Post on 05-Apr-2015
Navigation anhand natürlicher Landmarken mit Hilfe der„Scale Invariant Feature Transform“
Thorsten JostINF-M2 – AW1 – Sommersemester 2008
27. Mai 2008
Agenda
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken2
Motivation „Feature Detection“ Beispiele Posenbestimmung in Räumen Literatur
Motivation
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken3
Bildverarbeitung ist weit verbreitet Industrie Forschung Securety Vermessung
Extraktion von Information Teilgebiet: Objekterkennung
Motivation
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken4
Aufgaben der Objekterkennung Wiederfinden (Segmentieren) Identifizieren Lage, Orientierung
Positionsbestimmung
Motivation
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken5
Ansprüche an Objekterkennung Invarianz gegenüber
Position, Drehung, Größe Affine und 3D Transformation Verdeckung Rauschen, Helligkeit
Geschwindigkeit Echtzeit
Motivation
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken6
Mögliche Einsatzgebiete Objekterkennung Stitching
Rescue Infotainment Autonome Navigation! ...
„Feature Detection“
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken7
Verknüpfung von Bildpunkten in Bildpaaren
--
„Feature Detection“
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken8
Laplace-Pyramide Suche nach markanten Bildpunkten
(Keypoints) Berechnung von DoG-Bildern, Difference of
Gaussian
-
-
Ausgangsbild
Gau
ß-F
ilter
ung
DoG-Bilder
„Feature Detection“
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken9
Beispiel
„Feature Detection“
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken10
Keypoints sind Pixel mit Maxima/Minima Innerhalb von drei DoG-Ebenen
und einer 3x3 Region 26 benachbarte Pixel ca. 1000 Keypoints
(512x512 Image)
X
Scale
„Feature Detection“
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken11
Charakterisierung der Keypoints erforderlich Durch Gradientenbetrag und –richtung Werte werden in Histogramm akkumuliert
36 „Behälter“ ein Behälter 10% des Vollkreises Normierter Gradientenbetrag
Belichtungs-Invaranz Der höchste Wert bestimmt die Orientierung des
Keypoint Rotations-Invarianz
Lokale Abbildungs-Beschreibung
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken12
Funktionsweise ähnlich der von Säugetieren Visueller Cortex
Gradienten-Richtungshistogramm SIFT-Key Vektor hat 160 Dimensionen!
8x4x4 + 8x2x2 (2 Oktaven)
Indizieren und Abgleichen
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken13
Hohe Komplexität für eine genaue Lösung da hohe Dimension des Feature-Vectors
Best-Bin-First Such Algorithmus Hat k-d-Baum als Grundlage
Hohe Gewichtung der größeren Skalierung Laplace-Pyramide
Hough-Transformation bestätigt bestimmte Model-Posen
Indizieren und Abgleichen
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken14
Verlässliche Erkennung schon mit drei Features! Jeder Key-Point besitzt vier Parameter
2D Koordinaten, Orientierung, Skalierung Model-Keys beinhalten relative Parameter zum Model-
Koordinatensystem
Beispiele
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken15
Beispiele
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken16
Beispiele
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken17
Posenbestimmung in Räumen
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken18
Bestimmung anhand von Passmarken Vorgegebene Datenbank Initiale Kalibrierung Notwendig
Posenbestimmung in Räumen
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken19
SLAMB = Simultaneous Localization And Map Building
Lokalisierung mit SIFT Features Stereo Kamera System Erzeugung von „Landmarks“ Ego-Motion Bestimmung durch Kleinste Quadrate-
Minimierung
Posenbestimmung in Räumen
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken20
Posenbestimmung in Räumen
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken21
Posenbestimmung in Räumen
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken22
Literatur
27. Mai 2008 Thorsten Jost – Navigation anhand natürlicher Landmarken23
Object Recognition from Local Scale-Invariant FeaturesDavid G. Lowe (1999)
Local Feature View Clustering for 3D Object RecognitionDavid G. Lowe (2001)
Distinctive Image Features from Scale-Invariant KeypointsDavid G. Lowe (2004)
Vision-based Mobile Robot Localization And Mapping using Scale-Invariant FeaturesStephen Se, David Lowe, Jim Little (2001)
http://en.wikipedia.org/wiki/Scale-Invariant_Feature_TransformMai 2008
http://user.cs.tu-berlin.de/~nowozin/autopano-siftMai 2008
http://www.cs.ubc.ca/~mbrown/autostitch/autostitch.htmlMai 2008