active appearance models (aam)
DESCRIPTION
Active Appearance Models (AAM). 18.12.2003 Mario Ullrich. Warum das Ganze?. Wie gelangt man dort hin?. Erstellen des Modells Das Active Shape Modell Erweiterung um Texturen Vereinigung Modell Suche Korrektur der Parameter Iterative Minimierung Beispiele Zusammenfassung. - PowerPoint PPT PresentationTRANSCRIPT
Active Appearance Models (AAM)
18.12.2003Mario Ullrich
2
Warum das Ganze?
3
Wie gelangt man dort hin?1. Erstellen des Modells
1. Das Active Shape Modell2. Erweiterung um Texturen3. Vereinigung
2. Modell Suche1. Korrektur der Parameter2. Iterative Minimierung
3. Beispiele4. Zusammenfassung
4
Active Shape Modell• Annotierte Trainingsbilder
• Ausrichten der Trainingsdaten• Hauptkomponentenanalyse
• Erstellen des Modells
5
Erweiterung mit Texturen Ziel : Erstellen einer Beschreibung
der Durchschnittstextur der Form
• Speichern des Grauwerts von jedem Pixel
• Werte normieren : Skalierung und Offset
• Hauptkomponentenanalyse auf den normierten Daten
6
Vereinigung zum AAM(1/2)Gegeben :
• Weitere Hauptkomponentenanalyse • Ws als Ausgleich für Form- und Texturparameter
• Ergebnis: „ ein b“
7
Vereinigung zum AAM(2/2)• So kann für ein gegebenes c ein neues Trainingsbild angepasst werden, indem die Texturen des Vektors g generiert werden und sie in die Kontrollpunkte in x eingebunden werden.
• mit den Formeln
8
Suche
Angleichen des Modells an das Bild
ABER WIE?
9
SucheProblem: Optimiere den Unterschied zwischen Bild und Modell
Lösung: Variation des Vektors c,
jedoch : Hochdimensionales Problem
Ansatz: Optimierungsproblem wiederholt sich
finden einer linearen Abhängigkeit
absichtliches Stören von Parametern
10
Suche• Position, Maßstab oder Orientierung ändern
• Aufzeichnen der veränderten g und c
• Anwendung bei den Trainingsbildern
• Multivariate Regression um die lineare Abhängigkeit zu erreichen
11
SucheIteratives Verfahren zur Angleichung an das Bild
mit gegebener aktueller Schätzung
Vorgehen:1. Fehlervektor berechnen
2. Erwartete Entfernung
3. Neue Schätzung errechnen
4. Neuer Fehler < vorheriger wiederholenoder andere Konstante verwenden
12
Suchbeispiel
13
Anwendungsgebiete Mimikerkennung
Verfolgung deformierbarer Objekte
Gesichtserkennung
Medizinische Bilderkennung
14
Zusammenfassung Vorteile
Echtzeitfähig (ASM) Wiederverwendbar (Modell) (ASM) Deutlich mehr Informationen durch Texturen Dadurch bessere Suchergebnisse
Nachteile Hoher Initialisierungsaufwand (ASM) Große Abhängigkeit von Training Set (ASM) Schlechte Leistung bei ungünstiger Initialisierung Im Vergleich längere Suche als ASM
15
Vielen Dank für die Aufmerksamkeit !