Objekterkennung durch Hough-Transform-Clustering von Surf-Features

Organisatorisches

• Art der Arbeit: Diplomarbeit
• Status: abgeschlossen
• Interne Betreuer:
  • Peter Decker
  • Dietrich Paulus
• Beginn: 15.05.2009
• Ende: 15.11.2009

Beschreibung

Ziel der Bachelorarbeit ist die Verbesserung der vorhandenen Objekterkennung von Robbie 12 in der RoboCup@Home-Liga durch Hough-Transform-Clustering von Surf-Feature-Matches.

Der bisherige Ablauf der Objekterkennung besteht darin, durch Histogram Rückprojektion für die Objekterkennung relevante Regionen zu detektieren. Anschließend werden diese durch Speeded Up Robust Feature Matching (SURF) analysiert und die Deskriptoren der daraus gewonnenen Interest Points mit bereits gelernten Objekten aus der Datenbank verglichen. Für die Zuordnung der Merkmalsvektoren werden z.B. nearest neighbor Verfahren im hochdimensionalen Merkmalsraum verwendet.

Die Zuordnung der Feature-Matches zu den gelernten Objekten soll durch Hough-Transform-Clustering umgesetzt werden. Die gematchten Feature-Vektoren führen so zu einer Bewertung der Objekte aus der Datenbank aufgrund von globalen Eigenschaften. Es sollen gleichzeitig Translation, Rotation, Skalierung und Farbe berücksichtigt werden, um falsche Matches auszusortieren und damit das Ergebnis der Objekterkennung zu verbessern. Bisher wurden diese Faktoren nur einzeln betrachtet.

Die Herausforderung bei der Implementierung des neuen Verfahrens besteht darin, die rechenintensive Hough-Tranformation für die Aufgabe angemessen umzusetzen und zu parametrisieren, dabei gleichzeitig ein robustes Verfahren zur Clusterbildung und Maximadetektion im Houghraum zu entwickeln.

Zur Dokumentation der Ergebnisse soll die Objekterkennung evaluiert werden. Dabei werden die Erkennungsraten und Geschwindigkeit im Vergleich zum bisherigen System betrachtet. Gegenstand der Objekterkennung sollen typische @Home-Objekte sein sowie auch Gesichter, da die Erkennung von Personen ein wichtiger Bestandteil des @Home-Wettbewerbs ist.