DE19652925A1 - Verfahren und Vorrichtung zur orts- und größenunabhängigen Erfassung von Merkmalen aus einem Bild - Google Patents
Verfahren und Vorrichtung zur orts- und größenunabhängigen Erfassung von Merkmalen aus einem BildInfo
- Publication number
- DE19652925A1 DE19652925A1 DE19652925A DE19652925A DE19652925A1 DE 19652925 A1 DE19652925 A1 DE 19652925A1 DE 19652925 A DE19652925 A DE 19652925A DE 19652925 A DE19652925 A DE 19652925A DE 19652925 A1 DE19652925 A1 DE 19652925A1
- Authority
- DE
- Germany
- Prior art keywords
- signals
- signal generating
- generating devices
- coupling
- feature
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Description
Die vorliegende Erfindung betrifft ein Verfahren und eine Vor
richtung zur orts- und größenunabhängigen Erfassung von Merkma
len aus einem Bild. Eine Schwierigkeit bei der Merkmalserfas
sung aus Bildern liegt darin, daß bestimmte Objekte in unter
schiedlichen Perspektiven und Größen erfaßt werden, je nach dem
Abstand und der Lage des Objekts zum bildaufnehmenden System.
Es ist jedoch in der Regel gewünscht, daß einem Objekt zugeord
nete Merkmale oder das Objekt selbst unabhängig von seinem Ab
stand und seiner Lage zum bildaufnehmenden System erfaßt wer
den/wird. Eine derartige lagen- und größeninvariante Merkmals
extrahierung bzw. Objekterkennung ist bislang mit neuronalen
Netzwerken versucht worden.
Neuronale Netze sind hardware- oder softwareimplementierte ver
netzte Strukturen aus Bauelementen wie z. B. Speichern, Addie
rern, Multipliplizierern, Filtern etc., die aufgrund der Ver
netzung mit einer durch das Netz definierten Anzahl anderer
Bauelemente verknüpft sind. Die Stärke dieser Verknüpfungen der
Elemente ist entscheidend für die Funktionsfähigkeit des neuro
nalen Netzes, eine gestellte Aufgabe, im vorliegenden Fall die
der Merkmalsextraktion bzw. Identifikation, zu lösen. Diese
Stärke der Verknüpfung zweier Bauelemente, nachfolgend in Ana
logie zur menschlichen Hirnstruktur auch als Neuronen bezeich
net, gibt der Kopplungskoeffizient wieder.
Eine Stärke des neuronalen Netzes liegt darin, daß es in der
Lage ist, in überwachten und/oder unüberwachten Lernvorgängen
diese Kopplungskoeffizienten selbst zu bestimmen bzw. zu opti
mieren. Hierzu gibt es eine Reihe theoretischer Ansätze, die
sich mit dem Lernverhalten des neuronalen Netzes auseinander
setzen. Ein Ansatz zur lagen- und größeninvarianten Merkmalser
fassung stammt z. B. von Widrow, der ein Mehrlagennetzwerk von
adaptiven, linearen Neuronen verwendete. Die in den Lagen be
findlichen Neuronen verknüpfte er durch Gewichtungsfaktoren
oder auch Kopplungskoeffizienten, die dem neuronalen Netzwerk
gelehrt wurden. Mehrere weitere Ansätze sind in dem Buch
"Artificial Neural Networks for Image Understanding" von A.D.
Kulkarni im Verlag Van Nostrand Reinhold, New York, 1994 be
schrieben. Diese Verfahren haben jedoch den Nachteil, daß die
Extrahierung entweder nicht vollkommen zufriedenstellend ist
oder ein äußerst großer Rechenaufwand erforderlich ist.
Es ist daher Aufgabe der Erfindung, ein Verfahren und eine Vor
richtung zu schaffen, die mit wenig Rechenaufwand eine zuver
lässige lagen- und größenunabhängige Merkmalserfassung erlau
ben.
Diese Aufgabe wird durch das Verfahren des Anspruchs 1 und
durch die Vorrichtung des Anspruchs 13 gelöst. Vorteilhafte
Weiterbildungen der Erfindung sind Gegenstand der Unteransprü
che.
Die Erfindung beschreibt eine hardwaremäßige Grundstruktur für
ein Bilderkennungssystem, das mit vorgegebenen Kopplungskoeffi
zienten zwischen den einzelnen Komponenten arbeiten kann, das
jedoch auch in hervorragender Weise dazu ausgebildet ist, die
Kopplungsstärke der nachfolgend beschriebenen Komponenten in
typischen Lernverfahren für neuronale Netzwerke selbst zu er
lernen bzw. die vorgegebenen Werte zu optimieren.
Die vorliegende Erfindung beschreibt damit ein Verfahren und
eine Vorrichtung zur Merkmalserkennung aus Bildern, insbeson
dere digitalisierten Bildern, die mit wenig Zeit und Rechenauf
wand eine sichere Merkmalszuordnung bzw. Objekterkennung auch
bei sehr großen Objekt- und/oder Merkmalsbeständen ermöglichen.
