Zusammenfassung Machine Vision

Deformable_mod
Deformierbare Gesichtsmodelle
Schwachpunkt des Eigenface-Ansatzes
 Kein Gesicht ist gleich  Features sind woanders
 Augen haben eine konstante, aber der Rest des Gesichts ist verschwommen
 Vektorkomponenten beschreiben nicht immer den gleichen Punkt (Augenwinkel …)
 Resultat: Ghosting Artifacts in Eigenfaces
 Verschiebung und Skalierung reduziert dieses Problem etwas
 Heute: Warp der Bilder obligatorisch in Morphable Models, Active Appearance Models
Das Korrespondenzproblem
 Identifiziere korrespondierende Punkte
 Augenwinkel, Mundwinkel, Nasenspitze
 Repräsentiere diese immer durch die gleiche Variable
 Unterscheide die individuelle
 2DForm = Lage der Merkmale
 Farbe / Grauwert / Textur der Merkmale
 PCA der Form und Textur
Formbasierte Objektpräsentation
 (Snakes=Active Contour Models
 Kass, Witkin, Terzopoulos 1987)
 Active Shape Models
 Cootes, Taylor 1995
 2D Morphable Models
 Poggio, Vetter, Beymer, Jones 19951998
 Sehr ähnlicher Ansatz zu:
 Active Appearance Models
 Cootes, Taylor, Edwards 1998
 3D Morphable Models
 Blanz, Vetter 1999
Snakes = Active Contour Models
 Verfolgung von Linien in Bildsequenzen
 Linien: Mund, Nase, Augenbrauen etc.
 Manuell initialisiert
 Energieminimisierender Spline:
 Steifigkeit
 Verformung war teuer und noch teurer wenn es Zeit echt war
 Viskoelastizität
 Äußeres Potential

,  Bewegungsgleichungen
 Implizite Eulermethode
Snakes
 Tracking von Features zur Gesichtsanimation
Konturmodelle
 Anpassung eines deformierbaren Kurvenmodells an Grauwertkonturen.
 Aufgaben:
 Vermeide unplausible Verläufe
 Interpoliere über Bildbereiche mit fehlendem Kontursignal: Konturvervollständigung.
 Snakes: Innere Steifigkeit
 Active Shape Models: erlerntes Modell der möglichen (erlaubten) Formen
Active Shape Models, ASM
 Zunächst für elektrische Widerstände, Hände, medizinische Daten, später für Gesichter
ASM: Lernphase
1. Labeling: Manuelle Markierung der Merkmalspunkte auf der Trainingsmenge. Merkmal i
auf Bild j:



2. Alignment: Verschiebung, Skalierung und Rotation der Bildkoordinaten der Merkmale, bis
minimaler least-squares Fehler korrespondierender Punkte untereinander.
3. PCA der xy-Koordinaten: nach Zusammenführung in einem Vektor
Wenn sich ein Punkt verschoben hat, dann verschieben sich die anderen auch
dementsprechend  damit das passt und kein Wirrwarr entsteht