziel: Linien- und Flächenfindung Ziel Implementation eines Algorithmus Graphische Ausgabe des Ergebnisses Flächenbasierte Repräsentation finden triangle mesh Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 3 / 25
4 Inhaltsverzeichnis 1 Einführung 2 Problemanalyse System Ansatz 3 Implementationsaspekte 4 Umsetzung 5 Schlussbemerkungen Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 4 / 25
5 System Das System Blockschaltbild Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 5 / 25
6 Ansatz Vorhandene Ansätze Ausgehend von einer Linie / Fläche erweitern Algorithmen unterscheiden sich durch... Kriterien für Erweiterung Ansprüche, die beachtet werden müssen Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 6 / 25
7 Inhaltsverzeichnis 1 Einführung 2 Problemanalyse 3 Implementationsaspekte 4 Umsetzung 5 Schlussbemerkungen Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 7 / 25
8 Implementationsaspekte Programmiersprache: C++ Portierbarkeit nach Java sicherstellen OpenGL zur graphischen Ausgabe: Direkte Kommunikation mit der Grafikkarte über Vertex Buffer Objects (VBOs) Reduzierung des Speicherbedarfs durch Indexed VBOs Durch glbuffersubdata() können auch Teile des VBOs geändert werden Der Algorithmus zur Linien-/Flächenfindung: systemunabhängig berechnet Abstände zweier Punkte versucht Rauschpunkte zu extrahieren Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 8 / 25
9 Inhaltsverzeichnis 1 Einführung 2 Problemanalyse 3 Implementationsaspekte 4 Umsetzung Grundlagen Auswertung 5 Schlussbemerkungen Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 9 / 25
10 Sicht der Kamera
11 Vogelperspektive
12 Grundlagen Grundlagen Wichtige Annahmen 1 In der Tiefe: keine Punkte überdeckt 2 Rauschen: vorhanden und zufällig verteilt 3 Objekt des Interesses liegt nicht am Rand Folgerungen 1 Nachbarpunkte: aus 2D-Array der Kameraansicht ermittelbar 2 Rauschfelder auch in den Flächen vorhanden 3 Rauschfilterung am Rand nur bedingt möglich Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 12 / 25
13 Grundlagen Grundlagen Wichtige Annahmen 1 In der Tiefe: keine Punkte überdeckt 2 Rauschen: vorhanden und zufällig verteilt 3 Objekt des Interesses liegt nicht am Rand Folgerungen 1 Nachbarpunkte: aus 2D-Array der Kameraansicht ermittelbar 2 Rauschfelder auch in den Flächen vorhanden 3 Rauschfilterung am Rand nur bedingt möglich Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 12 / 25
14 Erste Idee = Untersuche Nachbarschaft in einem bestimmten Umfeld Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 13 / 25
15 Erste Idee = Zur Rauschanalyse ist mind. ein 5x5-Umfeld nötig Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 13 / 25
16 Optimierung = Durchlaufe alle Pixel und Für jeden Pixel: Untersuche Nachbarschaft Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 14 / 25
17 Optimierung = Wenn Entfernung zw. zwei Punkten klein: verbinden Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 14 / 25
18 Optimierung = Wenn Entfernung zw. zwei Punkten klein: verbinden Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 14 / 25
19 Optimierung = Betrachte nächstes Feld rechts / nächste Zeile ganz links Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 14 / 25
20 Optimierung = Nachbarschaft rechts und unten zu kontrollieren reicht aus! Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 14 / 25
21 Optimierung = Nachbarschaft rechts und unten zu kontrollieren reicht aus! Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 14 / 25
22 Rauschfilterung: Einzelne Rauschpunkte = Entfernung ist zu groß! Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 15 / 25
23 Rauschfilterung: Einzelne Rauschpunkte = Untersuche weitere Nachbarschaft: links, rechts Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 15 / 25
24 Rauschfilterung: Einzelne Rauschpunkte = Untersuche weitere Nachbarschaft: oben, unten Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 15 / 25
25 Rauschfilterung: Einzelne Rauschpunkte = Wenn Entfernungen klein: einzelner Rauschpunkt vorhanden Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 15 / 25
26 Rauschfilterung: Einzelne Rauschpunkte = Wenn Entfernungen zu groß: Untersuche Eckpunkte Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 15 / 25
27 Rauschfilterung: Rauschpunkt ist aktueller Pixel = Wenn Entfernungen kurz: verbinden (neue Linie bzw. Fläche!) Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 16 / 25
28 Rauschfilterung: Rauschpunkt ist aktueller Pixel = Wenn Entfernungen zu groß: Rauschpunkt vorhanden! Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 16 / 25
29 Korrektur: Nachbarschaft gehört bereits zu einer anderen Linie/Fläche = Wenn zwei Flächen sich um ein Feld streiten : kürzere Entfernung hat Vorrang! Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 17 / 25
30 Korrektur: Nachbarschaft gehört bereits zu einer anderen Linie/Fläche = Korrigiere Flächen-ID von 2 auf 1? Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 17 / 25
31 Auswertung Auswirkungen des gewählten Entfernungs-Thresholds extrem verrauschte PMD-Kamera-Bilder (Ausgangsbild) Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 18 / 25
32 Auswertung Auswirkungen des gewählten Entfernungs-Thresholds extrem verrauschte PMD-Kamera-Bilder (Treshold bei 30 cm) Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 18 / 25
33 Auswertung Auswirkungen des gewählten Entfernungs-Thresholds extrem verrauschte PMD-Kamera-Bilder (Treshold bei 3 cm) Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 18 / 25
