Focus of Expansion / optischer Fluss. John Alberts

Ähnliche Dokumente
Seminararbeit Bildverarbeitung für das Projekt FAUST Focus of Expansion / optischer Fluss John Alberts

Dreidimensionales Computersehen SS 2016

Herleitung der Euler-Lagrange Gleichungen für Optical Flow Constraints

Computer Vision: Optische Flüsse

Visuelle Bewegungswahrnehmung. Visuelle Wahrnehmung Dipl. Psych. Kai Hamburger

Stereo Vision. Projekt zu Grundlagen der Computer Vision. Sommersemester 2008

Einführung in die medizinische Bildverarbeitung SS 2013

Beat Detektion. Proseminar Computer und Musik. Daniel Sous. 12. Dezember 2017

Materialien WS 2014/15 Dozent: Dr. Andreas Will.

künstliches Objekt, dargestellt durch Anzahl von Punkten in Raum und Zeit (bei bewegten, animierten Objekten).

Differentialformen. Lie-Ableitung von Differentialformen und Poincaré-Formel. Differentialform dp dx und ihre Invarianz bzgl. Hamiltonischer Flüsse.

Jonas Schulz Christopher Zemann Markus Gölles

I.1.3 b. (I.7a) I.1 Grundbegriffe der Newton schen Mechanik 9

Projektarbeit: Ein Verfahren zur Erzeugung stabiler Differenzbilder

Präge- und Stempelschrifterkennung auf metallischen Oberflächen. Dipl.-Ing. (FH) Sebastian Seegert

Mathematischer Vorkurs für Physiker WS 2009/10

1-, 2-, 3D-Modelle: Überblick, Vergleich und Anwendung

Analyse eines zweistufigen, regionalen Clusteralgorithmus am Beispiel der Verbundenen Wohngebäudeversicherung

Hardy- Ungleichung EINLADUNG IN DIE MATHEMATIK 1

Computer Vision: Kalman Filter

Computer Vision: Optische Flüsse

Kapitel 8. Bewegungsanalyse: Optische Flüsse. Grundlagen Optische Flüsse. Kapitel 8 Bewegungsanalyse: Optische Flüsse p. 1/25

Oberflächennahe und ferne Gestenerkennung mittels 3D-Sensorik

Bewegungen. Freier Fall eines Massenpunktes. Daniel Wunderlich. Wintersemester 2008/2009,

Mathematik-Tutorium für Maschinenbauer II: Differentialgleichungen und Vektorfelder

Numerische Verfahren und Grundlagen der Analysis

Aperturverluste; wellenlängenabhängig; Die endliche Schichtdicke d bewirkt Entmagnetisierung

Flächen- und Volumenmessung lokaler Objekte in DICOM-Bildern und Bildfolgen

Der Einbau im Auto. Stereo: Beispiel Fahrzeug. Einbau im Rückspiegel Erfassung von. Reichweite: bis 30 m

Kalmanfiter (1) Typische Situation für den Einsatz von Kalman-Filtern

ad Physik A VL2 ( )

"Kanten- und Linienerkennung in Grauwertbildern für Bildverarbeitungsstufen im Antikollissionssystem des Faustfahrzeugs"

Bildsegmentierung mit Snakes und aktiven Konturen

Simulation von Flüssigkeitsbrücken zwischen Nanopartikeln

Computergrafik / Animation. künstliches Objekt, dargestellt durch Anzahl von Punkten in Raum und Zeit (bei bewegten, animierten Objekten).

(x 1. Vektoren. g: x = p + r u. p r (u1. x 2. u 2. p 2

INTELLIGENTE DATENANALYSE IN MATLAB

Computergrafik 2: Übung 6. Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter

Mathematischer Vorkurs Lösungen zum Übungsblatt 3

Vektoren, Tensoren, Operatoren Tensoren Rang 0 Skalar p,ρ,t,... Rang 1 Vektor F, v, I,... Spannungstensor

Geschwindigkeiten, Steigungen und Tangenten

VL Wahrnehmung und Aufmerksamkeit. Wahrnehmung von Bewegung

Systemtheorie. Vorlesung 6: Lösung linearer Differentialgleichungen. Fakultät für Elektro- und Informationstechnik, Manfred Strohrmann

Aufgabe Summe max. P Punkte

Grundlagen der Physik 1 Lösung zu Übungsblatt 1

3D-Rekonstruktion medizinischer Daten

Mannigfaltigkeiten und Integration I

Computer Vision in autonomen Systemen

Differentialgleichungen

Differentialgleichungen

31. Kurven in Ebene und Raum

Seminar Gewöhnliche Dierentialgleichungen

Seminarvortrag Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung

Parametrisierung und Integralsätze

Definition. Eine 2-Form ω auf einem affinen Raum (X, V, +) ist eine differenzierbare Abbildung

