Proseminar Künstliche Intelligenz: Wahrnehmung Sommersemester 2011 Computer Science Department Group
Inhalt Department of Informatics 1 Sensoren 2 Bildverarbeitung Kantenerkennung 3D-Informationen extrahieren 3 Objekterkennung Helligkeitsbasierte Erkennung Merkmalbasierte Erkennung Posenabschätzung Erkennung in 3D Punktewolke 4 Navigation SLAM 5 Zusammenfassung
Outline 1 Sensoren 2 Bildverarbeitung Kantenerkennung 3D-Informationen extrahieren 3 Objekterkennung Helligkeitsbasierte Erkennung Merkmalbasierte Erkennung Posenabschätzung Erkennung in 3D Punktewolke 4 Navigation SLAM 5 Zusammenfassung
Sensoren Sonarsensoren Lasersensoren Kamera Mikrofon
Outline 1 Sensoren 2 Bildverarbeitung Kantenerkennung 3D-Informationen extrahieren 3 Objekterkennung Helligkeitsbasierte Erkennung Merkmalbasierte Erkennung Posenabschätzung Erkennung in 3D Punktewolke 4 Navigation SLAM 5 Zusammenfassung
Bildverarbeitung 0.01nm 1nm 100nm 1mm 1cm 1m 1km 400nm 700nm Abbildung: Spektrum sichtbares Licht Quelle: wikipedia.org 3 Intensitätswerte: 700nm (Rot), 546nm (Grün), 436nm (Blau)
Kantenerkennung Scharfe Änderung der Helligkeit Differenzieren um Kanten zu finden
Kantenerkennung 2 1 0 1 0 10 20 30 40 50 60 70 80 90 100 1 0 1 0 10 20 30 40 50 60 70 80 90 100 1 0 1 0 10 20 30 40 50 60 70 80 90 100
3D-Informationen extrahieren Bewegung (optischer Fluss) Binokulare Stereopsie Oberflächenstruktur-Gradienten
3D-Informationen extrahieren Schattierung Konturen (Huffman-Clowes-Labeling)
Outline 1 Sensoren 2 Bildverarbeitung Kantenerkennung 3D-Informationen extrahieren 3 Objekterkennung Helligkeitsbasierte Erkennung Merkmalbasierte Erkennung Posenabschätzung Erkennung in 3D Punktewolke 4 Navigation SLAM 5 Zusammenfassung
Helligkeitsbasierte Erkennung
Merkmalbasierte Erkennung Kanten und Pixelbereiche Finden von Nachbar mit kleinster Differenz: 1 Finden von identischen Punkten 2 Ausrichten (Koordinatentransformation) 3 Differenz bestimmen Beispiel: Schrifterkennung
Posenabschätzung M Merkmale in 3D: m 1,m 2,...,m M (Bsp: Ecken) R Rotationsmatrix (Drehung) t Verschiebung Π Projektion von 3D zu 2D (p 1,p 2,...,p N ) p i = Π(Rm i + t) = Q(m i ) (1)
Erkennung in 3D Punktewolke 3D-Laser Sensoren liefern 3D Punktewolke Erkennen von bekannten Objekten in Punktewolke http://pointclouds.org/
Outline 1 Sensoren 2 Bildverarbeitung Kantenerkennung 3D-Informationen extrahieren 3 Objekterkennung Helligkeitsbasierte Erkennung Merkmalbasierte Erkennung Posenabschätzung Erkennung in 3D Punktewolke 4 Navigation SLAM 5 Zusammenfassung
Navigation Selektive Informationsbeschaffung Beispiel: autonom fahrendes Auto Seitensteuerung Längssteuerung
SLAM Simultaneous Localization and Mapping unbekannter Ort, unbekannte Umgebung Roboter muss dynamisch eine Karte generieren
SLAM
Outline 1 Sensoren 2 Bildverarbeitung Kantenerkennung 3D-Informationen extrahieren 3 Objekterkennung Helligkeitsbasierte Erkennung Merkmalbasierte Erkennung Posenabschätzung Erkennung in 3D Punktewolke 4 Navigation SLAM 5 Zusammenfassung
Zusammenfassung Sensoren für Wahrnehmung Extrahieren von Tiefeninformationen Objekterkennung Anwendung: SLAM http://bit.ly/wahrnehmung