Title | Cheat Sheet / Formelsammlung MMK2 |
---|---|
Course | Mensch-Maschine Kommunikation 2 |
Institution | Technische Universität München |
Pages | 4 |
File Size | 494.3 KB |
File Type | |
Total Downloads | 203 |
Total Views | 402 |
4ei####### * kann Spuren von Katzen enthalten nicht für Humorallergiker geeignet alle Angaben ohne Gewehr MMK 21 SinnesorganeAuge 87% , Ohr 10% , Rest 3%1. Sehen1.1. Das Auge Hornhaut; Pupille; Iris (hell/dunkel Adaption); Zilliarmuskel; Linse (Fo-kus); Glask ̈orper; Retina (optisch aktive Elemente,...
4
2. Allgemeines
1.2. Farbmischung
*
ei
MMK 2
Arten der Farbmischung
an elci h An t üf ga r be Hu nm or oh an el r gi Ge k ewe r h ge r eg i net
1. Additiv aktive Prim¨ arstrahler; RGB;
Auge 87% , Ohr 10% , Rest 3%
Farbw¨ urfel
Grundfarben,
Mischungen,
s/w
definieren
Auge
Dmax ≈ 1, 4 ∗ 1011 m−2
Normfarbtafel nach C.I.E Ziel: Farbeindruck s¨amtlicher spektraler ¨ Farben duch additive Uberlagerung dreie monochromatischer Strahler nachzubilden; λR,CIE = 700nm, λG,CIE = 546.1nm, λB,C IE = 435.8nm sog. Normvalenzen; Im Bereich 350nm < λR < 540nm negativ; ⇒ nachzubildende Farbe mit rot ¨ uberlagert; ⇒ es ist nicht m¨ oglich, alle wahrnehmbaren Farben mit nur drei Prim¨ arstrahlern nachzubilden; Virtuelle Normvalenzen Uneigentliche Farbmischung; X(r), Y(g), Z(b); exist nicht real durch add. Farbmischung, k¨ onnen aber jede wahrnehmbare Farbe darstellen; z
T
0.49 X Y = 0.177 0 Z
Psychooptik Bezeichnung
Einheit
Einheit
Strahl.st¨arke I Strahl.dichte LΩ
W sr W sr m2
lm = cd sr lm · s
Strahl.leistung P Strahl.energie E Bestrahl.st¨ arke E
W J = Ws
lx · s
Energiedichte w
Lichtst¨ arke Iv
cd (Candela)
Leuchtdichte L Lichtstrom Φv Lichtmenge Qe Beleucht.st¨arke Ev Belichtung H
Physik Bezeichnung
cd m2
lm lx = m 2
Lichtausbeute µ =
W m2 J m2
Lichtstrom 1 lm W Stahlungsleistung
1.1.3. Farbsehen St¨ abchen sw, hohe Konz(1.2 ∗ 108 ), Nachtsehen; S-Zapfen Blau 430nm, M-Zapfen Gr¨ un 530nm, L-Zapfen Rot 560nm, 1:10:10, insg. 7 ∗ 106 ; 1.1.4. Gesichtsfeld volles Farbemfpinden nur im ¨Uberlappungsbereich der Farbzonen; prim¨ ares Gesichtsfeld horiz. −15◦ < θ < +15◦ und vert. −17◦ < φ < +14◦ ; 3D: −55◦ < θ < 55◦
Homepage: www.latex4ei.de – Fehler bitte sofort an [email protected]
}|
0.31 0.813 0.01
{ 0.2 R CIE 0.01 GCIE 0.99 BCIE
