DE19538004A1 - Verfahren zur Grobklassifizierung von Objekten - Google Patents
Verfahren zur Grobklassifizierung von ObjektenInfo
- Publication number
- DE19538004A1 DE19538004A1 DE19538004A DE19538004A DE19538004A1 DE 19538004 A1 DE19538004 A1 DE 19538004A1 DE 19538004 A DE19538004 A DE 19538004A DE 19538004 A DE19538004 A DE 19538004A DE 19538004 A1 DE19538004 A1 DE 19538004A1
- Authority
- DE
- Germany
- Prior art keywords
- data
- classification
- class
- objects
- during
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012360 testing method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001768 cations Chemical class 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Description
Die vorliegende Erfindung betrifft ein Verfahren zur Grob
klassifizierung von Objekten, insbesondere zur Grobklassifi
zierung von Objekten in einer frei definierbaren Umgebung.
Vorab werden nachfolgend einige der in der folgenden Be
schreibung verwendeten Begriffe näher erläutert:
Ein Objekt ist ein Gegenstand, der durch vorbestimmte
Objektdaten definiert ist. Solche Objektdaten können
beispielsweise Bilddaten sein, die das Objekt anhand
dessen Form, Farbe, Textur oder Größe definieren.
Die Objekte sind in unterschiedliche Objekttypen aufge
teilt. Ein Bleistift ist z. B. ein Objekt, das in unter
schiedliche Objekttypen, nämlich einen Bleistift des
Typs B1 und einen Bleistift des Typs B2, unterteilt ist.
Eine Objekt- oder Typklasse umfaßt eine zusammengehörige
Gruppe von Objekttypen. Dies wären in dem oben beschrie
benen Beispiel beispielsweise alle Bleistifte.
Eine Typidentifikation ermöglicht eine Unterscheidung
von Objekten innerhalb einer Objektklasse.
Bekannte Verfahren aus dem Stand der Technik finden in der
industriellen Praxis ihre Anwendung, in der eine Typidenti
fikation von Objekten in einer definierten Umgebung durchge
führt wird. Mit solchen bekannten Verfahren zum Musterver
gleich aufgrund von Signalen (z. B. aus Bildern der Objekte)
lassen sich Informationen über den Objekttyp gewinnen. Auf
diese Weise ist es beispielsweise möglich, einen Bleistift
des Typs B1 von einem Bleistift des Typs B2 zu unterschei
den, oder eine Kaffeetasse des Typs K1 von einer unter
schiedlich geformten Kaffeetasse des Typs K2 zu unterschei
den.
Bei den oben beschriebenen Verfahren werden aus vorhandenen
Signalen Merkmalsdaten herausgezogen. Beispielsweise wird
ein Bleistift des Typs B1 durch eine Kombination unter
schiedlicher Merkmalsdaten beschrieben und unterscheidet
sich von einem Bleistift des Typs B2 bzgl. einzelner Merkma
lsdaten.
Ein solches bekanntes Verfahren zur Typidentifikation von
Objekten ist nach einer Lernphase mit unterschiedlichen Re
präsentanten einer Objektklasse, z. B. unterschiedlichen Kaf
feetassen, z. B. des Objekttyps Kaffeetasse K1, in der Lage,
auch andere Repräsentanten dieses Objekttyps Kaffeetasse K1
korrekt zu identifizieren.
Mit anderen Worten verwendet ein aus dem Stand der Technik
bekanntes Klassifizierungssystem im wesentlichen zwei
Phasen, nämlich eine Lern- und eine Klassifizierungsphase.
Während der Lernphase werden dem System bestimmte Merkmale
einzelner Objekttypen eingegeben, so daß das System während
der Klassifizierungsphase in der Lage ist, Objekte dieser
Objekttypen zu erkennen.
Ein Nachteil des oben beschriebenen Standes der Technik be
steht darin, daß nur solche Objekte erfaßt werden, die genau
definiert sind. Eine Einordnung von Objekten in Objekt
klassen ist somit nicht möglich.
