WO1998027511A1 - 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 bild Download PDF

Info

Publication number
WO1998027511A1
WO1998027511A1 PCT/DE1997/002975 DE9702975W WO9827511A1 WO 1998027511 A1 WO1998027511 A1 WO 1998027511A1 DE 9702975 W DE9702975 W DE 9702975W WO 9827511 A1 WO9827511 A1 WO 9827511A1
Authority
WO
WIPO (PCT)
Prior art keywords
signals
features
signal generating
feature
multipliers
Prior art date
Application number
PCT/DE1997/002975
Other languages
English (en)
French (fr)
Inventor
Hans Geiger
Original Assignee
Knittel, Jochen
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Knittel, Jochen filed Critical Knittel, Jochen
Publication of WO1998027511A1 publication Critical patent/WO1998027511A1/de

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

Definitions

  • the present invention relates to a method and an apparatus for the location and size-independent detection of features from an image.
  • a difficulty in capturing features from images is that certain objects are captured in different perspectives and sizes, depending on the distance and the position of the object from the image-recording system.
  • features assigned to an object or the object itself are / are acquired regardless of its distance and its position from the image-recording system.
  • Such a position and size invariant feature extraction or object recognition has so far been attempted with neural networks.
  • Neural networks are hardware or software implemented networked structures made of components such as Storage, adders, multipliers, filters etc., which are linked to a number of other components defined by the network due to the networking.
  • the strength of these linkages of the elements is decisive for the functionality of the neural network, a task to be solved, in the present case that of feature extraction or identification.
  • the coupling coefficient reflects this strength of the connection of two components, hereinafter also referred to as neurons in analogy to the human brain structure.
  • a strength of the neural network is that it is able to determine or optimize these coupling coefficients itself in monitored and / or unsupervised learning processes.
  • An approach to position and size invariant feature version comes from idrow, for example, who used a multilayer network of adaptive, linear neurons. He linked the neurons in the layers using weighting factors or coupling coefficients that were taught to the neural network.
  • Several other approaches are described in the book "Artificial Neural Networks for Image Understanding” by AD Kulkarni published by Van Nostrand Reinhold, New York, 1994. However, these methods have the disadvantage that the extraction is either not completely satisfactory or an extremely large amount of computation is required.
  • the invention describes a basic hardware structure for an image recognition system which can work with predetermined coupling coefficients between the individual components, but which is also excellently designed to learn the coupling strength of the components described below in typical learning methods for neural networks or to learn the predetermined ones Optimize values.
  • the present invention thus describes a method and a device for recognizing features from images, in particular digitized images that enable reliable feature assignment or object recognition with little time and computing effort even with very large object and / or feature inventories.
  • the image recognition system of the invention can be represented as a multi-layer system.
  • pixels e.g. from a CCD chip or an image file.
  • signal generating devices such as In a first position, filters are provided with feature information that is assigned two-dimensionally to the image.
  • This feature information is linked by adders and multipliers (or correspondingly linked neurons in a neural network) in a second layer to feature combinations which are still assigned in layers in two dimensions in accordance with the image structure.
  • the individual combinations are summed up within the layers (i.e. over the image area), whereby in a third layer a feature vector is obtained which contains different feature combinations (e.g. edge intersection points, i.e. corners, color combinations etc.) added up over the image area.
  • This feature vector is compared with a reference vector for the purpose of a feature or object assignment or recognition.
  • the invention is based on an image which is in the form of preferably digitized pixels. These pixels are by a signal generating device, for. B. examines a filter arrangement for the presence of certain features. Depending on the presence of the feature, a feature signal (first signal) is output, which forms a feature layer of the first layer with the same features at other locations in the image. The in this Feature information contained in this layer thus reflects the local distribution of the corresponding feature within the image.
  • Such layers exist in the first layer for different characteristics.
  • the type of features is defined by the signal generating device, for example by the type and linkage of the filter arrangement present therein. As already indicated, different signal generating devices are provided for extracting different features from the image. The output signals of one type of signal generating device are combined in one layer.
  • the signal generating device or filter arrangement will be briefly explained below.
  • it can be formed by a neural network of digital amplifiers with adjustable coupling coefficients, in the form of band-pass filters, low-pass filters or high-pass filters, integrators, SC filters or differentiators, adders and / or multipliers. Any combination of these components is also possible to implement a specific filter arrangement, for example an edge detector.
  • the signal generating device for extracting a certain feature can now be formed by a hardware-predetermined link which specializes in a certain feature, for example edge detection.
  • Different filter arrangements which form the signal generating devices, are therefore provided for different features, for example edge detectors with different orientations.
  • the signal generating device simply from a signal link gate between the pixels and a layer of the first layer. That is, this gate is used to combine the image information contained in a specific image area into a feature information (first signal) in the first position.
  • the features or first signals from different layers of this first layer can be positively or negatively coupled to one another.
  • a positive coupling means that a certain feature from one layer preferably occurs together with a feature from the other layer.
  • Such couplings can be learned, for example, when using a neural network. If e.g. certain features are always coupled in terms of position, this can be recognized by the network and detected by a corresponding positive coupling.
  • Such features are e.g. B. Edge detectors of 0 and 90 degrees. Negative couplings can result from the fact that certain features are never locally correlated with one another. This affects e.g. Edge detectors with the same orientation. These are always connected or isolated from each other via transverse edges, which is why they never occur together. Forming such links reduces the computational effort for recognizing the object.
