Active Appearance Models
      with Occlusion
    Ralph Gross, Iain Matthews and Simon Baker


                  präsentie...
Active Appearance Models
      with Occlusion
    Ralph Gross, Iain Matthews and Simon Baker


                  präsentie...
2
Was ist überhaupt
“Überdeckung”?




            2
Was ist überhaupt
“Überdeckung”?
•   schlechte Übersetzung für “occlusion”




                                 2
Was ist überhaupt
“Überdeckung”?
•   schlechte Übersetzung für “occlusion”

•   Selbstüberdeckung




                    ...
Was ist überhaupt
“Überdeckung”?
•   schlechte Übersetzung für “occlusion”

•   Selbstüberdeckung

    •   Körperteile



...
Was ist überhaupt
“Überdeckung”?
•   schlechte Übersetzung für “occlusion”

•   Selbstüberdeckung

    •   Körperteile

  ...
Was ist überhaupt
“Überdeckung”?
•   schlechte Übersetzung für “occlusion”

•   Selbstüberdeckung

    •   Körperteile

  ...
Wie wirkt sich
Bewegung aus?




      3
Überblick




    4
Überblick
• Grundlagen für AAM




                  4
Überblick
• Grundlagen für AAM
 • Anpassungen für Überdeckung




                  4
Überblick
• Grundlagen für AAM
 • Anpassungen für Überdeckung
• Experimente



                  4
Überblick
• Grundlagen für AAM
 • Anpassungen für Überdeckung
• Experimente
 • Künstliche Überdeckung


                  4
Überblick
• Grundlagen für AAM
 • Anpassungen für Überdeckung
• Experimente
 • Künstliche Überdeckung
 • Natürliche Überde...
Überblick
• Grundlagen für AAM
 • Anpassungen für Überdeckung
• Experimente
 • Künstliche Überdeckung
 • Natürliche Überde...
AAM erstellen




      5
AAM erstellen
• Form




           5
AAM erstellen
• Form
 • Markante Punkte




                     5
AAM erstellen
• Form
 • Markante Punkte
 • handmarkiert



                     5
AAM erstellen
• Form
 • Markante Punkte
 • handmarkiert



                     5
Form




 6
Form
           n
s = s0 +         pi si
           i=1




       6
Form
              n
s = s0 +            pi si
              i=1
          s: Form
      s0: Grundform
    si: Formvektore...
Basisform s0




     7
Basisform s0




     7
Basisform s0




     7
Basisform s0




     7
Basisform s0




     8
Basisform s0
1. Erstelle ein Netz s0 auf jedem Trainingsbild,
   das handmarkierte Netz sei s




                        ...
Basisform s0
1. Erstelle ein Netz s0 auf jedem Trainingsbild,
   das handmarkierte Netz sei s

2. Wiederhole nun bis s0 ko...
Basisform s0
1. Erstelle ein Netz s0 auf jedem Trainingsbild,
   das handmarkierte Netz sei s

2. Wiederhole nun bis s0 ko...
Basisform s0
1. Erstelle ein Netz s0 auf jedem Trainingsbild,
   das handmarkierte Netz sei s

2. Wiederhole nun bis s0 ko...
Basisform s0
1. Erstelle ein Netz s0 auf jedem Trainingsbild,
   das handmarkierte Netz sei s

2. Wiederhole nun bis s0 ko...
Berechnung der
Formvektoren si




       9
Berechnung der
        Formvektoren si
• Passe die sichtbaren Dreiecke von s in das
                                     i...
Berechnung der
        Formvektoren si
• Passe die sichtbaren Dreiecke von s in das
                                     i...
Berechnung der
        Formvektoren si
• Passe die sichtbaren Dreiecke von s in das
                                     i...
Berechnung der
        Formvektoren si
• Passe die sichtbaren Dreiecke von s in das
                                     i...
AAM erstellen




      10
AAM erstellen
• Darstellung, umfasst:




                     10
AAM erstellen
• Darstellung, umfasst:
 • alle Pixel innerhalb der Form s
                                 0




          ...
AAM erstellen
• Darstellung, umfasst:
 • alle Pixel innerhalb der Form s
                                 0