Mit anderen Worten ist es nicht möglich, unterschiedliche
Objektklassen zu unterscheiden. Eine Objektklasse umfaßt
alle Objekte eines Objekttyps. Bei dem oben beschriebenen
Beispiel bilden z. B. alle Bleistifte die Objektklasse B, und
alle Kaffeetassen bilden die Objektklasse K. Eine solche Un
terscheidung zwischen unterschiedlichen Objektklassen oder
Typklassen wird als Typklassenidentifikation oder Grob
klassifikation bezeichnet.
Auf den ersten Blick erscheint das Problem der Grobklassifi
kation einfacher als das der Objektidentifikation, da ein
menschlicher Betrachter beispielsweise ohne weiteres einen
Bleistift von einer Kaffeetasse unterscheiden kann, jedoch
bei der Unterscheidung unterschiedlicher Kaffeetassen diese
genauer betrachten muß. Dieser Eindruck trügt jedoch, da das
dem Menschen verfügbare Hintergrundwissen, das offensicht
lich zu dieser Unterscheidung herangezogen wird, technisch
nicht implementierbar ist.
Ausgehend von diesem Stand der Technik liegt der vorliegen
den Erfindung die Aufgabe zugrunde, ein Verfahren zur Grob
klassifizierung von Objekten in einer frei definierbaren Um
gebung zu schaffen.
Diese Aufgabe wird durch ein Verfahren nach Anspruch 1 ge
löst.
Die vorliegende Erfindung schafft ein Verfahren zur Grob
klassifizierung von Objekten in einer frei definierbaren Um
gebung, wobei das Verfahren eine Lernphase und eine Klassi
fizierungsphase einschließt, bei dem
während der Lernphase für mehrere Objekte einer Objekt klasse gleichartige typische Merkmalsdaten in eine Klas sifizierungsvorrichtung eingelesen werden, wodurch eine Grobklasse definiert wird; und
während der Klassifizierungsphase Objektdaten eines zu klassifizierenden Objekts erfaßt werden, und das zu klas sifizierende Objekt ab einem bestimmten Grad der Überein stimmung der während der Lernphase eingelesenen Merkmals daten mit den erfaßten Objektdaten als zu der definierten Grobklasse gehörend erkannt wird.
während der Lernphase für mehrere Objekte einer Objekt klasse gleichartige typische Merkmalsdaten in eine Klas sifizierungsvorrichtung eingelesen werden, wodurch eine Grobklasse definiert wird; und
während der Klassifizierungsphase Objektdaten eines zu klassifizierenden Objekts erfaßt werden, und das zu klas sifizierende Objekt ab einem bestimmten Grad der Überein stimmung der während der Lernphase eingelesenen Merkmals daten mit den erfaßten Objektdaten als zu der definierten Grobklasse gehörend erkannt wird.
Bevorzugte Weiterbildungen der vorliegenden Erfindung sind
in den Unteransprüchen definiert.
Anhand der beiliegenden Zeichnung wird nachfolgend das er
findungsgemäße Verfahren näher beschrieben. Es zeigt:
Fig. 1 ein Blockdiagramm, das die Klassifizierungsphase des
Verfahren darstellt.
Vor einer detaillierten Beschreibung der vorliegenden Erfin
dung werden nachfolgend ein weiterer verwendeter Begriff ge
nauer definiert.
Eine Typklassenidentifikation oder Grobklassifikation
ermöglicht die Unterscheidung zwischen unterschiedlichen
Objektklassen.
Die Grobklassifikation ist also z. B. in der Lage, zwischen
einem Bleistift und einer Kaffeetasse zu unterscheiden.
Ferner ist es mittels der Grobklassifikation möglich, einem
beliebigen Objekt eine Objektklasse zuzuordnen. Z. B. wird
ein beliebiger, dem Klassifizierungssystem bisher unbe
kannter Bleistift als Bleistift erkannt.