  • the signal generating devices combine several pixels to form feature information or a feature neuron (first signal). For example, a feature point at the output of the signal generating device can be made from a hundred pixels at the input of the signal generating device be formed. The summary is done by summation or integration. Depending on the characteristic, however, other linking options, such as subtraction, multiplication or differentiation, are also possible.
  • a certain blurring is achieved due to the areal integration of the discrete features of the individual pixels, on the other hand, this is desirable because the security of feature extraction or object detection through a large number of blurred feature detectors in the different layers of the second layer is even increased.
  • the first signals also present in the (feature) layers of the second layer can therefore be referred to as a cube of simple feature points (neurons).
  • the complex feature points (neurons) are formed by adders or multipliers that link feature points from different layers of the second layer. Their mutual distance can be taken into account here, for example by using the coupling The lower their mutual spacing, the lower the coefficient of selection for linking feature points from (at least two) different layers. An example of this is the quadratic summation.
  • a further possibility of the position-dependent characteristic evaluation exists later in the formation of the characteristic vectors, which will be described below. This can be done alternatively or in addition to the position weighting described above for the linkage.
  • One possibility for the position-dependent weighting of a link is in all types of non-linear summations. In a functional and very simply structured embodiment, each feature point of a first feature layer from the simple feature cube is linearly added to the locally corresponding feature point of at least one second layer. The position-related weighting takes place later when the feature vectors are formed.
  • complex feature points of a combination of features are obtained in each layer of this second layer.
  • the different layers of the second layer which describe different combinations of features, can therefore be called a cube of complex feature points (neurons). These points are hardware-related due to the second signals, namely the given output values or signals of the associated adders or multipliers.
  • the complex feature points can also be formed from more than two layers, for example preferably three layers, by linking simple feature points (first signals). This has the advantage that clearer link results are obtained which can be used for more reliable object recognition.
  • the complex feature points or also second signals of a layer reflect a certain combination of features in a two-dimensional arrangement corresponding to the image.
  • adders or multipliers generate third signals from the complex feature points.
  • All complex feature points of a layer are linked, in the simplest case summed up. This is possible if the distance between simple features was already taken into account in the manner described above when the complex features were formed. If this did not happen in that process step, all complex features of a layer are now linked to one another by a non-linear linking function, for example quadratic summation. Due to the non-linearity, the link result reflects the mutual distance of the linked complex feature points in the layer.
  • This position-related link can also be carried out in addition to the position-related link that has already taken place in order to form the complex feature points. However, only one of these two methods for position-dependent feature linking can also be used.
  • the third signals of the different layers form a feature vector, which is finally compared to stored reference feature vectors for object / property recognition or assignment is used.
  • the dots (third signals) of the feature vector the depicted object can be characterized with sufficient accuracy, even if the number of objects in the database, for example in a supermarket or a personal file, is very high.
  • the points (neurons) of the feature vector are obtained by adding up all the points of a combination of features in each individual layer of the second layer.
  • Each point of the feature vector thus contains a summary of certain combinations of features, preferably taking into account their position-dependent coupling, e.g. through nonlinear summation.
  • This feature vector is now, for. B. used by comparison with a corresponding reference vector to identify objects.
  • an unsupervised learning process is preferably carried out in a preliminary phase, in which receptive filters optimally adapted to the data material (supermarket, personnel file, etc.) are created in a self-organizing manner.
  • Known learning methods can be used for this.
  • the setting of the Coupling coefficients for the generation of the complex feature points of the second layer take place, which generates the feature combinations of the complex feature cube from the feature points of the simple feature cube. This creates combinations of features that best describe the features or objects contained in an image. The same applies to the generation of the points of the feature vector from the complex feature points.
  • These links can also be generated automatically by known learning methods.
  • Patterns belonging to an object are trained in the system after the completion of the self-organization phase described above with a supervised learning process (e.g. object is recorded and saved at different intervals and views). This means that a series of feature vectors are stored for each object, which span a certain range of values. If an extracted feature vector lies in this area, it is assumed that the classified object is present. With a small number of objects, all patterns belonging to an object can be mapped onto the same output classifier neuron. For larger numbers of objects, sub-classes must be defined as an intermediate step, within which several classifiers for partial patterns are combined to form an object classifier, e.g. the different sides of a cuboid packaging.
  • a digital signal processor or a neurocomputer can preferably be used as hardware for implementing and interconnecting the signal processing components.
  • the neural network can also function in the form of a program on each tionable conventional computer architecture are implemented.
  • the invention can be said that features are extracted from the digitized image data by a plurality of signal generating devices, which are then combined into complex combinations of features, taking into account their relative mutual position.
  • the position-related data which relate to a specific combination of features, are summed up and form a location and size-independent value of a feature vector which is used for identifying the object or for recognizing features, e.g. B. by comparison with previously obtained reference values.