Vereinfacht läßt sich das Bilderkennungssystem der Erfindung
darstellen als ein mehrlagiges System. Am Anfang liegen Bild
punkte, z. B. aus einem CCD-Chip oder einer Bilddatei vor. Durch
Signalerzeugungseinrichtungen wie z. B. Filter werden in einer
ersten Lage dem Bild entsprechend zweidimensional zugeordnete
Merkmalsinformationen bereitgestellt. Diese Merkmalsinformatio
nen werden durch Addierer und Multiplizierer (bzw. entsprechend
verknüpfte Neuronen in einem neuronalen Netzwerk) in einer
zweiten Lage zu Merkmalskombinationen verknüpft, die immer noch
in Schichten zweidimensional entsprechend dem Bildaufbau zuge
ordnet sind. Die einzelnen Kombinationen werden innerhalb der
Schichten (also über die Bildfläche) aufsummiert, wodurch in
einer dritten Lage ein Merkmalsvektor erhalten wird, der über
die Bildfläche auf summierte unterschiedliche Merkmalskombina
tionen (z. B. Kantenschnittpunkte, d. h. Ecken, Farbkombinationen
etc.) enthält. Dieser Merkmalsvektor wird mit einem Referenz
vektor zum Zwecke einer Merkmals- oder Objektzuordnung bzw.
-erkennung verglichen.
Dies wird nun im einzelnen beschrieben. Die Erfindung geht aus
von einem Bild, das in Form vorzugsweise digitalisierter Bild
punkte vorliegt. Diese Bildpunkte werden durch eine Signaler
zeugungseinrichtung, z. B. eine Filteranordnung auf das Vorlie
gen bestimmter Merkmale untersucht. In Abhängigkeit von dem
Vorliegen des Merkmals wird ein Merkmalssignal (erstes Signal)
ausgegeben, das mit denselben Merkmalen an anderen Orten des
Bildes eine Merkmalsschicht der ersten Lage bildet. Die in die
ser Schicht enthaltene Merkmalsinformation gibt somit die ört
liche Verteilung des entsprechenden Merkmals innerhalb des Bil
des wieder. Derartige Schichten existieren in der ersten Lage
für unterschiedliche Merkmale. Die Art der Merkmale wird durch
die Signalerzeugungseinrichtung definiert, z. B. durch die Art
und Verknüpfung der darin vorhandenen Filteranordnung. Wie be
reits angedeutet, sind zur Extraktion unterschiedlicher Merkma
le aus dem Bild unterschiedliche Signalerzeugungseinrichtungen
vorgesehen. Die Ausgangssignale einer Art von Signalerzeu
gungseinrichtungen werden in einer Schicht zusammengefaßt.
Die Signalerzeugungseinrichtung bzw. Filteranordnung soll nach
stehend kurz erläutert werden. Sie kann hard- und/oder softwa
remäßig durch ein neuronales Netz von Digitalverstärkern mit
einstellbaren Kopplungskoeffizienten, in Form von Bandpässen,
Tief- oder Hochpässen, Integratoren, SC-Filtern oder Differen
zieren, Addierern und/oder Multipliplizierern gebildet sein. Es
ist auch jede beliebige Kombination dieser Bauelemente zur Rea
lisierung einer bestimmten Filteranordnung, z. B. eines Kanten
detektors, möglich. Die Signalerzeugungseinrichtung zur Extrak
tion eines bestimmten Merkmals kann nun durch eine hardwaremä
ßig vorgegebene Verknüpfung gebildet sein, die auf ein bestimm
tes Merkmal spezialisiert ist, z. B. die Kantenerfassung. Es ist
jedoch auch möglich, die Verknüpfung der Anordnung bestimmter
oben aufgeführter Grundelemente zur Bildung einer Filteranord
nung durch das neuronale Netz selber lernen oder optimieren zu
lassen. Für unterschiedliche Merkmale, z. B. Kantendetektoren
unterschiedlicher Orientierung werden daher unterschiedliche
Filteranordnungen vorgesehen, welche die Signalerzeugungsein
richtungen bilden. Im Falle einfachster Informationen wie z. B.
Grau- oder Farbwerte besteht die Signalerzeugungseinrichtung
einfach aus einem Signalverknüpfungsgatter zwischen den Bild
punkten und einer Schicht der ersten Lage. D.h. durch dieses
Gatter wird die in einem bestimmten Bildbereich enthaltene Bil
dinformation zu einer Merkmalsinformation (erstes Signal) in
der ersten Lage zusammengefaßt.
Die Merkmale bzw. ersten Signale aus unterschiedlichen Schich
ten dieser ersten Lage können positiv oder negativ miteinander
verkoppelt sein. Eine positive Kopplung bedeutet, daß ein be
stimmtes Merkmal aus der einen Schicht vorzugsweise mit einem
Merkmal aus der anderen Schicht gemeinsam auftritt. Derartige
Kopplungen können beispielsweise bei Verwendung eines neurona
len Netzwerks selbst erlernt werden. Wenn z. B. bestimmte Merk
male positionsmäßig immer gekoppelt sind, kann dies vom Netz
erkannt und durch eine entsprechende positive Kopplung erfaßt
werden. Derartige Merkmale sind z. B. Kantendetektoren von 0
und 90 Grad. Negative Kopplungen können dadurch entstehen, daß
bestimmte Merkmale örtlich nie miteinander korreliert sind.
Dies betrifft z. B. Kantendetektoren gleicher Orientierung. Die
se sind immer über quer verlaufende Kanten miteinander ver
bunden oder voneinander isoliert, weshalb sie nie gemeinsam
auftreten. Das Ausbilden derartiger Verknüpfungen verringert
den Rechenaufwand zur Erkennung des Objekts.