Für die Grobklassifikation ist es erforderlich, aus einer
Vielzahl von Objektdaten eine Mehrzahl von typischen Merk
malsdaten zu bestimmen, anhand der eine Klassifizierung der
unterschiedlichen Objektklassen möglich ist. Bei dem obigen
Beispiel des Bleistifts und der Kaffeetasse wären typische
Merkmalsdaten solche, aus denen ableitbar ist, daß ein Blei
stift lang und spitz ist, wohingegen eine Kaffeetasse kom
pakt ist und einen Henkel aufweist. Anhand solcher typischer
Merkmalsdaten ist die Grobklassifikation zwischen einem
Bleistift und einer Kaffeetasse möglich.
Das erfindungsgemäße Verfahren zur Grobklassifizierung von
Objekten umfaßt eine Lernphase und eine Klassifizierungs
phase.
Während der Lernphase werden für mehrere Objekte einer Ob
jektklasse gleichartige typische Merkmalsdaten in eine Klas
sifizierungsvorrichtung eingelesen. Hierdurch wird eine
Grobklasse definiert.
Bei einem bevorzugten Ausführungsbeispiel wird einer Klas
sifizierungsvorrichtung eine sogenannte Lernstichprobe ange
boten, mit deren Hilfe sich die Klassifizierungsvorrichtung
selbst konfiguriert ("lernt"). Die angebotene Lernstichprobe
kann z. B. aus einer Mehrzahl von Bildern, die unterschied
lichen Grobklassen angehören bestehen. Beispielsweise kann
eine Klasse 1 Bilder von unterschiedlichen Zigarettenschach
teln enthalten, während eine weitere Klasse 2 Bilder von un
terschiedlichen Händen enthält.
Es wird darauf hingewiesen, das während der Lernphase nur
eine Klasse oder eine Vielzahl von Klassen "gelernt" werden
kann. Dies hängt vom jeweiligen Einsatzzweck der Klassifi
zierungsvorrichtung ab.
Durch das "Lernen" ist die Klassifizierungsvorrichtung in
der Lage, unbekannte Bilder, die zu der oder einer einge
lernten Klasse gehören, der entsprechenden Klasse richtig
zuzuordnen. Dies wird im allgemeinen durch eine sogenannte
Teststichprobe unter Beweis gestellt, die für die Klassifi
zierungsvorrichtung unbekannte Bilder der entsprechenden
Klasse enthält. Die Erkennungsrate auf die Teststichprobe
ist ein Maß dafür, wie gut die Klassifizierungsvorrichtung
auf das zugrundeliegende Erkennungsproblem angepaßt ist.
Gemäß einem weiteren Ausführungsbeispiel können als Ein
gangsdaten auch sogenannte Merkmalsdaten der zu klassifi
zierenden Objekte verwendet werden. Diese typischen Merk
malsdaten schließen Maßzahlen ein, die aus einem das Objekt
beschreibenden Datensatz berechnet werden. Der Datensatz
umfaßt z. B. die Fourierkoeffizienten einer Bilddarstellung
des Objekts, oder Statistiken über die in der Bilddarstel
lung enthaltenen Grauwerte, Wavelets, etc. Diese Merkmale
bzw. die Merkmalsdaten müssen sowohl während der Lernphase
und während der Teststichprobe gleichartig berechnet werden.
Durch die Erkennungsrate auf die Teststichprobe kann beur
teilt werden, wie gut ein Satz von typischen Merkmalsdaten
für ein Erkennungsproblem geeignet ist. So kann sich z. B.
bei Verwendung von Fourierkoeffizienten eine Erkennungsrate
von 99% auf die Teststichprobe ergeben, wohingegen bei der
Verwendung von Wavelets eine Erkennungsrate von 99,5% er
reicht wird.
Durch das automatische Durchtesten unterschiedlicher Sätze
von typischen Merkmalsdaten wird ein für die Grobklassifika
tion optimaler Satz von typischen Merkmalsdaten erreicht.