Abstract

Die vorliegende Erfindung betrifft ein Verfahren zur orts- und größenunabhängigen Erfassung von Merkmalen aus einem Bild. Aus den digitalisierten Bilddaten werden durch mehrere Signalerzeugungseinrichtungen Merkmale extrahiert, die anschließend unter Berücksichtigung ihrer relativen gegenseitigen Position zu komplexen Merkmalskombinationen zusammengefaßt werden. Die positionsbezogenen Daten, die sich auf eine bestimmte Merkmalskombination beziehen, werden aufsummiert und bilden einen orts- und größenunabhängigen Wert eines Merkmalsvektors, der zur Identifizierung des Objekts oder zur Merkmalserkennung verwendet wird, z.B. durch Vergleich mit vorher erhaltenen Referenzwerten.

Description

Verfahren und Vorrichtung zur orts- und größenabhängigen Erfassung von Merkmalen aus einem Bild
Die vorliegende Erfindung betrifft ein Verfahren und eine Vorrichtung zur orts- und größenunabhängigen Erfassung von Merkmalen aus einem Bild. Eine Schwierigkeit bei der Merkmalserfassung aus Bildern liegt darin, daß bestimmte Objekte in unterschiedlichen 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 zugeordnete Merkmale oder das Objekt selbst unabhängig von seinem Abstand und seiner Lage zum bildaufnehmenden System erfaßt werden/wird. Eine derartige lagen- und größeninvariante Merkmals- extrahierung bzw. Objekterkennung ist bislang mit neuronalen Netzwerken versucht worden.
Neuronale Netze sind hardware- oder softwareimplementierte vernetzte Strukturen aus Bauelementen wie z.B. Speichern, Addierern, Multipliplizierern, Filtern etc., die aufgrund der Vernetzung mit einer durch das Netz definierten Anzahl anderer Bauelemente verknüpft sind. Die Stärke dieser Verknüpfungen der Elemente ist entscheidend für die Funktionsfähigkeit des neuronalen Netzes, eine gestellte Aufgabe, im vorliegenden Fall die der Merkmalsextraktion bzw. Identifikation, zu lösen. Diese Stärke der Verknüpfung zweier Bauelemente, nachfolgend in Analogie zur menschlichen Hirnstruktur auch als Neuronen bezeichnet, 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 optimieren. Hierzu gibt es eine Reihe theoretischer Ansätze, die sich mit dem Lernverhalten des neuronalen Netzes auseinandersetzen. Ein Ansatz zur lagen- und größeninvarianten Merkmalser- fassung stammt z.B. von idrow, der ein Mehrlagennetzwerk von adaptiven, linearen Neuronen verwendete. Die in den Lagen befindlichen 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 beschrieben. 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 Vorrichtung zu schaffen, die mit wenig Rechenaufwand eine zuverlässige lagen- und größenunabhängige Merkmalserfassung erlauben.
Diese Aufgabe wird durch das Verfahren des Anspruchs 1 und durch die Vorrichtung des Anspruchs 13 gelöst. Vorteilhafte Weiterbildungen der Erfindung sind Gegenstand der Unteransprüche .
Die Erfindung beschreibt eine hardwaremäßige Grundstruktur für ein Bilderkennungssystem, das mit vorgegebenen Kopplungskoeffizienten 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 erlernen 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 Rechenaufwand 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 Bildpunkte, 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 Merkmalsinformationen 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 zugeordnet 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 aufsummierte unterschiedliche Merkmalskombinationen (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 Bildpunkte vorliegt. Diese Bildpunkte werden durch eine Signalerzeugungseinrichtung, z. B. eine Filteranordung auf das Vorliegen 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 örtliche Verteilung des entsprechenden Merkmals innerhalb des Bildes 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 bereits angedeutet, sind zur Extraktion unterschiedlicher Merkmale aus dem Bild unterschiedliche Signalerzeugungseinrichtungen vorgesehen. Die Ausgangssignale einer Art von Signalerzeugungseinrichtungen werden in einer Schicht zusammengefaßt.
