WO2011039351A1 - Verfahren und vorrichtung zum erkennen einer fehldetektion eines objekts in einem bild - Google Patents

Verfahren und vorrichtung zum erkennen einer fehldetektion eines objekts in einem bild Download PDF

Info

Publication number
WO2011039351A1
WO2011039351A1 PCT/EP2010/064651 EP2010064651W WO2011039351A1 WO 2011039351 A1 WO2011039351 A1 WO 2011039351A1 EP 2010064651 W EP2010064651 W EP 2010064651W WO 2011039351 A1 WO2011039351 A1 WO 2011039351A1
Authority
WO
WIPO (PCT)
Prior art keywords
images
image
determined
detected
property
Prior art date
Application number
PCT/EP2010/064651
Other languages
English (en)
French (fr)
Inventor
Andreas Ernst
Christian Kueblbeck
Tobias Ruf
Original Assignee
Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V.
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 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. filed Critical Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V.
Priority to EP10759928.4A priority Critical patent/EP2483834B1/de
Publication of WO2011039351A1 publication Critical patent/WO2011039351A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G06V30/24—Character recognition characterised by the processing or recognition method
    • G06V30/248—Character recognition characterised by the processing or recognition method involving plural approaches, e.g. verification by template match; Resolving confusion among similar patterns, e.g. "O" versus "Q"
    • G06V30/2504—Coarse or fine approaches, e.g. resolution of ambiguities or multiscale approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/167—Detection; Localisation; Normalisation using comparisons between temporally consecutive images