 • faktisch: ...
AAM erstellen
• Darstellung, umfasst:
 • alle Pixel innerhalb der Form s
                                 0

 • faktisch: ...
Darstellung




     11
Darstellung
                  m
A(x) = A0 (x) +         λi Ai (x)
                  i=1




            11
Darstellung
                        m
A(x) = A0 (x) +               λi Ai (x)
                       i=1

           A(x):...
Berechnung der
    Darstellungsbilder Ai
• Passe A an A an
         i     0

• Ziehe A von jedem A ab
          0         ...
Experiment




    13
Experiment




    13
Experiment

• Früher verwendete Bilder werden
  künstlich überdeckt.




            13
Experiment

• Früher verwendete Bilder werden
  künstlich überdeckt.
• Neue Bildsequenzen mit
  natürlicher Überdeckung


...
Künstliche Überdeckung




          14
Künstliche Überdeckung




         Original

            14
Künstliche Überdeckung




10% Überdeckung   Original

                     14
Künstliche Überdeckung




10% Überdeckung   Original   50% Überdeckung

                     14
Basisnetzabstand
  Pixelabstand
                                                 0.50




                  durchschn. Pix...
Basisnetzabstand
  Pixelabstand
                                                 0.50




                  durchschn. Pix...
Formenergie Überlappung




           16
Formenergie Überlappung

     1                         u )T
                                                 2
SE =      ...
Formenergie Überlappung
  zwischen den                               1.00




                  shape energy overlap [%]
 ...
Formenergie Überlappung
  zwischen den                               1.00




                  shape energy overlap [%]
 ...
Einpassen von AAMs
  mit Überdeckung




        18
Einpassen von AAMs
   mit Überdeckung
• Wie geht das?
• Minimierung des Quadratsummenfehlers



                   18
Einpassen von AAMs
         mit Überdeckung
   • Wie geht das?
   • Minimierung des Quadratsummenfehlers
                 ...
Algorithmen




     19
Algorithmen
• Project-Out Algorithmus
 • vorher bereits besprochen




                   19
Algorithmen
• Project-Out Algorithmus
 • vorher bereits besprochen
• Robust-Fitting Algorithmus
 • ineffizient


          ...
Algorithmen
• Project-Out Algorithmus
 • vorher bereits besprochen
• Robust-Fitting Algorithmus
 • ineffizient
• Efficient R...
Project-Out Algorithmus




           20
Project-Out Algorithmus
• Vorberechnungen




                    20
Project-Out Algorithmus
• Vorberechnungen
   • Gradientenbildung der Basisdarstellung ∇A
                                 ...
Project-Out Algorithmus
• Vorberechnungen
   • Gradientenbildung der Basisdarstellung ∇A0

   • Berechnung der Jacobi Matr...
Project-Out Algorithmus
• Vorberechnungen
   • Gradientenbildung der Basisdarstellung ∇A0

   • Berechnung der Jacobi Matr...
Project-Out Algorithmus
• Vorberechnungen
   • Gradientenbildung der Basisdarstellung ∇A 0

   • Berechnung der Jacobi Mat...
Project-Out Algorithmus
• Vorberechnungen
   • Gradientenbildung der Basisdarstellung ∇A 0

   • Berechnung der Jacobi Mat...
Project-Out Algorithmus
• Iteration
    • Warp I mit W(x;p) um I(W(x;p)) zu erhalten
    • Berechnung des Fehlerbilds
    ...
Project-Out algorithm
• Berechnung der Darstellungsparameter

λi =          Ai (x) · [I (W(x; p)) − A0 (x)]
       x∈s0


...
Robust fitting Algorithmus

                    m                               2

         A0 (x) +         λi Ai (x) − I ...
Robust fitting Algorithmus

                   m                               2

        A0 (x) +         λi Ai (x) − I (W...
Robust fitting Algorithmus




            24
Robust fitting Algorithmus
• von der Vorberechnung in die Iteration verschoben:




                         24
Robust fitting Algorithmus
• von der Vorberechnung in die Iteration verschoben:
   • Gradientenbilder SD (x)
              ...
Robust fitting Algorithmus
• von der Vorberechnung in die Iteration verschoben:
   • Gradientenbilder SD (x)
              ...
Robust fitting Algorithmus
• von der Vorberechnung in die Iteration verschoben:
   • Gradientenbilder SD (x)
              ...
Robust fitting Algorithmus
• von der Vorberechnung in die Iteration verschoben:
   • Gradientenbilder SD (x)
              ...
Efficient robust
normalization algorithm