Während der Klassifizierungsphase werden Objektdaten eines
zu klassifizierenden Objekts erfaßt, und das zu klassifizie
rende Objekt wird ab einem bestimmten Grad der Überein
stimmung der während der Lernphase eingelesenen Merkmalsda
ten mit den erfaßten Objektdaten als zu der definierten
Grobklasse gehörend erkannt.
Anhand der Fig. 1 wird nachfolgend die Klassifizierungsphase
näher beschrieben.
In einem Schritt 100 werden die Objektdaten eines zu klassi
fizierenden Objekts, das durch diese Objektdaten definiert
ist, erfaßt. Diese Objektdaten können z. B. durch ein Bild
des zu klassifizierenden Objekts gebildet sein.
Im Schritt 102 werden dann die Objektdaten mit den Merkmals
daten verglichen. Solche Merkmale können beispielsweise die
Form, Farbe, Textur oder Größe des Objekts darstellen.
Im Schritt 104 werden mittels eines Klassifikators typische
Merkmalsdaten aus den erfaßten Objektdaten oder aus den ex
trahierten Merkmalen erfaßt, die dazu geeignet sind, die Ob
jektklasse des zu klassifizierenden Objekts festzulegen.
Durch einen Rückgriff auf die extrahierten Merkmale (ge
strichelter Pfeil 106) unterscheidet der Klassifikator zwi
schen Merkmalsschwankungen innerhalb eines Objekttyps (z. B.
unterschiedliche Längen und Farben von Bleistiften) und zwi
schen den Schwankungen zwischen unterschiedlichen Objekt
typen (Bleistifte und Kaffeetassen), so daß die typischen
Merkmalsdaten erfaßt werden können.
Anschließend wird der Grad der Übereinstimmung der Objektda
ten mit den typischen Merkmalsdaten bestimmt.
Danach wird das zu klassifizierenden Objekts zu der de
finierten Grobklasse zugeordnet, wenn ein vorbestimmter
Übereinstimmungsgrad bestimmt wurde.
Wenn es erwünscht ist, kann in einem Schritt 108 das Klassi
fikationsergebnis angezeigt werden.
Nachfolgend wird kurz ein Beispiel für ein System zur Durch
führung des erfindungsgemäßen Verfahrens beschrieben. Ein
solches System besteht im wesentlichen aus zwei Komponenten.
Es ist ein sogenanntes Einlernmodul vorgesehen, mittels dem
Objektdaten einer neuen Objekt- oder Typklasse aufgenommen
werden. Diese Objektdaten können beispielsweise in der Form
von Bilddaten vorliegen.
Ferner ist ein Erkennungs- oder Klassifikationsmodul vorge
sehen, mittels dem während eines fortlaufenden Betriebs per
manent die Objekte anhand der erfaßten Objektdaten und der
darin enthaltenen typischen Merkmalsdaten zu einer Objekt- oder
Typklasse zugeordnet werden.
Das Erkennungs- oder Klassifikationsmodul umfaßt eine Aus
wertungshardware, die beispielsweise aus einer CCD-Kamera
(Monochrom oder Farbe), einem Frame Grabber, der mit einem
digitalen Signalprozessor zur Leistungssteigerung ausgerü
stet sein kann, und aus einer Berechnungseinheit, die die
Datenauswertung durchführt, besteht.
Im allgemeinen können die Objekte durch den Benutzer beti
telt sein, wenn die entsprechenden Objektdaten durch das
Einlernmodul aufgenommen werden. Die Objekte können aller
dings ebenfalls durch das erste Bild einer aufgenommenen
Klasse repräsentiert werden. Dann ist eine weiteres Eingrei
fen des Benutzers nicht mehr notwendig.
Vorteilhafterweise erfolgt die Erfassung der Objektdaten bei
einer konstanten Beleuchtung. Dies ist jedoch keine zwingen
de Voraussetzung, da das erfindungsgemäße Verfahren auch
nach typischen Merkmalsdaten sucht, die beleuchtungsunabhän
gig sein können.
