Salienz-basiertes Bildmatching für mobile Systeme
Zusammenfassung der Projektergebnisse
Die wichtigsten Projektergebnisse sind folgende: 1. Die Entwicklung einer neuen, informations-theoretischen Methode zur Salienzberechnung, die die Auffälligkeit von Bildregionen berechnen kann. Das Ergebnis sind Salienzkarten, die hohe Intensitätswerte für auffällige Regionen, und niedrige für nicht auffällige Regionen enthalten. In den letzten 10 Jahren gibt es ein verstärktes Interesse in der Bildverarbeitungs-Community an Salienzmethoden. Unser Ansatz basiert auf Informationstheorie, ist effizient berechenbar, und liefert sehr gute Ergebnisse auf den in der Community gängigen Datensätzen. 2. Die Erweiterung der Salienzmethode auf kontinuierliche Wahrscheinlichkeitsverteilungen. Die Methode ist noch schneller und genauer. 3. Die Erweiterung der Salienzmethode auf einen Superpixelansatz, der noch genauere Objektkonturen für die Aufgabenstellung “Salient Object Segmentation” liefert. 4. Die Entwicklung eines kohärenten Detektor-Descriptor Paars aus einem Guß, das die schnelle und präzise Berechnung von Merkmalspunkten und ihr Matching aus verschiedenen Bildern erlaubt. Die salienten Merkmale, die mit dieser Methode berechnet werden, können dazu dienen, zusammengehörige Bildpunkte aus verschiedenen Bildern zu matchen, und so zuvor gesehene Regionen, Szenen, oder Objekte wiederzuerkennen. Ein solches Verfahren hat viele Anwendungsbereiche: zum Beispiel die Wiedererkennung von bekannten Objekten einer Datenbank in einer reellen Szene, beispielsweise für einen mobilen Haushaltsroboter, der die Wohnung aufräumen soll. Ein anderes Beispiel ist die Wiedererkennung von zuvor gesehenen Räumen oder Plätzen, zur Unterstützung der Navigation eines mobilen Systems, beispielsweise eines autonomen Fahrzeugs im Straßenverkehr. Der vorgestellte Ansatz ist der erste, der Detektor und Deskriptor mit der gleichen Methodik unter Ausnutzung der gleichen Grundberechnungen bestimmt.
Projektbezogene Publikationen (Auswahl)
- Center-surround divergence of feature statistics for salient object detection. In Proc. of the International Conference on Computer Vision (ICCV), Barcelona, Spain, 2011
Dominik A. Klein and Simone Frintrop
- Salient Pattern Detection using W2 on Multivariate Normal Distributions. In Proc. of the Joint Pattern Recognition Symposium of the German Association for Pattern Recognition (DAGM) and the Austrian Association for Pattern Recognition (OAGM) (DAGM-OAGM), Graz, Austria, Aug. 2012
Dominik A. Klein and Simone Frintrop
- Discriminable Points that Stick Out of Their Environment. In: German Conf. on Pattern Recognition (GCPR), Saarbrücken, Germany, September 2013
Dominik A. Klein and Armin B. Cremers
- Multi-scale region-based saliency detection using W2 distance on ndimensional normal distributions. In Int. Conf. on Image Processing (ICIP), Melbourne, Australia, Sept 2013
Lei Zhu, Dominik A. Klein, Simone Frintrop, Zhiguo Cao, and Armin B. Cremers
- A multi-size superpixel approach for salient object detection based on multivariate normal distribution estimation. Trans. on Image Processing (TIP), 23(12), 2014
Lei Zhu, Zhiguo Cao, Dominik A. Klein, Simone Frintrop, and Armin B. Cremers
(Siehe online unter https://doi.org/10.1109/TIP.2014.2361024) - Cognitive approaches for mobile vision systems. Habilitation thesis at the University of Bonn, Germany, 2014
Simone Frintrop
(Siehe online unter https://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.637.1282)
