WO2005064526A1 - Verfahren zur bewertung von ähnlichkeiten realer objekte - Google Patents

Verfahren zur bewertung von ähnlichkeiten realer objekte Download PDF

Info

Publication number
WO2005064526A1
WO2005064526A1 PCT/DE2004/002461 DE2004002461W WO2005064526A1 WO 2005064526 A1 WO2005064526 A1 WO 2005064526A1 DE 2004002461 W DE2004002461 W DE 2004002461W WO 2005064526 A1 WO2005064526 A1 WO 2005064526A1
Authority
WO
WIPO (PCT)
Prior art keywords
contour
similarity
feature vectors
vectors
contours
Prior art date
Application number
PCT/DE2004/002461
Other languages
English (en)
French (fr)
Inventor
Carsten Prodöhl
Original Assignee
RUHR-UNIVERSITäT BOCHUM
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 RUHR-UNIVERSITäT BOCHUM filed Critical RUHR-UNIVERSITäT BOCHUM
Publication of WO2005064526A1 publication Critical patent/WO2005064526A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/37—Determination of transform parameters for the alignment of images, i.e. image registration using transform domain methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/478—Contour-based spectral representations or scale-space representations, e.g. by Fourier analysis, wavelet analysis or curvature scale-space [CSS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face

Definitions

  • the invention relates to a method for evaluating similarities of real objects on the basis of evaluating the similarity of feature vectors.
  • a first term of this graph comparison function evaluates the similarity of the jets (totality of the Gabor features at a specific pixel) at corresponding nodes of the two graphs, the corresponding Gabor features being compared with one another (negative cosine of the angle between the two jets).
  • the second term evaluates the topological similarity of the two graphs by adding up the amounts of the difference vectors of the corresponding links.
  • Links are the horizontal and vertical connections between neighboring nodes.
  • An illustrative model is to think of the links as mechanical springs that form the first of the two graphs in their rest positions.
  • the second factor of the graph comparison function is then proportional to the work that has to be done against the spring forces in order to align the links with the topology of the second graph.
  • the object with the smallest value of the graph comparison function is the most similar object in the sense of the comparison function.
  • This method is based on the extraction of 2-D Gabor coefficients, which not only correspond to different sigmas (sizes), but also have different orientations in space. This method is particularly suitable for objects with characteristic texture features, such as faces. This method is less powerful at the edges of the objects, since the 2-dimensional Gabor filter covers half of the object to be recognized and half of the background, so that the edges of the object, for example a contour of a face, are only blurred can be.
  • the object of the invention is to provide a method for evaluating the similarity of feature vectors for describing real objects in the form of signals with properties that vary depending on the location, in particular for 2-D contour recognition, in which the contours of the objects or whose border lines are similar to human perception.
  • Another object of the invention is to show a way in which the contour data in the form of feature vectors can be compared particularly effectively with one another, so that a method for recognizing objects which is improved compared to the prior art can be provided.
  • the method according to the invention comprises the formation of sets of 1-dimensional parameterized data (reference point vectors) for first and second objects to be compared with one another.
  • the aim is to compare a new object with a single object from a group of objects already recorded and to assess the similarity of the new object with the objects already stored.
  • the basis of the evaluation is the contour of the new object, which is obtained from image signal information.
  • image processing the detection of contours of an object, ie the provision of the contour data, is state of the art. For example, a color image can be converted into a gray value image. Noise can be removed from the gray-scale image, for example, by using additional filters. By adjusting the brightness and contrast, it is possible to emphasize the contours of an object.
  • the patent application assumes that this contour is basically available.
  • Dimension 2 xm x contain complex coefficients for the x value as well as for the y value.
  • the similarity of the feature vectors is calculated taking into account the phase similarity of the individual vector components (coefficients) in the complex plane. It is essential in the method according to the invention that it is not first for the similarity of all x-coefficients of the feature vectors to be compared with one another and then a measure for the similarity of all y coefficients of the feature vectors to be compared with one another are calculated and these similarities are then combined with one another, but that for each basic function, ie for each complex coefficient of the feature vector, the similarity is calculated separately for x and y features and the results are then multiplied, so that there is a high similarity only if both the similarity of the respective complex-valued x-coefficients in connection with the similarity of the complex-valued y-coefficients is high.
  • the similarity is calculated component by component, with the respective x or y coefficients of the respective feature vectors being combined in the first step. It has turned out to be particularly powerful if the phase similarity of the complex-value coefficients to be compared is taken into account when calculating the similarity of the feature vectors.
  • the similarity of two complex-valued coefficients is thus calculated by multiplying the amount, ie the length of the vectors, with the phase information being included as an angle function, in particular as a cosine function of the phase difference. This method has proven to be much more precise than, for example, taking into account the absolute spacing of the components in the complex number plane. In this way, the phase similarity between all the coefficients of the feature vectors to be compared is calculated.
  • a measure P s for phase similarity is expediently set in relation to a maximum value M s of P s , the maximum value M s being given when the phase difference is zero.
  • the maximum value is accordingly calculated as the sum of the products of the amounts of the individual complex-numbered components of the feature vectors.
  • the individual Gabor coefficients for the x and for the y values of the base points can be calculated separately without the texture of the object or that adjacent to the object contour Background would influence the features flowing into the similarity analysis, ie the complex coefficients of the feature vectors.
  • the limits of the Fourier transformation are specified by the number of support points on the contours to be compared.
  • the 1-D Gabor wavelet transformation is carried out by multiplying the Fourier-transformed base points in the Fourier space by the Gabor kernel and subjecting the result to a Fourier back-transformation.
  • the Gabor wavelet is a flat wave with the frequency k, which is enveloped by a Gaussian function.
  • the feature vector describes the adjacent distribution of the x-values or y-values at a specific base point of the contour.
  • the contour can be described very well in a parameterized manner by a plurality of feature vectors of a contour.
  • m is the index of each Gabor level.
  • Typical values for the size factor / are 2 for octave intervals, ⁇ / 2 or 2 to achieve a very dense sampling in the frequency domain. How many different Gabor levels (m max +1) should be used is calculated using the following equation,
  • c D is a constant that can be specified by a user.
  • the constant c D is normally set to the value 6, the distance of 2 • ⁇ to the left and right of the gabor with the greatest wavelength covering almost a third of the entire contour. The meaning or the influence of smaller contour details can be increased by a higher constant c D. In any case, the number of Gabor levels increases linearly with the logarithm of Nzu.
  • contour vectors are obtained for both the x and the y direction.
  • the contour vectors have N components corresponding to the number of support points. In order to identify a base point in a calculation method, this is not done via its absolute x and y values, but only via the index n, i.e. its position within the contour vectors.
  • the components of these contour vectors are the respective feature vectors of the individual support points. The dimension of these feature vectors is 2 x m corresponding to the number of x and y coefficients.
  • Phase of the i-th Fourier coefficient By rotating the base vectors X and Y around the angle -p the contour can be rotated to a normalized orientation. This method can be described by using a rotation matrix Q, the angle p being measured between the main axis of the contour and the horizontal axis. After the Fourier transform, X and Y can be calculated using X red and Y red .
  • Another object of the invention is to show a possibility of meaningfully comparing feature vectors of different lengths.
  • the comparison of feature vectors of identical length is unproblematic.
  • the different length means that the number of Gabor levels, ie the index m, is different for the individual feature vectors.
  • the best way to explain the problem is with an example.
  • Two contours to be compared with each other have Ni and N 2 support points and a corresponding number of feature vectors at the individual support points.
  • nj and n 2 In order to calculate the similarity of two interpolation points on a contour index nj and n 2, one considers the feature vectors / / andjS.
  • Each of these feature vectors has 2 xm or 2 xm complex number coefficients corresponding to the number of basic functions.
  • the maximum number of available comparison levels is first to be calculated.
  • S s is now calculated for the x and y coefficients of the feature vector. How the phase difference of the complex-valued coefficients flows into this calculation and which optional possibilities for normalizing the similarity value are possible have already been explained (cf. claims 1 and 2).
  • the sets of 1-dimensional parameterized data i.e. the base vectors for the x and y directions are base points of a function that describes the contour as well as possible. This means that the discrete contour points are replaced by equidistantly distributed support points of an interpolated function graph.
  • a closed graph oriented counterclockwise can be divided sequentially into a chain of neighboring nodes, each node corresponding to a pixel.
  • the position of such a pixel is described in a Cartesian coordinate system.
  • an interpolation process is required to convert the chain of pixel coordinates into functions for both the x coordinate and the y coordinate.
  • the length of the graph is calculated from the Sum of the distances between successive pixels and is used as the abscissa for the parameterization.
  • the selected interpolation method is fundamentally arbitrary and only serves to simplify the subsequent transformation of the base vector from the local space into the frequency space.
  • the B-spline algorithm was used in the context of the invention.
  • the algorithm works heuristically to automatically find a sufficient number of nodes to describe the B-spline. Since the maximum distance between two neighboring pixels of a densely scanned contour is 2 and with a specification that a single one
  • Node interval has a maximum length of 2 x 2, there are N-7 node intervals corresponding to N nodes.
  • the number of interpolation points can vary.
  • the user of the method can control which nodes should actually be used as support points for evaluating the similarity of the contours.
  • the individual support points are expediently arranged equidistantly on the respective B-spline.
  • the term “base point” of a contour is understood to mean both the discrete contour point within a successive chain of contour points and an interpolation point of a B-spline, which describes the discrete chain of contour points.
  • all points of a contour or a function describing the contour are brought into a sequential order with the aid of an indexing process, the index, starting at 0, denoting a specific base point of the contour.
  • the identification takes place via the corresponding index of this base.
  • the index area represents a section of the contour. A comparison is only made within the selected index area. The alternative, namely each individual feature vector with all the feature vectors Comparing other contours requires considerable computing effort and is not effective.
  • a limited index area of an already saved contour is selected.
  • an index area it is possible to apply the method according to the invention very flexibly to a wide variety of contours, it being possible in this method to determine similarities between two contours solely on the basis of significant partial contours.
  • the method according to the invention enables a translation and scaling invariant, i.e. recognition of partially existing contours comparable to human perception, even if these are overlaid to a certain degree by additional information or disturbances.
  • Existing methods that are able to recognize rigid complete contours under different invariance conditions have problems if parts of the contour are covered or overlaid by another object.