Numerische Integration

Potentialfelder und ihre Bedeutung für Kurvenintegrale

Mathematik 1 für Naturwissenschaften

Integration eines pneumatischen Roboters in die Robotics API

Algorithmen zur lageinvarianten Merkmalsgewinnung für Draht gittermodelle

Visuelle Wahrnehmung

3 Trend- und Saisonkomponenten

Ein Integral einer stetigen Funktion über einem Elementarbereich. lässt sich durch Hintereinanderausführung eindimensionaler Integrationen berechnen:

Sei ω eine symplektische Struktur auf U 2n. Satz 12. In einer Umgebung eines beliebigen Punktes x gibt es

Hochschule Düsseldorf University of Applied Sciences. 22. Oktober 2015 HSD. Physik. Bewegung in einer Dimension

A. Versuchsanleitung: Seite

Stereo Vision. Projekt zur 3D Computer Vision Wintersemester 05/06

Ein Structure and Motion Ansatz zur Umfeldrekonstruktion in komplexen Fahrzeugumgebungen

Stabilität des Golfstroms

Mathematischer Vorkurs für Physiker WS 2009/10

Vorbereitung auf die Prüfung: Allgemeine Psychologie II

3 Trend- und Saisonkomponenten

Elemente der Analysis II

SEMINAR COMPUTATIONAL PHOTOGRAPHY

ein geeignetes Koordinatensystem zu verwenden.

Theoretische Physik 1, Mechanik

Der Taylorsche Satz Herleitung und Anwendungen

V2 Felder (Funktionen mehrerer unabhängigen Variablen)

Bilder. Bildsuchmaschiene. Bildsuche. Überblick. Beispiele im WWW. Inhaltsbasierte Bildsuche Motivation

Fourier Optik. Zeit. Zeit

MATLAB im Studium. Analyse niederfrequenter Magnetfeldsignale in eingebetteten Algorithmen. Claudia Beyß. Datum:

Seminar Seminarname SS 2003

e x e x x e x + e x (falls die Grenzwerte existieren), e x e x 1 e 2x = lim x 1

11. Vorlesung Wintersemester

3D-Punktkorrelation auf Basis von 2D-Bildern auf einer FPGA-Plattform

Mehrdimensionale Probleme: Wärmeleitung

Improving the Accuracy of GPS

1. Grundlagen der ebenen Kinematik

Ein Integriertes Berichtswesen als Führungshilfe

5.6 Potential eines Gradientenfelds.

Bewegungsanalyse auf Basis von Blockvergleichsverfahren zur MPEG-7 Visual-Descriptor Extraktion. DA II von Dominik Ströhlein

Theoretische Biophysik - Statistische Physik

Normalengleichungen. Für eine beliebige m n Matrix A erfüllt jede Lösung x des Ausgleichsproblems Ax b min die Normalengleichungen A t Ax = A t b,

Virtuelle Navigation zur Ermittlung von Kurswegen mit PeTra (Pegelabhängige Trassierung) P. Kolarov (Uni Rostock) Th. Dettmann (BAW Karlsruhe)

Numerische und experimentelle Untersuchung von Entwurfssensitivitäten am Profil mit Zirkulationskontrolle

Übungen zu Wellen und Elektrodynamik für Chemie- und Bioingenieure und Verfahrenstechniker WS 11/12

Prozessidentifikation mit Sprungantworten

Linien- und Oberflächenintegrale

Transkript:

Focus of Expansion / optischer Fluss John Alberts 15.1.006

Einordnung 15.1.006 Seminarvortrag von John Alberts

Agenda: Begriffsklärung Motivation Horn-Schnuck-Verfahren Projekt aus der Industrie Ausblick Masterarbeit im FAUST-Projekt Quellen 15.1.006 Seminarvortrag von John Alberts 3

Begriffsklärung: Optischer Fluss (optical flow) Der optische Fluss, findet statt, wenn man sich oder wenn die Umwelt sich um einen bewegt (optisches Fließmuster). Quelle: http://www.psycho.uni-osnabrueck.de/~fachschaft/skripte/skriptal.doc Der optische Fluss repräsentiert den Verlauf der Änderungen von Grauwerten in Bildfolgen. 15.1.006 Seminarvortrag von John Alberts 4