Daraus ergibt sich z = 1 − (x + y ); Die Farbeindr¨ ucke durch elmag Wellen best. F, befinden sich auf Begrenzunglinie der Fl¨ache. Im Inneren befinden sich s¨ amtliche Mischfarben, die durch Mischug der x und y Valenzen erzeugen lassen; Weißpunkt im schwerpunkt; Luminanznormierte Normkarte: x+y +z = 1 ⇒ z = 1 − (x + y) x=
X X+Y +Z
Y y = X+Y +Z
Z z = X+Y +Z
1 m
(−jω1 )
dx1 dx2
i=1
g(x1 , x2 )
Gc (ω1 , ω2 ) ω ω 1 G ( 1 , b2 ) |ab| c a
e−j·(ω 1 a+ω 2 b) Gc (ω1 , ω2 )
e−j·(ax1 +bx2 ) g(x1 , x2 ) ∂ m ∂ n g(x , x ) 1 2 ∂xm ∂xn
Gc (ω1 − a, ω2 − b) (jω1 )m (jω2 )n Gc (ω1 , ω2 )
2
∂n ∂m ∂ω m ∂ω n Gc (ω1 , ω2 ) 1 2 (2π)2 g(−ω1 , −ω2 )
(−jω2 )n g(x1 , x2 )
Gc (x1 , x2 ) δ(x1 − a, x2 − b) =
e−j·(ω 1 a+ω 2 b)
2 x2 x2 ) −( 4a1 + 4b , e
e−j·(ω1 a+ω 2 b)
= δ(x1 − a)δ(x2 − b) 1 √ 4π ( ab
2
(a,b>0)
ur|x1 | < a, |x2 | < b 1 f¨ 0 sonst ( ur|x1 | < a 1 f¨ 0
Verwendung der Rechenaufwand
Berechnung
M 1 P a ω2 )ej·(ω 1 x1 +ω 2 x2 ) dω1 dω2 1. Mittelwert der Punkte: a = M i
g(ax1 , bx2 ), (a,b reel)
1.2.1. CIE
Dmin ≈ 5 ∗ 109 m−2
Prinzip des Sehens ca. 380-750nm (4 ∗ 1014 Hz − 7, 5 ∗ 1014 Hz ≈ 1 Oktave; λ = fc ); 100dB; spektr. Empf. je nach Adaption: Tagsehen / photopische Sehen / Farbempfinden bzw. Nachtsehen / scotopische Sehen; Sakkade ⇒ fovea centralis; 1.1.2. Psychooptische und physik. Messgr¨oßen ∼ Lichtst¨arke eines monochromatischen strahles mit 1cd = 1 W arke von 683 f = 5.4 · 1014 Hz und der Strahlungsst¨ sr
−j·(ω 1 x1 +ω 2 x2 )
g(x1 − a, x2 − b), (a,b reel)
1.1.1. Das Auge Hornhaut; Pupille; Iris (hell/dunkel Adaption); Zilliarmuskel; Linse (Fokus); Glask¨ orper; Retina (optisch aktive Elemente, 1 − 2 ∗ 108 Rezeptoren) mit Fovea centralis (h¨ ochste Zapfendichte) und blindem Fleck; 6 Sehnerv(10 Nervenfasern); Aderhaut; Lederhaut; q hz h = 1 = 2l tan β hz = D 2 xd
g(x1 , x2 ) =
Ecken;
(R, G, B)T = (1, 1, 1)T − (C, M, Y )T ;
1.1. Sehen
Zweck: Reduktion der Merkmale durch rep¨ asentativsten Hauptachsen, geringer
∞ ´
∞ ´
g(x1 , x2 )e −∞ −∞ ∞ ∞ ´ ´ 1 Gc (ω1 , 2 (2π) −∞ −∞
Gc (ω1 , ω2 ) =
2. Subtraktiv CMY ; Absorption best. Prim.farben; Ausgegangen wird von einer weiß beleuchteten Oberfl¨ache;
1. Menschliche Sinnesorgane
2.4. Hauptachsentransformation / PCA
2.1. 2D-Fouriertransformation
* k a n n Spu r e n v on Ka zt e n e n ht a etl n
4
sin(aω 1 ) sin(bω 2 ) ω1 ω2
2
sonst
2
sin(aω 1 ) δ(ω2 ) ω1
2. Mittelwertbefreites Essemble: Ψ = [(a1 − a), ..., (aM − a) 1 ΨeT Kovarianzmatirix: Φ = M Ψ e 0 Eigenwerte: det(Φe − λ · I )e = Eigenvektoren: Φe· uk = e uk · λk ⇒ (Φ − λk · I )uk = 0 e e e sind orthogonal Eigenvektoren normieren ⇒ Eigenvektoren
3. 4. 5. 6.