Der Auswertungsalgorithmus berechnet zuerst beliebige Bild
merkmale, wie z. B. Farbe, Umfang, Textur oder Größe des Ob
jekts, und anschließend werden aus diesen Bildmerkmalen die
typischen Merkmalsdaten abgeleitet, die zur Unterscheidung
der Objekt- oder Typklassen dienen.
Ein bekannter Auswertungsalgorithmus ist z. B. der sogenannte
MELT-Algorithmus.
Nachfolgend werden einige Beispiele für die Anwendung des
erfindungsgemäßen Verfahrens beschrieben.
Bei einer Kameraüberwachung eines Fertigungsroboters kann
anhand des erfindungsgemäßen Verfahrens festgestellt werden,
ob sich ein Mensch (Objektklasse A) oder nur das normale
Arbeitsgerät (Objektklasse B) im Aktionsbereich der Maschine
befindet. Ein Mensch wird auch dann der Typklasse A zugeord
net, wenn er sich im Aussehen und in der Bewegung von dem
bisher dem System präsentierten Menschen unterscheidet, da
das erfindungsgemäße Verfahren lediglich auftypische Merk
malsdaten zurückgreift, die als für einen Menschen typisch
erkannt wurden.
Ein weiteres Beispiel ist die Müllsortierung. Dort ließen
sich beispielsweise Objektklassen bilden, die nicht mehr
direkt an meßbare Stoffeigenschaften (Infrarot-Spektrogramm)
gebunden sind. Vielmehr wird jetzt aus einer Kombination von
z. B. optischen Merkmalen, wie Form, Farbe, Textur und Größe
auf die Zugehörigkeit zu einer Objektklasse, wie z. B. Ver
bundstoff, Folie oder Plastikflasche geschlossen.
Eine Grobklassifikation von Objekten ist auch bei der Analy
se von nicht-standardisierten Bildsequenzen, wie z. B. dem
Straßenverkehr oder wie es durch eine Kamera eines Haus
haltsroboters aufgenommen wird etc., von Bedeutung. Die ein
zelnen Objektklassen werden von dem erfindungsgemäßen Ver
fahren selbständig auf der Grundlage der zur Verfügung ste
henden Objektdaten, insbesondere der typischen Merkmalsda
ten, erkannt.
Ein weiteres Beispiel für die Verwendung des erfindungsge
mäßen Verfahrens liegt beispielsweise in der Analyse des In
haltes einer Bildszene. Mittels des erfindungsgemäßen Ver
fahrens ist es möglich, festzustellen, welche Objektklassen
sich im Bild befinden. Mit der Bezeichnung Bild ist hiermit
eine frei definierte Umgebung bezeichnet, innerhalb derer
sich die zu klassifizierenden Objekte befinden.
Es wird darauf hingewiesen, daß das erfindungsgemäße Verfah
ren die Grobklassifikation von Objekten in unterschiedlichen
Objektklassen in einer frei definierbaren Umgebung und an
hand von sogenannten typischen Merkmalsdaten durchführt.
Eine definierte Umgebung und eine genaue Kenntnis aller Ob
jektdaten des zu klassifizierenden Objekts sind nicht not
wendig.
Bei dem bevorzugten Ausführungsbeispiel wird eine Grob
klassifikation von Objekten durchgeführt, welche durch eine
Bildszene oder durch Bildsequenzen erfaßt werden. Bereits
erwähnt wurde, daß es sich bei den zu klassifizierenden Ob
jekten um solche Objekte handeln kann, die aufgrund von In
frarot-Spektrogrammen erfaßt werden. Gleichfalls kommen Ob
jekterfassungen durch Massenspektrogramme in Betracht. An
stelle einer derartigen Erfassung optischer Daten ist es
gleichfalls möglich, Objekte anhand von akustischen Daten
einer Grobklassifikation mittels des erfindungsgemäßen Ver
fahrens zu unterwerfen.