Definitions

  • Embodiments according to the invention relate to image recognition systems, and more particularly to a method and apparatus for detecting misdetection of an object in an image.
  • objects eg faces, cars, persons, etc.
  • approaches for the automatic detection of objects eg faces, cars, persons, etc.
  • objects eg faces, cars, persons, etc.
  • images and image sequences in real time
  • Michel kublbeck and Andreas Ernst Face Detection and Tracking in Video Sequences
  • Michel Viola and Michael Jones Rapid Object Detection Using a Boosted Cascade of Simple Features.
  • One possibility is to first detect objects, to segment the background. and subsequently classify all objects whose image section exceeds a stipulated percentage of background as false detections.
  • Another possibility is to apply object detection only to areas in the image that have been segmented as the foreground.
  • a searched object If a searched object is located at a fixed point in the image for a long time, it can become part of the background model in different approaches. Thus, a searched object can be erroneously classified as misdetection by the methods described above.
  • the object of the present invention is to provide an improved concept for detecting a misdetection of an object in an image, which makes it possible to detect misdetections of objects in images more reliably, faster and / or with less effort.
  • An embodiment according to the invention provides a method for detecting a misdetection of an object in an image.
  • the method includes detecting an object in an image of a plurality of images and analyzing the plurality of images. in order to determine a property of the detected object, wherein it is determined for each image of the plurality of images whether the respective image shows the detected object.
  • the method comprises recognizing that the detected object is a misdetection, wherein the recognition is based on the specific property of the detected object and at least either a characteristic behavior of the object detector used with respect to misdetections or statistical property of an image-forming detector.
  • Characteristic behavior with respect to misdetections may be e.g. the recurrent, short-term occurrence of misdetections with a static background in the same places in the picture.
  • Embodiments according to the invention are based on the central idea that by analyzing a plurality of images, it is possible to determine properties of a detected object that can not be obtained from a single image. For example, it can be determined in this way when the detected object was detected for the first time, how often the object was already detected and lost again and / or how long the object was detected or not detected since the first occurrence. By determining such properties, misdetections can be detected much simpler, more reliable, faster and / or with less effort than with known methods. For example, no error-prone and compute-intensive background segmentation needs to occur for the described method, as is necessary with many known concepts.
  • the images of the plurality of images are temporally successive images.
  • the plurality of temporally successive images is also called image sequence.
  • image sequences the temporal behavior of detected objects can be tracked and properties of these objects that reflect the temporal behavior of the objects can be determined.
  • the plurality of images are taken by a single camera.
  • the concept according to the invention it is reaching, if the majority of pictures were taken only with a single statically installed or movable camera.
  • two or more specific properties of an object are considered in combination for the detection of misdetections. As a result, the probability of detecting a misdetection can be significantly increased again.
  • Some embodiments according to the invention relate to a device for detecting a misdetection of an object in an image.
  • the apparatus comprises an object detector, an image analyzer and a classifier.
  • the object detector is adapted to detect an object in an image of a plurality of images.
  • the image analyzer is configured to analyze the plurality of images to determine a characteristic of the detected object, wherein it is determined for each image of the plurality of images whether the respective image shows the detected object.
  • the classifier is designed to detect, based on the determined property of the detected object, that the detected object is a misdetection.
  • FIG. 1a is a flowchart of a method for detecting misdetections of an object in an image
  • FIG. 1b is a flowchart of a method for detecting misdetections of an object in an image
  • Fig. 2 is a schematic representation of an apparatus for detecting misdetections of an object in an image.
  • FIG. 1a shows a flowchart of a method 100 for detecting a misdetection of an object in an image according to an embodiment according to the invention.
  • the method 100 includes capturing 1 10 an object in an image of a Plurality of images and analyzing 20 the plurality of images to determine a property of the detected object. In this case, it is determined for each image of the plurality of images whether the respective image shows the detected object. Furthermore, the method 100 includes detecting 130 that the detected object is a misdetection. Detecting 130 a misdetection is based on the particular property of the detected object.
  • the plurality of images may be a temporal succession of images of a camera.
  • the plurality of images may be captured by one or more cameras.
  • a possible misdetection can be detected much easier, faster, more reliably and / or with less effort than would be possible with an evaluation of only one image or one image and one background image.
  • the computational effort can be significantly reduced.
  • an object may be a human, a human's face, an animal, a vehicle, or any other movable or immovable object.
  • a misdetection e.g. an image section of the image is recognized as an object to be identified, although the object is not shown in the image or the image section. This can happen for many reasons. For example, noise effects or movement of the camera used to capture the plurality of images, or an occurrence of very similar objects in an image or the plurality of images may be responsible.
  • the analyzing 120 of the plurality of images can be done, for example, by comparing the images or comparing image sections of the images of the plurality of images.
  • the detected object can be recognized in the different images due to great similarities of the image sections and / or the position and size of the object in the different images or the detected object and an object in another image can due to large similarities of the image detail and / or the position and size are assigned.
  • the detected object Based on the particular property of the detected object, it can be detected that the detected object is a misdetection.
  • One or more properties can be determined for a detected object. For example, in analyzing the plurality of images, at least two properties of the object may be determined and a misdetection may be detected based on the at least two determined properties.
  • rules can be set up by which a misdetection is detected, whereby the probability of a correct misdetection can be significantly increased.
  • FIG. 1b shows a flowchart of a method 150 for detecting a misdetection of an object in an image according to an embodiment according to the invention.
  • the method 150 shown is based on the method shown in FIG. 1a and represents possible examples of properties that can be determined for a detected object.
  • the analysis of the plurality of images may determine 152 as a property of the object which image of the plurality of images is a first image in which the object is shown for the first time. It is thus e.g. recorded when the object was detected for the first time.
  • it can be determined as a further property of the object 154 in how many pictures of the plurality of pictures following the first picture the object is shown.
  • a characteristic may be determined 164 as a property of the object. a measure of the likelihood that the detected object is shown in the image. For example, as a property of the object, it is possible to store the probability with which the detected object was recognized in an image of the plurality of images.
  • a content parameter may be determined as a property of the object 166.
  • the content parameter represents an evaluation of a content of an image detail of an image of the plurality of images, wherein the image detail shows the detected object.
  • the content parameter may be e.g. generally represent a rating with which probability a detected object can ever be an object.
  • the content parameter may be determined 166 and evaluated 168 for a plurality of consecutive images of the plurality of images.
  • Such combinations are also called rules below. For example, may be a rule that there is a misdetection if an object has not appeared in more than n consecutive frames and the position and size has not changed more than a threshold. Another rule might be that there is a misdetection if the object has been detected and lost n times, the content parameter has changed more than a threshold, and the measure is lower than a predefined value.
  • any other combinations of the properties of an object can easily be formed to detect misdetections.
  • the plurality of images is a temporal succession of images.
  • the temporally successive images of the plurality of images can each have a time information. Through the time information on the absolute temporal behavior of detected objects can be determined.
  • the time information may include, for example, time and date.
  • the temporally successive images of the plurality of images may have been taken, for example, at equal time intervals from each other.
  • the relative temporal behavior of a detected object can be determined.
  • the temporal behavior of the detected object can be represented by one or more specific properties of the object.
  • the plurality of images may have been taken by a single camera or by multiple cameras. By comparing one or more properties of a detected object in images from different cameras, the probability of detecting a misdetection can be further increased.
  • the plurality of images may have been taken by a movable or fixed camera, wherein the characteristic or properties of the detected object are determined in consideration of movement of the camera.
  • the captured object can be stored in a database with the particular property (s).
  • the object with all the associated properties can be deleted from the database again if the object has not been shown in an image of the plurality of images for more than a maximum period of time or if a misdetection can be ruled out for this object.
  • Deleting objects and their properties from the database can reduce the data in the database, which can speed up the described process.
  • Some embodiments according to the invention relate to a method for automatically detecting misdetections in image sequences.
  • the invention describes, inter alia, a method for the automatic detection of misdetections, based on the properties of the detector and / or the detected objects.
  • their properties are detected for one, several or all detected objects within the image sequence (plurality of images). These may include, but not limited to, e.g. be:
  • detecting the properties it is e.g. necessary to associate detections of the same object (which also includes misdetections) in a sequence of images of a sequence of images). This assignment is e.g. possible if a comparison of the image sections has a high similarity and / or even if the position and size of the detected objects is similar (especially in successive images).
  • the comparison of the image sections can e.g. are easily accomplished by image difference, but are also based on more complex image comparison methods (e.g., comparison of illumination independent features and / or use of histograms for image comparison).
  • the detection of misdetections is carried out, for example, on the basis of the recorded properties with the help of a classifier.
  • the classifier can be created heuristically, based on expert knowledge, based on experience or training-based.
  • a rule-based classifier can be used.
  • a simple possible rule could be eg: If an object was detected at least N times and lost again and the change of positions and size does not exceed a value X. and if the code has never exceeded a safe threshold during detection, then this is a misdetection. If the background changes (eg when panning a moving camera), appropriate rules can be defined. If a found object has not been detected for a fixed long period of time (and / or it has not been classified as a misdetection), the acquired properties can be deleted again if necessary.
  • the described method for the automatic detection of misdetections in image sequences is based, for example, on a detection of the (statistical) properties of the detector (the camera) and / or of the detected (detected) objects within the image sequence.
  • Another aspect is detection of misdetections based on a classifier (e.g., rule-based, or as described above) with respect to the detected characteristics.
  • a classifier e.g., rule-based, or as described above
  • an assignment of detections in different images within an image sequence to an object takes place on the basis of position and size and / or comparison of the image sections.
  • the detected properties of an object can be deleted if the object has not been detected for a specified period of time and / or the object was certainly not classified as a misdetection.
  • misdetections can always be repeated in the same place and with the same size in the picture and can also occur continuously over a longer period of time. This is favored by the immutable image content of the background.
  • An example of a rule derived therefrom is: If an object (a detection) has been found for at least a predetermined period of time and position and size change are small enough (below a set threshold) and the image content limited by the detected object in that time period hardly changes (at most by a fixed maximum), so it is a misdetection.
  • a value for the change of the image content for example, a simple difference formation in the image area may be used, but e.g. also illumination-independent features and / or methods based on comparison of histograms.
  • a Assignment of detections in different images can be done in this case by comparing the image content of the different object regions and thus be considered as a found object in a plurality of images.
  • a possible rule for this application could be, for example: If a detection has occurred at least N times and has disappeared again and has never been detected continuously for more than a predetermined minimum time, then this is a misdetection. The use of the position and size change is not appropriate in this application.
  • the classifier learns the difference between correctly detected objects and incorrect detections on the basis of the already described properties of the detected objects and the characteristic behavior of the object detector (object detector) with regard to misdetections.
  • this training process may be e.g. as follows. Based on an already existing plurality of images (e.g., recorded video, etc.) containing objects to be found by the system. This already existing plurality of images is referred to below as training data.
  • training data is processed by the object detector and all detected objects and their properties (e.g., by an expert) are subdivided into correctly found objects and misdetections.
  • the correctly found objects and their properties are referred to as positive class and the misdetections and their properties as negative class.
  • the training method presents examples of the positive and negative class to the classifier. As a result, the classifier learns the difference between properties for correctly found objects and misdetections.
  • classifiers and training methods common and known prior art methods may be used, e.g. Support Vector Machines, Neural Networks, etc.
  • objects found from the classifier can be presented from a plurality of images, and it provides a decision as to whether it is a correctly found object or a misdetection.
  • the detection of a misdetection and / or the detection of an object can thus be based on training data as described.
  • Fig. 2 shows a block diagram of an apparatus 200 for detecting a misdetection of an object in an image according to an embodiment of the invention.
  • the apparatus 200 includes an object detector 210, an image analyzer 220 and a classifier 230.
  • the object detector 210 detects an object in an image 202 of a plurality of images.
  • the image analyzer 220 analyzes the plurality of images to determine a property of the detected object. In this case, it is determined for each image of the plurality of images whether the respective image shows the detected object. Further, the classifier 230 may determine that the detected object is a misdetection based on the determined property of the detected object.
  • Some embodiments according to the invention relate to detection of misdetections based on parameterizable characteristics of detection over time, in conjunction with a classifier.
  • the inventive concept can be applied, for example, in systems and methods for object detection (eg faces, cars), in systems for advertising effectiveness analysis (counting the viewers of advertising) or in image recognition systems for recognizing or recognizing an object in an image.
  • the inventive concept can be used in particular (but not only) in systems with permanently installed camera.
  • Some embodiments according to the invention relate to image recognition systems comprising an apparatus for detecting a misdetection of an object in an image and a camera.
  • the camera is designed to produce the plurality of images.
  • aspects have been described in the context of a device, it will be understood that these aspects also constitute a description of the corresponding method, so that a block or a component of a device is also to be understood as a corresponding method step or as a feature of a method step. Similarly, aspects described in connection with or as a method step also represent a description of a corresponding block or detail or feature of a corresponding device. Depending on particular implementation requirements, embodiments of the invention may be implemented in hardware or in software.
  • the implementation may be performed using a digital storage medium, such as a floppy disk, a DVD, a Blu-ray Disc, a CD, a ROM, a PROM, an EPROM, an EEPROM or FLASH memory, a hard disk, or other magnetic disk or optical memory are stored on the electronically readable control signals that can cooperate with a programmable computer system or cooperate such that the respective method is performed. Therefore, the digital storage medium can be computer readable.
  • some embodiments of the invention include a data carrier having electronically readable control signals capable of interacting with a programmable computer system to perform one of the methods described herein.
  • embodiments of the present invention may be implemented as a computer program product having a program code, wherein the program code is operable to perform one of the methods when the computer program product runs on a computer.
  • the program code can also be stored, for example, on a machine-readable carrier.
  • Other embodiments include the computer program for performing any of the methods described herein, wherein the computer program is stored on a machine-readable medium.
  • an embodiment of the method according to the invention is thus a computer program which has a program code for performing one of the methods described herein when the computer program runs on a computer.
  • a further embodiment of the inventive method is thus a data carrier (or a digital storage medium or a computer-readable medium) on which the computer program is recorded for carrying out one of the methods described herein.
  • a further embodiment of the method according to the invention is thus a data stream or a sequence of signals, which represent the computer program for performing one of the methods described herein.
  • the data stream or the sequence of signals may be configured, for example, to be transferred via a data communication connection, for example via the Internet.
  • Another embodiment includes a processing device, such as a computer or a programmable logic device, that is configured or adapted to perform one of the methods described herein.
  • Another embodiment includes a computer on which the computer program is installed to perform one of the methods described herein.
  • a programmable logic device eg, a field programmable gate array, an FPGA
  • a field programmable gate array may cooperate with a microprocessor to perform one of the methods described herein.
  • the methods are performed by any hardware device. This may be a universal hardware such as a computer processor (CPU) or hardware specific to the process, such as an ASIC.

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

Ein Verfahren zum Erkennen einer Fehldetektion eines Objekts in einem Bild umfasst ein Erfassen eines Objekts in einem Bild einer Mehrzahl von Bildern und ein Analysieren der Mehrzahl von Bildern, um eine Eigenschaft des erfassten Objekts zu bestimmen. Dabei wird für jedes Bild der Mehrzahl von Bildern bestimmt, ob das jeweilige Bild das erfasste Objekt zeigt. Des Weiteren umfasst das Verfahren ein Erkennen, dass es sich bei dem erfassten Objekt um eine Fehldetektion handelt, wobei das Erkennen auf der bestimmten Eigenschaft des erfassten Objekts und zumindest entweder einem charakteristischen Verhalten des verwendeten Objekterfassers (Objektdetektors) in Bezug auf Fehldetektionen oder einer statistischen Eigenschaft eines bilderzeugenden Detektors basiert.