3. Bildverarbeitung 3.1. Separierbarkeit Das Signal g(x1 , x2 ) l¨ asst sich schreiben als: g(x1 , x2 ) = g1 (x1 ) · g2 (x2 ) Bildfilter m¨ oglichst immer separieren, um Laufzeit bzw. Operationen zu sparen.
3.2. Diskrete Signale 3.2.1. Kausalit¨ at
( beliebig f¨ urn1 , n2 > 0 0 sonst. Bei Z-Transformation: |Grad(Z¨ ahler)| ≥ |Grad(Nenner)| → Infinite Impulse Response(IIR) |Grad(Z¨ ahler)| ≤ |Grad(Nenner)| → Finite Impulse Response(FIR) 3.2.2. Abtastung Ideale Abtastung: ∞ ∞ P P g[x1 , x2 ] = g(x1 , x2 )δ[x1 −l1 ·X1 , x2 −l2 ·X2 ]
kausal, wenn: g[n1 , n2 ] =
2.2. Farbr¨ aume 2.2.1. RGB R 1 G = 1 B 1
0 −0.395 2.033
2.2.2. YUV
1.140 Y −0.581 U 0 V U = 0.492 · (B − Y ) V = 0.877 · (R − Y )
Y: Chrominanz (Helligkeit) U, V: Luminanz (Farbe)
0.114 R 0.436 G B −0.1
Ω1 −2πl1 Ω2 −2πl2 ) , x2 x1
3.2.3. Quantisierung
Bereich zwischen dem g¨ oßten (gmax ) und kleinsten Grauwert (gmin )
H: Farbton (hue) S: S¨ attigung (saturation) V: Farbwert (value) ( 0
ur V = 0 f¨
V −min{R,G,B} V
sonst.
f¨ur V = R, S 6= 0
f¨ur V = G, S 6= 0 f¨ur V = B, S 6= 0
sonst.
3.2.5. Speicherbedarf von Grauwertbildern ur Dynamikbereich:b = ⌈ld(gmax − gmin + 1)⌉ # Bits f¨ M: #Zeilen, N: #Spalten Speicherplatz: b · M · N 3.2.6. Z-Transformation ∞ ∞ P P −n −n g[n1 , n2 ]z1 1 z2 2 G(z 1 , z 2 ) = n1 =−∞ n2 =−∞
g[n1 , n2 ] δ[n1 , n2 ] δ[n1 − a, n2 − b]
2.3. Klassifikation Erkennung
X vorhanden
X erkannt
a) richtig positiv
b) falsch positiv
X nicht erkannt
c) falsch negativ
d) richtig negativ
von Hendrik B¨ ottcher und Felix Franzel
Gc (
normalerweise lineare Quantisierung mit N = 2b Stufen. (b: #Bits) f¨ urs menschliche Auge gen¨ ugen 256 Graustufen 3.2.4. Dynamikbereich