Die Signalerzeugungseinrichtung bzw. Filteranordnung soll nachstehend kurz erläutert werden. Sie kann hard- und/oder softwaremäßig durch ein neuronales Netz von Digitalverstärkern mit einstellbaren Kopplungskoeffizienten, in Form von Bandpässen, Tief- oder Hochpässen, Integratoren, SC-Filtern oder Differenzieren, Addierern und/oder Multipliplizierern gebildet sein. Es ist auch jede beliebige Kombination dieser Bauelemente zur Realisierung einer bestimmten Filteranordnung, z.B. eines Kantendetektors, möglich. Die Signalerzeugungseinrichtung zur Extraktion eines bestimmten Merkmals kann nun durch eine hardwaremäßig vorgegebene Verknüpfung gebildet sein, die auf ein bestimmtes Merkmal spezialisiert ist, z.B. die Kantenerfassung. Es ist jedoch auch möglich, die Verknüpfung der Anordnung bestimmter oben aufgeführter Grundelemente zur Bildung einer Filteranordnung 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 Signalerzeugungseinrichtungen bilden. Im Falle einfachster Informationen wie z.B. Grau- oder Farbwerte besteht die Signalerzeugungseinrichtung einfach aus einem Signalverknüpfungsgatter zwischen den Bildpunkten und einer Schicht der ersten Lage. D.h. durch dieses Gatter wird die in einem bestimmten Bildbereich enthaltene Bildinformation zu einer MerkmalsInformation (erstes Signal) in der ersten Lage zusammengefaßt.
Die Merkmale bzw. ersten Signale aus unterschiedlichen Schichten dieser ersten Lage können positiv oder negativ miteinander verkoppelt sein. Eine positive Kopplung bedeutet, daß ein bestimmtes Merkmal aus der einen Schicht vorzugsweise mit einem Merkmal aus der anderen Schicht gemeinsam auftritt. Derartige Kopplungen können beispielsweise bei Verwendung eines neuronalen Netzwerks selbst erlernt werden. Wenn z.B. bestimmte Merkmale 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. Diese sind immer über quer verlaufende Kanten miteinander verbunden 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 Verknüpfungsmöglichkeiten, wie z.B. Subtraktion, Multiplikation oder Differenzierung möglich. Durch die Zusammenfassung der Bildpunkte zu einem Informationspunkt wird zwar eine gewisse Unscharfe 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 Merkmalsdetektoren 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 System ist es positiver, eine größere Anzahl an "unscharfen" Merkmalen zu erhalten, die einzeln aufgrund ihrer Unscharfe keine Fehlbeurteilung auslösen können, in ihrer Gesamtheit jedoch ein Merkmal oder Objekt mit großer Zuverlässigkeit und Sicherheit erfassen können.
Man kann daher die in den (Merkmals) Schichten der zweiten Lage auch vorhandenen ersten Signale als Kubus einfacher Merkmalspunkte (Neuronen) bezeichnen.
Nachfolgend wird beschrieben, wie aus dem Kubus einfacher Merkmalspunkte (Neuronen) zweite Signale in Form komplexer Merkmalspunkte 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 gegenseitiger 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 folgender Formel: Asιgnal 2 =
Figure imgf000009_0001
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 berücksichtigen. Eine weitere Möglichkeit der positionsabhängigen Merkmalsbewertung besteht später bei der nachfolgend noch beschriebenen Bildung der Merkmalsvektoren. Diese kann alternativ oder zusätzlich zur oben beschriebenen Positionswichtung bei der Verknüpfung erfolgen. Eine Möglichkeit zur positionsabhängigen Wichtung einer Verknüpfung besteht in allen Arten nicht linearer Summationen. In einer funktioneilen und sehr einfach strukturierten 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 Merkmaalsvektoren.
Durch die Verknüpfung einfacher Merkmalspunkte werden somit in jeder Schicht dieser zweiten Lage "komplexe" Merkmalspunkte jeweils einer Merkmalskornbination erhalten. Man kann daher die unterschiedlichen Schichten der zweiten Lage, die unterschiedliche Merkmalskombinationen beschreiben, als einen Kubus komplexer 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 gebildet werden. Dies hat den Vorteil, daß eindeutigere Verknüpfungsergebnisse erhalten werden, die sich zu einer zuverlässigeren Objekterkennung nutzen lassen. Die komplexen Merkmals- punkte oder auch zweiten Signale einer Schicht geben eine bestimmte Merkmalskombination in einer dem Bild entsprechenden zweidimensionalen Anordnung wieder.