Description

Verfahren und Vorrichtung zum Erkennen einer Fehldetektion eines Objekts in einem Bild
Beschreibung
Ausfuhrungsbeispiele gemäß der Erfindung beziehen sich auf Bilderkennungssysteme und insbesondere auf ein Verfahren und eine Vorrichtung zum Erkennen einer Fehldetektion eines Objekts in einem Bild. Es gibt einige bekannte Ansätze zur automatischen Detektion von Objekten (z.B. Gesichter, Autos, Personen, ...) in monochromen oder farbigen Einzelbildern und Bildsequenzen in Echtzeit (siehe z.B.„Christian Küblbeck und Andreas Ernst. Face Detection and track- ing in video sequences" using the modified census transformation. Image Vision Computing, 24(6):564-572, June 2006",„Paul Viola und Michael Jones. Rapid Object Detection using a Boosted Cascade of Simple Features. In Proceedings IEEE Conf. on Computer Vision and Pattern Recognition, 2001"). Hierbei wird z.B. in einer Trainingsphase ein Modell erzeugt. Das Modell beinhaltet Informationen darüber, welche Merkmale in einem bestimmten Bildausschnitt an welcher Stelle berechnet werden und wie aus diesen Merkmalen die für die Klassifikation nötige Kennzahl berechnet wird. Bei der Klassifikation wird mithilfe dieser Kennzahlen bestimmt, ob ein Bildausschnitt das gesuchte Objekt zeigt. Dabei können Fehldetektionen auftreten, d.h. Bildausschnitte werden als das gesuchte Objekt klassifiziert, obwohl das Objekt nicht enthalten ist. Dies passiert insbesondere bei Bildausschnitten, die eine dem gesuchten Objekt ähnliche Struktur aufweisen. Besonders bei der Verarbeitung von Bildsequenzen kommt es vor, dass Fehldetektionen bei stati- schem Hintergrund wiederkehrend an den gleichen Stellen im Bild auftreten, begründet z.B. durch Rauscheffekte der Kamera.
Neben der Detektion von Objekten ist die Unterscheidung oder Segmentierung eines statischen Hintergrunds vom Vordergrund bekannt. Gängige Verfahren erstellen ein statisti- sches Modell des Hintergrunds. Durch Vergleich eines neuen Bildes mit dem Hintergrundmodell kann das Bild in Hintergrund und Vordergrund unterteilt werden (z.B.„Julio Cezar Silveira Jacques Jr und Claudio Rosito Jung. Background Subtraction and Shadow Detection in Grayscale Video Sequences, 2005", "Sen-Ching S. Cheung und Chandrika Kamath, Robust techniques for background substraction in urban traffic video, 2004").
Beide Verfahren können zur Reduktion von Fehldetektionen kombiniert werden. Eine Möglichkeit besteht darin, zunächst Objekte zu detektieren, den Hintergrund zu segmentie- ren und anschließend alle Objekte, deren Bildausschnitt einen festgesetzten Anteil an Hintergrund überschreitet, als Fehldetektionen zu klassifizieren.
Eine andere Möglichkeit besteht darin, die Objektdetektion nur auf Bereiche im Bild an- zuwenden, die als Vordergrund segmentiert wurden.
Die beschriebenen bekannten Verfahren zur automatischen Erkennung von Fehldetektionen haben Nachteile. Die Hintergrundmodellierung erfordert bei gängigen Verfahren einen statischen Hintergrund. Das bedeutet, die Kamera muss fest installiert sein und der Hintergrund darf sich nicht verändern.
Befindet sich ein gesuchtes Objekt längere Zeit an einer festen Stelle im Bild, so kann es bei verschiedenen Ansätzen Teil des Hintergrundmodells werden. Damit kann ein gesuchtes Objekt durch die oben beschriebenen Verfahren fälschlicherweise als Fehldetektion klassifiziert werden.
Durch die getrennte Behandlung der Objektdetektion und Hintergrundmodellierung kann die nachträgliche Kombination der Ergebnisse zum Erkennen von Fehldetektionen zu nicht optimalen Ergebnissen führen.
Gute Verfahren zur Hintergrundsegmentierung sind häufig sehr rechenintensiv. Die automatische Hintergrundsegmentierung ist in vielen Fällen stark beleuchtungsabhängig und fehlerbehaftet.
Die Aufgabe der vorliegenden Erfindung ist es, ein verbessertes Konzept zum Erkennen einer Fehldetektion eines Objekts in einem Bild zu schaffen, das es ermöglicht, Fehldetek- tionen von Objekten in Bildern verlässlicher, schneller und/oder mit geringerem Aufwand zu erkennen.
Diese Aufgabe wird durch ein Verfahren gemäß Anspruch 1 oder eine Vorrichtung gemäß Anspruch 17 gelöst.
Ein Ausführungsbeispiel gemäß der Erfindung schafft ein Verfahren zum Erkennen einer Fehldetektion eines Objekts in einem Bild. Das Verfahren umfasst ein Erfassen eines Objekts in einem Bild einer Mehrzahl von Bildern und ein Analysieren der Mehrzahl von Bil- dem, um eine Eigenschaft des erfassten Objekts zu bestimmen, wobei für jedes Bild der Mehrzahl von Bildern bestimmt wird, ob das jeweilige Bild das erfasste Objekt zeigt. Des Weiteren umfasst das Verfahren ein Erkennen, dass es sich bei dem erfassten Objekt um eine Fehldetektion handelt, wobei das Erkennen auf der bestimmten Eigenschaft des er- fassten Objekts und zumindest entweder einem charakteristischen Verhalten des verwendeten Objekterfassers (Objektdetektors) in Bezug auf Fehldetektionen oder einer statistischen Eigenschaft eines bilderzeugenden Detektors basiert.
Ein charakteristisches Verhalten in Bezug auf Fehldetektionen kann z.B. das wiederkeh- rende, kurzzeitige Auftreten von Fehldetektionen bei statischem Hintergrund an gleichen Stellen im Bild sein.
Ausführungsbeispiele gemäß der Erfindung basieren auf dem Kerngedanken, dass durch eine Analyse von einer Mehrzahl von Bildern Eigenschaften eines erfassten Objekts be- stimmt werden können, die man aus einem einzelnen Bild nicht erhalten kann. Zum Beispiel kann auf diese Art und Weise festgestellt werden, wann das erfasste Objekt zum ersten Mal detektiert wurde, wie oft das Objekt schon detektiert und wieder verloren wurde und/oder wie lange das Objekt seit dem ersten Auftreten detektiert oder nicht detektiert wurde. Durch die Bestimmung von solchen Eigenschaften können Fehldetektionen wesent- lieh einfacher, verlässlicher, schneller und/oder mit geringerem Aufwand erkannt werden als mit bekannten Methoden. Zum Beispiel muss für das beschriebene Verfahren keine fehleranfällige und rechenintensive Hintergrundsegmentierung stattfinden, wie es bei vielen bekannten Konzepten notwendig ist. Zusätzlich können zur Erhöhung der Verlässlichkeit der Erkennung von Fehldetektionen eine statistische Eigenschaft des bilderzeugenden Detektors und/oder das charakteristische Verhalten des verwendeten Objekterfassers (Objektdetektors) in Bezug auf Fehldetektionen berücksichtigt werden. Bei einigen Ausführungsbeispielen gemäß der Erfindung sind die Bilder der Mehrzahl von Bildern zeitlich aufeinanderfolgende Bilder. Die Mehrzahl von zeitlich aufeinanderfolgenden Bildern wird auch Bildsequenz genannt. In Bildsequenzen lässt sich das zeitliche Verhalten von erfassten Objekten verfolgen und Eigenschaften von diesen Objekten, die das zeitliche Verhalten der Objekte widerspiegeln, können bestimmt werden.
Bei weiteren Ausführungsbeispielen gemäß der Erfindung wird die Mehrzahl von Bildern von einer einzigen Kamera aufgenommen. Für das erfindungsgemäße Konzept ist es aus- reichend, wenn die Mehrzahl von Bildern nur mit einer einzigen statisch installierten oder beweglichen Kamera aufgenommen wurde.
Bei einigen weiteren Ausführungsbeispielen gemäß der Erfindung werden für die Erken- nung von Fehldetektionen zwei oder mehr bestimmte Eigenschaften eines Objekts in Kombination betrachtet. Dadurch kann die Wahrscheinlichkeit für das Erkennen einer Fehldetektion nochmals deutlich erhöht werden.
Einige Ausführungsbeispiele gemäß der Erfindung beziehen sich auf eine Vorrichtung zum Erkennen einer Fehldetektion eines Objekts in einem Bild. Die Vorrichtung umfasst einen Objekterfasser, einen Bildanalysator und einen Klassifikator. Der Objekterfasser ist ausgelegt, um ein Objekt in einem Bild einer Mehrzahl von Bildern zu erfassen. Der Bildanalysator ist ausgelegt, um die Mehrzahl von Bildern zu analysieren, um eine Eigenschaft des erfassten Objekts zu bestimmen, wobei für jedes Bild der Mehrzahl von Bildern bestimmt wird, ob das jeweilige Bild das erfasste Objekt zeigt. Des Weiteren ist der Klassifikator ausgelegt, um basierend auf der bestimmten Eigenschaft des erfassten Objekts zu erkennen, dass es sich bei dem erfassten Objekt um eine Fehldetektion handelt.