2.2.3. HSV (nicht blau, weiß und schwarz!!!)
G−B V −min{R,G,B} B−R 2 + V −min{R,G,B} H = R−G 4 + V −min{R,G,B} 0
∞ P
l1 =−∞ l2 =−∞
Abtastabst¨ ande: X1 , X2 Abtastheorem: Xπ ≥ ωg,1 und Xπ ≥ ωg,2 2 1 Grenzfrequenz ωg,i : maximal vorkommende Frequenz in Richtung ωi
Y: Garaustufen Projection p auf UV- Ebene: Farbs¨ attigung Winkel α mit U-Achse: Farbton Y 0.299 0.587 −0.289 U = −0.147 V 0.615 −0.515
V = max{R, G, B} , S =
l1 =−∞ l2 =−∞ ∞ P
G(Ω1 , Ω2 ) = x 1x 1 2
G(z 1 , z 2 ) 1 −a −b z2
z1
X nicht vorhanden
Stand: 22. Juli 2018 um 20:12 Uhr
1
3.4.3. SNR b[n1 , n2 ] = bI [n1 , n2 ] + n[n1 , n2 ]
¨ Von der Filtermatrix zur Ubertragungsfunktion 1 0 0 0 2 3 1. Filtermatrix: -1 0 0
SNR =
2. Impulsantwort: g[n1 , n2 ] = = −δ[n1 , n2 ] + 2δ [n1 − 1, n2 − 1] + 3δ[n1 − 2, n2 − 1] + + δ[n1 , n2 − 2] ¨ 3. Ubertragungsfunktion: G(z 1 , z 2 ) = −2 −2 −1 −1 −1 = −1 + 2z1 z2 + 3z1 z2 + z2
N P
M P
n =1 n2 =1 10log1 0( 1 N M P P
n1 =1 n2 =1
3.6.1. Rauschkompensation Mittelwertfilter und Gaußfilter sind lineare Filter. Tiefpass/Rechteckfunktion → langsam abklingendes Spektrum orter Punkte auf umliegende Pixel → starker Einfluss gest¨
) (n[n1 ,n2 ])2 −
1 e Rauschsignal: hn (n1 , n2 ) = 2πσ
Kompensationfilter
(n1 −µ1 )2 +(n2 −µ2 )2 2σ2
•
3.5. Kantenhervorhebung
3.2.7. Diskrete Fouriertransformation (f¨ ur aperiodische Sequenzen) akt. Pixel ist rot und fett G[K − 1, K − 2] = q k n k n N −1 N −1 2 2) 1P 2 P −j2π( 1 1 + N arke: bs [n1 , n2 ] = (bn1 [n1 , n2 ])2 + (bn2 [n1 , n2 ])2 N1 2 0 ≦ k1 ≦ N1 − 1, Kantenst¨ g[n1 , n2 ]e n1 =0 n2 =0
3.2.8. Filterstukturen Y (z)
H(z) = X(z) =
b0 +b1 z −1 +...+bm z −m 1+a1 z −1 +...+am z −m
Kantenrichtung: bΘ [n1 , n2 ] = arctan( b 2[n 1,n 2] ) n1 1 2 0 ≦ k2 ≦ N2 − 1 sonst 3.5.1. Gradientenfilter in n1 -Richtung Detektion harter h Kanteni h i Pixeldifferenz: 1 −1 separ. Pixeldiff.: 1 0 −1 1 0 −1 1 0 −1 0 −1 Sobel: 2 0 −2 Prewitt: 1 1 0 −1 1 0 −1 1 0 −1 √ √ Frei-Chen: 2 0 − 2 1 0 −1
3.3. Faltung
τ =−∞ τ =−∞ F
s(x1 , x2 )
g(x1 , x2 )
=
g(x1 , x2 )
∗
h(x1 , x2 )
=
g(τ1 , τ2 )h(x1 − τ1 , x2 − τ2 ) dτ1 dτ2
4π
=
m1 =−∞ m2 =−∞
3.4. Bildst¨orungen 3.4.1. Additive Bildst¨o rung • weißes, gaußverteiltes Rauschen: ensteht durch spontane Ladungstrennung oder thermischen St¨ orung bei der Analog/Digitalwandlung • Impulsrauschen ( Salt’n’Pepper“): ” fehlerhafte Pixel erscheinen als schwarze oder weiße Bildpunkte 3.4.2. Lineare, ortsinvariante Bildst¨ o rungen • Motion Blur: Verwischung durch Bewegung von Objekt oder Sensor • Focus Blur: Unsch¨arfe durch falsche Fokussierung