  • normalizations are difficult to carry out, since these can largely depend on contour parts which are not known at all.
  • articulated objects such as in the case of "quasi-stable contours" e.g.
  • An essential object of the invention is therefore to demonstrate an improved method for contour recognition.
  • the method according to the invention can identify the partially hidden object or differentiate between different objects.
  • the method can Identify the individual facial contours and thus the faces of individual people based on the contours.
  • the method classifies objects as similar based on the evaluation of partial contours, just as a person recognizes objects based on their partial contours and would also classify them as similar.
  • the method according to the invention can be applied to objects with any contour and is not restricted exclusively to a specific object type, such as, for example, the profile of a face.
  • An important feature of the method according to the invention is the topology preservation of the contours to be compared with one another.
  • maintaining topology means that a new contour can be compared with a gallery contour, the relative length, corresponding to the number of support points, of the contours to be compared with one another also being retained in the result. It is provided to take the proportionality of the contours into account when calculating the similarities by comparing a feature vector of one contour with a larger number of feature vectors in a certain area of the other contour. The different length of the contours or the different number of support points is evident from the scale of the feature vectors. The greater the difference in length between the contours or contour sections to be compared, the greater the scale difference.
  • the scale results from the total contour length of the contours to be compared and the number of Gabor levels.
  • the greater the length differences of the contours or contour sections to be compared with one another the greater the maximum scale difference of the feature vectors. Large scale differences, however, mean an increased computational effort, so that a comparison on the scale 0 is generally sought.
  • the desired scale on which a comparison is to take place can be determined from the outset. Especially if it is the same If the contours are long or essentially the same length, a comparison on the scale 0 is recommended, since with the method according to the invention very good similarity values can be calculated even on a scale 0.
  • Two contours are to be compared with one another.
  • One contour is the so-called gallery contour, which is stored in a data memory.
  • the gallery contour has n G equidistantly distributed support points.
  • n c is the number of support points of the new contour that is to be compared with the gallery contour.
  • the center of the respective region is described with d r (nj).
  • the aim now is to find a range of indices of the gallery contour with which the selected feature vector of the new contour is to be compared.
  • ⁇ d r The width of an area or the distance between the centers of two areas is referred to as ⁇ d r .
  • a base index c M d r of an area R s is first calculated in accordance with the equations in claim 6.
  • the area limits are calculated using the size factor, the area limits being selected as a function of the scale difference of the contours to be compared with one another.
  • the corresponding equations can be found in claim 6.
  • c c is a user-definable security factor that can define a tolerance range of a range.
  • c 0 is an additional constant correction factor.
  • the equations show that as the scale increases, the range limits become smaller by a certain factor, so that when comparing on different scales, different ranges are calculated for each scale.
  • the indices d r (nj) are used not only for a rough comparison, but also for the complete contour comparison.
  • the calculated indices also serve as the basis for the offset, that is for the index shift of index 0, which in turn is to be equated with the starting point of the contour.
  • a rough comparison is carried out in a first step and a fine comparison is carried out in a subsequent second step.
  • the rough comparison is intended to determine in which area the greatest matches of the feature vectors are likely to be found. This staggered procedure is much more effective than directly comparing each feature vector of one contour with each feature vector of the other contour.
  • a similarity value is calculated in accordance with the equations in claims 1 or 2.
  • the highest similarity value resulting in a range is selected and buffered.
  • the rough comparison consists in that not every base point of the area is used to calculate a similarity value, but rather a number that is smaller than the total number of base points in the area.
  • Corresponding areas and highest similarity values are calculated for all support points d r and finally the arithmetic mean value is calculated from the respective highest similarity values of the individual areas.
  • This mean value is a measure of the similarity of the two contours, but depending on the selected area formation and arrangement. This similarity value therefore depends on the choice of the start indices of the respective contours.
  • the calculated ranges are shifted by a selectable offset O.
  • the position of the offset is determined by an index shift. Different similarity values result depending on the selected offset, the highest similarity value being selected from all the calculated similarity values. In this way, a final offset 0 Fiml is defined for final search areas in which the fine adjustment takes place.
  • a similarity between two contours is affirmed when a predeterminable threshold value is exceeded if a predeterminable percentage of mutually adjacent feature vectors of one contour has a sufficient similarity value with mutually adjacent feature vectors of the other contour.
  • this method is referred to as percent matching. Percent matching assumes that a similarity can be assumed if a certain number of adjacent feature vectors arranged at a distance from one another correspond with feature vectors of another contour with sufficient probability. In the case of a complete contour detection with evenly spaced feature vectors, the percentage of the contour corresponds to the percentage of the feature vectors of the contour. If, on the other hand, the feature vectors are not evenly spaced, what matters is only the percentage of the feature vectors, which in this case do not have to be congruent with a percentage of the contour length.
  • Percent matching is useful, for example, when two objects are overlaid and only the partially visible object is to be analyzed. Only part of the overall contour of the overall object can be seen, which can be expressed as a percentage. It is possible that the percentage of the total contour has significant features, so that the overall contour can be identified on the basis of these significant contour features. It can now be specified by user specification that the similarity to a gallery Contour is affirmed if a certain percentage of the contour length of the new contour matches a corresponding percentage of the gallery contour. In this way, a certain probability can be specified that the new contour corresponds to the overall contour stored in the gallery contour, although the new contour is partially covered. Tests have shown that the success rates for this method are over 80%.
  • Another procedure is to specify certain contour sections, be it by discrete selection of the section boundaries, by specifying the section width and specifying a starting point, e.g. the center point of a section or a section upper or lower limit with additional direction.
  • a starting point e.g. the center point of a section or a section upper or lower limit with additional direction.
  • percent matching in which the area in which the greatest matches are found is automatically selected, the method according to the invention for evaluating feature vectors is used exclusively in this area when a contour section is input discretely (claims 9 to 12).
  • this method can be seen, for example, in the area of a detection system for objects guided past a camera on a means of transport, the contours of which are at least partially visible and in which an object identification with a certain probability is possible on the basis of the overall contour or partial contour.
  • a further development of such a detection system can be seen in the fact that the identified partial contour can be used to infer the spatial position of the overall object, or information can be provided for a subsequent processing system, such as a means for handling the object.
  • the camera can also be moved relative to an object to be recorded, such as, for example, in a digital recognition system for evaluating aerial image information, in particular in the context of controlling a flying object, which contains appropriate technical means for capturing aerial images and means for technical implementation of the method according to the invention , the results the object recognition in the calculation of the flight course, ie the control of the flying object.
  • a digital recognition system for evaluating aerial image information in particular in the context of controlling a flying object, which contains appropriate technical means for capturing aerial images and means for technical implementation of the method according to the invention
  • the results the object recognition in the calculation of the flight course ie the control of the flying object.
  • the technical use of the method according to the invention can also be seen in an evaluation of image information of flying objects that have been captured by a stationary camera and can be compared with reference images of a database with an improved hit probability, in order to be as short as possible depending on the similarity Time to provide information for a decision-making process, in particular a military, possibly technically automated one.
  • Another area of application of the method according to the invention can be seen in the extraction of biological structures based on their contours, such as when evaluating images, in particular sectional images, with regard to any anomalies that may be present, such as Tumors, inclusions etc.
  • Figure 1 shows a rotated and scaled silhouette of a marine animal.
  • the method according to the invention is intended to determine whether there is a similarity to an already stored gallery contour.
  • the complete contours are compared with each other.
  • the number of interpolation points ie the number of feature vectors, was set to the user-defined value 1,536. Furthermore, a constant of 25 was specified. If you divide the number of interpolation points by 25, you get the number of feature vector positions that are to be compared in a rough comparison.
  • the comparison procedure itself was carried out on a scale of 0.
  • FIG. 3 shows that the right profile is larger overall, that is to say that the region of interest of the facial contour is overall longer.
  • a significant contour section was selected by selecting a pixel and using the point of the contour that is closest to this pixel as the starting point or basic feature vector.
  • the base index In this case, ten additional feature vectors, ie five to the left and five to the right of the base index, are used for the matching process.
  • the distance from the base index is defined by a user-specified constant (in this case 50), so that only a reduced number of feature vectors are included in the comparison.
  • the adjustment algorithm itself was carried out on all possible scales, since a different contour length was present in this exemplary embodiment.
  • FIGS. 5 and 6 show a further example for the selection of a discrete contour section to be examined.
  • a new hand gesture as shown in FIG. 5, is to be used with a known, i.e. previously saved hand gestures can be compared.
  • a pixel was selected in the vicinity of the contour to be examined, the closest contour point serving as the base index.
  • a total of ten additional feature vectors i.e. five selected on the left and five on the right for the matching process. The distance between the feature vectors results from a user-specified constant.
  • adjustments were carried out on all possible scales because the size of the contours was again different.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Bewertung von Ähnlichkeiten realer Objekte anhand der Bewertung des Ähnlichkeiten von Merkmalsvektoren. Hierzu werden aus den D2-Konturen der miteinander zu vergleichenden ersten und zweiten Objekte Sätze eindimensionaler parametrisierter Daten (Merkmalsvektoren) gewonnen, die Grundlage der Vergleichsoperation sind. Die Berechnung der Ähnlichkeit der Merkmalsvektoren erfolgt unter Berücksichtigung der Phasenähnlichkeit der einzelnen Vektorkomponenten in der komplexen Ebene. Für jeden komplexen Koeffizienten des Merkmalsvektors werden getrennt nach X- und Y-Merkmalen die Ähnlichkeiten berechnet und anschliessend die Ergebnisse multipliziert, so dass sich eine hohe Ähnlichkeit nur dann ergibt, wenn sowohl die Ähnlichkeit der jeweiligen komplexwertigen X-Koeffizienten in Verbindung mit der Ähnlichkeit der komplexwertigen Y-Koeffizienten hoch ist. Das erfindungsgemässe Verfahren ermöglicht eine translations- und skalierungsinvariante, mit der menschlichen Wahrnehmung vergleichbare Erkennung von partiell vorhandenen oder durch zusätzliche Informationen bzw. Störungen erweiterten Daten.