Ausführungsbeispiele gemäß der Erfindung werden nachfolgend Bezug nehmend auf die beiliegenden Figuren näher erläutert. Es zeigen:
Fig. l a ein Flussdiagramm eines Verfahrens zum Erkennen von Fehldetektionen eines Objekts in einem Bild; Fig. lb ein Flussdiagramm eines Verfahrens zum Erkennen von Fehldetektionen eines Objekts in einem Bild; und
Fig. 2 eine schematische Darstellung einer Vorrichtung zum Erkennen von Fehldetektionen eines Objekts in einem Bild.
Im Folgenden werden teilweise für Objekte und Funktionseinheiten, die gleiche oder ähnliche funktionelle Eigenschaften aufweisen, gleiche Bezugszeichen verwendet. Des Weiteren können optionale Merkmale der verschiedenen Ausführungsbeispiele miteinander kombinierbar oder zueinander austauschbar sein.
Fig. 1 a zeigt ein Flussdiagramm eines Verfahrens 100 zum Erkennen einer Fehldetektion eines Objekts in einem Bild entsprechend eines Ausführungsbeispiels gemäß der Erfindung. Das Verfahren 100 umfasst ein Erfassen 1 10 eines Objekts in einem Bild einer Mehrzahl von Bildern und ein Analysieren 20 der Mehrzahl von Bildern, um eine Eigenschaft des erfassten Objekts zu bestimmen. Dabei wird für jedes Bild der Mehrzahl von Bildern bestimmt, ob das jeweilige Bild das erfasste Objekt zeigt. Des Weiteren umfasst das Verfahren 100 ein Erkennen 130, dass es sich bei dem erfassten Objekt um eine Fehl- detektion handelt. Das Erkennen 130 einer Fehldetektion basiert auf der bestimmten Eigenschaft des erfassten Objekts.
Bei der Mehrzahl von Bildern kann es sich beispielsweise um eine zeitliche Aufeinanderfolge von Bildern einer Kamera handeln. Die Mehrzahl von Bildern kann von einer oder mehreren Kameras aufgenommen werden.
Durch die Auswertung einer Mehrzahl von Bildern kann eine mögliche Fehldetektion wesentlich leichter, schneller, verlässlicher und/oder mit geringerem Aufwand erkannt werden als dies bei einer Auswertung von nur einem Bild oder einem Bild und einem Hinter- grundbild möglich wäre. Im Vergleich zu Verfahren mit Hintergrundsegmentierung kann z.B. der Rechenaufwa d deutlich reduziert werden.
Bei einem Objekt kann es sich beispielsweise um einen Menschen, ein Gesicht eines Menschen, ein Tier, ein Fahrzeug oder einen anderen beweglichen oder unbeweglichen Ge- genstand handeln. Bei einer Fehldetektion wird z.B. ein Bildausschnitt des Bildes als zu identifizierendes Objekt erkannt, obwohl das Objekt in dem Bild oder dem Bildausschnitt nicht gezeigt ist. Dies kann durch vielerlei Gründe auftreten. Zum Beispiel können Rauscheffekte oder eine Bewegung der zur Aufnahme der Mehrzahl der Bilder verwendeten Kamera oder ein Auftreten von sehr ähnlichen Objekten in einem Bild oder der Mehr- zahl von Bildern dafür verantwortlich sein.
Das Analysieren 120 der Mehrzahl von Bildern kann beispielsweise durch einen Vergleich der Bilder oder einen Vergleich von Bildausschnitten der Bilder der Mehrzahl von Bildern erfolgen. Das erfasste Objekt kann in den unterschiedlichen Bildern aufgrund großer Ähn- lichkeiten der Bildausschnitte und/oder der Position und Größe des Objekts in den unterschiedlichen Bildern erkannt werden bzw. das erfasste Objekt und ein Objekt in einem anderen Bild können einander aufgrund großer Ähnlichkeiten der Bildausschnitte und/oder der Position und Größe zugeordnet werden.
Basierend auf der bestimmten Eigenschaft des erfassten Objekts kann erkannt werden, dass es sich bei dem erfassten Objekt um eine Fehldetektion handelt. Für ein erfasstes Objekt können eine oder mehrere Eigenschaften bestimmt werden. Bei dem Analysieren der Mehrzahl von Bildern können beispielsweise zumindest zwei Eigenschaften des Objekts bestimmt werden und eine Fehldetektion basierend auf den zumindest zwei bestimmten Eigenschaften erkannt werden. So können durch eine Verknüpfung von Eigenschaften Regeln aufgestellt werden, nach denen eine Fehldetektion erkannt wird, wodurch die Wahrscheinlichkeit einer richtigen Fehldetektion deutlich erhöht werden kann.
Fig. lb zeigt ein Flussdiagramm eines Verfahrens 150 zum Erkennen einer Fehldetektion eines Objekts in einem Bild entsprechend eines Ausführungsbeispiels gemäß der Erfindung. Das gezeigte Verfahren 150 basiert auf dem in Fig. l a gezeigten Verfahren und stellt mögliche Beispiele für Eigenschaften dar, die für ein erfasstes Objekt bestimmt werden können. Die Analyse der Mehrzahl von Bildern kann beispielsweise als eine Eigenschaft des Objekts bestimmen 152, welches Bild der Mehrzahl von Bildern ein erstes Bild ist, in dem das Objekt zum ersten Mal gezeigt ist. Es wird also z.B. festgehalten, wann das Objekt zum ersten Mal detektiert wurde. Zusätzlich kann als weitere Eigenschaft des Objekts bestimmt werden 154, in wie vielen auf das erste Bild folgenden Bildern der Mehrzahl von Bildern das Objekt gezeigt ist.
Wiederum zusätzlich kann danach festgestellt werden 156, in wie vielen auf die Bilder, in denen das Objekt gezeigt ist, direkt folgenden Bildern der Mehrzahl von Bildern das Ob- jekt nicht gezeigt ist. In anderen Worten kann als Eigenschaften des Objekts festgestellt werden, wie lange das Objekt seit dem ersten Auftreten detektiert 154 oder nicht detektiert 156 wurde.
Zusätzlich oder alternativ kann als Eigenschaft des Objekts bestimmt werden 158, um wie viel sich eine Position oder Größe des Objekts in einem dem ersten Bild, in dem das Objekt auftritt, folgenden Bild in einem Vergleich zu einer Position oder Größe des Objekts in dem ersten Bild verändert hat. Es kann also z.B. bestimmt werden 158, wie viel sich das Objekt seit dem ersten Auftreten in Position und Größe verändert hat. Wiederum zusätzlich oder alternativ kann als Eigenschaft des Objekts bestimmt werden 160, wann das Objekt zum letzten Mal in einem Bild gezeigt wurde oder in anderen Worten, wie lange wurde ein gefundenes Objekt bereits nicht mehr detektiert. Alternativ oder zusätzlich kann als Eigenschaft bestimmt werden 162, wie oft das Objekt in einem Bild gezeigt ist, nachdem es in einem zeitlich direkt vorhergehenden Bild nicht gezeigt ist. In anderen Worten, kann festgestellt werden 162, wie oft das Objekt schon delektiert und wieder verloren wurde.
Des Weiteren kann beispielsweise beim Bestimmen, ob ein Bild das erfasste Objekt zeigt, als Eigenschaft des Objekts eine Kennzahl bestimmt werden 164. Die bestimmte Kennzahl ist z.B. ein Maß für die Wahrscheinlichkeit, dass das erfasste Objekt in dem Bild gezeigt ist. Es kann also beispielsweise als Eigenschaft des Objekts die Wahrscheinlichkeit gespei- chert werden, mit der das erfasste Objekt in einem Bild der Mehrzahl von Bildern erkannt wurde.
Zusätzlich oder alternativ kann als Eigenschaft des Objekts ein Inhaltsparameter bestimmt werden 166. Der Inhaltsparameter stellt eine Bewertung eines Inhalts eines Bildausschnitts eines Bildes der Mehrzahl von Bildern dar, wobei der Bildausschnitt das erfasste Objekt zeigt. Dabei kann der Inhaltsparameter z.B. allgemein eine Bewertung darstellen, mit welcher Wahrscheinlichkeit ein erfasstes Objekt überhaupt ein Objekt sein kann.
Zusätzlich kann als Eigenschaft festgehalten werden 168, wie sich der Inhaltsparameter über die Zeit oder über die Mehrzahl von Bildern verändert. In anderen Worten, der Inhaltsparameter kann für eine Mehrzahl von aufeinanderfolgenden Bildern der Mehrzahl von Bildern bestimmt 166 und ausgewertet 168 werden.
Die in Fig. lb gezeigten Beispiele für Eigenschaften eines erfassten Objekts können ein- zeln zum Erkennen einer Fehldetektion (z.B. Objekt n-mal detektieren und wieder verlieren = Fehldetektion) oder können zum Erkennen einer Fehldetektion miteinander kombiniert werden. Solche Kombinationen werden im Folgenden auch Regeln genannt. Z.B. kann eine Regel lauten, dass eine Fehldetektion vorliegt, wenn sich ein Objekt in nicht mehr als n aufeinanderfolgenden Bildern gezeigt hat und sich die Position und Größe nicht mehr als ein Schwellwert geändert hat. Eine andere Regel könnte lauten, dass eine Fehldetektion vorliegt, wenn das Objekt n-mal delektiert und wieder verloren wurde, sich der Inhaltsparameter mehr als ein Schwellwert geändert hat und die Kennzahl niedriger als ein vordefinierter Wert ist. Genauso können auf einfache Weise beliebige andere Kombinationen der Eigenschaften eines Objekts gebildet werden, um Fehldetektionen zu erkennen.