     A0 =            Ti
                 i



            25
Efficient robust
normalization algorithm

     A0 =              Ti
                   i
      A0: Grunddarstellung
       ...
Efficient robust
normalization algorithm




           26
Efficient robust
normalization algorithm




           26
Efficient robust
normalization algorithm



                   Ti: Dreieck
                   Tj: Dreieck

           26
Efficient robust
    normalization algorithm
•   Vorberechnung
     •   Berechne den Gradienten der Basisdarstellung: ∇A0
 ...
Efficient robust
    normalization algorithm
•   Iteration
      •   Warp I with W(x;p) to compute I(W(x;p))
      •   Bere...
Experiment




    29
Experiment




    29
Experiment

• Vergleich der verschiedenen
  Algorithmen mit verschiedenen
  Überdeckungsanteilen und
  verschiedenen Darst...
Experiment

• Vergleich der verschiedenen
  Algorithmen mit verschiedenen
  Überdeckungsanteilen und
  verschiedenen Darst...
Hager-Belhumeur
  Algorithmus




       30
Hager-Belhumeur
          Algorithmus

• vorgestellt 1998




                     30
Hager-Belhumeur
          Algorithmus

• vorgestellt 1998
• basiert auf kleinste Quadrate Minimierung



                 ...
Hager-Belhumeur
         Algorithmus

• vorgestellt 1998
• basiert auf kleinste Quadrate Minimierung
 • genauer: Iterated ...
Hager-Belhumeur
         Algorithmus

• vorgestellt 1998
• basiert auf kleinste Quadrate Minimierung
 • genauer: Iterated ...
Experiment




    31
Experiment




    31
Experiment




    31
Experiment




    32
Experiment




    32
Experiment




    32
Konvergenz
 Konvergenz bei
10% Überdeckung
bei verschiedenen
 Algorithmen und
  verschiedenen
Darstellungsbildern




    ...
Konvergenz
 Konvergenz bei
10% Überdeckung
bei verschiedenen
 Algorithmen und
  verschiedenen
Darstellungsbildern

       ...
Konvergenz
 Konvergenz bei
50% Überdeckung
bei verschiedenen
 Algorithmen und
  verschiedenen
Darstellungsbildern




    ...
Konvergenz
 Konvergenz bei
50% Überdeckung
bei verschiedenen
 Algorithmen und
  verschiedenen
Darstellungsbildern

       ...
Laufzeitvergleich
                                     Efficient
 pro                   Robust
         Project Out        ...
Laufzeitvergleich
                                        Efficient
 pro                      Robust
            Project Ou...
Tradition vs. Robustheit




           36
Tradition vs. Robustheit




           36
Was sollte ich nun
    wissen?




        37
Was sollte ich nun
    wissen?




        37
Was sollte ich nun
    wissen?




        37
Was sollte ich nun
    wissen?




        37
Was sollte ich nun
    wissen?




        37
Danke für Eure
Aufmerksamkeit !
Active Appearence Models mit Überdeckung
Nächste SlideShare
Wird geladen in …5
×

Active Appearence Models mit Überdeckung

542 Aufrufe

Veröffentlicht am

Veröffentlicht in: Bildung
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
542
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
2
Aktionen
Geteilt
0
Downloads
5
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie






























































































































































