Description

Verfahren zur Bewertung von Ähnlichkeiten realer Objekte
Die Erfindung betrifft ein Verfahren zur Bewertung von Ähnlichkeiten realer Objekte anhand der Bewertung der Ähnlichkeit von Merkmalsvektoren.
Auf dem Gebiet der Bildverarbeitung sind Verfahren bekannt, die eine Erkennung von Objekten aus einzelnen Ansichten (Bildern) dieser Objekte erlauben. Die Erkennung von Objekten wird mittels digitaler Bildsignalaufnahmetechnik ausgeführt, der Bild- und Signalverarbeitungsroutinen für die Klassifizierung der Objekte oder Muster hinzugefügt werden. Die Routinen verwenden Verfahren, bei denen die in den digitalen Bildern vorkommenden Bildobjekte anhand von spezifischen Merkmalen analysiert werden. Aufgrund der extrahierten Merkmale erfolgt ein Abgleich verschiedener Objekte, um Ähnlichkeiten festzustellen.
In der DE 44 06 020 C1 wird ein Bild verarbeitendes Verfahren zur automatisierten Erkennung oder Verifikation von Objekten aus digitalen Bildern dieser Objekte beschrieben. Dieses Verfahren ist dadurch gekennzeichnet, dass man aus einem digitalen Bild mit 2-D-Gabor-Filtern verschiedener Größe und Orientierung Gabor- Merkmale extrahiert, welche auf einem verschieb-, skalier-, und deformierbaren Gitter, dem so genannten Graphen, angeordnet werden, dessen optimale Form durch eine zweiphasige Minimierung einer Graphenvergleichsfunktion bestimmt wird. In der ersten Phase werden sowohl Größe als auch Position des Graphen simultan optimiert. In der zweiten Phase wird die intrinsische Form des Graphen optimiert. Zur Bewertung der Ähnlichkeit zweier Graphen wird eine Graphenvergleichsfunktion E=Esin+ÄEtop eingeführt, die umso niedrigere Werte annimmt, je ähnlicher die beiden Graphen sind. Ein erster Term dieser Graphenvergleichsfunktion bewertet die Ähnlichkeit der Jets (Gesamtheit der Gabor-Merkmale an einem bestimmten Pixel) an jeweils korrespondierenden Knoten der beiden Graphen, wobei die jeweils korrespondierenden Gabor-Merkmale miteinander verglichen werden (negativer Kosinus des Winkels zwischen beiden Jets). Der zweite Term bewertet die topologische Ähnlichkeit beider Graphen, indem die Beträge der Differenzvektoren jeweils korrespondierender Links aufsummiert werden. Als Links werden die horizontalen und vertikalen Verbindungen zwischen benachbarten Knoten bezeichnet. Ein anschauliches Modell besteht darin, sich die Links als mechanische Federn vorzustellen, die in ihren Ruhelagen den ersten der beiden Graphen bilden. Der zweite Faktor der Graphenvergleichsfunktion ist dann proportional zur Arbeit, die gegen die Federkräfte aufgebracht werden muss, um die Links mit der Topologie des zweiten Graphen zur Deckung zu bringen. Werden beim Vergleich eines neuen Objektbildes mit gespeicherten Objekten entsprechende Werte der Graphenvergleichsfunktionen ermittelt, so ist das Objekt mit dem kleinsten Wert der Graphenvergleichsfunktion im Sinne der Vergleichsfunktion das ähnlichste Objekt. Dieses Verfahren basiert auf der Extraktion von 2-D-Gabor-Koeffizienten, die nicht nur verschiedenen Sigmas (Größen) entsprechen, sondern auch noch verschiedene Orientierungen im Raum haben. Dieses Verfahren eignet sich besonders gut für Objekte mit charakteristischen Texturmerkmalen, wie z.B. Gesichtern. An den Rändern der Objekte ist dieses Verfahren weniger leistungsstark, da der 2- dimensionale Gabor-Filter zur einen Hälfte das zu erkennende Objekt bedeckt und zur anderen Hälfte den Hintergrund bedeckt, so dass die Ränder des Objekts, z.B. eine Kontur eines Gesichts nur unscharf erkannt werden können. Aus der WO 02/43004 A2 ist es bekannt, Objektkonturen mittels Basisfunktionen, wie z.B. Gabor-Wavelets zu transformieren und die Ähnlichkeit der Objekte mittels der Phasen und Amplituden der Transformierten zu ermitteln. Weitere Verfahren zur Bewertung der Ähnlichkeit realer Objekte sind aus der US 6,618,501 B1 und aus dem Artikel "Shape recognition based on wavelet-transform modulus maxima" (Cheikh, F.; Quddus, A.; Gabbouj, M.; Electronics, Circuits and Systems, 2000. ICECS 2000. The 7th IEEE International Conference on, Volume: 1 , 17-20 Dec. 2000) bekannt. Bei diesem Verfahren wird eine Kette von Stützpunkten entlang der Objektkontur erzeugt. Die Stützpunkte werden nach einem Satz von Basisfunktionen transformiert und die Ähnlichkeit anhand der Transformierten bestimmt.
Hiervon ausgehend liegt der Erfindung die Aufgabe zugrunde, ein Verfahren zur Bewertung der Ähnlichkeit von Merkmalsvektoren zur Beschreibung realer Objekte in Form von Signalen mit ortsabhängig variierenden Eigenschaften, insbesondere für eine 2-D-Konturerkennung bereit zu stellen, bei welchem die Konturen der Objekte bzw. dessen Randlinien ähnlich zur menschlichen Wahrnehmung vergleichbar sind. Eine weitere Aufgabe der Erfindung ist es, einen Weg aufzuzeigen, wie die Konturdaten in Form von Merkmalsvektoren besonders effektiv miteinander verglichen werden können, so dass ein gegenüber dem Stand der Technik verbessertes Verfahren zur Erkennung von Objekten zur Verfügung gestellt werden kann.
Diese Aufgaben werden bei einem Verfahren mit den Merkmalen des Patentanspruchs 1 gelöst.
Vorteilhafte Ausgestaltungen und Weiterbildungen dieses Verfahrens sind Gegenstand der abhängigen Patentansprüche.
Das erfindungsgemäße Verfahren umfasst im ersten Verfahrensschritt die Bildung von Sätzen 1-dimensionaler parametrisierter Daten (Stützpunktvektoren) für miteinander zu vergleichende erste und zweite Objekte. Ziel dabei ist es, ein neues Objekt mit einem einzelnen Objekt aus einer Gruppe von bereits erfassten Objekten zu vergleichen und die Ähnlichkeit des neuen Objekts mit den bereits gespeicherten Objekten zu bewerten. Grundlage der Bewertung ist die Kontur des neuen Objekts, die aus einer Bildsignalinformation gewonnen wird. In der Bildverarbeitung ist die Erkennung von Konturen eines Objekts, d.h. die Bereitsteilung der Konturdaten Stand der Technik. Beispielsweise kann ein farbiges Bild in ein Grauwertbild umgewandelt werden. Aus dem Grauwertbild kann z.B. durch Anwendung weiterer Filter Rauschen entfernt werden. Über die Einstellung von Helligkeit und Kontrast ist es möglich, Konturen eines Objektes hervorzuheben. Im Rahmen der Patentanmeldung wird davon ausgegangen, dass diese Kontur grundsätzlich zur Verfügung steht.
Diese Kontur wird abgetastet, wobei auf der Kontur eine Kette von n=no,...,nN.! aufeinander folgender Stützpunkte erzeugt wird. In einem kartesischen Koordinatensystem besitzt jeder dieser Stützpunkte einen x-Wert und einen y-Wert, die jeweils mit dem Index des Stützpunkts versehen als Stützpunktvektoren X =
(X0,...,XN-I) und 7= (yo,...,yN-ι) abgespeichert werden. Diese Stützpunktvektoren enthalten jeweils N Komponenten. Wichtig für die Leistungsfähigkeit des erfindungsgemäßen Verfahrens ist die Aufteilung einer 2-D-Kontur in zwei einzelne 1-dimensionale Datensätze, d.h. in zwei Vektoren der Dimension Ν, die Grundlage der Vergleichsoperation sind. Zweckmäßig ist die Transformation der Stützpunktvektoren in den Frequenzraum, wobei ein Satz von m Basisfunktionen verwendet wird. Dies erfolgt insbesondere durch die Anwendung einer Gabor- Filterung, wobei für jeden angewendeten Gabor-Filter das Resultat in den Ortsraum rücktransformiert wird, um auf diese Weise komplexe Koeffizienten in den
Basisfunktionen zu bestimmen, die wiederum in Merkmalsvektoren ( der Länge m für jeden der Stützpunkte erfasst werden können. Diese Merkmalsvektoren f. der
Dimension 2 x mx enthalten komplexe Koeffizienten für den x-Wert als auch für den y- Wert.
Die Berechnung der Ähnlichkeit der Merkmalsvektoren erfolgt unter Berücksichtigung der Phasenähnlichkeit der einzelnen Vektorkomponenten (Koeffizienten) in der komplexen Ebene. Wesentlich ist bei dem erfindungsgemäßen Verfahren ist, dass nicht zuerst für die Ähnlichkeit aller x-Koeffizienten der miteinander zu vergleichenden Merkmalsvektoren und anschließend ein Maß für die Ähnlichkeit aller y-Koeffizienten der miteinander zu vergleichenden Merkmalsvektoren berechnet und anschließend diese Ähnlichkeiten miteinander kombiniert werden, sondern dass für jede Basisfunktion, d.h. für jeden komplexen Koeffizienten des Merkmalsvektors jeweils getrennt nach x- und y-Merkmalen die Ähnlichkeit berechnet wird und anschließend die Ergebnisse multipliziert werden, so dass sich eine hohe Ähnlichkeit nur dann ergibt, wenn sowohl die Ähnlichkeit der jeweiligen komplexwertigen x- Koeffizienten in Verbindung mit der Ähnlichkeit der komplexwertigen y-Koeffizienten hoch ist. Die Berechnung der Ähnlichkeit erfolgt Komponentenweise, wobei im ersten Schritt die jeweiligen x- bzw. y-Koeffizienten der jeweiligen Merkmalsvektoren miteinander kombiniert werden. Als besonders leistungsstark hat es sich heraus gestellt, wenn bei der Berechnung der Ähnlichkeit der Merkmalsvektoren die Phasenähnlichkeit der miteinander zu vergleichenden komplexwertigen Koeffizienten berücksichtigt wird. Die Ähnlichkeit zweier komplexwertiger Koeffizienten wird also dadurch berechnet, dass der Betrag, d.h. die Länge der Vektoren miteinander multipliziert wird, wobei die Phaseninformation als Winkelfunktion, insbesondere als Kosinusfunktion der Phasendifferenz einfließt. Dieses Verfahren hat sich als wesentlich genauer herausgestellt als beispielsweise die Berücksichtigung des absoluten Abstands der Komponenten in der komplexen Zahlenebene. Auf diese Weise wird die Phasenähnlichkeit zwischen allen zu vergleichenden Koeffizienten der Merkmalsvektoren berechnet. Schließlich werden diese Werte für jede Komponente, d.h. für jede Basisfunktion miteinander multipliziert und schließlich aufsummiert, wobei sich ein Maß Ps für Phasenähnlichkeit ergibt. Dieser Wert wird zweckmäßigerweise in Relation zu einem Maximalwert Ms von Ps gesetzt, wobei der Maximalwert Ms dann gegeben ist, wenn die Phasendifferenz Null ist. Entsprechend berechnet sich der Maximalwert als Summe der Produkte der Beträge der einzelnen komplexzahiigen Komponenten der Merkmalsvektoren. Durch Division des Wertes für die Phasenähnlichkeit Ps durch den Maximalwert Ms erhält man einen normierten Ähnlichkeitswert Ss im Intervall [-1 , 1].