Ein weiteres Mittel zur Verringerung des Rechenaufwandes und
zur Verbesserung der Merkmals und/oder Objekterkennung besteht
darin, daß durch die Signalerzeugungseinrichtungen mehrere
Bildpunkte zu einer Merkmalsinformation bzw. einem Merkmalsneu
ron (erstes Signal) zusammengefaßt werden. So kann z. B. aus
hundert Bildpunkten am Eingang der Signalerzeugungseinrichtung
ein Merkmalspunkt am Ausgang der Signalerzeugungseinrichtung
gebildet werden. Die Zusammenfassung erfolgt durch Summation
oder Integration. Je nach Merkmal sind jedoch auch andere Ver
knüpfungsmöglichkeiten, wie z. B. Subtraktion, Multiplikation
oder Differenzierung möglich. Durch die Zusammenfassung der
Bildpunkte zu einem Informationspunkt wird zwar eine gewisse
Unschärfe aufgrund der flächigen Integration der diskreten
Merkmale der einzelnen Bildpunkte erzielt, andererseits ist
dies erwünscht, da die Sicherheit der Merkmalsextraktion oder
Objekterkennung durch eine Vielzahl an unscharfen Merkmalsde
tektoren in den verschiedenen Schichten der zweiten Lage sogar
erhöht wird. Denn eine zu exakte Aussage eines Merkmals könnte
das Gesamtsystem derart beeinflussen, daß das System aufgrund
dieses, gegebenenfalls falschen, Merkmals zu einer falschen
Merkmalsextraktion gelangen könnte. Für die Sicherheit des Sy
stem ist es positiver, eine größere Anzahl an unscharfen
Merkmalen zu erhalten, die einzeln aufgrund ihrer Unschärfe
keine Fehlbeurteilung auslösen können, in ihrer Gesamtheit je
doch ein Merkmal oder Objekt mit großer Zuverlässigkeit und Si
cherheit erfassen können.
Man kann daher die in den (Merkmals) Schichten der zweiten Lage
auch vorhandenen ersten Signale als Kubus einfacher Merkmals
punkte (Neuronen) bezeichnen.
Nachfolgend wird beschrieben, wie aus dem Kubus einfacher Merk
malspunkte (Neuronen) zweite Signale in Form komplexer Merk
malspunkte in der zweiten Lage gewonnen werden. Die komplexen
Merkmalspunkte (Neuronen) werden durch Addierer bzw. Multipli
plizierer gebildet, die Merkmalspunkte aus unterschiedlichen
Schichten der zweiten Lage verknüpft. Hierbei kann ihr gegen
seitiger Abstand berücksichtigt werden, indem z. B. die Kopp
lungskoeffizienten für die Verknüpfung von Merkmalspunkten aus
(wenigstens zwei) unterschiedlichen Schichten um so geringer
gewählt werden, je größer deren gegenseitiger Abstand ist. Ein
Beispiel hierfür ist die quadratische Summation. Die Höhe des
Ausgangssignals der Verknüpfung ergibt sich hierbei aus folgen
der Formel:
ASignal 2 = (Asignal 1 zu Merkmal 1 + Asignal 1 zu Merkmal
mit A = Amplitude. Diese Möglichkeit der Berücksichtigung des
wechselseitigen Abstandes beim Bilden der komplexen Merkmale
(Signale 2) ist eine erste Möglichkeit, die relative Lage,
insb. den Abstand unterschiedlicher Merkmale zu berücksichti
gen. Eine weitere Möglichkeit der positionsabhängigen Merkmals
bewertung besteht später bei der nachfolgend noch beschriebenen
Bildung der Merkmalsvektoren. Diese kann alternativ oder zu
sätzlich zur oben beschriebenen Positionswichtung bei der Ver
knüpfung erfolgen. Eine Möglichkeit zur positionsabhängigen
Wichtung einer Verknüpfung besteht in allen Arten nicht linea
rer Summationen. In einer funktionellen und sehr einfach struk
turierten Ausführungsform wird jeder Merkmalspunkt einer ersten
Merkmalsschicht aus dem einfachen Merkmalskubus mit dem örtlich
korrespondierenden Merkmalspunkt wenigstens einer zweiten
Schicht linear addiert. Die positionsbezogenen Wichtung erfolgt
später bei der Bildung der Merkmalsvektoren.
Durch die Verknüpfung einfacher Merkmalspunkte werden somit in
jeder Schicht dieser zweiten Lage "komplexe" Merkmalspunkte je
weils einer Merkmalskombination erhalten. Man kann daher die
unterschiedlichen Schichten der zweiten Lage, die unterschied
liche Merkmalskombinationen beschreiben, als einen Kubus kom
plexer Merkmalspunkte (Neuronen) bezeichnen. Hardwarebezogen
sind diese Punkte durch die zweiten Signale, nämlich die Aus
gangswerte bzw. -signale der zugehörigen Addierer bzw. Multi
pliplizierer gegeben. Die komplexen Merkmalspunkte können auch
durch Verknüpfung einfacher Merkmalspunkte (erster Signale) aus
mehr als zwei Schichten, z. B. vorzugsweise drei Schichten ge
bildet werden. Dies hat den Vorteil, daß eindeutigere Verknüp
fungsergebnisse erhalten werden, die sich zu einer zuverlässi
geren Objekterkennung nutzen lassen. Die komplexen Merkmals
punkte oder auch zweiten Signale einer Schicht geben eine be
stimmte Merkmalskombination in einer dem Bild entsprechenden
zweidimensionalen Anordnung wieder.
Wiederum durch Addierer bzw. Multipliplizierer werden aus den
komplexen Merkmalspunkten dritte Signale generiert. Alle kom
plexen Merkmalspunkte einer Schicht werden dabei verknüpft, im
einfachsten Fall aufsummiert. Dies ist möglich, falls der Ab
stand einfacher Merkmale bereits bei der Bildung der komplexen
Merkmale in oben beschriebener Weise berücksichtigt wurde.