  • Active Appearence Models mit Überdeckung

    1. 1. Active Appearance Models with Occlusion Ralph Gross, Iain Matthews and Simon Baker präsentiert von: Sebastian Hafner
    2. 2. Active Appearance Models with Occlusion Ralph Gross, Iain Matthews and Simon Baker präsentiert von: Sebastian Hafner
    3. 3. 2
    4. 4. Was ist überhaupt “Überdeckung”? 2
    5. 5. Was ist überhaupt “Überdeckung”? • schlechte Übersetzung für “occlusion” 2
    6. 6. Was ist überhaupt “Überdeckung”? • schlechte Übersetzung für “occlusion” • Selbstüberdeckung 2
    7. 7. Was ist überhaupt “Überdeckung”? • schlechte Übersetzung für “occlusion” • Selbstüberdeckung • Körperteile 2
    8. 8. Was ist überhaupt “Überdeckung”? • schlechte Übersetzung für “occlusion” • Selbstüberdeckung • Körperteile • Kopfbewegung 2
    9. 9. Was ist überhaupt “Überdeckung”? • schlechte Übersetzung für “occlusion” • Selbstüberdeckung • Körperteile • Kopfbewegung • Überdeckung durch andere Gegenstände 2
    10. 10. Wie wirkt sich Bewegung aus? 3
    11. 11. Überblick 4
    12. 12. Überblick • Grundlagen für AAM 4
    13. 13. Überblick • Grundlagen für AAM • Anpassungen für Überdeckung 4
    14. 14. Überblick • Grundlagen für AAM • Anpassungen für Überdeckung • Experimente 4
    15. 15. Überblick • Grundlagen für AAM • Anpassungen für Überdeckung • Experimente • Künstliche Überdeckung 4
    16. 16. Überblick • Grundlagen für AAM • Anpassungen für Überdeckung • Experimente • Künstliche Überdeckung • Natürliche Überdeckung 4
    17. 17. Überblick • Grundlagen für AAM • Anpassungen für Überdeckung • Experimente • Künstliche Überdeckung • Natürliche Überdeckung • verschiedene Algorithmen 4
    18. 18. AAM erstellen 5
    19. 19. AAM erstellen • Form 5
    20. 20. AAM erstellen • Form • Markante Punkte 5
    21. 21. AAM erstellen • Form • Markante Punkte • handmarkiert 5
    22. 22. AAM erstellen • Form • Markante Punkte • handmarkiert 5
    23. 23. Form 6
    24. 24. Form n s = s0 + pi si i=1 6
    25. 25. Form n s = s0 + pi si i=1 s: Form s0: Grundform si: Formvektoren pi: Formparameter 6
    26. 26. Basisform s0 7
    27. 27. Basisform s0 7
    28. 28. Basisform s0 7
    29. 29. Basisform s0 7
    30. 30. Basisform s0 8
    31. 31. Basisform s0 1. Erstelle ein Netz s0 auf jedem Trainingsbild, das handmarkierte Netz sei s 8
    32. 32. Basisform s0 1. Erstelle ein Netz s0 auf jedem Trainingsbild, das handmarkierte Netz sei s 2. Wiederhole nun bis s0 konvergiert: 8
    33. 33. Basisform s0 1. Erstelle ein Netz s0 auf jedem Trainingsbild, das handmarkierte Netz sei s 2. Wiederhole nun bis s0 konvergiert: a. Passe s an s0 mit Hilfe von zweidimensionalen Ähnlichkeitsumformungen an. 8
    34. 34. Basisform s0 1. Erstelle ein Netz s0 auf jedem Trainingsbild, das handmarkierte Netz sei s 2. Wiederhole nun bis s0 konvergiert: a. Passe s an s0 mit Hilfe von zweidimensionalen Ähnlichkeitsumformungen an. b. Setze s0 auf den Mittelwert aller Netze s 8
    35. 35. Basisform s0 1. Erstelle ein Netz s0 auf jedem Trainingsbild, das handmarkierte Netz sei s 2. Wiederhole nun bis s0 konvergiert: a. Passe s an s0 mit Hilfe von zweidimensionalen Ähnlichkeitsumformungen an. b. Setze s0 auf den Mittelwert aller Netze s Nur wenn 50% der Punkte sichtbar sind ! 8
    36. 36. Berechnung der Formvektoren si 9