Detektion weicher Kanten −1 0 −1 0 4 −1 −1 −1 0 −1 0 −1
−1
8 −1
−1
1
−1 −2 −1 1
1
n2 ] = 1 • Medianfilter: akt. Pixel bekommt den Wert des Medians der Filtermaske zugewiesen 3.6.2. Blurkompensation Finde raus wie die St¨orfunktion H(z 1 , z 2 ) aussieht und musltipliziere mit 1 ⇒ alles roger.... total einfach... am besten mit dieser Aufgabe H(z ,z )
f ´
0
0 −1
2
´ ! g
pf (f0 ) df0 =
0
´g 0
pg (g0 ) dg0
diskret g K(gnorm ) = ⌊ norm N −1N2 ⌋+⌈ N1Gn2 ⌉|0 ≦ gnorm ≦ G−1 G |Kb (g) − Kb,norm (gnorm )| T (g) = argmin 0≤gnorm ≤G−1
−2
4 −2
1
−2 1
3.7. Morphologische Operatoren Anwendung auf Bin¨ arbilder mit kleinen Strukturelementen. Vergleich des aktuellen Pixels und Umgebung mit dem Muster des Strukturelements 3.7.1. Erosion X ⊖ m[n1 , n2 ] = {(n1 , n2 )|m[n1 , n2 ] ⊂ X} komplettes Muster stimmt mit der Umgebung des akt. Pixels u¨berein ⇒ akt. Pixel ist 1 (Fl¨ache nimmt ab) 3.7.2. Dilatation X ⊖ m[n1 , n2 ] = {(n1 , n2 )|m[n1 , n2 ] ∩ X 6= ∅} ein Teil des Musters stimmt mit der Umgebung des akt. Pixels uberein ¨ ⇒ akt. Pixel ist 1 (Fl¨ache nimmt zu) ¨ 3.7.3. Offnen X ◦ m[n1 , n2 ] = (X ⊖ m[n1 , n2 ]) ⊕ m[n1 , n2 ] Erosion, dann Dilatation (Unruhige Teile des Bildes werden entfernt) 3.7.4. Schließen X • m[n1 , n2 ] = (X ⊕ m[n1 , n2 ]) ⊖ m[n1 , n2 Dilatation, dann Erosion (kleine, getrennt liegende Teile werde zu einem gr¨oßeren Objekt zusammengefasst) Als Faltung: bm [n1 , n2 ] =
Gesichter werden auf Bildern erkannt.
4.1. Farbbasierte Gesichtsdetektion Hautfarbensegmentierung: Analyse sehr vieler verschiedener Gesichter typische Farbwerte f¨ ur Gesichter im HSV-Raum: 0 ≤ H ≤ 36◦ und 0, 1 ≤ S ≤ 0.57undV: 0 − 255 ⇒Binarisierung der Gesichtsbilder ¨ Fazit: eignet sich f¨ ur genauere Uberpr¨ ufungen von erkannten Gesichtern aus anderen Verfahren 4.1.1. rg-Chrominanzmodell g1 = −0.7279 · r 2 + 0.6066 · r + 0.1766 g2 = −1.8423 · r 2 + 1.5294 · r + 0.0422 Wr2 (r, g) = (r − 0.33)2 + (g − 0.33)2 urg1 ≤ bg [n1 , n2 ] ≤ g2 , 1 f¨ bbin,HSV [n1 , n2 ] = W (br [n1 , n2 ], bg [n1 , n2 ]) ≤ 0.02 0 sonst
4.2. Multiskalen-basierte Gesichtsdetektion