Falls dies in jenem Verfahrensschritt nicht geschehen ist, wer
den nun alle komplexen Merkmale einer Schicht durch eine nicht
lineare Verknüpfungsfunktion, z. B. quadratische Summation, mit
einander verknüpft. Aufgrund der Nichtlinearität spiegelt das
Verknüpfungsergebnis den wechselseitigen Abstand der verknüpf
ten komplexen Merkmalspunkte in der Schicht wieder. Diese posi
tionsbezogene Verknüpfung kann auch zusätzlich zu der bereits
erfolgten positionsbezogenen Verknüpfung zur Bildung der kom
plexen Merkmalspunkte durchgeführt werden. Es kann jedoch auch
lediglich eines dieser beiden Verfahren zur positionsabhängigen
Merkmalsverknüpfung angewandt werden. Die dritten Signale der
unterschiedlichen Schichten bilden in der dritten Lage einen
Merkmalsvektor, der schließlich durch Vergleich mit gespeicher
ten Referenz-Merkmalsvektoren zur Objekt-/Eigenschaftserkennung
bzw. -zuordnung verwendet wird. Durch die Punkte (dritte Si
gnale) des Merkmalsvektors läßt sich das abgebildete Objekt
hinreichend genau charakterisieren, selbst wenn die Anzahl der
im Datenbestand befindlichen Objekte, z. B. in einem Supermarkt
oder einer Personenkartei sehr hoch ist.
Die Punkte (Neuronen) des Merkmalsvektors werden erhalten, in
dem alle Punkte einer Merkmalskombination in jeder einzelnen
Schicht der zweiten Lage aufsummiert werden. Jeder Punkt des
Merkmalsvektors enthält somit eine Zusammenfassung bestimmter
Merkmalskombinationen, vorzugsweise unter Berücksichtigung ih
rer positionsabhängigen Kopplung, z. B. durch nichtlineare Sum
mation. Dieser Merkmalsvektor wird nun, z. B. durch Vergleich
mit einem entsprechenden Referenzvektor zur Identifizierung von
Objekten eingesetzt.
Prinzipiell kann ein derartiger Aufbau durch herkömmliche digi
tale Bausteine wie z. B. Filter für die Signalerzeugungsein
richtungen und Addierer und Multipliplizierer für die Verknüp
fungen der einzelnen Lagen realisiert werden. In diesem Fall
müßten jedoch die Kopplungskoeffizienten, die die Stärke der
Verbindungen der einzelnen Hardware Komponenten angeben vorab
durch Versuche und/oder Berechnungen eingestellt werden. Dies
läßt sich wiederum am besten mit einem neuronalen Netzwerk un
ter Verwendung eines Lernverfahrens bewerkstelligen, in dem
sich die Kopplungsfaktoren zur Verknüpfung der einzelnen Neuro
nen selbständig einstellen.
Für die Erzeugung der Merkmalsdetektoren in den Signalerzeu
gungseinrichtungen werden vorzugsweise konventionelle Filter
wie z. B. Bandpaßfilter, Kontrastfilter und Gradientenfilter
zusammengefaßt, und aus den zugehörigen Filtermasken die Kopp
lungskoeffizienten berechnet, indem in klassischer Weise die
gekoppelten Filtergleichungen aufgestellt werden und die zu den
einzelnen Bildpunkten gehörigen Koeffizienten zu einem Zahlen
wert zusammengefaßt werden. Somit können beliebige Filter zur
Erhöhung der Rechenleistung zusammengefaßt werden, was, wie be
reits beschrieben, mit einer gewissen beabsichtigten Unschärfe
einhergeht. Die Filtercharakteristik wie z. B. Eckfrequenzen
der Filter und die Filtermassengröße muß entsprechend an die
Problemstellung der aktuellen Bilderkennungsaufgabe angepaßt
werden muß. Klassische Filter sind indes nicht gut für die Ver
wendung in einem neuronalen Netz geeignet, da die für die Ver
arbeitung im neuronalen Netzwerk vorteilhafte Unschärfe der
Merkmalsextraktion der mathematischen Exaktheit der Filterope
ration widerspricht. Deshalb wird in einer Vorphase vorzugswei
se ein unüberwachter Lernvorgang durchgeführt, bei dem optimal
an das Datenmaterial (Supermarkt, Personaldatei etc.) angepaßte
rezeptive Filter selbstorganisierend entstehen. Hierzu können
bekannte Lernverfahren angewandt werden.
Um zu verhindern, daß identisch Merkmale an unterschiedlichen
Signalerzeugungseinrichtungen erzeugt werden, werden vorzugs
weise andere Signalerzeugungseinrichtungen gehemmt, sobald sich
eine Signalerzeugungseinrichtung auf die Extraktion eines be
stimmten Merkmals spezialisiert hat. Dadurch setzt sich inner
halb einiger Zeit nur das jeweils aktivste Neuron durch, und
dieses spezialisiert sich damit auf das entsprechende Merkmal,
z. B. einen bestimmten Kantendetektor.
Neben dieser gelernten Organisation der Erzeugung der Merkmals
punkte (Neuronen) in der ersten Lage kann die Einstellung der
Kopplungskoeffizienten für die Erzeugung der komplexen Merk
malspunkte der zweiten Lage erfolgen, die aus den Merkmalspunk
ten des einfachen Merkmalskubus die Merkmalskombinationen des
komplexen Merkmalskubus generiert. Hierbei entstehen Merkmals
kombinationen, welche die in einem angebotenen Bild enthaltenen
Merkmale oder Objekte am besten beschreiben. Das gleiche gilt
für die Erzeugung der Punkte des Merkmalsvektors aus den kom
plexen Merkmalspunkten. Auch diese Verknüpfungen können durch
bekannte Lernverfahren selbsttätig generiert werden.