    37. 37. Berechnung der Formvektoren si • Passe die sichtbaren Dreiecke von s in das i Basisnetz s0 ein 9
    38. 38. Berechnung der Formvektoren si • Passe die sichtbaren Dreiecke von s in das i Basisnetz s0 ein • Ziehe s0 von jedem si ab 9
    39. 39. Berechnung der Formvektoren si • Passe die sichtbaren Dreiecke von s in das i Basisnetz s0 ein • Ziehe s von jedem s ab 0 i • Benutze “PCA mit fehlenden Daten” 9
    40. 40. Berechnung der Formvektoren si • Passe die sichtbaren Dreiecke von s in das i Basisnetz s0 ein • Ziehe s von jedem s ab 0 i • Benutze “PCA mit fehlenden Daten” • Verwende die othonormalsierten Eigenvektoren mit dem größten Eigenwert als si 9
    41. 41. AAM erstellen 10
    42. 42. AAM erstellen • Darstellung, umfasst: 10
    43. 43. AAM erstellen • Darstellung, umfasst: • alle Pixel innerhalb der Form s 0 10
    44. 44. AAM erstellen • Darstellung, umfasst: • alle Pixel innerhalb der Form s 0 • faktisch: ein Bild! 10
    45. 45. AAM erstellen • Darstellung, umfasst: • alle Pixel innerhalb der Form s 0 • faktisch: ein Bild! 10
    46. 46. Darstellung 11
    47. 47. Darstellung m A(x) = A0 (x) + λi Ai (x) i=1 11
    48. 48. Darstellung m A(x) = A0 (x) + λi Ai (x) i=1 A(x): Darstellung A0(x): Basisdarstellung Ai(x): Darstellungsbilder λi: Darstellungsparameter 11
    49. 49. Berechnung der Darstellungsbilder Ai • Passe A an A an i 0 • Ziehe A von jedem A ab 0 i • Benutze “PCA mit fehlenden Daten” • Verwende die othonormalisierten Eigenvektoren mit dem größten Eigenwert als Ai 12
    50. 50. Experiment 13
    51. 51. Experiment 13
    52. 52. Experiment • Früher verwendete Bilder werden künstlich überdeckt. 13
    53. 53. Experiment • Früher verwendete Bilder werden künstlich überdeckt. • Neue Bildsequenzen mit natürlicher Überdeckung 13
    54. 54. Künstliche Überdeckung 14
    55. 55. Künstliche Überdeckung Original 14
    56. 56. Künstliche Überdeckung 10% Überdeckung Original 14
    57. 57. Künstliche Überdeckung 10% Überdeckung Original 50% Überdeckung 14
    58. 58. Basisnetzabstand Pixelabstand 0.50 durchschn. Pixelabstand [px] zwischen den 0.40 Netzen aus 0.30 überdeckten und 0.20 überdeckungs- 0.10 freien Bildsequenzen 0.05 0.15 0.25 0.35 0.45 % Überdeckung 15
    59. 59. Basisnetzabstand Pixelabstand 0.50 durchschn. Pixelabstand [px] zwischen den 0.40 Netzen aus 0.30 überdeckten und 0.20 überdeckungs- 0.10 freien Bildsequenzen 0.05 0.15 0.25 0.35 0.45 % Überdeckung Bleibt unter ½ px für bis zu 50% Überdeckung! 15
    60. 60. Formenergie Überlappung 16
    61. 61. Formenergie Überlappung 1 u )T 2 SE = (si o sj n i j siu: Formvektoren für überdeckungsfreie Daten sjo: Formvektoren für überdeckte Daten 16
    62. 62. Formenergie Überlappung zwischen den 1.00 shape energy overlap [%] Formen aus 0.95 überdeckten und 0.90 überdeckungs- freien 0.85 Bildsequenzen 0.05 0.15 0.25 0.35 0.45 % Überdeckung 17
    63. 63. Formenergie Überlappung zwischen den 1.00 shape energy overlap [%] Formen aus 0.95 überdeckten und 0.90 überdeckungs- freien 0.85 Bildsequenzen 0.05 0.15 0.25 0.35 0.45 % Überdeckung Bleibt über 95% für bis zu 45% Überdeckung! 17
    64. 64. Einpassen von AAMs mit Überdeckung 18
    65. 65. Einpassen von AAMs mit Überdeckung • Wie geht das? • Minimierung des Quadratsummenfehlers 18
