Active Appearance Models (AAM)

18.12.2003Mario Ullrich

2

Warum das Ganze?

3

Wie gelangt man dort hin?1. Erstellen des Modells

1. Das Active Shape Modell2. Erweiterung um Texturen3. Vereinigung

2. Modell Suche1. Korrektur der Parameter2. Iterative Minimierung

3. Beispiele4. Zusammenfassung

4

Active Shape Modell• Annotierte Trainingsbilder

• Ausrichten der Trainingsdaten• Hauptkomponentenanalyse

• Erstellen des Modells

5

Erweiterung mit Texturen Ziel : Erstellen einer Beschreibung

der Durchschnittstextur der Form

• Speichern des Grauwerts von jedem Pixel

• Werte normieren : Skalierung und Offset

• Hauptkomponentenanalyse auf den normierten Daten

6

Vereinigung zum AAM(1/2)Gegeben :

• Weitere Hauptkomponentenanalyse • Ws als Ausgleich für Form- und Texturparameter

• Ergebnis: „ ein b“

7

Vereinigung zum AAM(2/2)• So kann für ein gegebenes c ein neues Trainingsbild angepasst werden, indem die Texturen des Vektors g generiert werden und sie in die Kontrollpunkte in x eingebunden werden.

• mit den Formeln

8

Suche

Angleichen des Modells an das Bild

ABER WIE?

9

SucheProblem: Optimiere den Unterschied zwischen Bild und Modell

Lösung: Variation des Vektors c,

jedoch : Hochdimensionales Problem

Ansatz: Optimierungsproblem wiederholt sich

finden einer linearen Abhängigkeit

absichtliches Stören von Parametern

10

Suche• Position, Maßstab oder Orientierung ändern

• Aufzeichnen der veränderten g und c

• Anwendung bei den Trainingsbildern

• Multivariate Regression um die lineare Abhängigkeit zu erreichen

11

SucheIteratives Verfahren zur Angleichung an das Bild

mit gegebener aktueller Schätzung

Vorgehen:1. Fehlervektor berechnen

2. Erwartete Entfernung

3. Neue Schätzung errechnen

4. Neuer Fehler < vorheriger wiederholenoder andere Konstante verwenden

12

Suchbeispiel

13

Anwendungsgebiete Mimikerkennung

Verfolgung deformierbarer Objekte

Gesichtserkennung

Medizinische Bilderkennung

14

Zusammenfassung Vorteile

Echtzeitfähig (ASM) Wiederverwendbar (Modell) (ASM) Deutlich mehr Informationen durch Texturen Dadurch bessere Suchergebnisse

Nachteile Hoher Initialisierungsaufwand (ASM) Große Abhängigkeit von Training Set (ASM) Schlechte Leistung bei ungünstiger Initialisierung Im Vergleich längere Suche als ASM

15

Vielen Dank für die Aufmerksamkeit !