Skalierte Bilder, um verschiedene Blockgr¨ oßen f¨ur unterschiedliche Gesichtsgr¨ oßen erhalten zu k¨ onnen Tiefpassfilterung des Bildes N neue Bildpunkte Unterabtastung um den Faktor 2 ⇒ 4
Speicherung: Nges = 34 · N (geomtr. Reihe)
4.3. Viola-Jones ist formbasiert hohe Erkennungsrate und geringe Rechenzeit f¨ ur Detektion Anwendung auf Hautfarbenbereiche 4.3.1. Merkmale Allgemeine Form: ms · m × ns · n
pg (g0 ) dg0
bei angestrebter Gleichverteilung: Tf (g) = f =
Median wird aus auf- oder absteigend geordnetet Werten x = {x1 , ..., xN } gebildet. x N+1 f¨ ur N ungerade 2 Median(x) = ur N gerade 0.5 · (x N + x N+2 ) f¨ 2
1 9 9 1 Mittelwertfilter: 1 9 9 1 1 9 9 1 1 1 8 16 16 1 1 1 Gaußfilter (Gaußtiefpass): 8 8 4 1 1 1 16 8 16 2 −n2 +n2 P 1 2σ hGauß [n1 , n2 ] = A · e hGauß [n1 ,
kontinuierlich momentane Verteilung: pg , angestrebte Vereilung: pf , Gesucht: Tf (g) = f
3.5.4. Binarisierung weitere Herausarbeitung der Kanten z.B f¨ur anschließende Segmentierung oder Skelettierung ( 1 f¨ ur b[n1 , n2 ] ≥ s bBin [n1 , n2 ] = 0 f¨ ur b[n1 , n2 ] < s s ist die Entscheiderschwelle. Meist ist s < 50
2
1 9 1 9 1 9
anfangen..... NICHT!!! 3.6.3. Histogrammausgleich ogliche Ausnutzung des dynamikbereichs des Bilds → NormalverteiBestm¨ lung Transformation existent falls Verteilungsdichtefunktion und Transformationsfunktion kontinuierlich und als analytischer Ausdruck vorhanden. Vorteil: Kontrasterverbesserung Nachteil: u.u. unnat¨urliches Bild
3.5.3. Laplacefilter
❜ r S(ω1 , ω2 ) = G(ω1 , ω2 ) ∗ H (ω1 , ω2 ) F · h(x1 , x2 ) ❜ r 1 G(ω1 , ω2 ) ∗ H(ω1 , ω2 ) 2
Normalisierte Faltung: s[n1 , n2 ] = g[n1 , n2 ] ∗ h[n1 , n2 ] ∞ ∞ P P g[m1 , m2 ]h[n1 − m1 , n2 − m2 ]
Detektion harter Kanten # " −1 −1 separ. Pixeldiff.: Pixeldifferenz: 0 1 1 1 1 1 1 2 0 0 Sobel: 0 0 Prewitt: 0 −1 −1 −1 −1 −2 √ 1 2 −1 0 0 Frei-Chen: 0 √ −1 − 2 −1
1
1
3.5.2. Gradientenfilter in n2 -Richtung
s(x1 , x2 ) ∞ ∞ ´ ´
•
bn [n ,n
0
4. Gesichtsdetektion
3.6. Bildrestauration /-verbesserung
(bI [n1 ,n2 ])2
Typ A B h
1 "
−1 #
1 −1
i
−1 1 1 −1 1 " # 1 −1
C D
E
ohe min. H¨ (ms · m)
Basis h 1
−1
i
1
min. Breite (ns · n)
1·m
2·n
2·m
1·n
1·m
3·n
3·m
1·n
2·m
2·n
max. Skalierung mit Bild M × N : N M ⌋ und n mmax = ⌊ m max = ⌊ n ⌋ s s
Anzahl d. Translationen in n- und m-Richtung: Nm,trans = M − ms m + 1 und Nn,trans = N − ns n + 1 Anzahl d. Realisierungen Nges nmax P mmax P Nn,trans · Nm,trans = Nges = =
=