34 Auswertung Auswirkungen des gewählten Entfernungs-Thresholds verrauschte PMD-Kamera-Bilder (Treshold bei 30 cm) Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 19 / 25
35 Auswertung Auswirkungen des gewählten Entfernungs-Thresholds verrauschte PMD-Kamera-Bilder (Treshold bei 0.8 cm) Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 19 / 25
36 Auswertung Auswirkungen des gewählten Entfernungs-Thresholds verrauschte PMD-Kamera-Bilder (Treshold bei 3 cm) Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 19 / 25
37 Auswertung Auswirkungen unterschiedlicher Umgebungen verrauschte PMD-Kamera-Bilder (t = 0) Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 20 / 25
38 Auswertung Auswirkungen unterschiedlicher Umgebungen verrauschte PMD-Kamera-Bilder (t = 1) Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 20 / 25
39 Auswertung Auswirkungen unterschiedlicher Umgebungen verrauschte PMD-Kamera-Bilder (t = 2) Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 20 / 25
40 Auswertung Auswirkungen unterschiedlicher Umgebungen verrauschte PMD-Kamera-Bilder (t = 3) Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 20 / 25
41 Auswertung Auswirkungen unterschiedlicher Umgebungen verrauschte PMD-Kamera-Bilder (t = 4) Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 20 / 25
42 Auswertung Auswirkungen unterschiedlicher Umgebungen verrauschte PMD-Kamera-Bilder (t = 5) Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 20 / 25
43 Auswertung Auswirkungen unterschiedlicher Umgebungen verrauschte PMD-Kamera-Bilder (t = 6) Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 20 / 25
44 Auswertung Auswirkungen unterschiedlicher Umgebungen verrauschte PMD-Kamera-Bilder (t = 7) Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 20 / 25
45 Auswertung Auswirkungen unterschiedlicher Umgebungen verrauschte PMD-Kamera-Bilder (t = 8) Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 20 / 25
46 Auswertung Auswirkungen unterschiedlicher Umgebungen verrauschte PMD-Kamera-Bilder (t = 9) Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 20 / 25
47 Inhaltsverzeichnis Schlussbemerkungen 1 Einführung 2 Problemanalyse 3 Implementationsaspekte 4 Umsetzung 5 Schlussbemerkungen Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 21 / 25
48 Schlussbemerkungen Ausblick Linien- / Flächenfindung in Bildern einer PMD-3D-Kamera Erweiterbarkeit Bodenerkennung Ecken werden nicht erkannt Nachfolgende Glättung nötig, um Ebenen besser zu erkennen Anzahl der Punkte reduzieren Erweiterbarkeit: Objekterkennung Glättung nötig, um Objekte besser zu erkennen (z.b. Multiple Regression ) versucht Rauschpunkte zu extrahieren Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 22 / 25
49 Schlussbemerkungen Linien- / Flächenfindung in Bildern der PMD-3D-Kamera Vielen Dank für Ihre Aufmerksamkeit! Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 23 / 25
50 Literatur Quellen Marton, Z.C., Rusu, R.B. & Beetz, M.: On fast surface reconstruction methods for large and noisy point clouds. ICRA 09. Nguyen, Viet et. al.: A Comparison of Line Extraction Algorithms using 2D Laser Rangefinder for Indoor Mobile Robotics. IROS Turk, Greg & Levoy, Marc: Zippered Polygon Meshes from Range Images. Linien- / Flächenfindung in Bildern der PMD-3D-Kamera 24 / 25
51 Nachträgliche Bemerkungen Der verwendete Algorithmus: führt eine lokale Suche durch; ist auf Performance ausgelegt; löst aber das Problem nicht (immer) zufriedenstellend. Andere Ansätze (z.b. globale Suchen): lösen das Problem mit besserem Ergebnis, wobei die Performance beachtet werden muss; sind ggf. auf bestimmte Aufgaben beschränkt. Der implementierte Code: liefert eine 2D-Repräsentation in Form eines 2D-Arrays mit Linien-/Flächen-IDs; erzeugt aus dieser 2D-Repräsentation eine 3D-Ansicht in OpenGL; liefert eine anpassbare / erweiterbare Suche. (Andere Gruppen müssen sich nicht mehr mit OpenGL auseinandersetzen)
Dekonvolution von Omnikamerabildern
1 / 23 Dekonvolution von Omnikamerabildern Tobias Börtitz, Hermann Lorenz, Lutz Krätzer, Josef Söntgen Betreuer: Richard Schmidt HTW Dresden, Deutschland Abschluß Präsentation 15. Februar 2012 2 / 23 1
MehrSuche nach korrespondierenden Pixeln
Suche nach korrespondierenden Pixeln Seminar Algorithmen zur Erzeugung von Panoramabildern Philip Mildner, Gliederung 1. Motivation 2. Anforderungen 3. Moravec Detektor 4. Harris Detektor 5. Scale Invariant
MehrParallele Algorithmen in der Bildverarbeitung
Seminar über Algorithmen - SoSe 2009 Parallele Algorithmen in der Bildverarbeitung von Christopher Keiner 1 Allgemeines 1.1 Einleitung Parallele Algorithmen gewinnen immer stärker an Bedeutung. Es existieren
MehrBlendaX Grundlagen der Computergrafik
BlendaX Grundlagen der Computergrafik Beleuchtungsmodelle (Reflection Models) 16.11.2007 BlendaX Grundlagen der Computergrafik 1 Rendering von Polygonen Der Renderingprozess lässt sich grob in folgende
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
MehrAutomatic segmentation for dental operation planning. Diplomarbeit. Nguyen The Duy
Automatic segmentation for dental operation planning Diplomarbeit Nguyen The Duy 24.02.2012 Motivation Quelle: bestbudapestdentist.com Aufgabenstellung Segmentierung des Oberkiefers (Maxilla) Detektion
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
MehrSeminar. Visual Computing. Poisson Surface Reconstruction. Peter Hagemann Andreas Meyer. Peter Eisert: Visual Computing SS 11.