Claims (9)
1. Verfahren zur Grobklassifizierung von Objekten in einer
frei definierbaren Umgebung, wobei das Verfahren eine
Lernphase und eine Klassifizierungsphase einschließt,
dadurch gekennzeichnet,
daß während der Lernphase für mehrere Objekte einer Ob jektklasse gleichartige typische Merkmalsdaten in eine Klassifizierungsvorrichtung eingelesen werden, wodurch eine Grobklasse definiert wird; und
daß während der Klassifizierungsphase Objektdaten eines zu klassifizierenden Objekts erfaßt werden, und das zu klassifizierende Objekt ab einem bestimmten Grad der Übereinstimmung der während der Lernphase eingelesenen Merkmalsdaten mit den erfaßten Objektdaten als zu der definierten Grobklasse gehörend erkannt wird.
dadurch gekennzeichnet,
daß während der Lernphase für mehrere Objekte einer Ob jektklasse gleichartige typische Merkmalsdaten in eine Klassifizierungsvorrichtung eingelesen werden, wodurch eine Grobklasse definiert wird; und
daß während der Klassifizierungsphase Objektdaten eines zu klassifizierenden Objekts erfaßt werden, und das zu klassifizierende Objekt ab einem bestimmten Grad der Übereinstimmung der während der Lernphase eingelesenen Merkmalsdaten mit den erfaßten Objektdaten als zu der definierten Grobklasse gehörend erkannt wird.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß
während der Lernphase für mehrere Objekte einer wei
teren Objektklasse gleichartige typische Merkmalsdaten
in die Klassifizierungsvorrichtung eingelesen wird, wo
durch eine weitere Grobklasse definiert wird.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeich
net, daß
das Einlesen der typischen Merkmalsdaten während der
Lernphase das Abtasten von Bilddarstellungen der Ob
jekte einer Objektklasse einschließt.
4. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeich
net, daß
das Einlesen der typischen Merkmalsdaten während der
Lernphase das Eingeben von Maßzahlen einschließt, die
aus einem das Objekt beschreibenden Datensatz berechnet
werden.
5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, daß
das der Datensatz die Fourierkoeffizienten einer Bild
darstellung des Objekts, oder Statistiken über die in
der Bilddarstellung enthaltenen Grauwerte, Wavelets,
etc. enthält.
6. Verfahren nach einem der Ansprüche 1 bis 5, dadurch ge
kennzeichnet,
daß die Klassifizierungsphase folgende Schritte umfaßt:
- a) Erfassen der Objektdaten des zu klassifizierenden Objekts;
- b) Vergleichen der erfaßten Objektdaten mit den typischen Merkmalsdaten;
- c) Bestimmen des Grades der Übereinstimmung der Objektdaten mit den typischen Merkmalsdaten;
- d) Zuordnen des zu klassifizierenden Objekts zu der definierten Grobklasse, wenn im Schritt c) ein vor bestimmter Übereinstimmungsgrad bestimmt wird; und
- d) Anzeigen des Klassifizierungsergebnisses.
7. Verfahren nach einem der vorhergehenden Ansprüche, da
durch gekennzeichnet,
daß die Objektdaten und die typischen Merkmalsdaten op
tische Daten sind.
8. Verfahren nach einem der vorhergehenden Ansprüche, da
durch gekennzeichnet,
daß die Objektdaten und die typischen Merkmalsdaten die
Farbe, den Umfang und die Textur oder die Größe des zu
klassifizierenden Objekts umfassen.
9. Verfahren nach einem der vorhergehenden Ansprüche, da
durch gekennzeichnet,
daß das zu klassifizierende Objekt gleichmäßig beleuch
tet ist.