Wiederum durch Addierer bzw. Multipliplizierer werden aus den komplexen Merkmalspunkten dritte Signale generiert. Alle komplexen Merkmalspunkte einer Schicht werden dabei verknüpft, im einfachsten Fall aufsummiert. Dies ist möglich, falls der Abstand einfacher Merkmale bereits bei der Bildung der komplexen Merkmale in oben beschriebener Weise berücksichtigt wurde. Falls dies in jenem Verfahrensschritt nicht geschehen ist, werden nun alle komplexen Merkmale einer Schicht durch eine nicht- lineare Verknüpfungsfunktion, z.B. quadratische Summation, miteinander verknüpft. Aufgrund der Nichtlinearität spiegelt das Verknüpfungsergebnis den wechselseitigen Abstand der verknüpften komplexen Merkmalspunkte in der Schicht wieder. Diese posi- tionsbezogene Verknüpfung kann auch zusätzlich zu der bereits erfolgten positionsbezogenen Verknüpfung zur Bildung der komplexen 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 gespeicherten Referenz-Merkmalsvektoren zur Objekt-/Eigenschaftserkennung bzw. -Zuordnung verwendet wird. Durch die Punkte (dritte Signale) 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, indem 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 ihrer 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 digitale Bausteine wie z. B. Filter für die Signalerzeugungseinrichtungen und Addierer und Multipliplizierer für die Verknüpfungen 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 unter Verwendung eines Lernverfahrens bewerkstelligen, in dem sich die Kopplungsfaktoren zur Verknüpfung der einzelnen Neuronen selbständig einstellen.
Für die Erzeugung der Merkmalsdetektoren in den Signalerzeugungseinrichtungen werden vorzugsweise konventionelle Filter wie z. B. Bandpaßfilter, Kontrastfilter und Gradientenfilter zusammengefaßt, und aus den zugehörigen Filtermasken die Kopplungskoeffizienten berechnet, indem in klassischer Weise die gekoppelten Filtergleichungen aufgestellt werden und die zu den einzelnen Bildpunkten gehörigen Koeffizienten zu einem Zahlenwert zusammengefaßt werden. Somit können beliebige Filter zur Erhöhung der Rechenleistung zusammengefaßt werden, was, wie bereits beschrieben, mit einer gewissen beabsichtigten Unscharfe 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 Verwendung in einem neuronalen Netz geeignet, da die für die Verarbeitung im neuronalen Netzwerk vorteilhafte Unscharfe der Merkmalsextraktion der mathematischen Exaktheit der Filteroperation widerspricht. Deshalb wird in einer Vorphase vorzugsweise 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 vorzugsweise andere Signalerzeugungseinrichtungen gehemmt, sobald sich eine Signalerzeugungseinrichtung auf die Extraktion eines bestimmten Merkmals spezialisiert hat. Dadurch setzt sich innerhalb 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 Merkmalspunkte (Neuronen) in der ersten Lage kann die Einstellung der Kopplungskoeffizienten für die Erzeugung der komplexen Merkmalspunkte der zweiten Lage erfolgen, die aus den Merkmalspunkten des einfachen Merkmalskubus die Merkmalskombinationen des komplexen Merkmalskubus generiert. Hierbei entstehen Merkmalskombinationen, 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 komplexen 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 gespeichert) . Dies führt dazu, daß für jedes Objekt eine Reihe von Merkmalsvektoren gespeichert sind, die einen gewissen Wertebereich 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 dasselbe Ausgangs- klassifikatorneuron abgebildet werden. Bei größeren Objektzahlen müssen als Zwischenschritt Unterklassen definiert werden, innerhalb derer mehrere Klassifikatoren für Teilmuster zu einem Objektklassifikator zusammengefaßt werden, z.B. die verschiedenen Seiten einer quaderförmigen Verpackung.
Als Hardware zur Realisierung und Verschaltung der Signalverarbeitungskomponenten kann vorzugsweise ein digitaler Signal- Prozessor verwendet werden oder ein Neurocomputer, dessen Aufbau 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 digitalisierten Bilddaten durch mehrere Signalerzeugungseinrichtungen Merkmale extrahiert werden, die anschließend unter Berücksichtigung ihrer relativen gegenseitigen Position zu komplexen 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 Identifizierung des Objekts oder zur Merkmalserkennung verwendet wird, z. B. durch Vergleich mit vorher erhaltenen Referenzwerten.