Poisson Surface Reconstruction Peter Hagemann Andreas Meyer Seminar 1 Peter Eisert: SS 11 Motivation Zur 3D Darstellung von Objekten werden meist Scan-Daten erstellt Erstellung eines Dreieckmodells aus
MehrFormale Begriffsanalyse
Formale Begriffsanalyse Eine Einführung Ronny Brendel Betreuer: Uwe Ryssel Institut für angewandte Informatik, TU Dresden, Gliederung Motivation Geschichte Ermitteln eines Begriffsverbands Anwendung Funktionen
MehrLEISTUNGSVERGLEICH VON FPGA, GPU UND CPU FÜR ALGORITHMEN ZUR BILDBEARBEITUNG PROSEMINAR INF-B-610
LEISTUNGSVERGLEICH VON FPGA, GPU UND CPU FÜR ALGORITHMEN ZUR BILDBEARBEITUNG PROSEMINAR INF-B-610 Dominik Weinrich dominik.weinrich@tu-dresden.de Dresden, 30.11.2017 Gliederung Motivation Aufbau und Hardware
MehrAutomatisch-generierte Texturen aus Laserpunktwolken
Automatisch-generierte Texturen aus Laserpunktwolken Sharon Friedrich, Maik Häsner Ruprecht-Karls-Universität Heidelberg Interdisziplinäres Zentrum für wissenschaftliches Rechnen (IWR) Softwarepraktikum
MehrSeminar im Grundstudium: Motion-Tracking in der Robotik
Seminar im Grundstudium SS2007 Seminar im Grundstudium: Motion-Tracking in der Robotik Lehrstuhl für Hardware-Software-Co-Design Universität Erlangen-Nürnberg stefan.wildermann@informatik.uni-erlangen.de
MehrKartenerstellung und Navigation
Kartenerstellung und Navigation zur Positionserkennung autonomer Fahrzeuge von Ilona Blanck 27. Mai 2008 im Rahmen der Anwendungen I Vorlesung des Masterstudiums Informatik der Fakultät Technik und Informatik
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?
Mehrv R n ist Abstiegsrichtung in x R n wenn f(x) v < 0 v R n ist Abstiegsrichtung in x R n wenn i=1,,d: f i
MOP: Pareto-Gradientenabstiegsverfahren Annahme: Zielfunktion differenzierbar Wintersemester 2007/08 Praktische Optimierung (Vorlesung) d = 1: (monokriteriell) v R n ist Abstiegsrichtung in x R n wenn
MehrPRIP-Preis. Effizientes Object Tracking durch Programmierung von Mehrkernprozessoren und Grafikkarten
Masterarbeit @ PRIP-Preis Effizientes Object Tracking durch Programmierung von Mehrkernprozessoren und Grafikkarten Michael Rauter Pattern Recognition and Image Processing Group Institute of Computer Aided
MehrMehrdimensionale Arrays
Informatik Studiengang Chemische Technologie Michael Roth michael.roth@h-da.de Hochschule Darmstadt -Fachbereich Informatik- WS 2012/2013 Inhalt Teil X Michael Roth (h_da) Informatik (CT) WS 2012/2013
MehrDitau-Rekonstruktion in geboosteten Topologien. David Kirchmeier TU Dresden
Ditau-Rekonstruktion in geboosteten Topologien David Kirchmeier TU Dresden! Einleitung!! SUCHE NACH SCHWEREN HIGGSBOSONEN Suche nach schweren Higgsbosonen Suche nach weiteren Higgsbosonen, neben dem entdeckten
MehrVerfahren zur Lokalisierung von Schallquellen im Raum
Hauptseminar Technische Informationssysteme Verfahren zur Lokalisierung von Schallquellen im Raum Ali Jaber Dresden, 05.11.2012 Überblick 1. Motivation 2. Ortungsverfahren Time Delay of Arrival (TDOA)
MehrCell Decomposition & Potential Field
Seminar EXRPR Cell Decomposition & Potential Field Gruppe 2: Thomas Janu Martin Koch Adrian J. Merkl Matthias Schneider Cell Decomposition & Potential Field 20.06.2005 Gruppe 2 Gliederung (1) 1.Cell Decomposition
MehrInformatik II Vorlesung am D-BAUG der ETH Zürich. Vorlesung 7, Fallstudie Point-In-Polygon Algorithmus Diskretisierung: Linien zeichnen
Informatik II Vorlesung am D-BAUG der ETH Zürich Vorlesung 7, 11.4.2016 Fallstudie Point-In-Polygon Algorithmus Diskretisierung: Linien zeichnen Fallstudie: Point-In-Polygon Algorithmus Annahme: abgegrenztes
MehrBeschleunigungen auf Szenenebene
Beschleunigungen auf Szenenebene Thomas Jung Verdeckungsbehandlung OpenGL Entfernen abgewandter Flächen (Backface Cullg) Kappen am Sichtvolumen (Clippg) Z-Speicher-Algorithmus t.jung@htw-berl.de Projektion
MehrHAW Hamburg Anwendung 1 - Vortrag Andrej Rull