    66. 66. Einpassen von AAMs mit Überdeckung • Wie geht das? • Minimierung des Quadratsummenfehlers m 2 A0 (x) + λi Ai (x) − I (W(x; p)) x∈s0 i=1 18
    67. 67. Algorithmen 19
    68. 68. Algorithmen • Project-Out Algorithmus • vorher bereits besprochen 19
    69. 69. Algorithmen • Project-Out Algorithmus • vorher bereits besprochen • Robust-Fitting Algorithmus • ineffizient 19
    70. 70. Algorithmen • Project-Out Algorithmus • vorher bereits besprochen • Robust-Fitting Algorithmus • ineffizient • Efficient Robust Normalization Algorithmus • schnell, performant 19
    71. 71. Project-Out Algorithmus 20
    72. 72. Project-Out Algorithmus • Vorberechnungen 20
    73. 73. Project-Out Algorithmus • Vorberechnungen • Gradientenbildung der Basisdarstellung ∇A 0 20
    74. 74. Project-Out Algorithmus • Vorberechnungen • Gradientenbildung der Basisdarstellung ∇A0 • Berechnung der Jacobi Matrix des Warp in (x;0) 20
    75. 75. Project-Out Algorithmus • Vorberechnungen • Gradientenbildung der Basisdarstellung ∇A0 • Berechnung der Jacobi Matrix des Warp in (x;0) • Berechnung des Gradientenbilds SD (x) ic 20
    76. 76. Project-Out Algorithmus • Vorberechnungen • Gradientenbildung der Basisdarstellung ∇A 0 • Berechnung der Jacobi Matrix des Warp in (x;0) • Berechnung des Gradientenbilds SD (x)ic • “Project out” Darstellung aus SD (x) ic 20
    77. 77. Project-Out Algorithmus • Vorberechnungen • Gradientenbildung der Basisdarstellung ∇A 0 • Berechnung der Jacobi Matrix des Warp in (x;0) • Berechnung des Gradientenbilds SD (x)ic • “Project out” Darstellung aus SD (x) ic • Berechnung der Hesse-Matrix H po 20
    78. 78. Project-Out Algorithmus • Iteration • Warp I mit W(x;p) um I(W(x;p)) zu erhalten • Berechnung des Fehlerbilds E(x) = I(W(x;p)) - A0(x) • Berechne Σx SDTpo(x) E(x) • Aktualisiere den Warp W(x;p) ← W(x;p) ❍ W(x;Δp) 21
    79. 79. Project-Out algorithm • Berechnung der Darstellungsparameter λi = Ai (x) · [I (W(x; p)) − A0 (x)] x∈s0 22
    80. 80. Robust fitting Algorithmus m 2 A0 (x) + λi Ai (x) − I (W(x; p)) x∈s0 i=1 23
    81. 81. Robust fitting Algorithmus m 2 A0 (x) + λi Ai (x) − I (W(x; p)) ;σ x∈s0 i=1 ς symetrische, robuste Fehlerfunktion σ Parametervektor 23
    82. 82. Robust fitting Algorithmus 24
    83. 83. Robust fitting Algorithmus • von der Vorberechnung in die Iteration verschoben: 24
    84. 84. Robust fitting Algorithmus • von der Vorberechnung in die Iteration verschoben: • Gradientenbilder SD (x) ic 24
    85. 85. Robust fitting Algorithmus • von der Vorberechnung in die Iteration verschoben: • Gradientenbilder SD (x) ic • Project out der Darstellung SD (x) ic 24
    86. 86. Robust fitting Algorithmus • von der Vorberechnung in die Iteration verschoben: • Gradientenbilder SD (x) ic • Project out der Darstellung SD (x) ic • Berechnung der Hesse-Matrix H po 24
    87. 87. Robust fitting Algorithmus • von der Vorberechnung in die Iteration verschoben: • Gradientenbilder SD (x) ic • Project out der Darstellung SD (x) ic • Berechnung der Hesse-Matrix H po Robust, aber sehr langsam ! 24
    88. 88. Efficient robust normalization algorithm A0 = Ti i 25
    89. 89. Efficient robust normalization algorithm A0 = Ti i A0: Grunddarstellung Ti: Dreiecke aus s0 25
    90. 90. Efficient robust normalization algorithm 26