Da Ähnlichkeitswerte in Form von Wahrscheinlichkeiten üblicherweise in einem Intervall [0, 1] angegeben werden, kann optional eine zusätzliche Normierung des Ähnlichkeitswerts Ss gemäß der Gleichung in Patentanspruch 2 erfolgen. Die Transformation der jeweiligen Stützpunktvektoren kann grundsätzlich nach unterschiedlichen 1-dimensionalen Basisfunktionen erfolgen, wobei sich durch die Aufspaltung der Stützpunktinformationen in Stützpunktvektoren für die x-Richtung als auch für die y-Richtung 1-dimensionale Gabor-Filter als besonders günstig herausgestellt haben. Gegenüber 2-D-Gabor-Filtem, bei denen eine Sinuswelle mit bestimmten Frequenzen und Richtungen im Gauß-Raum angewendet wird, gelingt es durch Verwendung eines 1 -D-Gabor-Filters Konturbereiche besonders gut zu erfassen. Der Grund ist darin zu sehen, dass bei dem erfindungsgemäßen Verfahren Texturinformationen ausgeblendet werden. Durch die Verwendung 1-dimensionaler Datensätze und entsprechend 1 -D-Gabor-Filter können die einzelnen Gabor- Koeffizienten für die x- und für die y-Werte der Stützpunkte separat berechnet werden, ohne dass die Textur des Objektes oder des an die Objektkontur angrenzenden Hintergrundes die in die Ähnlichkeitsbetrachtung einfließenden Merkmale, d.h. die komplexen Koeffizienten der Merkmalsvektoren, beeinflussen würde.
Die Durchführung der von Transformationen äquivalent zur 1 -D-Gabor-Wavelet- Transformation ist im Rahmen der Erfindung Gegenstand des Patentanspruchs 4. Hierzu wird zunächst eine Fourier-Transformation für jeden der Stützpunktvektoren
X und Y innerhalb der gewählten Grenzen durchgeführt. Die Grenzen der Fouriertransformation sind durch die Anzahl der Stützpunkte auf den zu vergleichenden Konturen vorgegeben. Die 1-D-Gabor-Wavelet-Transformation wird dadurch vollzogen, dass die fouriertransformierten Stützpunkte im Fourierraum mit dem Gabor-Kernel multipliziert werden und das Resultat einer Fourier- Rücktransformation unterzogen wird. Bei dem Gabor-Wavelet handelt es sich um eine ebene Welle mit der Frequenz k, die von einer Gauß-Funktion eingehüllt wird. Bei dem erfindungsgemäßen Verfahren beschreibt der Merkmalsvektor an einem bestimmten Stützpunkt der Kontur die benachbarte Verteilung der x-Werte bzw. y- Werte. Durch eine Mehrzahl von Merkmalsvektoren einer Kontur lässt sich die Kontur in parametrisierter Weise sehr gut beschreiben. Bei dem Gabor-Kernel gemäß Patentanspruch 4 ist m der Index eines jeden Gabor-Levels. Zweckmäßigerweise wird bei rechnergestützten Verfahren eine Maximalfrequenz kmax= 2π/λmin vorgegeben. Die einzelnen Frequenzen liegen in einem Abstand zueinander, der durch den so genannten Größenfaktor / nach der Gleichung km= kmax (l/f)m beschrieben werden kann. Typische Werte für den Größenfaktor/sind 2 für Oktavenintervalle, Λ/2 oder 2 um ein sehr dichtes Sampeln im Frequenzraum zu erreichen. Wieviele unterschiedliche Gabor-Levels (mmax +1) verwendet werden sollten wird nach folgender Gleichung berechnet,
Figure imgf000009_0001
wobei mmax auf den nächstliegende ganze Zahl gerundet wird, und cD eine von einem Anwender vorgebbare Konstante ist. Die Konstante cD wird normalerweise auf den Wert 6 gesetzt, wobei der Abstand von 2 • σ links und rechts desjenigen Gabors mit der größten Wellenlänge fast ein Drittel der gesamten Kontur bedeckt. Durch eine höhere Konstante cD kann die Bedeutung bzw. der Einfluss kleinerer Konturdetails erhöht werden. In jedem Fall nimmt die Anzahl der Gabor-Level linear mit dem Logarithmus von Nzu.
Anschließend erfolgt eine Rücktransformation der Daten in den Ortsraum. Auf diese Weise erhält man sowohl für die x- als auch für die y-Richtung Konturvektoren. Die Konturvektoren besitzen N Komponenten entsprechend der Anzahl der Stützpunkte. Um bei einem Berechnungsverfahren einen Stützpunkt zu identifizieren, erfolgt dies nicht über seine absoluten x- und y-Werte, sondern lediglich über den Index n, d.h. seine Stellung innerhalb der Konturvektoren. Die Komponenten dieser Konturvektoren sind die jeweiligen Merkmalsvektoren der einzelnen Stützpunkte. Die Dimension dieser Merkmalsvektoren beträgt 2 x m entsprechend der Anzahl der x- und y- Koeffizienten.
Im Falle von geschlossenen 2-dimensionaien Konturen kann eine rotatorische Invarianz dadurch erzielt werden, dass die fouriertransformierten Stützpunktvektoren normalisiert werden. Hierzu muss ein Standardverschiebungswinkel gemäß der Gleichung in Patentanspruch 5 berechnet werden. In dieser Gleichung ist die
Phase des i-ten Fourier-Koeffizienten. Durch Rotation der Stützpunktvektoren X und Y um den Winkel -p kann die Kontur in eine normalisierte Orientierung gedreht werden. Dies Verfahren kann durch die, Verwendung einer Rotationsmatrix Q beschrieben werden, wobei der Winkel p zwischen der Hauptachse der Kontur und der horizontalen Achse gemessen wird. Nach der Fourier-Transformation können X und Y unter Verwendung von Xrot und Yrot berechnet werden.
Es kann im Rahmen der Erfindung vorgesehen sein, eine Kontur um einen Vielzahl von Winkeln zu drehen, z.B. in Schritten von 5° bis 10° in einem Bereich von 0° bis 180°. Es ist auch denkbar ein Objekt um mehrere Raumachsen zu rotieren. Auf diese Weise kann von einem Objekt ein Datensatz mehrerer unterschiedlicher Konturen generiert werden, so dass die auf diese Weise gewonnen Konturdaten Grundlage eines späteren Abgleichprozesses sein können.
Eine weitere Aufgabe der Erfindung ist es, eine Möglichkeit aufzuzeigen, Merkmalsvektoren unterschiedlicher Länge sinnvoll miteinander zu vergleichen. Der Vergleich von Merkmalsvektoren identischer Länge ist unproblematisch. Die unterschiedliche Länge bedeutet, dass die Anzahl der Gabor-Level, d.h. der Index m für die einzelnen Merkmalsvektoren unterschiedlich ist. Am besten lässt sich die Problematik an einem Beispiel erläutern. Zwei miteinander zu vergleichende Konturen besitzen Ni und N2 Stützpunkte und eine dementsprechende Anzahl von Merkmalsvektoren an den einzelnen Stützpunkten. Um die Ähnlichkeit zweier Stützpunkte an einem Konturindex nj und n2 zu berechnen, betrachtet man die Merkmalsvektoren// undjS. Jeder dieser Merkmalsvektoren besitzt 2 x m bzw. 2 x m komplexzahlige Koeffizienten entsprechend der Anzahl der Basisfunktionen. Wenn die erste Kontur mit dem Index 1 neun Basisfunktionen und die zweite Kontur mit dem Index 2 sechs Basisfunktionen aufweist, ergeben sich vier unterschiedliche Möglichkeiten, die beiden Merkmalsvektoren miteinander zu vergleichen, d.h. der MerkmalsvektorjS kann an vier Positionen dem Merkmalsvektor/; gegenüber gestellt werden. Wenn dann bei der Vergleichsberechnung das Koeffizientenpaar x0, yo des ersten Merkmalsvektors und x0, yo des zweiten Merkmalsvektors gegenüber gestellt werden, dann handelt es sich um einen Vergleich auf der Skala s = 0. Wenn zuerst das Koeffizientenpaar x0, yo des zweiten Merkmalsvektors mit dem Koeffizientenpaar x3, y3 des ersten Merkmalsvektors für die Berechnung der Ähnlichkeit herangezogen wird, dann handelt es sich um einen Vergleich auf der Skala 3. Die weiteren möglichen Positionen sind Vergleiche auf den Skalen 1 und 2.
Im Rahmen der Erfindung ist es vorgesehen, einen Iterationsprozess auf allen möglichen Skalen durchzuführen, wobei die Ähnlichkeit einer Gruppe von Merkmalsvektoren einer neuen Kontur auf einer festgelegten Skala zu einer bereits bekannten Kontur bestimmt wird und das Verfahren für alle möglichen Skalen wiederholt wird, wobei anschließend eine Entscheidung erfolgt, bei welcher Skala die größte Übereinstimmung zwischen den Merkmalsvektoren gegeben ist.
Im Rahmen der Erfindung ist es zur Berechnung der Ähnlichkeit von zwei Merkmalsvektoren auf einer Skala s vorgesehen, zuerst die maximale Anzahl der zur Verfügung stehenden Vergleichslevel zu berechnen. Hierzu wird der Minimalwert der Indizes der miteinander zu vergleichenden Vektoren berechnet: mm\n = min (mmaχ , mmax 2). Für jedes Level, d.h. für jeden Index m wird nun ein nicht normalisierter Ähnlichkeitswert Ss für die x- und die y-Koeffizienten des Merkmalsvektors berechnet. Wie bei dieser Berechnung die Phasendifferenz der komplexwertigen Koeffizienten einfließt und welche optionalen Möglichkeiten zur Normalisierung des Ähnlichkeitswerts möglich sind wurden bereits erläutert (vgl. Patentanspruch 1 und 2).
Im Rahmen des erfindungsgemäßen Verfahrens wird es als vorteilhaft angesehen, wenn die Sätze 1-dimensionaler parametrisierter Daten, d.h. die Stützpunktvektoren für die x- und die y-Richtung Stützpunkte einer die Kontur möglichst gut beschreibenden Funktion sind. Das heißt, dass die diskreten Konturpunkte durch äquidistant verteilte Stützpunkte eines interpolierten Funktionsgraphen ersetzt sind.
Im Rahmen der Erfindung kann ein im Gegenuhrzeigersinn orientierter geschlossener Graph sequentiell in eine Kette von benachbarten Knoten unterteilt werden, wobei jeder Knotenpunkt einem Pixel entspricht. Die Position eines solchen Pixels wird in einem kartesischen Koordinatensystem beschrieben. Um die diskreten Konturpunkte zu beschreiben, ist ein Interpolationsverfahren erforderlich, um die Kette von Pixel-Koordinaten in Funktionen sowohl für die x-Koordinate als auch für die y-Koordinate umzuwandeln. Die Länge des Graphs berechnet sich aus der Summe der Abstände zwischen aufeinander folgenden Pixeln und wird dabei als Abszisse für die Parametrisierung verwendet. Das gewählte Interpolationsverfahren ist grundsätzlich beliebig und dient lediglich zur Vereinfachung der anschließenden Transformation der Stützpunktvektoren aus dem Ortsraum in den Frequenzraum. Im Rahmen der Erfindung wurde beispielsweise der B-Spline-Algorithmus verwendet. Hierbei handelt es sich um eine parametrisierte kubische Kurve, die durch Basisfunktionen darstellbar ist. Der Algorithmus arbeitet heuristisch, um automatisch eine ausreichende Anzahl von Knotenpunkten zu finden, um den B-Spline zu beschreiben. Da der maximale Abstand zweier benachbarter Pixel einer dicht abgetasteten Kontur 2 beträgt und bei einer Vorgabe, dass ein einzelnes
Knotenpunktintervall maximal die Länge 2 x 2 besitzt, ergeben sich N-7 Knotenpunktintervalle entsprechend N Knotenpunkten. Die Anzahl der Interpolationspunkte kann variieren. Welche Knotenpunkte als Stützpunkte tatsächlich zur Bewertung der Ähnlichkeit der Konturen herangezogen werden sollen, kann durch den Anwender des Verfahrens gesteuert werden. Zweckmäßigerweise sind die einzelnen Stützpunkte äquidistant auf den jeweiligen B-Spline angeordnet. Im Rahmen der Erfindung wird unter dem Begriff "Stützpunkt" einer Kontur sowohl der diskrete Konturpunkt innerhalb einer aufeinander folgenden Kette von Konturpunkten verstanden, als auch ein Interpolationspunkt eines B-Splines, der die diskrete Kette von Konturpunkten beschreibt.