HAW Hamburg Anwendung 1 - Vortrag Andrej Rull 02122008 1 Gliederung o Motivation o Der Anwendungsfall o Das SLAM Problem o Lösungsansätze und Algorithmen o Zusammenfassung o Ausblick auf AW2 2 Motivation
MehrVorkurs Informatik WiSe 16/17
Institut für Programmierung Konzepte der Informatik Dr. Werner Struckmann / Stephan Mielke, Jakob Garbe, 12.10.2016 Technische Universität Braunschweig, IPS Inhaltsverzeichnis Schilda-Rallye Was steckt
MehrVorkurs Informatik WiSe 15/16
Konzepte der Informatik Dr. Werner Struckmann / Stephan Mielke, Jakob Garbe, 20.10.2015 Technische Universität Braunschweig, IPS Inhaltsverzeichnis Schilda-Rallye Was steckt dahinter? Darstellung von Graphen
MehrSebastian Kurfürst
Rastergrafikalgorithmen Sebastian Kurfürst s4832338@mail.inf.tu-dresden.de Proseminar Computergraphik Lehrstuhl Computergraphik und Visualisierung Institut für Software- und Multimediatechnik TU Dresden
MehrÜbungsblatt 10: Klausurvorbereitung
Übungsblatt 10: Klausurvorbereitung Abgabe: Dieses spezielle Übungsblatt hat keine Abgabefrist und wird auch nicht korrigiert. Die Lösung gibt es wie immer auf der Homepage der Vorlesung oder in den Übungen
MehrLernmodul 7 Algorithmus von Dijkstra
Folie 1 von 30 Lernmodul 7 Algorithmus von Dijkstra Quelle: http://www.map24.de Folie 2 von 30 Algorithmus von Dijkstra Übersicht Kürzester Weg von A nach B in einem Graphen Problemstellung: Suche einer
MehrNichtrealistische Darstellung von Gebirgen mit OpenGL
Nichtrealistische Darstellung von Gebirgen mit OpenGL Großer Beleg Torsten Keil Betreuer: Prof. Deussen Zielstellung Entwicklung eines Algorithmus, der die 3D- Daten einer Geometrie in eine nichtrealistische
MehrHeuristische Verfahren
Heuristische Verfahren Bei heuristischen Verfahren geht es darum in polynomieller Zeit eine Näherungslösung zu bekommen. Diese kann sehr gut oder sogar optimal sein, jedoch gibt es keine Garantie dafür.
MehrRouting A lgorithmen Algorithmen Begriffe, Definitionen Wegewahl Verkehrslenkung
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
Mehr2.1. Konvexe Hülle in 2D
Wir wollen die konvexe Hülle einer Menge von Punkten P = {p 1,..., p n } in der Ebene R 2 bestimmen. y y x x Def. 21: Eine Teilmenge S der Ebene ist konvex gdw für jedes Paar das Liniensegment pq in S
MehrAlgorithmen und Datenstrukturen
Technische Universität München SoSe 2017 Fakultät für Informatik, I-16 Lösungsblatt 4 Dr. Stefanie Demirci 31. Mai 2017 Rüdiger Göbl, Mai Bui Algorithmen und Datenstrukturen Aufgabe 1 Komplexität Berechnung
MehrJDime: Strukturelle Merges für Java
Olaf Leßenich, Sven Apel Fakultät für Informatik und Mathematik Universität Passau FOSD 2012 Anwendung: Versionskontrolle 2-Way-Merge 3-Way-Merge FOSD 2012 Leßenich / Apel Universität Passau 2 / 13 Beispiel:
Mehr10. Vermessungsingenieurtag Workshop 3 Mobile Mapping an der HFT Stuttgart
10. Vermessungsingenieurtag Workshop 3 Mobile Mapping an der HFT Stuttgart M.Eng. Marius Ziegler Projektleiter: Prof. Dr. M. Hahn 07. November 2014 Mobile Mapping Kernelemente Messgeräte zur Positionsbestimmung
MehrGleichungen in GeoGebra-CAS Quelle: https://wiki.geogebra.org/de/befehle
Gleichungen in GeoGebra-CAS Quelle: https://wiki.geogebra.org/de/befehle Hinweis Mit spitzen Klammern werden die Objekte gekennzeichnet, die du selber ausfüllen sollst. Sie dürfen bei der Übergabe nach
MehrTim Krämer. Archimetrix - Improved Software Architecture Recovery in the Presence of Design Deficiencies. 08. Mai 2013
Tim Krämer 7kraemer@informatik.uni-hamburg.de Archimetrix - Improved Software Architecture Recovery in the Presence of Design Deficiencies 08. Mai 2013 Tim Krämer, 7kraemer@informatik.uni-hamburg.de Universität
MehrBeschleunigungsverfahren für Raytracing Grids Hierarchische Grids Bewertung Fazit
Überblick Einführung Beschleunigungsverfahren für Raytracing Grids Hierarchische Grids Fazit Einführung Gewöhnliche Beschleunigungsverfahren & Raumunterteilung entworfen und optimiert für effizientes Traversieren
MehrSpiegelgasse 1 CH 4051 Basel. Vorführung der laufenden Programme im Tutorium Woche 3 (Abgabe ).