Claims

Patentansprüche :
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 unterschiedlicher oder unterschiedlich eingestellter Einrichtungen unterschiedliche 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 g e k e n n z e i c h n e t , daß wenigstens zwei unterschiedliche Merkmale betreffende erste Signale zu zweiten Signalen verknüpft werden, daß unterschiedliche zweite Signale für unterschiedliche Merkmalskombinationen 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 betreffenden zweiten Signale zu einem dritten Signal unter Berücksichtigung ihrer wechselseitigen Ortsbeziehung, vorzugsweise unter Verwendung einer nichtlinearen Verknüpfungsfunktion durchgeführt wird, und daß die Werte der dritten Signale in der Art eines Merkmalsvektors zur Merkmalsauswertung verwendet werden.
2. Verfahren nach Anspruch 1, dadurch g e k e n n z e i c h n e t, daß die Signalerzeugungseinrichtungen aus jeweils einer größeren Anzahl von Bildpunkten, z.B. mehr als 10 Bildpunkten, insbesondere mehr als 100 Bildpunkten ein erstes Signal generieren.
3. Verfahren nach Anspruch 1 oder 2, dadurch g e k e n n z e i c h n e t, daß die ersten Signale zu Erzeugung der zweiten Signale quadratisch summiert werden.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch g e k e n n z e i c h n e t, daß die Signalerzeugungseinrichtungen nach Art eines neuronalen Netzes miteinander verknüpft sind, und die Kopplungskoeffizienten dieser Verknüpfungen zur Bestimmung der Merkmale in einem Lernprozeß bestimmt werden.
5. Verfahren nach Anspruch 4 , dadurch g e k e n n z e i c h n e t, daß sobald die Kopplungskoeffizienten einer Signalerzeugungseinrichtung in dem Lernverfahren bestimmt worden sind, die anderen Signalerzeugungseinrichtungen daran gehindert werden, die selben Kopplungskoeffizienten zu erlernen.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch g e k e n n z e i c h n e t, daß zwischen den ersten Signalen für unterschiedliche Merkmale positive oder negative Verknüpfungen gebildet werden, die In- - In formationen über die gemeinsame Verwendung der verknüpften ersten Signale zum Bilden der zweiten Signale enthalten.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch g e k e n n z e i c h n e t, 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 g e k e n n z e i c h n e t, 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 g e k e n n z e i c h n e t, daß als Signalerzeugungseinrichtungen Digitalfilter verwendet werden, wobei zur Erfassung unterschiedlicher Merkmale die Art und Anordnung der Filter und deren Kopplung variiert bzw. gelernt wird.
10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch g e k e n n z e i c h n e t, daß die zweiten und dritten Signale durch digitale Addierer und Multipliplizierer erzeugt werden.
11. Verfahren nach Anspruch 9 oder 10, dadurch g e k e n n z e i c h n e t, 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 Rechenmaschine implementiert sind.
12. Verfahren nach einem der vorhergehenden Ansprüche zum Erkennen von Objekten, dadurch g e k e n n z e i c h n e t, daß die dritten Signale aus unterschiedlichen Abbildungen ein und desselben Objekts als Referenzwerte für eine Zuordnung verwendet werden.
13. Vorrichtung zur orts- und größenunabhängigen Erfassung von Merkmalen aus einem Bild, umfassend mehrere Signalerzeugungseinrichtungen, z.B. Filteranordnungen, die Bildinformationen in Form von Merkmalen, wie z.B. Hell/Dunkel-Kanten oder Farben, positionsbezogen aus einem Bild ermitteln, wobei unterschiedliche Signalerzeugungseinrichtungen zur Erfassung unterschiedlicher Merkmale vorgesehen sind, welche Signalerzeugungseinrichtungen sich in den Kopplungskoeffizienten der Verknüpfung und/oder der Anordnung ihrer Funktionselemente unterscheiden, dadurch g e k e n n z e i c h n e t, daß die Signalerzeugungseinrichtungen über einstellbare Kopplungsglieder 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 Addierer/Multiplizierer verbunden sind, die zum Aufsummieren der Ausgangssignale derjenigen ersten Addierer/Multipliplizierer vorgesehen sind, die sich auf die Verknüpfung der Signale gleicher Signalerzeugungseinrichtungen beziehen, welche Ausgänge der zweiten Addierer/Multipliplizierer wenigstens ein drittes Signal zur Merkmalsauswertung bereitstellen.
14. Vorrichtung nach Anspruch 13 , dadurch g e k e n n z e i c h n e t, daß die Kopplungsglieder zur Verküpfung 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 g e k e n n z e i c h n e t, daß die Signalerzeugungseinrichtungen und/oder die Addierer/Multipliplizierer durch die Neuronen eines neuronalen Netzwerkes gebildet sind und die Einstellung der Kopplungsglieder durch ein an sich bekanntes Lernverfahren für neuronale Netzwerke erfolgt .
16. Vorrichtung nach Anspruch 15, dadurch g e k e n n z e i c h n e t, daß die Neuronen des neuronalen Netzwerkes durch die Speicherbzw. Funktionselemente (Neuronen) eines Neurocomputers oder durch ein Programm auf einer herkömmlichen Rechenmaschine gebildet sind, welches das neuronale Netzwerk emuliert.
17. Vorrichtung nach einem der Ansprüche 13 bis 16, dadurch g e k e n n z e i c h n e t, 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 .
PCT/DE1997/002975 1996-12-18 1997-12-18 Verfahren und vorrichtung zur orts- und grössenunabhängigen erfassung von merkmalen aus einem bild WO1998027511A1 (de)