Muster, die zu einem Objekt gehören, werden dem System nach
Abschluß der oben beschriebenen Selbstorganisationsphase mit
einem überwachten Lernverfahren eintrainiert (z. B. Objekt wird
in verschiedenen Abständen und Ansichten aufgenommen und ge
speichert). Dies führt dazu, daß für jedes Objekt eine Reihe
von Merkmalsvektoren gespeichert sind, die einen gewissen Wer
tebereich umspannen. Liegt ein extrahierter Merkmalsvektor in
diesem Bereich, so wird angenommen, daß das klassierte Objekt
vorliegt. Bei einer geringen Anzahl von Objekten können hier
alle zu einem Objekt gehörenden Muster auf daß selbe Ausgangs
klassifikatorneuron abgebildet werden. Bei größeren Objektzah
len müssen als Zwischenschritt Unterklassen definiert werden,
innerhalb derer mehrere Klassifikatoren für Teilmuster zu einem
Objektklassifikator zusammengefaßt werden, z. B. die verschie
denen Seiten einer quaderförmigen Verpackung.
Als Hardware zur Realisierung und Verschaltung der Signalver
arbeitungskomponenten kann vorzugsweise ein digitaler Signal
prozessor verwendet werden oder ein Neurocomputer, dessen Auf
bau einem neuronalen Netz entspricht. Jedoch kann das neuronale
Netz auch in Form eines Programms auf jeder entsprechend leis
tungsfähigen herkömmlichen Rechnerarchitektur implementiert
werden.
Zusammenfassend läßt sich zur Erfindung sagen, daß aus den di
gitalisierten Bilddaten durch mehrere Signalerzeugungseinrich
tungen Merkmale extrahiert werden, die anschließend unter Be
rücksichtigung ihrer relativen gegenseitigen Position zu kom
plexen Merkmalskombinationen zusammengefaßt werden. Die positi
onsbezogenen Daten, die sich auf eine bestimmte Merkmalskombi
nation beziehen, werden aufsummiert und bilden einen orts- und
größenunabhängigen Wert eines Merkmalsvektors, der zur Identi
fizierung des Objekts oder zur Merkmalserkennung verwendet
wird, z. B. durch Vergleich mit vorher erhaltenen Referenzwer
ten.
Claims (17)
1. Verfahren zur orts- und größenunabhängigen Erfassung von
Merkmalen aus einem Bild, mit Hilfe von
mehreren Signalerzeugungseinrichtungen, z. B. Filteranordnungen, deren Ausgangssignale Bildinformationen in Form von Merkmalen, wie z. B. Hell/Dunkel-Kanten oder Farben, positionsbezogen aus dem Bild repräsentieren, wobei die Ausgangssignale unterschied licher oder unterschiedlich eingestellter Einrichtungen unter schiedliche Merkmale repräsentieren und in Form erster Signale vorliegen, wobei die ein Merkmal betreffenden ersten Signale die örtliche Verteilung des entsprechenden Merkmals im Bild wiedergeben, dadurch gekennzeichnet,
daß wenigstens zwei unterschiedliche Merkmale betreffende erste Signale zu zweiten Signalen verknüpft werden,
daß unterschiedliche zweite Signale für unterschiedliche Merk malskombinationen gebildet werden,
daß alle eine Merkmalskombination betreffenden zweiten Signale zu einem dritten Signal aufsummiert werden,
daß die Verknüpfung der ersten Signale zu den zweiten Signalen und/oder das Aufsummieren der eine Merkmalskombination betref fenden zweiten Signale zu einem dritten Signal unter Berück sichtigung ihrer wechselseitigen Ortsbeziehung, vorzugsweise unter Verwendung einer nicht linearen Verknüpfungsfunktion durchgeführt wird, und
daß die Werte der dritten Signale in der Art eines Merkmalsvek tors zur Merkmalsauswertung verwendet werden.
mehreren Signalerzeugungseinrichtungen, z. B. Filteranordnungen, deren Ausgangssignale Bildinformationen in Form von Merkmalen, wie z. B. Hell/Dunkel-Kanten oder Farben, positionsbezogen aus dem Bild repräsentieren, wobei die Ausgangssignale unterschied licher oder unterschiedlich eingestellter Einrichtungen unter schiedliche Merkmale repräsentieren und in Form erster Signale vorliegen, wobei die ein Merkmal betreffenden ersten Signale die örtliche Verteilung des entsprechenden Merkmals im Bild wiedergeben, dadurch gekennzeichnet,
daß wenigstens zwei unterschiedliche Merkmale betreffende erste Signale zu zweiten Signalen verknüpft werden,
daß unterschiedliche zweite Signale für unterschiedliche Merk malskombinationen gebildet werden,
daß alle eine Merkmalskombination betreffenden zweiten Signale zu einem dritten Signal aufsummiert werden,
daß die Verknüpfung der ersten Signale zu den zweiten Signalen und/oder das Aufsummieren der eine Merkmalskombination betref fenden zweiten Signale zu einem dritten Signal unter Berück sichtigung ihrer wechselseitigen Ortsbeziehung, vorzugsweise unter Verwendung einer nicht linearen Verknüpfungsfunktion durchgeführt wird, und
daß die Werte der dritten Signale in der Art eines Merkmalsvek tors zur Merkmalsauswertung verwendet werden.
2. Verfahren nach Anspruch 1,
dadurch gekennzeichnet,
daß die Signalerzeugungseinrichtungen aus jeweils einer größe
ren Anzahl von Bildpunkten, z. B. mehr als 10 Bildpunkten, ins
besondere mehr als 100 Bildpunkten ein erstes Signal generie
ren.
