Personal tools

Bildverstehen - Weiterführende Algorithmen und Anwendungen

Für den Menschen spielt die visuelle Wahrnehmung gerade menschlicher Gesichter eine große Rolle. Der Forschungsbereich "Computer Vision" befasst sich mit der Frage, wie man diese Wahrnehmung auf dem Rechner modellieren kann, also wie man ihm "Sehen" beibringen kann. Im Rahmen dieses Seminars werden verschiedene Aspekte der "Computer Vision" die sich mit der Analyse menschlicher Gesichter befassen, betrachetet. Dabei werden verschiedene Arten der Modellierung, Erkennung und Interpretation vorgestellt.
Seminar: Master-Seminar
Professor: Prof. Dr. Bernd Radig
Betreuer: Christoph Mayer, Zahid Riaz
Zeit, Ort: Donnerstag, 15:00-16:30, MI 02.09.023
Sprache: German
Modul: IN2107

Detailinformationen

Aktuelles

Eine Vorbesprechung findet am Donnerstag, den 16.7.2009 um 15:00 Uhr in Raum 02.09.023 statt.


Themen

Die folgenden Themen stehen zur Verfügung. Zu Themen, die bereits vergeben sind, wird zusätzlich der Vortragstermin vermerkt.

 

Bild Repräsentationen und Merkmalsextraktion (dd.mm.yyyy)


Bilder können auf sehr unterschiedliche Art und Weise repräsentiert werden. Es gibt verschiedene Farbräume, so wie den RGB-Raum oder den HSV-Raum. Zusätlich werden komplexere Bilderepräsentation benutzt, um Beispielsweise die Ausdehnung von Hautfarbe anzugeben. SIFT und SURF Mermale geben Auskunft über Bildbereiche, die auch in nachfolgenden Bildern gut wiedergefunden werden können. Solche Informationen sind sehr nützlich bei der weiteren Verarbeitung des Bildmaterials.

 

Objektlokalisierung (assigned)


Verschiedene Objekte werden häufig von dem Algorithmus von Viola und Jones oder einem artverwandten Verfahren detektiert. Diese liefern ein umgebendes Rechteck des gesuchten Objektes im Bild. Dazu werden eine Vielzahl von Hypothesen im gesammten Bild geprüft, um das Gesicht zu detektieren.

Active Appearance Models (AAM) (dd.mm.yyyy)


Modelle stellen a priori Wissen über Objekte der echten Welt dar. Active Shape Models modellieren die Veränderung der Form eines Objektes im Bild. Sie werden erstellt, indem eine große Menge statistischer Daten von einer Sammlung manuel annotierter Bilder extrahiert wird. Active Appearance Models gehen noch einen Schritt weiter und beziehen auch die Textur des Objektes mit ein. Beispielsweise, Modelle von menschlichen Gesichtern ziehen die Kontur des Gesichts, Mund, Nase, Augen und Augenbrauen in Betracht.

 

3D Morphable Models (assigned)


Sowohl Active Appearance Modelle als Active Shape Modelle beziehen sich auf die Erscheinung des Objekts im Bild, nicht auf die tatsächliche Raumstruktur. Im Gegensatz dazu modelieren 3D Morphable Models die Objekstruktur im dreidimensionalen Raum und werden mittels perspektivischer Projektion in das Bild projeziert.

Modelleinpassung (dd.mm.yyyy)


Modeleinpassung beschreibt den Vorgang, für ein gegebenes Bild eine möglichst gute Modelparameterisierung zu finden. Diese herausfordernde Aufgabe wird mit Hilfe von Bewertungsfunktionen gelöst, die messen, wie gut eine Modelparameterisierung zum Bild passt. Dies jedoch wirft die Frage auf, wie man eine gute Bewertungsfunktion erhält.

Objektverfolgung (dd.mm.yyyy)


Im Gegensatz zur Modeleinpassung setzt die Objektverfolgung eine gute, bekannte Modelparameterisierung für ein oder mehrere Referenzbilder voraus. Darauf aufbauend werden Modelparameterisierungen für Folgebilder ermittelt. Diese zusätzlichen Informationen erlauben eine grundlegend andere Herangehensweise beider Verfolgung von Objekten als beim initialen Einpassen des Models.

Personenidentifikation (dd.mm.yyyy)


Klassifikatoren werden in der Informatik häufig eingesetzt, um komplexe Strukturen und Abhängigkeiten in Daten zu lernen, die ein Mensch nicht mehr überblicken kann. Auch die Identifikation von Personen ist ein solches Klassifikationsproblem. In diesem Vortrag sollen verschiedene berühmte Klassifikationstechniken vorgestellt und miteinander verglichen werden.

Document Actions