GET-Forschungsseminar Abstracts
3D Motion Analysis for Mobile Robots
M. Eng. Mohamed Shafik GET Lab
Vortrag: Do. 20.12.2012, 16:30, Raum P 1.3.01
Zusammenfassung:
Die Segmentierung von Bewegung hat sich zu einem der schwierigsten Probleme im maschinellen Sehen entwickelt. Verfahren zur Detektion bewegter Objekte sowie zur Schätzung der Bewegungsparameter unterstützen die Verarbeitung dynamischer Szenen beträchtlich. Ein 3D-Bewegung im maschinellen Sehen resultiert aus räumlich-zeitlichen Veränderungen der Pixelinformationen. Der Nachweis solcher Unterschiede zwischen zwei oder mehreren aufeinander folgenden Bildern ist der erste Schritt zur Bestimmung der Bewegung. Daher hängt die Schätzung der Bewegungsparameter zusätzlich zur Segmentierung von Genauigkeit der Detektion ab. Die Berechnung einer einzigen 3DBewegung aus einem Fluss von 2D-Bildern durch das Finden der optimalen Koeffizienten in einer 2D-Signal-Transformation hat seine Effizienz unter Beweis gestellt. Allerdings, im Falle mehrerer 3D-Bewegungen, leidet die resultierende Segmentierung unter mehreren Nachteilen, wie die innere Verwechselung zwischen Translation und Rotation und dem Problem der degenerierten Bewegungen, vor allem, wenn das Eingabe-Bewegungsvektorfeld sehr verrauscht ist. Auf der anderen Seite schlagen solche Techniken fehl, wenn 3DBewegungen teilweise überlappen.
Diese Arbeit präsentiert eine schnelle Schätzung der Bewegungsparameter, die zu einer signifikanten Verringerung der Rechenzeit des "3D-Motion-Segmentation" Ansatzes sowie einem verringerten mittleren Fehler der geschätzten Parameter auch bei starkem Rauschen führt. Darüber hinaus wurde ein Salienz-basierter Ansatz für die Schätzung und Segmentierung von 3D-Bewegungen aus mehreren bewegten Objekten mittels 2D Bewegungsvektorfeldern entwickelt. Eine Klassifizierungsmodul wurde implementiert, um die globale Bewegung der Kamera zu definieren und um typische Probleme der Wahrnehmung autonomer mobiler Roboter zu lösen, wie Bildrauschen, Verdeckung und Berücksichtigung der Eigenbewegung. Weiterhin schlagen wir eine schnelle biologisch motivierte Schätzung von 3D-Bewegungsparametern vor. Die Ergebnisse belegen, dass die vorgestellten Verfahren eine erfolgreiche Erkennung und Bewertung von vordefinierten 3DBewegungsmustern und insbesondere Bewegungen in die Richtung eines Roboters erlauben. Sie sind damit ein wichtiger Meilenstein in Richtung einer erfolgreichen Vorhersage von Kollisionen.