Bei einigen Ausführungsbeispielen gemäß der Erfindung ist die Mehrzahl von Bildern eine zeitliche Aufeinanderfolge von Bildern. Die zeitlich aufeinanderfolgenden Bilder der Mehrzahl von Bildern können je eine Zeitinformation aufweisen. Durch die Zeitinformati- on kann das absolute zeitliche Verhalten von erfassten Objekten bestimmt werden. Die Zeitinformation kann beispielsweise Uhrzeit und Datum umfassen. Alternativ können die zeitlich aufeinanderfolgenden Bilder der Mehrzahl von Bildern z.B. in gleichen zeitlichen Abständen zueinander aufgenommen worden sein. Dadurch kann das relative zeitliche Verhalten eines erfassten Objekts festgestellt werden. Das zeitliche Verhalten des erfassten Objekts kann durch eine oder mehrere bestimmte Eigenschaften des Objekts repräsentiert werden.
Die Mehrzahl von Bildern kann durch eine einzige Kamera oder durch mehrere Kameras aufgenommen worden sein. Durch einen Vergleich von einer oder mehrerer Eigenschaften eines erfassten Objekts in Bildern von unterschiedlichen Kameras kann die Wahrscheinlichkeit eines Erkennens einer Fehldetektion nochmals erhöht werden.
Die Mehrzahl von Bildern können von einer beweglichen oder unbeweglichen Kamera aufgenommen worden sein, wobei die Eigenschaft oder Eigenschaften des erfassten Objekts unter Berücksichtigung einer Bewegung der Kamera bestimmt werden.
Das erfasste Objekt kann mit der oder den bestimmten Eigenschaften in einer Datenbank gespeichert werden. Dabei kann das Objekt mit allen zugehörigen Eigenschaften wieder aus der Datenbank gelöscht werden, wenn das Objekt länger als eine maximale Zeitdauer nicht in einem Bild der Mehrzahl von Bildern gezeigt wurde oder wenn für dieses Objekt eine Fehldetektion ausgeschlossen werden kann.
Durch das Löschen von Objekten und deren Eigenschaften aus der Datenbank können die Daten in der Datenbank reduziert werden, wodurch das beschriebene Verfahren beschleunigt werden kann.
Einige Ausführungsbeispiele gemäß der Erfindung beziehen sich auf ein Verfahren zur automatischen Erkennung von Fehldetektionen in Bildsequenzen. In anderen Worten, die Erfindung beschreibt unter anderem ein Verfahren zur automatischen Erkennung von Fehldetektionen, basierend auf den Eigenschaften des Detektors und/oder der detektierten Objekte.
Dazu werden für ein, mehrere oder alle detektierten Objekte innerhalb der Bildsequenz (Mehrzahl von Bildern) ihre Eigenschaften erfasst. Dies können unter anderem z.B. sein:
Wann das Objekt zum ersten mal detektiert wurde. Wie oft das Objekt schon detektiert und wieder verloren wurde.
Wie lange das Objekt seit dem ersten Auftreten detektiert bzw. nicht detektiert wurde. Wie viel sich das Objekt seit dem ersten Auftreten in Position und Größe verändert hat.
Wie lange ein gefundenes Objekt bereits nicht mehr detektiert wurde.
Wie sicher die Detektion ist (wie hoch ist die beschriebene Kennzahl bei der Klassifikation des Objekts)
Wie der Inhalt des Bildausschnitts, der das Objekt repräsentiert ist.
Wie stark sich der Inhalt des Bildausschnitts über die Zeit ändert.
Zur Erfassung der Eigenschaften ist es z.B. notwendig, Detektionen des gleichen Objekts (dazu zählen auch Fehldetektionen) in einer Abfolge von Bildern einer Bildsequenz einander zuzuordnen). Diese Zuordnung ist z.B. möglich, wenn ein Vergleich der Bildausschnitte eine große Ähnlichkeit aufweist oder/und auch wenn die Position und Größe der detektierten Objekte ähnelt (speziell in aufeinanderfolgenden Bildern).
Der Vergleich der Bildausschnitte kann z.B. auf einfache Weise durch Differenzbildung im Bildbereich erfolgen, aber auch auf komplexeren Verfahren zum Bildvergleich basieren (z.B. Vergleich beleuchtungsunabhängiger Merkmale und/oder Verwendung von Histogrammen zum Bildvergleich).
Die Erkennung von Fehldetektionen erfolgt z.B. auf Basis der erfassten Eigenschaften mit- hilfe eines Klassifikators. Der Klassifikator kann beispielsweise heuristisch, auf Expertenwissen basierend, auf Grund von Erfahrungen oder trainingsbasiert erstellt werden. Insbesondere kann ein regelbasierter Klassifikator zum Einsatz kommen. Für den im Stand der Technik beschriebenen Fall von wiederkehrenden Fehldetektionen an den gleichen Stellen bei statischem Hintergrund könnte eine einfache mögliche Regel z.B. lauten: Wenn ein Objekt mindestens N-mal detektiert und wieder verloren wurde und die Veränderung von Positionen und Größe einen Wert X nicht überschreitet und wenn die Kennzahl bei der Detektion nie einen sicheren Schwellwert überschritten hat, so handelt es sich um eine Fehldetektion. Bei veränderlichem Hintergrund (z.B. bei Schwenks einer beweglichen Kamera) lassen sich entsprechend angepasste Regeln definieren. Wenn ein gefundenes Objekt bereits seit einer festgelegten langen Zeitspanne nicht mehr detektiert wurde (und/oder es sicher nicht als Fehldetektion eingestuft wurde), können bei Bedarf die erfassten Eigenschaften wieder gelöscht werden.
Das beschriebene Verfahren zur automatischen Erkennung von Fehldetektionen in Bildse- quenzen stützt sich beispielsweise auf eine Erfassung der (statistischen) Eigenschaften des Detektors (der Kamera) und/oder der detektierten (erfassten) Objekte innerhalb der Bildsequenz. Ein weiterer Aspekt ist eine Erkennung von Fehldetektionen auf Basis eines Klassi- fikators (z.B. regelbasiert, bzw. wie oben beschrieben) bezüglich der erfassten Eigenschaften. Gemäß einem weiteren Aspekt erfolgt eine Zuordnung von Detektionen in unter- schiedlichen Bildern innerhalb einer Bildsequenz zu einem Objekt anhand von Position und Größe und/oder Vergleich der Bildausschnitte. Bei einer weiteren Alternative können die erfassten Eigenschaften eines Objekts gelöscht werden, wenn das Objekt bereits seit einer festgelegten Zeitspanne nicht mehr detektiert wurde und/oder das Objekt sicher nicht als Fehldetektion eingestuft wurde.
Zum Beispiel können bei einer fest installierten Kamera und statischem Hintergrund Fehldetektionen an immer gleicher Stelle und mit gleicher Größe im Bild wiederholt und auch über längere Zeit durchgehend auftreten. Dies wird begünstigt durch den unveränderlichen Bildinhalt des Hintergrunds. Dies sind Beispiele für charakteristisches Verhalten des ver- wendeten Objekterfassers (Objektdetektors) in Bezug auf Fehldetektionen.
Ein Beispiel für eine davon abgeleitete Regel ist: Wenn ein Objekt (eine Detektion) mindestens einen vorgegebenen Zeitraum lang gefunden wurde und Positions- und Größenänderung klein genug sind (unterhalb eines festgesetzten Schwellwerts liegen) und sich der durch das detektierte Objekt begrenzte Bildinhalt in diesem Zeitraum kaum (maximal um ein festgesetztes Höchstmaß) ändert, so handelt es sich um eine Fehldetektion. Als Wert für die Änderung des Bildinhalts kann beispielsweise eine einfache Differenzbildung im Bildbereich Anwendung finden, aber z.B. auch beleuchtungsunabhängige Merkmale und/oder Verfahren basierend auf Vergleich von Histogrammen.
Bei beweglichen Kameras oder Kameras mit Zoomobjektiven kann nicht davon ausgegangen werden, dass Fehldetektionen die von einem bestimmten Hintergrundbereich der aufgenommenen Szene verursacht werden immer an gleicher Stelle im Bild auftreten. Eine Zuordnung von Detektionen in unterschiedlichen Bildern kann in diesem Fall durch Vergleich des Bildinhalts der unterschiedlichen Objektregionen geschehen und somit als ein gefundenes Objekt in einer Mehrzahl von Bildern betrachtet werden. Eine mögliche Regel für diesen Anwendungsfall könnte z.B. lauten: Wenn eine Detektion mindestens N-mal aufgetreten und wieder verschwunden ist und nie länger als eine vorgegebene Mindestzeit durchgehend detektiert wurde, so handelt es sich um eine Fehldetekti- on. Die Verwendung der Positions- und Größenänderung ist in diesem Anwendungsfall nicht angebracht.
Zur Erkennung einer Fehldetektion in einer Mehrzahl von Bildern kann auch ein Klassifi- kator zum Einsatz kommen, der mit Hilfe eines Trainingsverfahrens erzeugt wurde. Der Klassifikator lernt während eines Trainings anhand der bereits erläuterten Eigenschaften der erfassten Objekte und dem charakteristischen Verhalten des Objekterfassers (Objektde- tektors) in Bezug auf Fehldetektionen den Unterschied zwischen richtig detektieren Objekten und Fehldetektionen.