Bei dem erfindungsgemäßen Verfahren werden alle Punkte einer Kontur oder einer die Kontur beschreibenden Funktion mit Hilfe eines Indizierungsvorgangs in eine sequentielle Reihenfolge gebracht, wobei der Index, beginnend bei 0, einen bestimmten Stützpunkt der Kontur bezeichnet. Um auf einen bestimmten Merkmalsvektor eines Stützpunktes zuzugreifen, erfolgt die Identifizierung über den entsprechenden Index dieses Stützpunktes. Um Ähnlichkeiten zwischen einem Merkmalsvektor eines bestimmten Konturpunktes mit Merkmalsvektoren einer anderen Kontur zu berechnen, ist es daher erforderlich, auf der neuen Kontur einen Indexbereich festzulegen, um die einzelnen Merkmalsvektoren bzw. Stützpunkte der Kontur zu identifizieren. Der Indexbereich repräsentiert einen Abschnitt der Kontur. Ein Abgleich erfolgt lediglich innerhalb des ausgewählten Indexbereiches. Die Alternative, nämlich jeden einzelnen Merkmalsvektor mit allen Merkmalsvektoren der anderen Kontur zu vergleichen, erfordert einen erheblichen Rechenaufwand und ist nicht effektiv. Anstelle dessen wird ein begrenzter Indexbereich einer bereits gespeicherten Kontur (Galerie-Kontur) ausgewählt. Durch die Verwendung eines Indexbereichs ist es möglich, das erfindungsgemäße Verfahren sehr flexibel auf unterschiedlichste Konturen anzuwenden, wobei bei diesem Verfahren die Bestimmung von Ähnlichkeiten zweier Konturen allein anhand signifikanter Teilkonturen möglich ist.
Das erfindungsgemäße Verfahren ermöglicht eine translations- und skalierungsinvariante, d.h. mit der menschlichen Wahrnehmung vergleichbare Erkennung von partiell vorhandenen Konturen, selbst wenn diese bis zu einem bestimmten Grad durch zusätzliche Informationen bzw. Störungen überlagert sind. Bestehende Verfahren, die in der Lage sind, starre komplette Konturen unter verschiedenen Invarianzbedingungen wieder zu erkennen, haben Probleme, falls Teile der Kontur verdeckt sind oder von einem anderen Objekt überlagert sind. Umgekehrt können bei Verfahren, die Teilkonturen erkennen, nur schwer Normalisierungen erfolgen, da diese ja von Konturteilen maßgeblich abhängen können, die gar nicht bekannt sind. Insbesondere bei artikulierten Objekten, wie im Fall von "Quasi-Stabilen-Konturen" z.B. Menschen, bei denen die einzelnen Körperteile unterschiedliche Relativlagen einnehmen können, kann es schwierig sein, zu versuchen, dieses Objekt "Mensch" mit Hilfe seiner Gesamtkontur wieder zu erkennen, da es zu viele Kombinationen einzelner Stellungen von Körperteilen gibt. Durch die Erkennung von Teilkonturen, insbesondere von Konturen einzelner Körperteile kann dieses Problem mit dem erfindungsgemäßen Verfahren gelöst werden. Eine wesentliche Aufgabe der Erfindung ist daher, ein verbessertes Verfahren zur Konturerkennung aufzuzeigen.
Herkömmliche Komplett-Kontur-Erkennungsverfahren versagen weiterhin, falls die Daten der Kontur unvollständig sind, z.B. nur ein halber Mensch oder nur ein halbes Auto zu sehen ist. Des Weiteren versagen bekannte Verfahren auch dann, wenn sich zwei Objekte überlagern, wenn z.B. noch ein Mensch, noch ein Fisch, etc. einen anderen überdeckt. So lange allerdings noch signifikante Teilkonturen vorhanden sind, kann das erfindungsgemäße Verfahren das teilverdeckte Objekt identifizieren bzw. verschiedene Objekte voneinander unterscheiden. Mit einer Datenbank aus Konturen von bestimmten Profilen, wie z.B. Gesichtskonturen kann das Verfahren die einzelnen Gesichtskonturen und damit die Gesichter einzelner Menschen anhand der Konturen identifizieren. Das Verfahren leistet insbesondere eine Klassifizierung von Objekten anhand der Auswertung von Teilkonturen als ähnlich, genau so wie ein Mensch Objekte anhand ihrer Teilkonturen erkennt und ebenfalls als ähnlich klassifizieren würde. Insbesondere ist das erfindungsgemäße Verfahren auf beliebig konturierte Objekte anwendbar und nicht ausschließlich auf einen bestimmten Objekttyp, wie beispielsweise auf das Profil eines Gesichts beschränkt.
Ein wichtiges Merkmal des erfindungsgemäßen Verfahrens ist die Topologie- erhaltung der miteinander zu vergleichenden Konturen. Topologieerhaltung bedeutet im Rahmen der Erfindung, dass eine neue Kontur mit einer Galerie-Kontur verglichen werden kann, wobei die relative Länge, entsprechend der Anzahl der Stützpunkte, der jeweils miteinander zu vergleichenden Konturen, auch im Ergebnis erhalten bleibt. Es ist vorgesehen, die Proportionalität der Konturen bei der Berechnung der Ähnlichkeiten dadurch zu berücksichtigen, dass ein Merkmalsvektor der einen Kontur mit einer größeren Anzahl von Merkmalsvektoren in einem bestimmten Bereich der anderen Kontur verglichen wird. Die unterschiedliche Länge der Konturen bzw. die unterschiedliche Anzahl der Stützpunkte wird durch die Skala der Merkmalsvektoren deutlich. Die Skalendifferenz ist umso größer, je größer der Längenunterschied der miteinander zu vergleichenden Konturen oder Konturabschnitte ist. Die Skala ergibt sich aus der Gesamtkonturlänge der miteinander zu vergleichenden Konturen sowie der Anzahl der Gabor-Levels. Anschaulich kann man sich vorstellen, dass bei einem beispielhaft gewählten Größenfaktor von 1 ,4142 mit der nächstkleineren Frequenz eine Verbreiterung der Gabor-Funktion um diesen Faktor einhergeht, so dass eine um 41 ,42% längere Kontur erfasst werden kann. Vergleicht man diese beiden Konturen miteinander, würde der zusätzliche Größenfaktor zu einem weiteren Gabor- Level und damit zu einer Skala s = 1 führen. Je größer die Längenunterschiede der miteinander zu vergleichenden Konturen oder Konturabschnitte, desto größer ist grundsätzlich auch die maximale Skalendifferenz der Merkmalsvektoren. Große Skalendifferenzen bedeuten allerdings einen erhöhten Rechenaufwand, so dass grundsätzlich ein Abgleich auf der Skala 0 angestrebt wird. Insbesondere kann bei dem erfindungsgemäßen Verfahren von vornherein die gewünschte Skala festgelegt werden, auf welcher ein Abgleich erfolgen soll. Insbesondere wenn es sich um gleich lange oder im Wesentlichen gleich lange Konturen handelt, ist ein Abgleich auf der Skala 0 zu empfehlen, da mit dem erfindungsgemäßen Verfahren bereits bei einer Skala 0 sehr gute Ähnlichkeitswerte berechenbar sind.
Nachfolgend wird das erfindungsgemäße Verfahren an einem Beispiel erläutert. Es sollen zwei Konturen miteinander verglichen werden. Die eine Kontur ist die so genannte Galerie-Kontur, die in einem Datenspeicher abgelegt ist. Die Galerie- Kontur weist nG äquidistant verteilte Stützpunkte auf. nc ist die Anzahl der Stützpunkte der neuen Kontur, die mit der Galerie-Kontur verglichen werden soll. Die Indizes der Stützpunkte der neuen Kontur können in Rs Regionen mit der Größe nf=nc/R aufgeteilt werden, wobei alle Regionen gleich groß sind. Mit dr (nj) wird der Mittelpunkt der jeweiligen Region beschrieben. Ziel ist es nun, einen Bereich von Indizes der Galerie-Kontur zu finden, mit welcher der ausgewählte Merkmalsvektor der neuen Kontur verglichen werden soll. Die Breite eines Bereichs bzw. der Abstand zwischen den Mittelpunkten zweier Bereiche wird als Δdr bezeichnet. Für die Bestimmung der Lage eines Bereichs wird zunächst ein Basisindex cMdr eines Bereichs Rs gemäß den Gleichungen in Patentanspruch 6 berechnet. Die Berechnung der Bereichsgrenzen erfolgt unter Verwendung des Größenfaktors wobei die Bereichsgrenzen in Abhängigkeit von der Skalendifferenz der miteinander zu vergleichenden Konturen gewählt werden. Die entsprechenden Gleichungen finden sich in Patentanspruch 6. Je nachdem, ob die Galerie-Kontur oder die neue Kontur mehr Stützpunkte aufweist, ergeben sich eine erste und eine zweite Gleichung für die Berechnung des Basisindex cM sowie für die Faktoren pmar und pfar. In diesen Gleichungen ist cc ein durch einen Benutzer festsetzbarer Sicherheitsfaktor, der einen Toleranzbereich eines Bereichs definieren kann. c0 ist ein zusätzlicher konstanter Korrekturfaktor. Aus den Gleichungen geht hervor, dass mit zunehmender Skala die Bereichsgrenzen um einen bestimmten Faktor kleiner werden, so dass bei einem Abgleich auf unterschiedlichen Skalen jeweils unterschiedliche Bereiche für jede Skala berechnet werden.
Wesentlich bei dem erfindungsgemäßen Verfahren ist, dass die Indizes dr(nj) nicht nur für einen Grobabgieich, sondern auch für den kompletten Konturabgleich verwendet werden. Die berechneten Indizes dienen gleichzeitig als Grundlage für den Offset, das heißt für die Indexverschiebung des Index 0, der wiederum gleichzusetzen ist mit dem Startpunkt der Kontur.
Beim Abgleich von Konturen ist grundsätzlich vorgesehen, dass in einem ersten Schritt ein Grobabgleich und in einem sich anschließenden zweiten Schritt ein Feinabgleich durchgeführt wird. Durch den Grobabgleich soll festgestellt werden, in welchem Bereich voraussichtlich die größten Übereinstimmungen der Merkmalsvektoren festzustellen sind. Diese gestaffelte Vorgehensweise ist wesentlich effektiver als jeden Merkmalsvektor der einen Kontur mit jedem Merkmalsvektor der anderen Kontur unmittelbar zu vergleichen. Bei dem Grobabgleich wird im Anschluss an die Bereichsbildung, wie sie in den Schritten a) bis c) des Patentanspruchs 6 beschrieben ist, für jeden Merkmalsvektor jedes i-ten Stützpunkts aus dem gewählten Bereich der zweiten Kontur ein Ähnlichkeitswert mit dem Merkmalsvektor am ausgewählten Stützpunkt dr der ersten Kontur berechnet. Die Berechnung des Ähnlichkeitswerts erfolgt gemäß den Gleichungen in den Patentansprüchen 1 oder 2. Der höchste sich in einem Bereich ergebende Ähnlichkeitswert wird ausgewählt und zwischengespeichert. Der Grobabgleich besteht darin, dass nicht jeder Stützpunkt des Bereichs zur Berechnung eines Ähnlichkeitswerts herangezogen wird, sondern eine Anzahl, die kleiner ist als die Gesamtzahl der Stützpunkte in dem Bereich. Für alle Stützpunkte dr werden entsprechende Bereiche und höchste Ähnlichkeitswerte berechnet und abschließend wird der arithmetische Mittelwert aus den jeweils höchsten Ähnlichkeitswerten der einzelnen Bereiche berechnet. Dieser Mittelwert ist ein Maß für die Ähnlichkeit der beiden Konturen, allerdings in Abhängigkeit von der gewählten Bereichsbildung und Anordnung. Dieser Ähnlichkeitswert ist somit abhängig von der Wahl der Startindizes der jeweiligen Konturen. Um einen Ähnlichkeitswert unabhängig von dem willkürlich festgesetzten Startindex zu erhalten, ist im Rahmen des Patentanspruchs 7 vorgesehen, dass die berechneten Bereiche um einen wählbaren Offset O verschoben werden. Die Lage des Offsets wird durch eine Indexverschiebung bestimmt. Es ergeben sich abhängig von dem gewählten Offset unterschiedliche Ähnlichkeitswerte, wobei aus allen errechneten Ähnlichkeitswerten der höchste Ähnlichkeitswert ausgewählt wird. Auf diese Weise wird ein finales Offset 0Fiml für finale Suchbereiche definiert, in denen der Feinabgleich erfolgt. Im Unterschied zum Grobabgleich wird bei einem topologieerhaltenden Feinabgleich jeder Stützpunkt aus den entsprechenden Bereichen zur Berechnung des Ähnlichkeitswerts herangezogen und auf dieser Basis die Gesamtähnlichkeit berechnet. Die verschiedenen Offsets werden mit einem Inkrement ine > 1 gestestet. Wenn ein finales Offset cfιnal gefunden wurde wird ine = 1 gesetzt und noch mal verglichen.