Begriffsklärung: Focus of Expansion: Ein optisches Fließmuster entsteht mit einem Zentralpunkt, dem Focus of Expansion. James J. Gibson Änderungen der Grauwerte ist gleich 0. 15.1.006 Seminarvortrag von John Alberts 5

Beispiel Quelle: Goldstein, E.B. (00),Wahrnehmungspsychologie, Heidelberg: Spektrum 15.1.006 Seminarvortrag von John Alberts 6

Motivation medizinischer / biologischer Bereich Wahrnehmung aktive Motorik technischer Bereich Flugzeug KFZ maschinelles Sehen 15.1.006 Seminarvortrag von John Alberts 7

Erfassung des optischen Flusses Beispiel für das grün markierte Pixel: dx u = u = 1 = 1 1 dt dy v = v = 1 = 1 1 dt 15.1.006 Seminarvortrag von John Alberts 8

Mathematischer Ansatz: Eine Berechnung ist nur in Sonderfällen möglich. Bewegung zum Helligkeitsgradienten Praktikabel ist eine Schätzung des optischen Flusses Ansatz: Minimierung eines Fehlerterms 15.1.006 Seminarvortrag von John Alberts 9

Horn-Schnuck-Verfahren (1981) Annahmen: Bildwerttreue kleine Änderung des optischen Fluss-Vektors konstantes, normiertes Zeitintervall Horn-Schnuck-Bedingung: 0 = E xu + E yv + Et (1) u,v: unbekannte Komponenten des optischen Fluss Vektors E,E : örtliche Ableitung der Bildirradizanz (Grauwertkanten) x y E : zeitliche Bildirradizanzänderung t 15.1.006 Seminarvortrag von John Alberts 10

Horn-Schnuck-Verfahren Mögliche Wertepaare für u und v: v E E t y 0 E E 15.1.006 Seminarvortrag von John Alberts 11 t x u

15.1.006 Seminarvortrag von John Alberts 1 Horn-Schnuck-Verfahren Zusätzliche Annahme: Glattheit des Vektorfeldes (Erste Ableitung des Vektorfeldes des optischen Flusses gleich 0) In der Praxis dicht bei null () 0 + + + = y v x v y u x u

15.1.006 Seminarvortrag von John Alberts 13 Horn-Schnuck-Verfahren Die Ausdrücke (1) und () als Fehlerterme ( ) (5) (4) (3) dy dx y v x v y u x u E v E u E b c c t y x b + = + + + = + + = ξ ξ α ξ ξ ξ Zusammenfassung aus (3) und (4)

Schwachstellen des Horn-Schnuck-Verfahrens Resultieren aus der Forderung der Bildwerttreue Änderungen der Lichtverhältnisse verfälschen Ergebnisse Nicht texturierte Oberflächen lassen keine Ermittlung des optischen Flusses zu 15.1.006 Seminarvortrag von John Alberts 14

Projekt aus der Industrie Erweiterung für das Distronic-System bei Daimler-Chrysler (Früheinschererproblem) Quelle: http://www.ezls.fb1.uni-siegen.de/lehre/webone/index.htm 15.1.006 Seminarvortrag von John Alberts 15

Ausblick Masterarbeit im FAUST-Projekt Spurassistent Reduktion der Bildinformationen Linienerkennung Positionsermittlung mittels optischen Flusses Untersuchung der Eingriffsmöglichkeiten 15.1.006 Seminarvortrag von John Alberts 16

Vielen Dank! Sind noch Fragen offen? 15.1.006 Seminarvortrag von John Alberts 17

Quellen Klette, R., Koschan A., Schlüns K.: Computer Vision, 1996, Vieweg Technik Horn,B.K.P., Schnuck, B.G.: Determining Optical Flow, 1981, Artifical Intelligence Goldstein, E.B.: Wahrnehmungspsychologie, 00, Spektrum Sazbon, D., Rotstein, H., Rivlin,E.: Finding the focus of expansion and estimating range using optical flow images and a matched filter, 004, Maschine Vision and Applications, Springer Berlin / Heidelberg 15.1.006 Seminarvortrag von John Alberts 18

Quellen Kondratieva, P.,Georgii, J.,Westermann, R.: Echtzeitverfahren zur modellbasierten Rekonstruktion von Strömungsfeldern aus experimentell bestimmten Partikelsequenzen, 006, http://wwwcg.in.tum.de/research/data/publications/gala06_echtzeitverf ahren.pdf www.aprosys.com 15.1.006 Seminarvortrag von John Alberts 19