Konkret kann sich dieser Trainingsprozess z.B. wie folgt gestalten. Als Grundlage dient eine bereits vorhandene Mehrzahl von Bildern (z.B. aufgezeichnetes Video etc.), die Ob- jekte enthält, die durch das System gefunden werden sollen. Diese bereits vorhandene Mehrzahl von Bildern wird im Folgenden als Trainingsdaten bezeichnet. Beim Training werden die Trainingsdaten durch den Objekterfasser (Objektdetektor) verarbeitet und alle erfassten Objekte und deren Eigenschaften (z.B. von einem Experten) in korrekt gefundene Objekte und Fehldetektionen unterteilt. Die korrekt gefundenen Objekte und deren Eigen- Schäften werden als positive Klasse und die Fehldetektionen und ihre Eigenschaften als negative Klasse bezeichnet. Das Trainingsverfahren präsentiert dem Klassifikator Beispiele der positiven und negativen Klasse. Hierdurch erlernt der Klassifikator den Unterschied zwischen Eigenschaften für korrekt gefundene Objekte und Fehldetektionen. Für Klassifi- katoren und Trainingsverfahren können gängige und aus dem Stand der Technik bekannten Verfahren zum Einsatz kommen, z.B. Support Vector Machines, Neuronale Netze etc. Nach dem Training können dem Klassifikator gefundene Objekte aus einer Mehrzahl von Bildern präsentiert werden und er liefert eine Entscheidung, ob es sich um ein korrekt gefundenes Objekt oder eine Fehldetektion handelt. Das Erkennen einer Fehldetektion und/oder das Erfassen eines Objekts kann somit, wie beschrieben, auf Trainingsdaten ba- sieren.
Somit kann das Erkennen auf der bestimmten Eigenschaft des erfassten Objekts, sowie einem charakteristischen Verhalten des verwendeten Objekterfassers (Objektdetektors) in Bezug auf Fehldetektionen und/oder einer statistischen Eigenschaft des bilderzeugenden Detektors basieren.
Fig. 2 zeigt ein Blockdiagramm einer Vorrichtung 200 zum Erkennen einer Fehldetektion eines Objekts in einem Bild entsprechend eines Ausführungsbeispiels gemäß der Erfindung. Die Vorrichtung 200 umfasst einen Objekterfasser 210, einen Bildanalysator 220 und einen Klassifikator 230. Der Objekterfasser 210 erfasst ein Objekt in einem Bild 202 einer Mehrzahl von Bildern. Der Bildanalysator 220 analysiert die Mehrzahl von Bildern, um eine Eigenschaft des erfassten Objekts zu bestimmen. Dabei wird für jedes Bild der Mehrzahl von Bildern bestimmt, ob das jeweilige Bild das erfasste Objekt zeigt. Des Weiteren kann der Klassifikator 230 basierend auf der bestimmten Eigenschaft des erfassten Objekts erkennen, dass es sich bei dem erfassten Objekt um eine Fehldetektion handelt.
Einige Ausführungsbeispiele gemäß der Erfindung beziehen sich auf eine Erkennung von Fehldetektionen, basierend auf parametrisierbaren Eigenschaften einer Detektion über die Zeit, in Verbindung mit einem Klassifikator.
Das erfindungsgemäße Konzept kann beispielsweise in Systemen und bei Verfahren zur Objektdetektion (z.B. Gesichter, Autos), bei Systemen zur Werbewirkungsanalyse (Zählen der Betrachter von Werbung) oder in Bilderkennungssystemen zum Erkennen oder Wiedererkennen eines Objekts in einem Bild angewandt werden. Dabei kann das erfindungsgemäße Konzept insbesondere (aber nicht nur) bei Systemen mit festinstallierter Kamera verwendet werden. Einige Ausführungsbeispiele gemäß der Erfindung beziehen sich auf Bilderkennungssysteme, die eine Vorrichtung zum Erkennen einer Fehldetektion eines Objekts in einem Bild und eine Kamera umfassen. Die Kamera ist dabei ausgelegt, um die Mehrzahl von Bildern zu erzeugen. Obwohl manche Aspekte im Zusammenhang mit einer Vorrichtung beschrieben wurden, versteht es sich, dass diese Aspekte auch eine Beschreibung des entsprechenden Verfahrens darstellen, sodass ein Block oder ein Bauelement einer Vorrichtung auch als ein entsprechender Verfahrensschritt oder als ein Merkmal eines Verfahrensschrittes zu verstehen ist. Analog dazu stellen Aspekte, die im Zusammenhang mit einem oder als ein Verfah- rensschritt beschrieben wurden, auch eine Beschreibung eines entsprechenden Blocks oder Details oder Merkmals einer entsprechenden Vorrichtung dar. Je nach bestimmten Implementierungsanforderungen können Ausführungsbeispiele der Erfindung in Hardware oder in Software implementiert sein. Die Implementierung kann unter Verwendung eines digitalen Speichermediums, beispielsweise einer Floppy-Disk, einer DVD, einer Blu-ray Disc, einer CD, eines ROM, eines PROM, eines EPROM, eines EEPROM oder eines FLASH-Speichers, einer Festplatte oder eines anderen magnetischen oder optischen Speichers durchgeführt werden, auf dem elektronisch lesbare Steuersignale gespeichert sind, die mit einem programmierbaren Computersystem derart zusammenwirken können oder zusammenwirken, dass das jeweilige Verfahren durchgeführt wird. Deshalb kann das digitale Speichermedium computerlesbar sein. Manche Ausführungsbeispie- le gemäß der Erfindung umfassen also einen Datenträger, der elektronisch lesbare Steuersignale aufweist, die in der Lage sind, mit einem programmierbaren Computersystem derart zusammenzuwirken, dass eines der hierin beschriebenen Verfahren durchgeführt wird.
Allgemein können Ausführungsbeispiele der vorliegenden Erfindung als Computerpro- grammprodukt mit einem Programmcode implementiert sein, wobei der Programmcode dahin gehend wirksam ist, eines der Verfahren durchzuführen, wenn das Computerprogrammprodukt auf einem Computer abläuft. Der Programmcode kann beispielsweise auch auf einem maschinenlesbaren Träger gespeichert sein. Andere Ausführungsbeispiele umfassen das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren, wobei das Computerprogramm auf einem maschinenlesbaren Träger gespeichert ist.
Mit anderen Worten ist ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens somit ein Computerprogramm, das einen Programmcode zum Durchführen eines der hierin beschriebenen Verfahren aufweist, wenn das Computerprogramm auf einem Computer abläuft. Ein weiteres Ausführungsbeispiel der erfindungsgemäßen Verfahren ist somit ein Datenträger (oder ein digitales Speichermedium oder ein computerlesbares Medium), auf dem das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren aufgezeichnet ist.
Ein weiteres Ausführungsbeispiel des erfindungsgemäßen Verfahrens ist somit ein Datenstrom oder eine Sequenz von Signalen, der bzw. die das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren darstellt bzw. darstellen. Der Datenstrom oder die Sequenz von Signalen kann bzw. können beispielsweise dahin gehend konfiguriert sein, über eine Datenkommunikationsverbindung, beispielsweise über das Internet, transferiert zu werden. Ein weiteres Ausführungsbeispiel umfasst eine Verarbeitungseinrichtung, beispielsweise einen Computer oder ein programmierbares Logikbauelement, die dahin gehend konfiguriert oder angepasst ist, eines der hierin beschriebenen Verfahren durchzuführen. Ein weiteres Ausführungsbeispiel umfasst einen Computer, auf dem das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren installiert ist.
Bei manchen Ausführungsbeispielen kann ein programmierbares Logikbauelement (beispielsweise ein feldprogrammierbares Gatterarray, ein FPGA) dazu verwendet werden, manche oder alle Funktionalitäten der hierin beschriebenen Verfahren durchzuführen. Bei manchen Ausführungsbeispielen kann ein feldprogrammierbares Gatterarray mit einem Mikroprozessor zusammenwirken, um eines der hierin beschriebenen Verfahren durchzuführen. Allgemein werden die Verfahren bei einigen Ausführungsbeispielen seitens einer beliebigen Hardwarevorrichtung durchgeführt. Diese kann eine universell einsetzbare Hardware wie ein Computerprozessor (CPU) sein oder für das Verfahren spezifische Hardware, wie beispielsweise ein ASIC.
Die oben beschriebenen Ausführungsbeispiele stellen lediglich eine Veranschaulichung der Prinzipien der vorliegenden Erfindung dar. Es versteht sich, dass Modifikationen und Va- riationen der hierin beschriebenen Anordnungen und Einzelheiten anderen Fachleuten einleuchten werden. Deshalb ist beabsichtigt, dass die Erfindung lediglich durch den Schutzumfang der nachstehenden Patentansprüche und nicht durch die spezifischen Einzelheiten, die anhand der Beschreibung und der Erläuterung der Ausführungsbeispiele hierin präsentiert wurden, beschränkt sei.

