Inkrementelle Akquisition von 3D-Objektmodellen - Institut für ...
Inkrementelle Akquisition von 3D-Objektmodellen - Institut für ...
Inkrementelle Akquisition von 3D-Objektmodellen - Institut für ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
26 IR-INI 2006–01, c○ 2006 <strong>Institut</strong> <strong>für</strong> Neuroinformatik, Ruhr-Universität Bochum, FRG<br />
5.2.3 Ähnlichkeitsfunktionen <strong>für</strong> Jets<br />
Die Ähnlichkeiten <strong>von</strong> Bildpunkten kann mit der Ähnlichkeit ihrer Jets ausgedrückt werden. Eine<br />
Ähnlichkeitsfunktion <strong>für</strong> Jets ist beispielsweise<br />
∑<br />
S abs (J, J ′ i<br />
) =<br />
a ia ′ i<br />
√ ∑ ∑<br />
(5.6)<br />
i a2 2<br />
i i a′ i<br />
Hier wird nur die Amplitude der Frequenz verglichen. Für nah beieinander liegende Bildpunkte<br />
liefert sie recht ähnliche Ergebnisse. Eine andere Ähnlichkeitsfunktion ist<br />
⎛<br />
⎞<br />
S pha (J, J ′ ) = 1 ∑<br />
⎝ i a ia ′ i cos(φ i − φ ′ i<br />
√ )<br />
2 ∑ ∑ + 1⎠ (5.7)<br />
i a2 2<br />
i i a′ i<br />
Hier werden auch die Phasen der Frequenzen verglichen. Da sich nah beieinander liegende<br />
Bildpunke in der Phase erheblich unterscheiden, liefert diese Funktion auch <strong>für</strong> solche Punkte<br />
bereits sehr unterschiedliche Werte. Der Unterschied in der Phase ist es auch, den wir bei unserem<br />
Trackingverfahren ausnutzen.<br />
5.2.4 Finden eines korrespondierenden Punktes durch Phasenabgleich<br />
Um den zu Punkt x aus dem ersten Bild korrespondierenden Punkt x ′ im zweiten Bild finden,<br />
berechnen wir zunächst die Jets J an der Stelle x im ersten Bild und J ′ an der initialen Schätzung<br />
ˆx ′ im zweiten Bild. Vermutlich wird unsere Schätzung nicht exakt richtig sein und S pha (J, J ′ ) eine<br />
geringe Ähnlichkeit ergeben. Wir versuchen nun, x ′ so zu verschieben, dass die Phasen wieder<br />
”übereinander passen“. Wir ergänzen S pha um einen Verschiebungsvektor d, und erhalten<br />
⎛<br />
⎞<br />
S disp (J, J ′ , d) = 1 ∑<br />
⎝ i a ia ′ i cos(φ i − φ ′ i − (dT k i ))<br />
√<br />
2<br />
∑ ∑<br />
+ 1⎠ (5.8)<br />
i a2 2<br />
i i a′ i<br />
Diese Funktion kann nun über d maximiert werden. Unsere Schätzung x ′ können wir dann verbessern<br />
zu einer neuen Schätzung x ′ neu = x ′ alt<br />
+ d. Wir iterieren, bis wir eine hinreichend gute<br />
Schätzung erhalten (oder ein d = 0).<br />
Die Iteration ist notwendig, da die Abschätzung <strong>von</strong> d nur <strong>für</strong> kleine Abweichungen präzise ist.<br />
Siehe hierzu auch [MvdM96], wo das Verfahren vorgestellt wird. Es können mit diesem Verfahren<br />
Verschiebungen bis zur halben Wellenlänge des Gabor-Filters mit der höchsten Frequenz berechnet<br />
werden.<br />
Wird ein Punkt über mehrere Bilder verfolgt, stellt sich die Frage, ob ein Bildpunkt bzw. sein Jet<br />
mit dem Ursprungs-Jet verglichen werden soll oder mit dem Jet aus dem vorhergehenden Bild.<br />
Letzteres heißt, dass man den verbleibenden Unterschied zwischen den Jets in erster Linie nicht als<br />
durch Rauschen bewirkten Fehler, sondern als Folge der leicht veränderten Perspektive auffasst und<br />
den Jet an die dadurch bewirkten Veränderungen der Filterantworten anpasst. Ob das erwünscht<br />
ist, hängt <strong>von</strong> dem gegebenen Problem ab.<br />
Es ist auch möglich, den Jet, mit dem verglichen wird, in jedem Trackingschritt etwas an den neuen<br />
Jet anzupassen ohne ihn völlig zu übernehmen. Zu näheren Details zu diesem Verfahren siehe<br />
[Wie01] und [MvdM96].<br />
5.3 Tracking der gesamten Punktmenge<br />
Wir können nun in unserer Bildsequenz die Bilder nacheinander bearbeiten, indem wir zunächst wie<br />
in Abschnitt 5.1 beschrieben Bildpunkte auswählen und zu allen Punkten dann wie in Abschnitt