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19538004A DE19538004A1 (de) | 1995-03-31 | 1995-10-12 | Verfahren zur Grobklassifizierung von Objekten |
PCT/EP1996/001426 WO1996030872A1 (de) | 1995-03-31 | 1996-04-01 | Verfahren zur grobklassifizierung von objekten |
DE59602249T DE59602249D1 (de) | 1995-03-31 | 1996-04-01 | Verfahren zur grobklassifizierung von objekten |
EP96911985A EP0818028B1 (de) | 1995-03-31 | 1996-04-01 | Verfahren zur grobklassifizierung von objekten |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19512241 | 1995-03-31 | ||
DE19538004A DE19538004A1 (de) | 1995-03-31 | 1995-10-12 | Verfahren zur Grobklassifizierung von Objekten |
Publications (1)
Publication Number | Publication Date |
---|---|
DE19538004A1 true DE19538004A1 (de) | 1996-10-02 |
Family
ID=7758528
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19538004A Withdrawn DE19538004A1 (de) | 1995-03-31 | 1995-10-12 | Verfahren zur Grobklassifizierung von Objekten |
DE59602249T Expired - Lifetime DE59602249D1 (de) | 1995-03-31 | 1996-04-01 | Verfahren zur grobklassifizierung von objekten |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE59602249T Expired - Lifetime DE59602249D1 (de) | 1995-03-31 | 1996-04-01 | Verfahren zur grobklassifizierung von objekten |
Country Status (1)
Country | Link |
---|---|
DE (2) | DE19538004A1 (de) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19612465A1 (de) * | 1996-03-28 | 1997-10-02 | Fraunhofer Ges Forschung | Automatische Konfiguration von Prüfsystemen |
DE19636074A1 (de) * | 1996-09-05 | 1998-03-26 | Siemens Ag | Lernfähiges Bildverarbeitungssystem zur Klassierung |
DE19903568A1 (de) * | 1999-01-29 | 2000-08-03 | Siemens Ag | Verfahren zum Messen und Auswerten biometrischer Merkmale eines Fingers |
DE10045360A1 (de) * | 2000-09-14 | 2002-03-28 | Giesecke & Devrient Gmbh | Verfahren zur Klassifizierung von Dokumenten |
US7257243B2 (en) | 2001-05-18 | 2007-08-14 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Method for analyzing a biological sample |
DE10048308B4 (de) * | 2000-09-29 | 2010-04-29 | Diehl Bgt Defence Gmbh & Co. Kg | Verfahren und Vorrichtung zum Klassifizieren von Objekten aus als Pixelmuster vorliegenden eingangsseitigen Bilddaten |
-
1995
- 1995-10-12 DE DE19538004A patent/DE19538004A1/de not_active Withdrawn
-
1996
- 1996-04-01 DE DE59602249T patent/DE59602249D1/de not_active Expired - Lifetime
Non-Patent Citations (2)
Title |
---|
ERNST: "Einführung in die digitale Bildverarbei- tung: Grundlagen und industrieller Einsatz mit zahlreichen Beispielen" Franzis-Verlag GmbH 1991, S. 242-245 * |
NIEMANN: "Klassifikation von Mustern" Springer- Verlag 1983, S. 242-248 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19612465A1 (de) * | 1996-03-28 | 1997-10-02 | Fraunhofer Ges Forschung | Automatische Konfiguration von Prüfsystemen |
DE19612465C2 (de) * | 1996-03-28 | 1998-12-24 | Fraunhofer Ges Forschung | Automatisches Optimieren von Objekt-Erkennungssystemen |
DE19636074A1 (de) * | 1996-09-05 | 1998-03-26 | Siemens Ag | Lernfähiges Bildverarbeitungssystem zur Klassierung |
DE19636074C2 (de) * | 1996-09-05 | 1999-08-12 | Siemens Ag | Lernfähiges Bildverarbeitungssystem zur Klassierung |
DE19903568A1 (de) * | 1999-01-29 | 2000-08-03 | Siemens Ag | Verfahren zum Messen und Auswerten biometrischer Merkmale eines Fingers |
DE19903568B4 (de) * | 1999-01-29 | 2004-11-04 | Siemens Ag | Verfahren zum Messen und Auswerten biometrischer Merkmale eines Fingers |
DE10045360A1 (de) * | 2000-09-14 | 2002-03-28 | Giesecke & Devrient Gmbh | Verfahren zur Klassifizierung von Dokumenten |