Claims

Patentansprüche
Verfahren (100; 150) zum Erkennen einer Fehldetektion eines Objekts in einem Bild, mit folgenden Schritten:
Erfassen (1 10) eines Objekts in einem Bild einer Mehrzahl von Bildern;
Analysieren (120) der Mehrzahl von Bildern, um eine Eigenschaft des erfassten Objekts zu bestimmen, wobei für jedes Bild der Mehrzahl von Bildern bestimmt wird, ob das jeweilige Bild das erfasste Objekt zeigt; und
Erkennen (130), dass es sich bei dem erfassten Objekt um eine Fehldetektion handelt, wobei das Erkennen (130) auf der bestimmten Eigenschaft des erfassten Objekts und zumindest entweder einem charakteristischen Verhalten des verwendeten Objekterfassers (Objektdetektors) in Bezug auf Fehldetektionen oder einer statistischen Eigenschaft eines bilderzeugenden Detektors basiert.
Verfahren gemäß Anspruch 1 , wobei bei dem Analysieren (120) der Mehrzahl von Bildern zumindest zwei Eigenschaften des Objekts bestimmt werden, und wobei eine Fehldetektion zumindest basierend auf den beiden bestimmten Eigenschaften erkannt wird.
Verfahren gemäß Anspruch 1 oder 2, wobei die Bilder der Mehrzahl von Bildern zeitlich aufeinanderfolgende Bilder sind.
Verfahren gemäß Anspruch 3, wobei die zeitlich aufeinanderfolgenden Bilder der Mehrzahl von Bildern je eine Zeitinformation aufweisen.
Verfahren gemäß einem der Ansprüche 1 bis 4, wobei bei der Analyse der Mehrzahl von Bildern als eine Eigenschaft des Objekts bestimmt wird (152), welches Bild der Mehrzahl von Bildern ein erstes Bild ist, in dem das Objekt zum ersten Mal gezeigt ist.
Verfahren gemäß Anspruch 5, wobei bei der Analyse der Mehrzahl von Bildern als eine weitere Eigenschaft des Objekts bestimmt wird (154), in wie vielen auf das erste Bild direkt folgenden Bildern der Mehrzahl von Bildern das Objekt gezeigt ist. Verfahren gemäß Anspruch 6, wobei bei der Analyse der Mehrzahl von Bildern als eine weitere Eigenschaft bestimmt wird (156), in wie vielen auf die Bilder, in denen das Objekt gezeigt ist, direkt folgenden Bildern der Mehrzahl von Bildern das Objekt nicht gezeigt ist.
Verfahren gemäß einem der Ansprüche 5 bis 7, wobei bei der Analyse der Mehrzahl von Bildern als eine Eigenschaft des Objekts bestimmt wird (158), um wie viel sich eine Position oder Größe des erfassten Objekts in einem dem ersten Bild folgenden Bild in einem Vergleich zu einer Position oder Größe des erfassten Objekts in dem ersten Bild verändert hat.
Verfahren gemäß einem der Ansprüche 5 bis 8, wobei bei der Analyse der Mehrzahl von Bildern als eine Eigenschaft des Objekts bestimmt wird (160), wann das Objekt zum letzten Mal in einem Bild gezeigt wurde.
Verfahren gemäß einem der Ansprüche 1 bis 9, wobei bei der Analyse der Mehrzahl von Bildern als eine Eigenschaft des Objekts bestimmt wird (162), wie oft das Objekt in einem Bild gezeigt ist, nachdem es in einem zeitlich direkt vorhergehenden Bild nicht gezeigt ist.
Verfahren gemäß einem der Ansprüche 1 bis 10, wobei bei dem Bestimmen, ob ein Bild das erfasste Objekt zeigt, als Eigenschaft des Objekts eine Kennzahl bestimmt wird (164), wobei die bestimmte Kennzahl ein Maß für die Wahrscheinlichkeit ist, dass das erfasste Objekt in dem Bild gezeigt ist.
Verfahren gemäß einem der Ansprüche 1 bis 1 1 , wobei bei der Analyse der Mehrzahl von Bildern als eine Eigenschaft des Objekts ein Inhaltsparameter bestimmt wird (166), wobei der Inhaltsparameter eine Bewertung eines Inhalts eines Bildausschnitts eines Bildes der Mehrzahl von Bildern darstellt, wobei der bewertete Bildausschnitt das erfasste Objekt zeigt.
Verfahren gemäß Anspruch 12, wobei der Inhaltsparameter für eine Mehrzahl von aufeinanderfolgenden Bildern der Mehrzahl von Bildern bestimmt und ausgewertet (168) wird.
Verfahren gemäß einem der Ansprüche 1 bis 13, wobei die Mehrzahl von Bildern von einer einzigen Kamera aufgenommen wurden.
15. Verfahren gemäß einem der Ansprüche 1 bis 14, wobei die Mehrzahl von Bildern von einer beweglichen Kamera aufgenommen wurde, wobei die Eigenschaft unter Berücksichtigung einer Bewegung der Kamera bestimmt wird.
16. Verfahren gemäß einem der Ansprüche 1 bis 15, mit folgenden weiteren Schritten:
Speichern des erfassten Objekts mit seiner bestimmten Eigenschaft in einer Datenbank; und
Löschen des erfassten Objekts mit allen zugehörigen Eigenschaften aus der Datenbank, wenn das Objekt länger als eine maximale Zeitdauer nicht in einem Bild der Mehrzahl von Bildern gezeigt wurde oder wenn eine Fehldetektion ausgeschlossen wurde.
17. Vorrichtung (200) zum Erkennen einer Fehldetektion eines Objekts in einem Bild, mit folgenden Merkmalen: einem Objekterfasser (210), der ausgelegt ist, um ein Objekt in einem Bild (202) einer Mehrzahl von Bildern zu erfassen; einem Bildanalysator (220), der ausgelegt ist, um die Mehrzahl von Bildern zu analysieren, um eine Eigenschaft des erfassten Objekts zu bestimmen, wobei für jedes Bild der Mehrzahl von Bildern bestimmt wird, ob das jeweilige Bild das erfasste Objekt zeigt; und einen Klassifikator (230), der ausgelegt ist, um basierend auf der bestimmten Eigenschaft des erfassten Objekts und zumindest entweder einem charakteristischen Verhalten des verwendeten Objekterfassers (Objektdetektors) in Bezug auf Fehlde- tektionen oder einer statistischen Eigenschaft eines bilderzeugenden Detektors zu erkennen, dass es sich bei dem erfassten Objekt um eine Fehldetektion handelt.
18. Bilderkennungssystem mit folgenden Merkmalen: einer Vorrichtung zum Erkennen einer Fehldetektion eines Objekts in einem Bild gemäß Anspruch 17; und eine Kamera, die ausgelegt ist, um die Mehrzahl von Bildern zu erzeugen. Computerprogramm mit einem Programmcode zur Durchführung des Verfahrens gemäß einem der Ansprüche 1 bis 16, wenn das Computerprogramm auf einem Computer oder Mikrocontroller abläuft.
PCT/EP2010/064651 2009-10-02 2010-10-01 Verfahren und vorrichtung zum erkennen einer fehldetektion eines objekts in einem bild WO2011039351A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP10759928.4A EP2483834B1 (de) 2009-10-02 2010-10-01 Verfahren und Vorrichtung zum Erkennen einer Fehldetektion eines Objekts in einem Bild