UNIVERSITÄT BASEL Prof. Dr. Thomas Vetter Departement Mathematik und Informatik Spiegelgasse 1 CH 4051 Basel Patrick Kahr (patrick.kahr@unibas.ch) Clemens Büchner (clemens.buechner@unibas.ch) Computer
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
MehrBeleuchtung. in Computerspielen
Beleuchtung in Computerspielen Motivation Überblick Licht und Schattierung Lichtquellen Lokale Beleuchtungsmodelle Schattierungsverfahren Oberflächensimulation Beispiele der CryEngine Ausblick Zusammenfassung
MehrRouting Algorithmen. Begriffe, Definitionen
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrKontinuierliche Echtzeit 3D-Modell Erfassung
Kontinuierliche Echtzeit 3D-Modell Erfassung Im Kontext von kollaborativen Mixed-Reality-Anwendungen Iwer Petersen HAW Hamburg Fakultät TI, Dept. Informatik 19. Juni 2014 I. Petersen (MInf HAW Hamburg)
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
MehrInstitut für Prozessrechentechnik, Automation und Robotik Bericht zum OpenLab am
Bericht zum OpenLab am 02.02.2011 Mit dem Open Robot Lab hat das IPR erstmals in diesem Jahr seine Labore für interessierte Studentinnen und Studenten geöffnet. Unter dem Motto Forschung zum Anfassen und
MehrInteraktive Lokalisierung durch Objekterkennung
Interaktive Lokalisierung durch Objekterkennung Bachelor Thesis Adrian Batzill Motivation GPS Abweichungen - Guter Tag: ~5m - Wahrscheinlicher: >15m Kompass Abweichungen: - Normal ~3-10 Für Augmented Reality
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,
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale
MehrBildbearbeitung und Texturierung
Ulf Döring, Markus Färber 07.03.2011 1. Anti-Aliasing (a) Wodurch entsteht der Aliasing-Effekt bei der Rasterisierung einer Linie? (b) Wie kann der Aliasing-Effekt durch Supersampling mit nachträglichem
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
MehrApproximationsverfahren für die Kurvendarstellung
Approximationsverfahren für die Kurvendarstellung (a) Bézier-Kurven spezielle Form polynomialer Kurven spezifiziert durch n+1 Kontrollpunkte P 0, P 1,..., P n Kurve läuft nicht durch alle Kontrollpunkte,
MehrKamerabasierte Erkennung von Fußgängern in urbanen Verkehrsszenen
Kamerabasierte Erkennung von Fußgängern in urbanen Verkehrsszenen Vortragender: Studiengang: Betreuer: Yeyi Qiu Fahrzeugtechnik Prof. Dr. rer. nat. Toralf Trautmann M. Sc. Patrick Richter Seite 01 von
MehrGenerischer Modellvergleich mit EMF Compare
Fakultät Informatik Hauptseminar Technische Informationssysteme SS2010 Generischer Modellvergleich mit EMF Betreuer: Dipl.-Inf. Uwe Ryssel Dresden, 16.07.2010 Gliederung 1. Motivation 2. Eclipse Modeling
MehrProbabilistische Methoden für die Roboter-Navigation am Beispiel eines autonomen Shopping- Assistenten. Von Christof Schröter
Probabilistische Methoden für die Roboter-Navigation am Beispiel eines autonomen Shopping- Assistenten Von Christof Schröter Universitätsverlag Ilmenau 2009 Impressum Bibliografische Information der Deutschen
MehrFakultät Math-Nat Fachrichtung Physik, Computational Physics. DLA Diffusionsbegrenztes Wachstum
Fakultät MathNat Fachrichtung Physik, Computational Physics DLA Diffusionsbegrenztes Wachstum Dresden, 13.07.2010 Gliederung 01 Idee 02 Umsetzung 03 Programmierung 04 Ergebnisse 05 kritische Auswertung
MehrÜbersicht. Begriffserklärung Motivation / Anwendungen Drei Algorithmen Zusammenfassung Fragen Quellen. Triangulierung von Steffen Ernst 2
Triangulierung Übersicht Begriffserklärung Motivation / Anwendungen Drei Algorithmen Zusammenfassung Fragen Quellen Triangulierung von Steffen Ernst 2 Begriffserklärung Ein Graph ist trianguliert, wenn