DE10048308B4 (de) * | 2000-09-29 | 2010-04-29 | Diehl Bgt Defence Gmbh & Co. Kg | Verfahren und Vorrichtung zum Klassifizieren von Objekten aus als Pixelmuster vorliegenden eingangsseitigen Bilddaten |
US7257243B2 (en) | 2001-05-18 | 2007-08-14 | Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. | Method for analyzing a biological sample |
Also Published As
Publication number | Publication date |
---|---|
DE59602249D1 (de) | 1999-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0425595B1 (de) | Verfahren und anordnung zur automatischen optischen klassifikation von pflanzen | |
DE60037485T2 (de) | Signalverarbeitungsverfahren und Videosignalprozessor zum Ermitteln und Analysieren eines Bild- und/oder Audiomusters | |
DE60216547T2 (de) | Videostrukturierung durch wahrscheinlichkeitstheoretische Zusammenführung von Videosegmenten | |
EP0692089B1 (de) | Produktionsnahe farbkontrolle mit bildgebenden sensoren | |
DE102008059788B4 (de) | Analyse und Klassifizierung insbesondere biologischer oder biochemischer Objekte auf Basis von Zeitreihen-Bildern, anwendbar bei der zytometrischen Time-Lapse-Zellanalyse in der bildbasierten Zytometrie | |
DE102004063769A1 (de) | Verfahren und Einrichtung zur automatischen und quantitativen Erfassung des Anteils von Saatgütern oder Körnerfrüchten bestimmter Qualität | |
DE102007041893A1 (de) | Verfahren zur Detektion und/oder Verfolgung von bewegten Objekten in einer Überwachungsszene mit Störern, Vorrichtung sowie Computerprogramm | |
WO2017153355A1 (de) | Verfahren und vorrichtung zum durchführen einer blickabbildung | |
DE102009041757A1 (de) | Vorrichtung und Verfahren zum Herkunftsnachweis und Urheberschaft von Bildern | |
DE3921257A1 (de) | Verfahren und vorrichtung zur digitalen analyse von auf stratigraphische daten bezogenen abbildungen | |
DE102018205561A1 (de) | Vorrichtung zur Klassifizierung von Signalen | |
DE19538004A1 (de) | Verfahren zur Grobklassifizierung von Objekten | |
EP3903077A1 (de) | Verfahren und vorrichtung zum auffinden und anpassen von effektfarbformulierungen unter abgleich mit der visuellen wahrnehmung von textureigenschaften | |
DE10347123B4 (de) | Verfahren zur automatischen Bestimmung auf einem Träger gesammelter luftgetragener Partikel insbesondere Pilzsporen | |
DE4224922A1 (de) | Vorrichtung und Verfahren zur Verarbeitung personenspezifischer Parameter | |
EP0818028B1 (de) | Verfahren zur grobklassifizierung von objekten | |
DE102019204602A1 (de) | Verfahren und Vorrichtung zur Maskierung von in einem Bild enthaltenen Objekten | |
DE102007014475A1 (de) | Bestimmung von Oberflächeneigenschaften | |
DE19834718C2 (de) | Digitale Bildverarbeitung für ein Qualitätskontrollsystem | |
DE112021004434T5 (de) | Bildverarbeitungsvorrichtung, bildverarbeitungsverfahren und -programm | |
EP1733333B1 (de) | Verfahren zur akquisition von formen aus hep-2-zellschnitten und zum fallbasierten erkennen von hep-2-zellen | |
DE102008057979A1 (de) | Lerneinheit für ein Objekterkennungssystem und Objekterkennungssytem | |
DE1549893A1 (de) | Verfahren und Anordnung zur elektronischen Klassierung von Bildvorlagen | |
DE102004007049A1 (de) | Verfahren zur Klassifizierung eines Objekts mit einer Stereokamera | |
DE102004018174B4 (de) | Verfahren zur Akquisition von Formen aus Bildern mit Fällen und zum fallbasierten Erkennen von Objekten in digitalen Bildern, Computer-Programm-Produkt und digitales Speichermedium zur Ausführung dieses Verfahrens |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8130 | Withdrawal |