3. Verfahren nach Anspruch 1 oder 2,
dadurch gekennzeichnet,
daß die ersten Signale zu Erzeugung der zweiten Signale quadra
tisch summiert werden.
4. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet,
daß die Signalerzeugungseinrichtungen nach Art eines neuronalen
Netzes miteinander verknüpft sind, und die Kopplungskoeffizien
ten dieser Verknüpfungen zur Bestimmung der Merkmale in einem
Lernprozeß bestimmt werden.
5. Verfahren nach Anspruch 4,
dadurch gekennzeichnet,
daß sobald die Kopplungskoeffizienten einer Signalerzeugungs
einrichtung in dem Lernverfahren bestimmt worden sind, die an
deren Signalerzeugungseinrichtungen daran gehindert werden, die
selben Kopplungskoeffizienten zu erlernen.
6. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet,
daß zwischen den ersten Signalen für unterschiedliche Merkmale
positive oder negative Verknüpfungen gebildet werden, die In
formationen über die gemeinsame Verwendung der verknüpften er
sten Signale zum Bilden der zweiten Signale enthalten.
7. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet,
daß die Bildung der zweiten Signale aus den ersten Signalen über Kopplungskoeffizienten gesteuert wird, die bestimmen, wie stark die einzelnen ersten Signale bei der Bildung der zweiten Signale berücksichtigt werden, und
daß die Kopplungskoeffizienten in einem Lernprozeß bestimmt werden.
daß die Bildung der zweiten Signale aus den ersten Signalen über Kopplungskoeffizienten gesteuert wird, die bestimmen, wie stark die einzelnen ersten Signale bei der Bildung der zweiten Signale berücksichtigt werden, und
daß die Kopplungskoeffizienten in einem Lernprozeß bestimmt werden.
8. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet,
daß die Bildung der dritten Signale aus den zweiten Signalen über Kopplungskoeffizienten gesteuert wird, die bestimmen, wie stark die einzelnen zweiten Signale bei der Bildung der dritten Signale berücksichtigt werden, und
daß die Kopplungskoeffizienten in einem Lernprozeß bestimmt werden.
daß die Bildung der dritten Signale aus den zweiten Signalen über Kopplungskoeffizienten gesteuert wird, die bestimmen, wie stark die einzelnen zweiten Signale bei der Bildung der dritten Signale berücksichtigt werden, und
daß die Kopplungskoeffizienten in einem Lernprozeß bestimmt werden.
9. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet,
daß als Signalerzeugungseinrichtungen Digitalfilter verwendet
werden, wobei zur Erfassung unterschiedlicher Merkmale die Art
und Anordnung der Filter und deren Kopplung variiert bzw. ge
lernt wird.
10. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet,
daß die zweiten und dritten Signale durch digitale Addierer und
Multipliplizierer erzeugt werden.
11. Verfahren nach Anspruch 9 oder 10,
dadurch gekennzeichnet,
daß die Anordnung und Kopplung der Digitalfilter und/oder die
Verschaltung der digitalen Addierer und Multipliplizierer in
den Neuronen eines Neurocomputers oder im Programm einer Re
chenmaschine implementiert sind.
12. Verfahren nach einem der vorhergehenden Ansprüche zum Er
kennen von Objekten,
dadurch gekennzeichnet,
daß die dritten Signale aus unterschiedlichen Abbildungen ein
und desselben Objekts als Referenzwerte für eine Zuordnung ver
wendet werden.
13. Vorrichtung zur orts- und größenunabhängigen Erfassung von
Merkmalen aus einem Bild,
umfassend mehrere Signalerzeugungseinrichtungen, z. B. Filteran
ordnungen, die Bildinformationen in Form von Merkmalen, wie
z. B. Hell/Dunkel-Kanten oder Farben, positionsbezogen aus einem
Bild ermitteln, wobei unterschiedliche Signalerzeugungseinrich
tungen zur Erfassung unterschiedlicher Merkmale vorgesehen
sind, welche Signalerzeugungseinrichtungen sich in den Kopp
lungskoeffizienten der Verknüpfung und/oder der Anordnung ihrer
Funktionselemente unterscheiden,
dadurch gekennzeichnet,
daß die Signalerzeugungseinrichtungen über einstellbare Kopp
lungsglieder mit ersten Addierern und/oder Multipliplizierern
verbunden sind, die die Ausgangssignale unterschiedlicher Si
gnalerzeugungseinrichtungen zu zweiten Signalen verknüpfen, und
daß die Ausgänge der ersten Addierer/Multipliplizierer über
einstellbare Kopplungsglieder mit den Eingängen zweiter Addie
rer/Multiplizierer verbunden sind, die zum Aufsummieren der
Ausgangssignale derjenigen ersten Addierer/Multipliplizierer
vorgesehen sind, die sich auf die Verknüpfung der Signale glei
cher Signalerzeugungseinrichtungen beziehen, welche Ausgänge
der zweiten Addierer/Multipliplizierer wenigstens ein drittes
Signal zur Merkmalsauswertung bereitstellen.
14. Vorrichtung nach Anspruch 13,
dadurch gekennzeichnet,
daß die Kopplungsglieder zur Verknüpfung der ersten und/oder
zweiten Addierer/Multiplizierer derart eingestellt sind, daß
die Stärke der Kopplung entsprechend dem örtlichen Abstand
zweier zu verknüpfender Signale abnimmt.