    91. 91. Efficient robust normalization algorithm 26
    92. 92. Efficient robust normalization algorithm Ti: Dreieck Tj: Dreieck 26
    93. 93. Efficient robust normalization algorithm • Vorberechnung • Berechne den Gradienten der Basisdarstellung: ∇A0 • Berechne die Jacobimatrix des Warp in (x;0) • Berechne die Gradientenbilder SDic • Berechne die Hesse-Matrix Hpi für jedes Dreieck • Berechne die Darstellungs-Matrix HAi für jedes Dreieck 27
    94. 94. Efficient robust normalization algorithm • Iteration • Warp I with W(x;p) to compute I(W(x;p)) • Berechne das Fehlerbild Eapp(x) • Berechne HA = Σiς’i·HiA • Berechne Δλ und aktualisiere λ und Eapp • Berechne die Hesse-Matrix Hp und invertiere sie • Berechne Σxς’ (Eapp(x)2) SDTic(x) Eapp(x) • Berechne Δp • Aktualisiere den Warp 28
    95. 95. Experiment 29
    96. 96. Experiment 29
    97. 97. Experiment • Vergleich der verschiedenen Algorithmen mit verschiedenen Überdeckungsanteilen und verschiedenen Darstellungsbildern 29
    98. 98. Experiment • Vergleich der verschiedenen Algorithmen mit verschiedenen Überdeckungsanteilen und verschiedenen Darstellungsbildern • inklusive Hager-Belhumeur 29
    99. 99. Hager-Belhumeur Algorithmus 30
    100. 100. Hager-Belhumeur Algorithmus • vorgestellt 1998 30
    101. 101. Hager-Belhumeur Algorithmus • vorgestellt 1998 • basiert auf kleinste Quadrate Minimierung 30
    102. 102. Hager-Belhumeur Algorithmus • vorgestellt 1998 • basiert auf kleinste Quadrate Minimierung • genauer: Iterated Reweighted Least Squares 30
    103. 103. Hager-Belhumeur Algorithmus • vorgestellt 1998 • basiert auf kleinste Quadrate Minimierung • genauer: Iterated Reweighted Least Squares • Die Hesse-Matrix wird als konstant angenommen 30
    104. 104. Experiment 31
    105. 105. Experiment 31
    106. 106. Experiment 31
    107. 107. Experiment 32
    108. 108. Experiment 32
    109. 109. Experiment 32
    110. 110. Konvergenz Konvergenz bei 10% Überdeckung bei verschiedenen Algorithmen und verschiedenen Darstellungsbildern 33
    111. 111. Konvergenz Konvergenz bei 10% Überdeckung bei verschiedenen Algorithmen und verschiedenen Darstellungsbildern Verbesserung des Konvergenzverhaltens 33
    112. 112. Konvergenz Konvergenz bei 50% Überdeckung bei verschiedenen Algorithmen und verschiedenen Darstellungsbildern 34
    113. 113. Konvergenz Konvergenz bei 50% Überdeckung bei verschiedenen Algorithmen und verschiedenen Darstellungsbildern Deutliche Verbesserung des Konvergenzverhaltens 34
    114. 114. Laufzeitvergleich Efficient pro Robust Project Out Robust Frame Normalization Normalization Matlab 27 ms 1280 ms 129 ms C 4.3 ms 203.9 ms 20.5 ms 35
    115. 115. Laufzeitvergleich Efficient pro Robust Project Out Robust Frame Normalization Normalization Matlab 27 ms 1280 ms 129 ms C 4.3 ms 203.9 ms 20.5 ms Datenset: Testhardware: 547 Frames 11 Formparameter DualCore Pentium 4 @ 3 GHz 20 Darstellungsparameter 9981 Farbpixel 35
    116. 116. Tradition vs. Robustheit 36
    117. 117. Tradition vs. Robustheit 36
    118. 118. Was sollte ich nun wissen? 37
    119. 119. Was sollte ich nun wissen? 37
    120. 120. Was sollte ich nun wissen? 37
    121. 121. Was sollte ich nun wissen? 37
    122. 122. Was sollte ich nun wissen? 37
    123. 123. Danke für Eure Aufmerksamkeit !

    ×