MehrEntwicklung einer robusten Methode zur Berechnung von Stereokorrespondenzen
Entwicklung einer robusten Methode zur Berechnung von Stereokorrespondenzen Seminar - Wintersemester 2010/2011 Fakultät Technik und Informatik Department Informatik Gregory Föll Übersicht Rückblick Stereo
MehrLAREX - Ein Werkzeug zur Layout-Analyse und Segmentierung von frühen Buchdrucken
LAREX - Ein Werkzeug zur Layout-Analyse und Segmentierung von frühen Buchdrucken Lehrstuhl für Künstliche Intelligenz und Angewandte Informatik Universität Würzburg 17.03.2017 Motivation und Ansatz Segmentierung
MehrPhysikalische Grundlagen
Gesundheitliche Aspekte von elektrischen und magnetischen Feldern bei Hochspannungs- Gleichstrom-Freileitungen und -Kabeln sowie Drehstrom-Freileitungen Dr. Hannah Heinrich 2h-engineering & -research Elektrische
MehrAlgorithmische Geometrie Thema: Konvexe Hüllen
Algorithmische Geometrie Thema: Konvexe Hüllen Christoph Hermes Hermes@hausmilbe.de 17. Juni 2003 Ausblick auf den Vortrag 1/32 1 Was sind konvexe Hüllen? Wozu braucht man sie? Wie kann man sie berechnen
MehrDigitale Bildverarbeitung - Rechnerübung 3
Digitale Bildverarbeitung - Rechnerübung 3 1. Khoros Zur Durchführung der Rechnerübung wird das Programmpaket KHOROS mit seiner Benutzerschnittstelle Cantata verwendet. Nach der Anmeldung am Rechner durch
MehrSpherical Maps. 1 Selbst gestellte Aufgabe. 2 Umsetzung. 2.1 Programmstruktur
1 Selbst gestellte Aufgabe 1 Spherical Maps Bearbeitet von Andreas Petermann MNr.: 162586 Danilo Gulamhussene MNr.: 162795 Sascha Baldt MNr.: 162773 als Bildinformationstechik-Praktikum im Wintersemester
MehrDistributed Algorithms. Image and Video Processing
Chapter 6 Optical Character Recognition Distributed Algorithms for Übersicht Motivation Texterkennung in Bildern und Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben
MehrImplementierung des Scan-Matching-Algorithmus MbICP im Fach Mensch-Maschine- Kommunikation/Robotik
Implementierung des Scan-Matching-Algorithmus MbICP im Fach Mensch-Maschine- Kommunikation/Robotik Betreuer: Dipl.-Inf. (FH) Peter Poschmann Enrico Uhlig, Markus Fischer, Marcus Kupke 26. Jun 2012 1 Gliederung
MehrComputergrafik 2010 Oliver Vornberger. Kapitel 18: Beleuchtung. Vorlesung vom
Computergrafik 2010 Oliver Vornberger Kapitel 18: Beleuchtung Vorlesung vom 08.06.2010 1 Korrektur α Für den Winkel zwischen den normierten Vektoren und gilt: ~v ~w A B C D sin(α) = ~v ~w 0,0 % sin(α)
Mehr3D-Oberflächen-Rekonstruktion und plastisches Rendern aus Bilderserien
plastisches Rendern aus Bilderserien Sebastian Schäfer Carsten Heep Detlef Krömker Unterstüzung: Thomas Lehmann Krister Smith Naturmuseum Senckenberg Übersicht Motivation & Problemstellung Verfahren Anforderungen
MehrElementare Bildverarbeitungsoperationen
1 Elementare Bildverarbeitungsoperationen - Kantenerkennung - 1 Einführung 2 Gradientenverfahren 3 Laplace-Verfahren 4 Canny-Verfahren 5 Literatur 1 Einführung 2 1 Einführung Kantenerkennung basiert auf
MehrEinführung in die Programmierung für Nebenfach Medieninformatik. Beat Rossmy, Michael Kirsch
Einführung in die Programmierung für Nebenfach Medieninformatik Beat Rossmy, Michael Kirsch Direct Feedback - Socrative Eure Mitarbeit ist uns wichtig! Installiert euch dazu die kostenlose App Socrative
MehrAndroid will doch nur spielen. Ein Spieleframework stellt sich vor
Android will doch nur spielen Ein Spieleframework stellt sich vor 1 Agenda Motivation Eine allgemeine Spieleschnittstelle Reguläre Brettspiele TicTacToe Visualisierung und Steuerung Spieleagenten Weitere
MehrWarum konvergieren Genetische Algorithmen gegen ein Optimum?