Im Rahmen des Patentanspruchs 8 ist vorgesehen, dass der Feinabgleich für jede sinnvolle Skala durchgeführt wird und nicht ausschließlich auf der Skala Null erfolgt, wenn die Skalendifferenz größer als Null ist. Der skalenabhängig höchste Ähnlichkeitswert wird zur Angabe der Gesamtähnlichkeit herangezogen.
Im Rahmen des Patentanspruchs 9 wird eine Ähnlichkeit zwischen zwei Konturen bei Überschreiten eines vorgebbaren Schwellenwerts dann bejaht, wenn ein vorgebbarer prozentualer Anteil von einander benachbarten Merkmalsvektoren der einen Kontur einen hinreichenden Ähnlichkeitswert mit einander benachbarten Merkmalsvektoren der anderen Kontur aufweist. Dieses Verfahren wird im Rahmen der Erfindung als Percent-matching bezeichnet. Beim Percent-matching geht man davon aus, dass eine Ähnlichkeit angenommen werden kann, wenn eine bestimmte Anzahl von benachbarten zueinander im Abstand angeordneten Merkmalsvektoren mit Merkmalsvektoren einer anderen Kontur mit hinreichender Wahrscheinlichkeit korrespondieren. Bei einer kompletten Konturerkennung mit gleichmäßig beabstandeten Merkmalsvektoren entspricht der prozentuale Anteil der Kontur dem prozentualen Anteil der Merkmalsvektoren der Kontur. Wenn die Merkmalsvektoren hingegen nicht gleichmäßig beabstandet sind, kommt es ausschließlich auf den prozentualen Anteil der Merkmalsvektoren an, die in diesem Fall nicht mit einem prozentualen Anteil der Konturlänge deckungsgleich sein müssen.
Das Percent-matching bietet sich beispielsweise an, wenn zwei Objekte überlagert sind und nur das teilweise sichtbare Objekt analysiert werden soll. Von dem Gesamtobjekt ist nur ein Teil der Gesamtkontur erkennbar, der als prozentualer Anteil ausgedrückt werden kann. Es ist möglich, dass der prozentuale Anteil der Gesamtkontur signifikante Merkmale aufweist, so dass eine Identifizierung der Gesamtkontur anhand dieser signifikanten Konturmerkmale möglich ist. Es kann nun durch Benutzervorgabe festgelegt werden, dass die Ähnlichkeit mit einer Galerie- Kontur bejaht wird, wenn ein bestimmter prozentualer Anteil der Konturlänge der neuen Kontur mit einem entsprechenden prozentualen Anteil der Galerie-Kontur übereinstimmt. Auf diese Weise kann eine bestimmte Wahrscheinlichkeit angegeben werden, dass die neue Kontur der in der Galerie-Kontur gespeicherten Gesamtkontur entspricht, obwohl die neue Kontur teilweise verdeckt ist. Versuche haben gezeigt, dass die Erfolgsquoten bei diesem Verfahren bei über 80 % liegen.
Mit dem erfindungsgemäßen Verfahren ist es möglich, Konturen aufgrund vorgebbarer Ähnlichkeitskriterien zu gruppieren.
Eine andere Vorgehensweise ist es, bestimmte Konturabschnitte vorzugeben, sei es durch diskrete Auswahl der Abschnittsgrenzen, durch die Angabe der Abschnittsbreite und Festlegung eines Startpunkts, wie z.B. des Mittelpunkts eines Abschnitts oder einer Abschnittsober- bzw. -untergrenze mit zusätzlicher Richtungsangabe. Im Unterschied zum Percent-matching, bei welchem automatisch derjenige Bereich herausgesucht wird, in dem sich die größten Übereinstimmungen herausstellen, wird bei der diskreten Eingabe eines Konturabschnitts ausschließlich in diesem Bereich das erfindungsgemäße Verfahren zu Bewertung von Merkmalsvektoren angewendet (Patentansprüche 9 bis 12).
Die technische Verwendung dieses Verfahrens ist z.B. im Bereich eines Erkennungssystems für auf einem Transportmittel an einer Kamera vorbeigeführten Objekten zu sehen, deren Konturen zumindest teilweise sichtbar sind und bei welchem anhand der Gesamtkontur oder Teilkontur eine Objektidentifizierung mit einer gewissen Wahrscheinlichkeit möglich ist. Eine Weiterbildung eines solchen Erkennungssystems ist darin zu sehen, dass anhand der identifizierten Teilkontur auf die räumliche Lage des Gesamtobjekts geschlossen werden kann, bzw. Informationen für ein nachfolgendes Bearbeitungssystem, wie z.B. ein Mittel zu Handhabung des Objekts zur Verfügung gestellt werden können. Grundsätzlich kann die Kamera auch relativ zu einem zu erfassenden Objekt bewegt werden, wie z.B. bei einem digitalen Erkennungssystem zur Auswertung von Luftbildinformationen, insbesondere im Rahmen einer Steuerung eines Flugobjekts, das entsprechende technische Mittel zur Erfassung von Luftbildern und Mittel zur technischen Durchführung des erfindungsgemäßen Verfahrens beinhaltet, wobei die Ergebnisse der Objekterkennung in die Berechnung der Flugverlaufs, d.h. die Steuerung des Flugobjekts einfließen. Umgekehrt kann die technische Verwendung des erfindungsgemäßen Verfahrens auch in einer Auswertung von Bildinformationen von Flugobjekten zu sehen sind, die von einer stationären Kamera erfasst worden sind, und mit verbesserter Trefferwahrscheinlichkeit mit Referenzbildern einer Datenbank rechnergestützt abgleichbar sind, um in Abhängigkeit von der Ähnlichkeit in möglichst kurzer Zeit Informationen für einen insbesondere militärischen ggf. technisch automatisierten Entscheidungsprozess bereitzustellen.
Ein weiterer Anwendungsbereich des erfindungsgemäßen Verfahrens ist in der Extraktion von biologischen Strukturen anhand ihrer Konturen zu sehen, wie z.B. bei der Auswertung von Bildern, insbesondere von Schnittbildern, hinsichtlich ggf. enthaltener Anomalitäten, wie z.B. Tumore, Einschlüsse etc.
Anhand der nachfolgenden Beispiele werden beispielhaft weitere mögliche Anwendungsfälle des erfindungsgemäßen Verfahrens erläutert.
Figur 1 zeigt eine rotierte und skalierte Silhouette eines Meerestiers. Mit dem erfindungsgemäßen Verfahren soll festgestellt werden, ob eine Ähnlichkeit zu einer bereits gespeicherten Galerie-Kontur besteht. Bei diesem Beispiel werden die kompletten Konturen miteinander verglichen. Die Anzahl der Interpolationspunkte, d.h. die Anzahl der Merkmalsvektoren wurde auf den benutzerdefinierten Wert 1.536 gesetzt. Des Weiteren wurde eine Konstante von 25 vorgegeben. Teilt man die Anzahl der Interpolationspunkte durch 25, erhält man die Anzahl der Merkmalsvektorpositionen, die bei einem Grobabgleich miteinander verglichen werden sollen. Das Vergleichsverfahren selbst wurde auf der Skala 0 durchgeführt. Die Parameter der Gabor-Transformation sind σ= 3,1414 und/= 1 ,414, wobei /der Größenfaktor zwischen zwei Gabor-Levels in der Gabor-Transformation ist. Bei diesem Versuch wurden 100 Silhouetten von Meerestieren rotiert und skaliert und mit 1.100 in einer Datenbank gespeicherten Silhouetten verglichen. Es hat sich gezeigt, dass die Erkennungsrate bei 99% liegt. Figur 2 zeigt Punkt-zu-Punkt-Verbindungen zwischen den zu vergleichenden Silhouetten. Die Verbindungslinien verbinden diejenigen Punkte, bei denen die besten Abgleichergebnisse ermittelt werden konnten. Im zweiten Ausführungsbeispiel (Figuren 3 und 4) gilt es, ein Profil eines menschlichen Gesichts zu erkennen. Hierbei wird ein bestimmter Teilbereich der Kontur herangezogen und mit einer neuen Kontur verglichen. Figur 4 zeigt, dass das rechte Profil insgesamt größer ist d.h., dass der interessierende Bereich der Gesichtskontur insgesamt länger ist. Um die Konturen zu vergleichen, wurde ein signifikanter Konturabschnitt dadurch selektiert, dass ein Pixel ausgewählt wurde und derjenige Punkt der Kontur, der diesem Pixel am nächsten liegt, als Startpunkt bzw. Basismerkmalsvektor dient. Es handelt sich um den Basisindex. Zehn zusätzliche Merkmalsvektoren, d.h. fünf zur linken Seite und fünf zur rechten Seite des Basisindexes werden in diesem Fall für das Abgleichverfahren verwendet. Der Abstand vom Basisindex ist durch eine benutzergegebene Konstante (in diesem Fall 50) definiert, so dass nur eine reduzierte Anzahl von Merkmalsvektoren in die Vergleichsbetrachtung einfließt. Der Abgleichalgorithmus selbst wurde auf allen möglichen Skalen durchgeführt, da in diesem Ausführungsbeispiel eine unterschiedliche Konturlänge vorhanden war. Die Parameter der Gabor- Transformation waren σ = 3,1414 und = 1 ,414. Grundsätzlich ist die Länge der Konturen nicht so stark unterschiedlich, dass ein Abgleich auf allen möglichen Skalen erforderlich ist. Vielmehr wäre auch ein Abgleich auf den Skalen 0 und 1 ausreichend gewesen. Grundsätzlich ist im Rahmen des erfindungsgemäßen Verfahrens jedoch vorgesehen, bei Konturen unterschiedlicher Länge einen Abgleich auf allen relevanten Skalen durchzuführen.
Ein weiteres Beispiel zur Auswahl eines diskreten zu untersuchenden Konturabschnitts zeigen die Figuren 5 und 6. Hierbei soll eine neue Handgeste, wie sie in Figur 5 gezeigt ist, mit einer bekannten, d.h. bereits gespeicherten Handgeste verglichen werden. Auch in diesem Fall wurde ein Pixel in der Nähe der zu untersuchenden Kontur ausgewählt, wobei der nächstliegende Konturpunkt als Basisindex dient. Beiderseits um diesen Basisindex herum wurden insgesamt zehn zusätzliche Merkmalsvektoren, d.h. fünf zur linken und fünf zur rechten Seite für das Abgleichsverfahren ausgewählt. Der Abstand der Merkmalsvektoren ergibt sich durch eine benutzergegebene Konstante. Auch in diesem Beispiel wurden Abgleiche auf allen möglichen Skalen durchgeführt, da die Größe der Konturen wiederum unterschiedlich war.