Applications Claiming Priority (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
DE19652925.5 1996-12-18

Publications (1)

Publication Number Publication Date
WO1998027511A1 true WO1998027511A1 (de) 1998-06-25

Family

ID=7815295

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE1997/002975 WO1998027511A1 (de) 1996-12-18 1997-12-18 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 (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015082723A1 (en) 2013-12-06 2015-06-11 Mic Ag Pattern recognition system and method

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19924009C2 (de) * 1999-05-26 2002-11-28 Siemens Ag Mustersuche
DE19924008C2 (de) * 1999-05-26 2002-11-28 Siemens Ag Mustersuche
DE10145608B4 (de) * 2001-09-15 2006-01-26 Eads Deutschland Gmbh Modellbasierte Objektklassifikation und Zielerkennung
DE102007005560B4 (de) 2007-01-24 2009-12-03 Bernhard Sänger Verfahren zum Betrieb einer Tunnelbohrmaschine, Verfahren zum Erkennen von geologischen Strukturen sowie Tunnelbohrmaschine
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)
GB2525251A (en) * 2014-04-18 2015-10-21 Mic Ag Optical fibre sensor system

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0482427A2 (de) * 1990-10-25 1992-04-29 Hughes Aircraft Company Selbst-adaptive hierarchische Targetidentifikation und neuronales Erkennungsnetzwerk
EP0511668A2 (de) * 1991-05-01 1992-11-04 Matsushita Electric Industrial Co., Ltd. Vorrichtung und Verfahren zur Bilderkennung

Family Cites Families (2)

* Cited by examiner, † Cited by third party
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0482427A2 (de) * 1990-10-25 1992-04-29 Hughes Aircraft Company Selbst-adaptive hierarchische Targetidentifikation und neuronales Erkennungsnetzwerk
EP0511668A2 (de) * 1991-05-01 1992-11-04 Matsushita Electric Industrial Co., Ltd. Vorrichtung und Verfahren zur Bilderkennung