1 / 21 Gliederung 1 Das Schematheorem Motivation Begriffe Herleitung Ergebnis Das Schematheorem Das Schematheorem Motivation 3 / 21 Warum konvergieren Genetische Algorithmen gegen ein Optimum? Theoretische
MehrGeometrie. Hallo Welt! für Fortgeschrittene Simon Kuhnle. 11. Juli
Geometrie Hallo Welt! für Fortgeschrittene 2008 Simon Kuhnle sisikuhn@stud.informatik.uni-erlangen.de 11. Juli 2008 Simon Kuhnle Geometrie 11.07.2008 1 / 33 Übersicht Übersicht 1 Grundlagen 2 ccw 3 Konvexe
MehrEine einfache Speicherverwaltung 211
Eine einfache Speicherverwaltung 211 Im folgenden wird eine sehr einfache Speicherverwaltung vorgestellt, die das Belegen und Freigeben von Speicher unterstützt, freigegebene Speicherflächen wieder zur
MehrLabor Software-Entwicklung 1
Fakultät für Technik STUDIENGANG MEDIZINTECHNIK Labor Software-Entwicklung Vorbereitungsaufgaben zu Versuch 2 C-Programmierung Mathematische Berechnungen Wintersemester 205/206 Seite von 5 Vorbemerkungen
MehrCUDA. Jürgen Pröll. Multi-Core Architectures and Programming. Friedrich-Alexander-Universität Erlangen-Nürnberg Jürgen Pröll 1
CUDA Jürgen Pröll Multi-Core Architectures and Programming Jürgen Pröll 1 Image-Resize: sequentiell resize() mit bilinearer Interpolation leicht zu parallelisieren, da einzelne Punkte voneinander unabhängig
MehrKapitel 9 Kombination von Vektor- und Rasterdaten
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE Kapitel 9 Kombination von Vektor- und Rasterdaten Skript zur Vorlesung Geo-Informationssysteme Wintersemester 2014/15
MehrErstellen von Loft-Objekten aus mehreren 2D-Formen, Einstellen der UVW-Koordinaten im Loft-Objekt und
3.9 Torbogen 3.9.1 Übungsziel Erarbeitung bzw. Vertiefung der folgenden Sachverhalte: Arbeit mit den Gittersprungfunktionen, Erstellen von 2D-Primitiven, Kombinieren und Modifizieren der Primitive, Konvertiern
MehrWas bisher geschah. 1. Zerlegung in monotone Polygone 2. Triangulierung der monotonen Teilpolygone
Was bisher geschah Motivation, Beispiele geometrische Objekte im R 2 : Punkt, Gerade, Halbebene, Strecke, Polygon, ebene Zerlegung in Regionen (planare Graphen) maschinelle Repräsentation geometrischer
Mehr(1) Geometrie. Vorlesung Computergraphik 3 S. Müller U N I V E R S I T Ä T KOBLENZ LANDAU
(1) Geometrie Vorlesung Computergraphik 3 S. Müller KOBLENZ LANDAU KOBLENZ LANDAU Organisatorisches Vorlesung CG 2+3 Die Veranstaltung besteht aus 2 Teilen, wobei in der Mitte und am Ende eine Klausur
Mehr9. Kombination von Vektor- und Rasterdaten
9. Kombination von Vektor- und Rasterdaten 1. Vergleich von Vektor- und Rasterdaten 2. Morphologische Operationen 3. Transformationen des Formats 4. Kombinierte Auswertungen Geo-Informationssysteme 224
MehrPolygontriangulierung
Übung Algorithmische Geometrie Polygontriangulierung LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann 07.05.204 Ablauf Vergabe der Projekte Übungsblatt
MehrHS Virtuelle Präsenz
HS Virtuelle Präsenz Universität Ulm Fakultät Informatik Abt. Verteilte Systeme Michael Schöttner Collaborative Browsing Stefan Guggenmos Inhaltsübersicht 1. Allgemeine Problematik 2. Begriffe 3. CoBrow
MehrAlgorithmische Geometrie: Arrangements und
Algorithmische Geometrie: Arrangements und Dualität Nico Düvelmeyer WS 2009/2010, 19.1.2010 Überblick 1 Strahlenverfolgung und Diskrepanz 2 Dualität Dualitäts-Abbildung Transformation des Problems zur
MehrMichael Bender Martin Brill. Computergrafik. Ein anwendungsorientiertes Lehrbuch. 2., überarbeitete Auflage HANSER
Michael Bender Martin Brill Computergrafik Ein anwendungsorientiertes Lehrbuch 2., überarbeitete Auflage HANSER Inhaltsverzeichnis Vorwort XI 1 Einleitung 1 1.1 Die Entwicklung der Computergrafik 1 1.2
MehrName:... Matr.-Nr... Bearbeitungszeit: 120 Minuten. Lesen Sie die Aufgaben jeweils bis zum Ende durch; oft gibt es hilfreiche Hinweise!