Claims

Patentansprüche
Verfahren zur Bewertung der Ähnlichkeit realer Objekte, anhand der Bewertung von Ähnlichkeiten von Merkmalsvektoren, insbesondere für eine 2-D- Konturerkennung und -bewertung, mit folgenden Schritten:
a) Bilden von Sätzen von Stützpunktvektoren, welche parametrisierte Daten für miteinander zu vergleichende erste Objekte (Index 1 ) und zweite Objekte (Index 2) enthalten, wobei i) auf einer aus einer Bildsignalinformation gewonnenen Kontur der zu vergleichenden Objekte jeweils eine Kette von n =n0...nN_ϊ aufeinander folgenden Stützpunkten erzeugt wird; ii) aus Koordinaten der Stützpunkte für jede der Konturen Stützpunktvektoren X = (x0,...,xN_l) und Ϋ = (y0,...,yN_l) gebildet werden;
b) Transformation der jeweiligen Stützpunktvektoren Xl,X2 und Ϋ Ϋ2 nach einem Satz von m^1 ^ und m^ax+1 Basisfunktionen, zur Bestimmung von komplexen Koeffizienten (xl'2,...,x]£x ), {y ,-,y^x ) der Basisfunktionen, wobei diese komplexen Koeffizienten gruppiert werden zu Komponenten von Merkmalsvektoren f , f2 , mit mλ, m2 als Index der jeweiligen Basisfunktion, wobei gilt:
/ι = [(*I« • J'i« )..{xl, yl )] (C x C mmm +1
Λ = [( x χ )..(x , y 2 )]e (C Cy- +1
c) Bestimmung der Ähnlichkeit der Merkmalsvektoren f , f2 nach folgenden Gleichungen: i) Bestimmung von: [vj, ]- φ
Figure imgf000022_0001
])
Figure imgf000022_0002
wobei s in einem Bereich von 0 < s < m κ ~m * wählbar ist und wobei φ als Phase einer komplexen Zahl definiert ist und die Phasendifferenz zweier Koeffizienten gemäß der Gleichungen *»J- * ] und ^ J-^k+ berechnet wird; ii) Bestimmung des Maximaiwerts für Ps nach der Gleichung
Figure imgf000022_0003
iii) Ermittlung der Ähnlichkeitswerts S5 nach der Gleichung
Figure imgf000022_0004
d) Wiederholung von Schritt c) für auswählbare Stützpunkte der Konturen und e) Bewertung der Ähnlichkeit der Konturen nach einem auswählbaren Schwellenwert.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass vor der Bewertung des Ähnlichkeitswerts eine Normierung erfolgt, gemäß der Gleichung
Figure imgf000022_0005
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die Stützpunktvektoren vor der Transformation nach einem Satz von Basisfunktionen in kontinuierliche Funktionen mittels eines Interpolationsverfahrens umgewandelt werden und anschließend nach einem Satz von Basisfunktionen transformiert werden.
4. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass die Transformation nach einem Satz von Basisfunktionen folgende Schritte umfasst: a) Durchführen einer Fourier-Transformation für jeden der Stützpunktvektoren Z,7und C = X + iΫ; b) Multiplikation der fouriertransformierten 1 D-Stützpunktvektoren mit fouriertransformierten 1 D-Gaborfunktionen, wobei der Gabor-Kernel im Fourierraum nach folgender Gleichung berechnet wird:
Figure imgf000023_0001
mit σ Faktor der Gaußkurve
/ Gaborfaktor zwischen zwei benachbarten Gaborlevels km = kmax (l/f)m Frequenz eines Gaborlevels hnax = 2π/λmin als Frequenz des Gaborlevels Null m Index der Gaborlevels und anschließend eine Rücktransformation in den Ortsraum erfolgt, gemäß der Formel x m = ∑ Yx (ω )Ψ m J e ' N ω " für jeden der Vektoren X und gemäß der Formel »-1 r -1 .2 π ^ y m n)= ∑ (ω )Ψ m \e' N ω" für jeden der Vektoren Ϋ . ω =0
5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass bei einer geschlossenen 2D-Kontur eine Normalisierung zur Erreichung rotatorischer Invarianz durchgeführt wird, wobei ein Standard-Verschie- bungswinkel mittels der Fourier-Transformierten Werte von C gemäß der Gleichung N = P(C) (Ψi ~ ΦN-X ) mod 2 π berechnet wird 4π mit φ, e [θ,2;τ) als Phase des i-ten Fourier-Koeffizienten und anschließend die Vektoren X und Y um den Winkel -p unter Verwendung einer Rotationsmatrix Q mit
Figure imgf000024_0001
in eine normalisierte Richtung gedreht werden, worauf die Fourier-Transformierten X und Y unter Verwendung von Xrot und Ϋrot berechnet werden.
6. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass die Berechnung von Ähnlichkeitswerten auf Bereiche von Merkmalsvektoren erweitert wird und ein skaleninvarianter Vergleich der Merkmalsvektoren mit folgenden Schritten durchgeführt wird: a) es wird aus der Gesamtzahl nc von Stützpunkten einer ersten Kontur eine kleinere Anzahl von benachbarten beabstandeten Stützpunkten dr, mit dem jeweiligen Merkmalsvektor fr gewählt, wobei r e {l,...R} frei wählbar ist; b) ein Basis-Index cMdr eines einen Konturabschnitt auf der zweiten Kontur repräsentierenden Bereichs Rs(θ,dr) mit den Bereichsgrenzen [I1™ + 0,I"P + θ] wird unter Verwendung des Größenfaktors/bestimmt mit f~sfύr nG≤nc CM = f für n0 > nc wobei nG die Gesamtzahl der Stützpunkte der zweiten Kontur ist und wobei O ein wählbarer Offset ist; c) die untere Bereichsgrenze ls'°w und die obere Bereichsgrenze I"p wird unter Verwendung der Faktoren pnear und pfar und unter Verwendung des Abstands zweier Stützpunkte Adr=dr+1 -dr nach folgenden Gleichungen berechnet : = cc-f'sfύr nG≤nc cc-f~sfir nG≤nc Jrnear cc-f nG>nc cc-f~l ßr nG>nc lr' =cM-dr-Adr.-c0-p neat r =c -M,-d +Ad -cn- Pfa, mit c0 und ccals variierbare Korrekturfaktoren, die während eines Abgleichvorgangs konstant gehalten werden; d) für einen der Merkmalsvektoren /, jedes n,-ten Stützpunktes n) =dr der ersten
Kontur und jedem mc-ten Merkmalsvektor fRιi0 Λ aus dem Bereich Rs(θ,dr) der zweiten Kontur erfolgt eine Berechnung des Ähnlichkeitswerts S s(fnι,fRι(0nι)), wobei der höchste Ähnlichkeitswert S™x(0,dr) ausgewählt wird; e) Wiederholung von Schritte b) bis d) für jeden der Stützpunkte dr der ersten Kontur, wobei entsprechende Basisindizes cMdr, Bereiche Rs(θ,dr) und jeweils höchste Ähnlichkeitswerte S™ax(O,<ir)für jeden der Bereiche Rs (o, dr ) bestimmt werden; f) Berechnung eines Mittelwertes S™ax(O)aus den jeweils höchsten Ähnlichkeitswerten S™x(0,dr) .
7. Verfahren nach Anspruch 6, gekennzeichnet durch folgende Schritte: a) die berechneten Bereiche ^(O,J() werden um einen wählbaren Offset O verschoben; b) für diese verschobenen Bereiche Rs(θ,dr) werden die Schritte d) bis f) des Patentanspruchs 6 wiederholt; c) die Schritte a) und b) werden für verschiedene Offsets O wiederholt; d) dasjenige Offset OΛna/(S™x)mit dem höchsten mittleren Ähnlichkeitswert S™ax(O) wird zur Bestimmung von finalen Suchbereichen Rs"al {θ,dr) gemäß Patentanspruch 6 ausgewählt; e) für den Merkmalsvektor fnl jedes Stützpunkts aus den finalen Suchbereichen R Fmai
Figure imgf000026_0001
eine Berechnung des Ähnlichkeitswerts mit dem Merkmalsvektor Stützpunkt dr der ersten
Figure imgf000026_0002
Figure imgf000026_0003
Kontur, wobei der höchste Ähnlichkeitswert S™x(R "α/) ausgewählt wird; f) Berechnung des Mittelwerts sFmal{θFmal) aus den höchsten Ähnlichkeitswerten
Figure imgf000026_0004
als Gesamtähnlichkeitswert Ss (Konturl, Kontur 2) zwischen den zu vergleichenden Konturen.
8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass die Berechnung des Ähnlichkeitswerts Ss(0F'"al) für jede Skala s in einem Bereich von O≤s≤ OTma OTmax durchgeführt wird und aus den errechneten Ähnlichkeitswerten der höchste Ähnlichkeitswert ausgewählt wird.
9. Verfahren nach einem der Ansprüche 1 bis 8, dadurch gekennzeichnet, dass eine Ähnlichkeit zwischen zwei Konturen bejaht wird, wenn ein vorgebbarer prozentualer Anteil von einander benachbarten Merkmalsvektoren der einen Kontur einen hinreichenden Ähnlichkeitswert mit einander benachbarten Merkmalsvektoren der anderen Kontur aufweisen. lO.Verfahren nach einem der Ansprüche 1 bis 8, dadurch gekennzeichnet, dass eine Ähnlichkeit zwischen zwei Konturen bejaht wird, wenn Merkmalsvektoren von einem Anwender auf einer ersten Kontur selektierten aufeinander beabstandet folgenden Stützpunkten einen hinreichenden Ähnlichkeitswert mit Merkmalsvektoren von aufeinander beabstandet folgenden Stützpunkten der anderen Kontur aufweisen.
ll.Verfahren nach Anspruch 10, dadurch gekennzeichnet, dass die selektierten Stützpunkte im von einem Anwender in seiner Lage und/oder Länge definierten Konturabschnitt einer ersten Kontur liegen.
12.Verfahren nach Anspruch 10 oder 11, dadurch gekennzeichnet, dass von dem Anwender ein Konturabschnitt der zweiten Kontur vorgebbar ist, in welchem eine Ähnlichkeitsbetrachtung erfolgen soll.
PCT/DE2004/002461 2003-12-30 2004-11-04 Verfahren zur bewertung von ähnlichkeiten realer objekte WO2005064526A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE10361838.4 2003-12-30
DE10361838A DE10361838B3 (de) 2003-12-30 2003-12-30 Verfahren zur Bewertung von Ähnlichkeiten realer Objekte