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FUKUSHIMA K ET AL: "Neocognitron: a biocybernetic approach to visual pattern recognition", NHK LABORATORIES NOTE, SEPT. 1986, JAPAN, no. 336, ISSN 0027-657X, pages 1 - 13, XP002060746 *
HIMES G S ET AL: "Automatic target recognition using a neocognitron", IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING, APRIL 1992, USA, vol. 4, no. 2, ISSN 1041-4347, pages 167 - 172, XP002060747 *
I-CHANG JOU ET AL: "A NEW FEATURE EXTRACTION METHOD BY NEURAL NETWORKS", PROCEEDINGS OF THE INTERNATIONAL SYMPOSIUM ON CIRCUITS AND SYSTEMS, NEW ORLEANS, MAY 1 - 3, 1990, vol. VOL. 4, no. CONF. 23, 1 May 1990 (1990-05-01), INSTITUTE OF ELECTRICAL AND ELECTRONICS ENGINEERS, pages 3249 - 3252, XP000163525 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015082723A1 (en) 2013-12-06 2015-06-11 Mic Ag Pattern recognition system and method

Also Published As

Publication number Publication date
DE19652925A1 (de) 1998-07-02
DE19652925C2 (de) 1998-11-05

Similar Documents

Publication Publication Date Title
DE60130742T2 (de) Mustererkennung mit hierarchischen Netzen
EP3044760B1 (de) Verfahren zur analyse der verteilung von objekten in freien warteschlangen
EP0560779B1 (de) Verfahren zur erkennung und schätzung der räumlichen lage von objekten aus einer zweidimensionalen abbildung
DE102019127282A1 (de) System und Verfahren zum Analysieren einer dreidimensionalen Umgebung durch tiefes Lernen
DE102019209644A1 (de) Verfahren zum Trainieren eines neuronalen Netzes
DE102019214402A1 (de) Verfahren und vorrichtung zum verarbeiten von daten mittels eines neuronalen konvolutionsnetzwerks
WO1998027511A1 (de) Verfahren und vorrichtung zur orts- und grössenunabhängigen erfassung von merkmalen aus einem bild
DE102016100134B4 (de) Verfahren und Vorrichtung zum Untersuchen eines Objekts unter Verwendung von maschinellem Sehen
WO2010054977A1 (de) Lasererfassungsvorrichtung und lasererfassungsverfahren
DE2813157A1 (de) Verfahren zur automatischen musterauswertung mit hilfe schneller bildverarbeitung und schaltung zur durchfuehrung des verfahrens
EP2359308B1 (de) Vorrichtung zur erzeugung und/oder verarbeitung einer objektsignatur, überwachungsvorrichtung, verfahren und computerprogramm
DE112019001959T5 (de) Segmentieren unregelmässiger formen in bildern unter verwendung von tiefem bereichswachstum
EP3142068B1 (de) Verfahren zur dreidimensionalen erfassung von objekten
EP0514390B1 (de) Verfahren zur bestimmung der momentanen lage und form von bewegten objekten und zu deren anzeige als binärbild
DE102020129164A1 (de) Verfahren und vorrichtung zur unterscheidung von verschiedenen konfigurationszuständen eines objekts auf der grundlage einer bildlichen darstellung des objekts
EP1998272A2 (de) Vorrichtung zur Bestimmung einer Objekt- und/oder Existenzwahrscheinlichkeit eines Suchobjekts in einem Auslesefenster eines Bildes, Verfahren sowie Computerprogramm
EP3214602A1 (de) Verfahren zur dreidimensionalen erfassung von objekten
EP1021787B1 (de) Verfahren zum lokalisieren von objekten in standbildern mit anwendung auf die lokalisierung von gesichtern
EP0469315B1 (de) Verfahren zur visuellen Inspektion zwei- oder dreidimensionaler Bilder
EP0195281B1 (de) Schaltungsanordnung für die Bildverarbeitung
DE4438235B4 (de) Verfahren zur automatischen Detektion von kleinen beweglichen Objekten in natürlicher Umgebung, vorzugsweise einer Echtzeitbildfolge
DE102021124348A1 (de) Verfahren zum Bestimmen, ob ein Transportgut in einem Überwachungsbereich angeordnet ist
DE102022119865A1 (de) Verfahren zum Schätzen von Positionen von Gelenkpunkten und Steuereinrichtung für ein Kraftfahrzeug
WO2024099797A1 (de) Verfahren zum trainieren eines neuronalen netzwerks zum ermitteln von merkmalen von objekten für eine objektverfolgung
WO2021180470A1 (de) Verfahren zur qualitätssicherung eines beispielbasierten systems

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): US

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): AT BE CH DE DK ES FI FR GB GR IE IT LU MC NL PT SE

121 Ep: the epo has been informed by wipo that ep was designated in this application
122 Ep: pct application non-entry in european phase