Feature sind man bestimmte Merkmale, die in einem Bild auftauchen k¨ onnen. Das sind sowohl markante Punkte (Abb. 1.1 links), aber auch Kanten von Objekten in Form von Linien (Abb. 1.1 Mitte), Kurven, Kreisen oder Ellipsen (Abb. 1.1 rechts) sein. Auch Farben k¨ onnen Merkmale als Bildinformation darstellen. Unter Feature Tracking versteht man dann das Verfolgen dieser extrahierten Merkmale innerhalb einer Bildfolge. Dabei m¨ ussen die Featureinformationen logisch miteinander verkn¨ upft werden. Aufeinanderfolgende Merkmale, die von Bild zu Bild ¨ ubereinstimmen, bilden den sogenannten Featurestream (Merkmalsstrom).
[...]
Man kann bei der Verfolgung von Objekten nicht immer von einer idealen Umgebung ausgehen. Oft wechseln die Hintergrundverh¨ altnisse oder das zu verfolgende Objekt ist dem Hintergrund sehr ¨ ahnlich wie das Blatt in Abbildung 1.1. Auch Ver¨ anderungen der Beleuchtung stellen große Anforderungen an den Algorithmus. Es werden auch Merkmale erkannt, die in der realen Welt keine sind. Dazu geh¨ oren insbesondere Schatten- oder Lichteinfall. Wie einfach es ist, dass ein Algorithmus ein falsches Merkmal ausw¨ ahlen kann, ist in Abbildung 1.2 dargestellt. Reflexionen auf gl¨ anzenden Oberfl¨ achen liefern ebenso falsche 3D-Merkmale die sich auch in ihrer 3D-Position mit der Kamerabewegung ¨ andern. Daher beschr¨ anken sich einige Algorithmen auf einfache Umgebungsverh¨ altnisse, um eine gewisse Robustheit zu wahren.
Inhaltsverzeichnis
- Einführung
- Definitionen
- Hauptziel
- Schwierigkeiten
- Kanade-Lucas-Tomasi
- Feature-Extraktion
- KLT-Algorithmus
- KLT-Erweiterungen
- Background Compensation.
- X84: Rückweisungsregel für Ausreißer
- Open-CV
- Bidirektionales-Matching-Verfahren
- Moravec-Operator
- Erweiterungen des Moravec-Operators
- Feature-Korrelation
- Positionskorrelation
- Korrelation der lokalen Struktur
- Kombination beider Ansätze
- Bidirektionales Matching
- Stream-Fortsetzung
- Stream-Ende
- Stream-Entstehung
- Geister.
- Rauschen
- Moravec-Operator
- Condensation-Algorithmus
- Ablauf des Condensation Algorithmus.
- Fazit zum Condensation Algorithmus
Zielsetzung und Themenschwerpunkte
Die Arbeit befasst sich mit dem Thema des robusten Feature Trackings. Das Ziel der Arbeit ist es, verschiedene Algorithmen zur Objektverfolgung in Videosequenzen vorzustellen und zu analysieren. Im Mittelpunkt stehen dabei die Herausforderungen, die sich durch Umgebungsveränderungen und Objektveränderungen ergeben. Die Arbeit befasst sich auch mit der Robustheit der einzelnen Algorithmen und ihrer Fähigkeit, diese Herausforderungen zu bewältigen.
- Feature-Tracking in Videosequenzen
- Robustheit von Feature-Tracking-Algorithmen
- Verarbeitung von Bildinformationen in Echtzeit
- Herausforderungen durch Umgebungs- und Objektveränderungen
- Analyse und Vergleich verschiedener Algorithmen
Zusammenfassung der Kapitel
- Kapitel 1: Einführung - In diesem Kapitel werden zunächst grundlegende Definitionen zu Feature-Tracking gegeben. Es wird das Hauptziel des Feature-Trackings erläutert und die wichtigsten Herausforderungen, die sich bei der Verfolgung von Objekten in Videosequenzen ergeben, vorgestellt.
- Kapitel 2: Kanade-Lucas-Tomasi - Dieses Kapitel beschäftigt sich mit dem KLT-Algorithmus, der seit 1981 die Grundlage vieler Feature-Tracking-Verfahren bildet. Es werden die Prinzipien der Feature-Extraktion im KLT-Algorithmus sowie die Funktionsweise des Algorithmus selbst beschrieben. Außerdem werden wichtige Erweiterungen des KLT-Algorithmus vorgestellt.
- Kapitel 3: Bidirektionales Matching-Verfahren - Dieses Kapitel behandelt ein Verfahren, das auf dem Moravec-Operator basiert. Es werden die Funktionsweise des Moravec-Operators, die verschiedenen Ansätze der Feature-Korrelation und die konkrete Umsetzung des bidirektionalen Matchings erläutert.
- Kapitel 4: Condensation-Algorithmus - Dieses Kapitel widmet sich dem Condensation-Algorithmus, einem weiteren Verfahren zur Objektverfolgung. Es werden die Funktionsweise des Algorithmus sowie die Vorteile und Nachteile des Verfahrens beschrieben.
Schlüsselwörter
Feature Tracking, Objektverfolgung, Videosequenz, Robustheit, Umgebungsveränderungen, Objektveränderungen, KLT-Algorithmus, Moravec-Operator, Bidirektionales Matching, Condensation-Algorithmus, Echtzeitverarbeitung, Feature-Extraktion, Featurestream, Hintergrundkompensation, Ausreißer, Schatten, Reflexionen, 3D-Merkmale.
- Arbeit zitieren
- Thomas Münzberg (Autor:in), 2004, Robustes Feature Tracking, München, GRIN Verlag, https://www.grin.com/document/21221