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102009048117.6 2009-10-02
DE102009048117A DE102009048117A1 (de) 2009-10-02 2009-10-02 Verfahren und Vorrichtung zum Erkennen einer Fehldetektion eines Objektss in einem Bild

Publications (1)

Publication Number Publication Date
WO2011039351A1 true WO2011039351A1 (de) 2011-04-07

Family

ID=43332840

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2010/064651 WO2011039351A1 (de) 2009-10-02 2010-10-01 Verfahren und vorrichtung zum erkennen einer fehldetektion eines objekts in einem bild

Country Status (3)

Country Link
EP (1) EP2483834B1 (de)
DE (1) DE102009048117A1 (de)
WO (1) WO2011039351A1 (de)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014106506A1 (de) 2014-05-08 2015-11-12 Valeo Schalter Und Sensoren Gmbh Verfahren zum Durchführen einer Diagnose eines Kamerasystems eines Kraftfahrzeugs, Kamerasystem und Kraftfahrzeug
US10702206B2 (en) 2015-06-29 2020-07-07 Braun Gmbh Toothbrush for oral cavity position detection
EP3141151B1 (de) 2015-09-08 2023-10-18 Braun GmbH Bestimmung eines derzeit behandelten körperteils eines benutzers
EP3207823A1 (de) 2016-02-16 2017-08-23 Braun GmbH Aufbaukonzept eines interaktiven systems
DE102018201849A1 (de) * 2018-02-07 2019-08-08 Continental Automotive Gmbh Verfahren zur Reduzierung der Fehlerrate in einem Objekterkennungssystem

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0445334A1 (de) * 1990-03-08 1991-09-11 Siemens Aktiengesellschaft Verfahren zur Detektion von Intrudern
US20050104961A1 (en) * 2003-11-17 2005-05-19 Mei Han Video surveillance system in which trajectory hypothesis spawning allows for trajectory splitting and/or merging
EP1873732A2 (de) * 2006-06-30 2008-01-02 Sony Corporation Bildverarbeitungsvorrichtung, Bildverarbeitungssystem und Verfahren zur Filtereinstellung

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10252731A1 (de) * 2002-11-13 2004-05-27 Robert Bosch Gmbh Verfahren zur Überwachung einer Szene mit wenigstens einem bildgebenden Sensor
DE102007025620A1 (de) * 2007-06-01 2008-12-04 Robert Bosch Gmbh Vorrichtung zur Bestimmung einer Objekt- und/oder Existenzwahrscheinlichtkeit eines Suchobjekts in einem Auslesefenster eines Bildes, Verfahren sowie Computerprogramm
DE102007041893A1 (de) * 2007-09-04 2009-03-05 Robert Bosch Gmbh Verfahren zur Detektion und/oder Verfolgung von bewegten Objekten in einer Überwachungsszene mit Störern, Vorrichtung sowie Computerprogramm

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0445334A1 (de) * 1990-03-08 1991-09-11 Siemens Aktiengesellschaft Verfahren zur Detektion von Intrudern
US20050104961A1 (en) * 2003-11-17 2005-05-19 Mei Han Video surveillance system in which trajectory hypothesis spawning allows for trajectory splitting and/or merging
EP1873732A2 (de) * 2006-06-30 2008-01-02 Sony Corporation Bildverarbeitungsvorrichtung, Bildverarbeitungssystem und Verfahren zur Filtereinstellung

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"Christian Küblbeck und Andreas Ernst. Face Detection and tracking in video sequences", IMAGE VISION COMPUTING, vol. 24, no. 6, June 2006 (2006-06-01), pages 564 - 572
JULIO CEZAR SILVEIRA JACQUES JR; CLÄUDIO ROSITO JUNG, BACKGROUND SUBTRACTION AND SHADOW DETECTION IN GRAYSCALE VIDEO SEQUENCES, 2005
PAUL VIOLA; MICHAEL JENES: "Rapid Object Detection using a Boosted Cascade of Simple Features", PROCEEDINGS IEEE CONF. ON COMPUTER VISION AND PATTERN RECOGNITION, 2001
SEN-CHING S.; CHEUNG; CHANDRIKA KAMATH, ROBUST TECHNIQUES FOR BACKGROUND SUBSTRACTION IN URBAN TRAFFIE VIDEO, 2004

Also Published As

Publication number Publication date
EP2483834B1 (de) 2015-04-08
DE102009048117A1 (de) 2011-04-07
EP2483834A1 (de) 2012-08-08

Similar Documents

Publication Publication Date Title
EP2467828B1 (de) Verfahren und system zur automatischen objekterkennung und anschliessenden objektverfolgung nach massgabe der objektform
DE102014210820B4 (de) Verfahren zum Nachweis von großen und Passagierfahrzeugen von festen Kameras
DE112017001311T5 (de) System und Verfahren zum Trainieren eines Objektklassifikators durch maschinelles Lernen
DE102014216794A1 (de) Robuste und recheneffiziente videobasierte Objektverfolgung in kontrollierten Bewegungsumgebungen
EP2034461B1 (de) Verfahren zur Detektion und/oder Verfolgung von bewegten Objekten in einer Überwachungsszene mit Störern, Vorrichtung sowie Computerprogramm
WO2020192849A1 (de) Automatische erkennung und klassifizierung von adversarial attacks
WO2005048195A2 (de) Verfahren zur korrespondenzanalyse in bilddatensätzen
DE19847261A1 (de) Verfahren und System zur Personenerkennung mit modellbasierter Gesichtsfindung
EP2174260A2 (de) Vorrichtung zur erkennung und/oder klassifizierung von bewegungsmustern in einer bildsequenz von einer überwachungsszene, verfahren sowie computerprogramm
EP2483834B1 (de) Verfahren und Vorrichtung zum Erkennen einer Fehldetektion eines Objekts in einem Bild
DE102015208139A1 (de) Fahrzeuginsassenerfassung mittels des Abstands zwischen Beifahrer- und Fahrermerkmalen
DE102009055127A1 (de) Vorrichtung und Verfahren zum Überwachen von Videoobjekten
EP0564858B1 (de) Verfahren zur Auflösung von Clustern bewegter Segmente
WO2012110654A1 (de) Verfahren zur auswertung einer mehrzahl zeitlich versetzter bilder, vorrichtung zur auswertung von bildern, überwachungssystem
DE112021005703T5 (de) Informationsverarbeitungseinrichtung und informationsverarbeitungsverfahren
EP2359308B1 (de) Vorrichtung zur erzeugung und/oder verarbeitung einer objektsignatur, überwachungsvorrichtung, verfahren und computerprogramm
DE60310766T2 (de) Beleuchtungsunabhängige gesichtserkennung
DE19600958A1 (de) Interaktives Überwachungssystem
DE102009048118B4 (de) Verfahren und Vorrichtung zum Verwalten von Objektansichtsdaten in einer Objektdatenbank
DE102018208481A1 (de) Abschätzen eines Verlaufs eines Schienenpfads
DE102018201909A1 (de) Verfahren und Vorrichtung zur Objekterkennung
DE102018127738B4 (de) Kamerablockadeerfassung für autonome Fahrsysteme
EP0514390B1 (de) Verfahren zur bestimmung der momentanen lage und form von bewegten objekten und zu deren anzeige als binärbild
WO2021180547A1 (de) Verfahren und vorrichtung zum verarbeiten von bildern
DE102018201914A1 (de) Verfahren zum Anlernen eines Modells zur Personen-Wiedererkennung unter Verwendung von Bildern einer Kamera und Verfahren zum Erkennen von Personen aus einem angelernten Modell zur Personen-Wiedererkennung durch eine zweite Kamera eines Kameranetzwerkes

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 10759928

Country of ref document: EP

Kind code of ref document: A1

DPE1 Request for preliminary examination filed after expiration of 19th month from priority date (pct application filed from 20040101)
WWE Wipo information: entry into national phase

Ref document number: 2010759928

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE