Please choose your delivery country and your customer group
Die Dissertation befasst sich mit der Erkennung artilulierter Objekte durch künstliche Systeme aus Bildsequenzen und wie diese Erkennung durch das Lernen eines Modells verbessert werden kann. Artilulierte Objekte bestehen aus mit Gelenken verbundenen Einzelteilen, beispielsweise der menschliche Körper. In den praktischen Beispielen wird als artikuliertes Objekt ein bekleideter menschlicher Arm verwendet, das Verfahren ist aber allgmein auf beliebige artilulierte Objekte anwendbar. Nach der Einleitung wird in Kap. 2 ein Überblick über existierende Systeme gegeben, von denen viele von einem bekannten Anfangsstatus und händischer Anpassung an eine reale Versuchsperson ausgehen. Im Gegensatz dazu arbeitet das entwickelte System autonom bezüglich der Initialisierung von Modell und Anfangszustand. Kap. 3 beschreibt dann die Erkennung artilulierter Objekte und ihrer Einzelheiten durch die Analyse von Punkten, die über eine kurze Bildsequenz verfolgt werden. Zur Verfolgung eines Gitters von Punkten werden verschiedene Modelle angewandt: (1) Region-Growing-Verfahren (Anordnung der verfolgten Punkte in einem regelmäßigen Gitter) und (2) GNG (Growing Natural Gas), bei dem Punkte auf binarisierten Differenzbildern halbautomatisch platziert werden. Kap. 4 stellt ein Multiagentensystem (MAS) vor, das zur Unterstützung der Punktverfolgung durch Fusion vieler einfacher Hinweise beiträgt. Dabei werden die Positionen der Punkte durch Mausklick beliebig definiert, so dass das implizite Wissen des Benutzers ohne weitere programmtechnische Umsetzung einbezogen werden kann. Das menschliche Wissen bei der Definition des Tracking-Agenten wird so genutzt, dass es nicht explizit formuliert werden muss, etwa durch Erstellung eines Prototypen. Kap. 5. stellt einen alternativen Ansatz vor, der den zeitlichen Ablauf nicht berücksichtigt, sondern durch Analyse von Einzelbildern eine Möglichkeit zur Erkennung von Armposen liefert. Kap. 6 gibt eine abschließende Bewertung und einen Ausblick auf zukünftige Arbeiten.