15. Vorrichtung nach Anspruch 13 oder 14,
dadurch gekennzeichnet,
daß die Signalerzeugungseinrichtungen und/oder die Addie
rer/Multipliplizierer durch die Neuronen eines neuronalen Netz
werkes gebildet sind und die Einstellung der Kopplungsglieder
durch ein an sich bekanntes Lernverfahren für neuronale Netz
werke erfolgt.
16. Vorrichtung nach Anspruch 15,
dadurch gekennzeichnet,
daß die Neuronen des neuronalen Netzwerkes durch die Speicher-
bzw. Funktionselemente (Neuronen) eines Neurocomputers oder
durch ein Programm auf einer herkömmlichen Rechenmaschine ge
bildet sind, welches das neuronale Netzwerk emuliert.
17. Vorrichtung nach einem der Ansprüche 13 bis 16,
dadurch gekennzeichnet,
daß ein Referenzspeicher vorgesehen ist, der objektbezogen dritte Signale aus unterschiedlichen Ansichten des Objektes enthält, und
daß eine Erkennungslogik der Vorrichtung über eine Vergleichs schaltung verfügt, die zur Ableitung eines Erkennungssignals die aus einem Bild erhaltenen dritten Signale mit dem oder den im Referenzspeicher befindlichen Wertebereich oder -bereichen vergleicht.
daß ein Referenzspeicher vorgesehen ist, der objektbezogen dritte Signale aus unterschiedlichen Ansichten des Objektes enthält, und
daß eine Erkennungslogik der Vorrichtung über eine Vergleichs schaltung verfügt, die zur Ableitung eines Erkennungssignals die aus einem Bild erhaltenen dritten Signale mit dem oder den im Referenzspeicher befindlichen Wertebereich oder -bereichen vergleicht.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19652925A DE19652925C2 (de) | 1996-12-18 | 1996-12-18 | Verfahren und Vorrichtung zur orts- und größenunabhängigen Erfassung von Merkmalen aus einem Bild |
PCT/DE1997/002975 WO1998027511A1 (de) | 1996-12-18 | 1997-12-18 | Verfahren und vorrichtung zur orts- und grössenunabhängigen erfassung von merkmalen aus einem bild |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19652925A DE19652925C2 (de) | 1996-12-18 | 1996-12-18 | Verfahren und Vorrichtung zur orts- und größenunabhängigen Erfassung von Merkmalen aus einem Bild |
Publications (2)
Publication Number | Publication Date |
---|---|
DE19652925A1 true DE19652925A1 (de) | 1998-07-02 |
DE19652925C2 DE19652925C2 (de) | 1998-11-05 |
Family
ID=7815295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19652925A Expired - Fee Related DE19652925C2 (de) | 1996-12-18 | 1996-12-18 | Verfahren und Vorrichtung zur orts- und größenunabhängigen Erfassung von Merkmalen aus einem Bild |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE19652925C2 (de) |
WO (1) | WO1998027511A1 (de) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19924009A1 (de) * | 1999-05-26 | 2000-12-07 | Siemens Ag | Mustersuche |
DE19924008A1 (de) * | 1999-05-26 | 2000-12-07 | Siemens Ag | Mustersuche |
DE10145608A1 (de) * | 2001-09-15 | 2003-05-08 | Eads Deutschland Gmbh | Modellbasierte Objektklassifikation und Zielerkennung |
DE102007005560A1 (de) | 2007-01-24 | 2008-07-31 | Sänger, Bernhard | Verfahren zum Betreiben einer Bohrvorrichtung für geologische Strukturen, Verfahren zum Erkennen von geologischen Strukturen sowie Bohrvorrichtung für geologische Strukturen |
DE102010053678A1 (de) | 2010-12-07 | 2012-06-14 | Clemens Martin | Verfahren zum automatischen Auffinden und zur Rückverfolgung von herrenlosen Gegenständen über Video-Überwachungsanlagen (Closed circuit television / CCTV) |
WO2015158926A1 (en) * | 2014-04-18 | 2015-10-22 | Mic Ag | Optical fibre sensor system |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR112016012906A2 (pt) | 2013-12-06 | 2017-08-08 | Mic Ag | Sistema de reconhecimento de padrão, método de reconhecimento de um padrão, e uso do método |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5060276A (en) * | 1989-05-31 | 1991-10-22 | At&T Bell Laboratories | Technique for object orientation detection using a feed-forward neural network |
DE4100500A1 (de) * | 1991-01-10 | 1992-07-16 | Bodenseewerk Geraetetech | Signalverarbeitungsanordnung zur klassifizierung von objekten aufgrund der signale von sensoren |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2049273A1 (en) * | 1990-10-25 | 1992-04-26 | Cindy E. Daniell | Self adaptive hierarchical target identification and recognition neural network |
JPH0695192A (ja) * | 1991-05-01 | 1994-04-08 | Matsushita Electric Ind Co Ltd | 画像認識装置及び画像入力方法 |
-
1996
- 1996-12-18 DE DE19652925A patent/DE19652925C2/de not_active Expired - Fee Related
-
1997
- 1997-12-18 WO PCT/DE1997/002975 patent/WO1998027511A1/de active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5060276A (en) * | 1989-05-31 | 1991-10-22 | At&T Bell Laboratories | Technique for object orientation detection using a feed-forward neural network |
DE4100500A1 (de) * | 1991-01-10 | 1992-07-16 | Bodenseewerk Geraetetech | Signalverarbeitungsanordnung zur klassifizierung von objekten aufgrund der signale von sensoren |