Fakultät IV Elektrotechnik/Informatik Klausur Einführung in die Informatik I für Elektrotechniker Name:.................................... Matr.-Nr..................................... Bearbeitungszeit:
MehrComputergrafik. Michael Bender, Manfred Brill. Ein anwendungsorientiertes Lehrbuch ISBN Inhaltsverzeichnis
Computergrafik Michael Bender, Manfred Brill Ein anwendungsorientiertes Lehrbuch ISBN 3-446-40434-1 Inhaltsverzeichnis Weitere Informationen oder Bestellungen unter http://www.hanser.de/3-446-40434-1 sowie
MehrKonzepte der Informatik
Platzhalter für Bild, Bild auf Titelfolie hinter das Logo einsetzen Konzepte der Informatik Vorkurs Informatik zum WS 23/24 6.9. - 27.9.23 Dr. Werner Struckmann / Hendrik Freytag. April 2 Referent Kurztitel
MehrProgrammierung. Rückblick. VWA - Programmierung Winter Algorithmus. Programmiersprache. Variable. Zuweisung. Bedingung.
Programmierung 1 Rückblick Algorithmus Programmiersprache Variable Zuweisung Bedingung Schleife (c) Peter Sturm, University of Trier 1 3 Aufgabe: Viele, viele bunte Smarties Rechengeschwindigkeit CPU 5
MehrCapturing Reality Hoch aufgelöste statische und dynamische Kartierung für hochautomatisiertes Fahren.
Capturing Reality Hoch aufgelöste statische und dynamische Kartierung für hochautomatisiertes Fahren www.joanneum.at/digital Wozu braucht mein Auto eine Karte? 2 Mensch als Fahrer: Karte wird zum Navigieren
MehrPrimzahlen und Programmieren
Primzahlen Wir wollen heute gemeinsam einen (sehr grundlegenden) Zusammenhang zwischen Programmieren und Mathematik herstellen. Die Zeiten in denen Mathematiker nur mit Zettel und Stift (oder Tafel und
Mehr6. Texterkennung in Videos Videoanalyse
6. Texterkennung in Videos Videoanalyse Dr. Stephan Kopf 1 Übersicht Motivation Texterkennung in Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben 3. Auswahl der Buchstabenpixel
MehrHallo Welt für Fortgeschrittene
Hallo Welt für Fortgeschrittene Zahlentheorie, Arithmetik und Algebra II Benjamin Fischer Informatik 2 Programmiersysteme Martensstraße 3 91058 Erlangen Gliederung Lineare Rekursion BigInteger Chinesischer
MehrRatSLAM. Torben Becker. 24. Mai HAW Hamburg
HAW Hamburg 24. Mai 2012 Gliederung 1 Motivation 2 3 Aussicht 2 / 21 Motivation Warum SLAM? Navigation Umgebungskartografie Feststellung der Position innerhalb eines Geländes ohne Funksignale Keine vorherige
MehrMulti-Touch- und Multi-User-Interfaces Björn Frömmer
Multi-Touch- und Multi-User-Interfaces Björn Frömmer Tracking Was ist Tracking? Was kann alles getracked werden? Wie funktioniert Tracking? [ ] Finger tracken! Was ist Tracking? Tracking bedeutet, ein
MehrBeispiel. Problem: mehrteilige Nachnamen (von Goethe, Mac Donald, Di Caprio)
Beispiel Beispiel: Namensliste konvertieren (Karl Egon Meier Meier, Karl Egon). s/(.*) (.*)/$2, $1/; Problem: mehrteilige Nachnamen (von Goethe, Mac Donald, Di Caprio) s/(.*) (.*)/$2, $1/; s/(.*) ([a-z]+
MehrGames Engines. Realtime Terrain Rendering
Games Engines Realtime Terrain Rendering RTR Gliederung Probleme & Anforderungen Grundlagen Heightmaps und Paging Visibility View Frustrum Culling Occlusion Culling/ Occlusion Map Fogging Level of Detail
MehrAufgabenblatt 3. Kompetenzstufe 2. Allgemeine Informationen zum Aufgabenblatt:
Aufgabenblatt 3 Kompetenzstufe 2 Allgemeine Informationen zum Aufgabenblatt: Die Abgabe erfolgt in TUWEL. Bitte laden Sie Ihr IntelliJ-Projekt bis spätestens Freitag, 15.12.2017 13:00 Uhr in TUWEL hoch.
MehrPalmenidentifizierung aus digitalen Luftbildern
Jahrestagung DGPF AKFE 2009 Palmenidentifizierung aus digitalen Luftbildern Javier González Heinrich Heine Universität, 40225 Düsseldorf, Deutschland 1.EINLEITUNG 2. UNTERSUCHUNGSGEBIET 3. MATERIAL UND
MehrHigh Performance Computing Blatt 7
Dr. Andreas Borchert Institut für Numerische Mathematik Prof. Dr. Stefan Funken Universität Ulm Prof. Dr. Karsten Urban Sommersemester 03 Markus Bantle, Kristina Steih High Performance Computing Blatt
MehrComparison of Software Products using Software Engineering Metrics
Comparison of Software Products using Software Engineering Metrics Alexander Bätz Fakultät EIM Universität Paderborn 23. Juli 2009 1 / 28 Motivation Qualitätsbewertung von Software Vergleichbarkeit von
Mehr