Publications (1)

Publication Number Publication Date
WO2005064526A1 true WO2005064526A1 (de) 2005-07-14

Family

ID=34485607

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE2004/002461 WO2005064526A1 (de) 2003-12-30 2004-11-04 Verfahren zur bewertung von ähnlichkeiten realer objekte

Country Status (2)

Country Link
DE (1) DE10361838B3 (de)
WO (1) WO2005064526A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014134860A1 (zh) * 2013-03-04 2014-09-12 苏州瑞派宁科技有限公司 一种自动识别并分割位置谱的方法及装置

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014226291A1 (de) 2014-12-17 2016-06-23 Bayerische Motoren Werke Aktiengesellschaft Vorrichtung und Verfahren zum Warnen vor Oberflächenschäden an Fahrzeugen

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4406020C1 (de) * 1994-02-24 1995-06-29 Zentrum Fuer Neuroinformatik G Verfahren zur automatisierten Erkennung von Objekten
WO2002043004A2 (en) * 2000-11-22 2002-05-30 Isis Innovation Limited Detection of features in images
US6618501B1 (en) * 1999-05-06 2003-09-09 Canon Kabushiki Kaisha Object similarity calculation method and apparatus

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4406020C1 (de) * 1994-02-24 1995-06-29 Zentrum Fuer Neuroinformatik G Verfahren zur automatisierten Erkennung von Objekten
US6618501B1 (en) * 1999-05-06 2003-09-09 Canon Kabushiki Kaisha Object similarity calculation method and apparatus
WO2002043004A2 (en) * 2000-11-22 2002-05-30 Isis Innovation Limited Detection of features in images

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHEIKH F A ET AL: "Multi-level shape recognition based on wavelet-transform modulus maxima", 4TH IEEE SOUTHWEST SYMPOSIUM ON IMAGE ANALYSIS AND INTERPRETATION IEEE COMPUT. SOC LOS ALAMITOS, CA, USA, 2000, pages 8 - 12, XP002328584, ISBN: 0-7695-0595-3 *
CHEIKH F ET AL: "Shape recognition based on wavelet-transform modulus maxima", ICECS 2000. 7TH IEEE INTERNATIONAL CONFERENCE ON ELECTRONICS, CIRCUITS AND SYSTEMS (CAT. NO.00EX445) IEEE PISCATAWAY, NJ, USA, vol. 1, 2000, pages 461 - 464 vol.1, XP002328583, ISBN: 0-7803-6542-9 *
CHUANG G C -H ET AL: "Wavelet descriptor of planar curves: theory and applications", IEEE TRANSACTIONS ON IMAGE PROCESSING IEEE USA, vol. 5, no. 1, January 1996 (1996-01-01), pages 56 - 70, XP002328632, ISSN: 1057-7149 *
JÄHNE, BERND: "DIGITALE BILDVERARBEITUNG, Kapitel 13 Einfache Nachbarschaften", 2002, SPRINGER VERLAG, BERLIN, DEUTSCHLAND, ISBN: 3-540-41260-3, XP002328558, 283780 *
JÄHNE, BERND: "Digitale Bildverarbeitung, Kapitel 2 Bildrepräsentation", 2002, SPRINGER VERLAG, BERLIN, DEUTSCHLAND, ISBN: 3-540-41260-3, XP002328559, 283780 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014134860A1 (zh) * 2013-03-04 2014-09-12 苏州瑞派宁科技有限公司 一种自动识别并分割位置谱的方法及装置

Also Published As

Publication number Publication date
DE10361838B3 (de) 2005-05-25

Similar Documents

Publication Publication Date Title
EP0780002B1 (de) Verfahren und vorrichtung zur rekonstruktion von in rasterform vorliegenden linienstrukturen
DE19837004C1 (de) Verfahren zum Erkennen von Objekten in digitalisierten Abbildungen
DE60036082T2 (de) Verfahren und vorrichtung zur wiederauffindung von texturbildern
DE4406020C1 (de) Verfahren zur automatisierten Erkennung von Objekten
EP2584493B1 (de) Verfahren zur Unterscheidung zwischen einem realen Gesicht und einer zweidimensionalen Abbildung des Gesichts in einem biometrischen Erfassungsprozess
DE102007035884B4 (de) Linienrauschunterdrückungsvorrichtung, -verfahren und -programm
EP0252096A1 (de) Verfahren zur mustererkennung.
DE102017220307A1 (de) Vorrichtung und Verfahren zum Erkennen von Verkehrszeichen
WO2002021427A2 (de) Auswerten von kantenrichtungsinformation
WO2019057402A1 (de) Verfahren zur erkennung einer objektinstanz und/oder orientierung eines objekts
DE102019209644A1 (de) Verfahren zum Trainieren eines neuronalen Netzes
EP2756458A1 (de) Maschinelles lernverfahren zum maschinellen erlernen von erscheinungsformen von objekten in bildern
DE19928231C2 (de) Verfahren und Vorrichtung zur Segmentierung einer Punkteverteilung
WO2008034599A2 (de) Verfahren und vorrichtung zur bildverarbeitung
DE102019105293A1 (de) Schätzung der Bewegung einer Bildposition
WO2012052106A1 (de) Verfahren zur klassifizierung von mustern in bilddatensätzen
DE102005049017A1 (de) Verfahren zur Segmentierung in einem n-dimensionalen Merkmalsraum und Verfahren zur Klassifikation auf Grundlage von geometrischen Eigenschaften segmentierter Objekte in einem n-dimensionalen Datenraum
EP0844591A1 (de) Verfahren zur Bestimmung von Massstabsfaktoren für fraktale Bildkodierung
EP2096578A2 (de) Verfahren und Vorrichtung zur Charakterisierung der Formation von Papier
DE10361838B3 (de) Verfahren zur Bewertung von Ähnlichkeiten realer Objekte
DE102013225768A1 (de) Verfahren und Vorrichtung zum Ermitteln eines LOLIMOT-Modells
EP0693200B1 (de) Verfahren zur klassifizierung von objekten
EP1359539A2 (de) Neurodynamisches Modell der Verarbeitung visueller Informationen
DE10126375B4 (de) Verfahren und System zur Erkennung von Objekten
EP3252670A1 (de) Verfahren zur bestimmung der urheberschaft von gemälden

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): AE AG AL AM AT AU AZ BA BB BG BR BW BY BZ CA CH CN CO CR CU CZ DK DM DZ EC EE EG ES FI GB GD GE GH GM HR HU ID IL IN IS JP KE KG KP KR KZ LC LK LR LS LT LU LV MA MD MG MK MN MW MX MZ NA NI NO NZ OM PG PH PL PT RO RU SC SD SE SG SK SL SY TJ TM TN TR TT TZ UA UG US UZ VC VN YU ZA ZM ZW

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): BW GH GM KE LS MW MZ NA SD SL SZ TZ UG ZM ZW AM AZ BY KG KZ MD RU TJ TM AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IS IT LU MC NL PL PT RO SE SI SK TR BF BJ CF CG CI CM GA GN GQ GW ML MR NE SN TD TG

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