Non-Patent Citations (1)
Title |
---|
TAPPE, K.: "Erkennung lage-, größen- und dreh- varianter Schlagziffern mittels eines neuronalen Netzes" in: Mustererkennung 1991, 13. DAGM-Sympo- sium München, Springer-Verlag, S. 59-66 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19924009A1 (de) * | 1999-05-26 | 2000-12-07 | Siemens Ag | Mustersuche |
DE19924008A1 (de) * | 1999-05-26 | 2000-12-07 | Siemens Ag | Mustersuche |
DE19924008C2 (de) * | 1999-05-26 | 2002-11-28 | Siemens Ag | Mustersuche |
DE19924009C2 (de) * | 1999-05-26 | 2002-11-28 | Siemens Ag | Mustersuche |
DE10145608A1 (de) * | 2001-09-15 | 2003-05-08 | Eads Deutschland Gmbh | Modellbasierte Objektklassifikation und Zielerkennung |
DE10145608B4 (de) * | 2001-09-15 | 2006-01-26 | Eads Deutschland Gmbh | Modellbasierte Objektklassifikation und Zielerkennung |
US8005261B2 (en) | 2001-09-15 | 2011-08-23 | Eads Deutschland Gmbh | Model-based object classification and target recognition |
DE102007005560A1 (de) | 2007-01-24 | 2008-07-31 | Sänger, Bernhard | Verfahren zum Betreiben einer Bohrvorrichtung für geologische Strukturen, Verfahren zum Erkennen von geologischen Strukturen sowie Bohrvorrichtung für geologische Strukturen |
DE102010053678A1 (de) | 2010-12-07 | 2012-06-14 | Clemens Martin | Verfahren zum automatischen Auffinden und zur Rückverfolgung von herrenlosen Gegenständen über Video-Überwachungsanlagen (Closed circuit television / CCTV) |
WO2015158926A1 (en) * | 2014-04-18 | 2015-10-22 | Mic Ag | Optical fibre sensor system |
US9909904B2 (en) | 2014-04-18 | 2018-03-06 | Mic Ag | Optical fibre sensor system |
US10119845B2 (en) | 2014-04-18 | 2018-11-06 | Mic Ag | Optical fibre sensor system |
Also Published As
Publication number | Publication date |
---|---|
DE19652925C2 (de) | 1998-11-05 |
WO1998027511A1 (de) | 1998-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE60130742T2 (de) | Mustererkennung mit hierarchischen Netzen | |
DE2831582C2 (de) | Verfahren zur Identifizierung einer Person und Vorrichtung zur Durchführung des Verfahrens | |
DE60102247T2 (de) | Kantenerhaltende verbesserung seismischer bilder durch nichtlineare anisotrope diffusion | |
DE69722378T2 (de) | Verfahren und vorrichtung zur bearbeitung eines dreidimensionalen bildes mit hilfe der parallaxgeometrie von punktpaaren | |
DE60036082T2 (de) | Verfahren und vorrichtung zur wiederauffindung von texturbildern | |
DE3726595A1 (de) | Vorrichtung zur korrektur von zwischen verschiedenen ansichten stattfindender bewegung in einem abbildungssystem sowie verfahren dafuer | |
DE2948341A1 (de) | Verfahren zum verarbeiten von bildelementen und vorrichtung zum verarbeiten einer bilddatenreihe | |
DE4224568C2 (de) | Vorrichtung und Verfahren zur Bildung der Anzeige eines dreidimensionalen sequentiellen tomografischen Flächenschattierungsbildes | |
DE102019100575A1 (de) | Verfahren und system zum erzeugen eines bereichsbildes unter verwendung von daten mit geringer tiefe | |
DE102011054658A1 (de) | Verfahren zur Unterscheidung zwischen einem realen Gesicht und einer zweidimensionalen Abbildung des Gesichts in einem biometrischen Erfassungsprozess | |
WO2001065470A1 (de) | Verfahren zur analyse von fingerabdruckbildern | |
DE19652925C2 (de) | Verfahren und Vorrichtung zur orts- und größenunabhängigen Erfassung von Merkmalen aus einem Bild | |
DE4437385A1 (de) | Verfahren und Vorrichtung zur Bildkorrektur | |
DE102016100134B4 (de) | Verfahren und Vorrichtung zum Untersuchen eines Objekts unter Verwendung von maschinellem Sehen | |
EP0897247A2 (de) | Verfahren zur Berechnung von Bewegungsvektoren | |
DE19851544C1 (de) | Erzeugen eines abgerollten Fingerabdruckbildes aus einer Serie von Einzelbildern | |
DE4240789C2 (de) | Verfahren zur Identifizierung von Objekten | |
EP1709587A1 (de) | Bildverarbeitungssystem | |
EP2359308B1 (de) | Vorrichtung zur erzeugung und/oder verarbeitung einer objektsignatur, überwachungsvorrichtung, verfahren und computerprogramm | |
DE102021107479A1 (de) | Erfassung einer dreidimensionalen pose durch mehrere 2d-kameras | |
EP3142068A1 (de) | Verfahren zur dreidimensionalen erfassung von objekten | |
EP3214602A1 (de) | Verfahren zur dreidimensionalen erfassung von objekten | |
DE3824092C2 (de) | ||
EP3518180A1 (de) | Verfahren zur erstellung einer bildstapel-datenstruktur | |
DE3447930C1 (de) | Datenprozessor |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
D2 | Grant after examination | ||
8364 | No opposition during term of opposition | ||
8327 | Change in the person/name/address of the patent owner |
Owner name: KEEP GMBH, 80333 MUENCHEN, DE |
|
R082 | Change of representative |
Representative=s name: , |
|
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee | ||
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |
Effective date: 20140701 |