n=1 m=1 mP max Nm,trans = Nn,trans m=1 n=1 nmax [2N+2−ns (nmax +1)]·mmax [2M +2−ms (mmax +1)] 4
nmax P
bbin [n1 ,n2 ]∗m[−n1 ,−n2 ] |m|
bdil [n1 , n2 ] = ⌈bm [n1 , n2 ]⌉ bero [n1 , n2 ] = ⌊bm [n1 , n2 ]⌋
Homepage: www.latex4ei.de – Fehler bitte sofort an [email protected]
von Hendrik B¨ ottcher und Felix Franzel
Stand: 22. Juli 2018 um 20:12 Uhr
2
4.3.2. Integralbild Integration des Orginalbildes ( Aufsummierung der Pixelwerte bis zum aktuellen Pixel) n2 n1 P P b[n1 , n2 ] bint [n1 , n2 ] = ′ =1 n′ =1 n1 1 N1 , 1 ≤ n2 ≤
mit 1 ≤ n1 ≤ N2 ⇒ Einspaarungen von Operationen: Bei Rechteckfiltern ⇒ Reduzierung auf 4 Operationen (Verrechnung der Eckwerte) ⇒ Unabh¨angigkeit von der Merkmalsskalierung Ia =
P
b[n1 , n2 ] A P Ib = Ia + b[n1 , n2 ] B P Ic = Ia + b[n1 , n2 ] C P P P P Id = b[n1 , n2 ] + b[n1 , n2 ] + b[n1 , n2 ] + b[n1 , n2 ] A B C D P b[n1 , n2 ] = Id + Ia − (Ic + Ib ) D
Schnelles Aufstellen des Integralbildes 1 1 1 1. Orginalbild: 1 1 1 1 1 1 1 1 1 2 2 2. Berechnung d. Spaltensummen: 2 3 3 3 1 2 3 4 6 3. Berechnung d. Zeilensummen: 2 3 6 9
4.3.3. Merkmalselektion
Selektion der geeigneten Merkmale ( 1 f¨ urpj · fj (b[n1 , n2 ) ≤ pj · Θj hj (b[n1 , n2 ) = −1 sonst
5.3. Delaunay-Kriterium
Darstellung von Gesichtsbildern in einem anderen Koordinatensystem duch Hauptachsentransformation Hauptachsen sind Vektoren die selbst als Gesichtsbilder aufgefssst werden onnen ⇒ Eigengesichter k¨ starke Reduktion der Dimensionalit¨ at m¨oglich dann Abstandsklassifikatoren im reduzierten Merkmalsraum M Gesichtsbilder der Gr¨ oße N1 xN2 Verfahren siehe PCA(Allgemeines)
Erf¨ ullt, wenn sich im Umkreis des Dreiecks a, b, c kein weiterer Punkt p befindet. Der Mittelpunkt des Umkreises ist der Schnittpunkt der
5.1.1. Bestimmung der Eigengesichter • Gesichter als (N − 1 · N2 x1) Vektor in Matrix A = [a1 , ..., a m ] • PCA • Vektor in neuem Raum: w = U · (b − a) T P • Sch¨ ui · wi atzung durch Eigenvektoren: b = a + i=1
• nur M-1 sinvolle Eigenvektoren ¨ • Eigenvektoren → Richtung gr¨ oßter Anderung p p • Gewichtsgrenzen: −3 λs,i ≦ ws,i ≦ 3 λs,i
5.2. Prokrustes Analyse ¨ Ziel: M¨ oglichst gute Ubereinstimmung der zwei Vielecke P = [p , ..., p ] , Q = [q , ..., q ] 1 1 N "N # e e ax −ay M(ax , ay ) = = Askal · Arot : Skalierung, Rotation ay ax f e e ax = s cos α, ay = s sin α t: Translation
Q(1) = proc(P, Q) Gewichtungsfaktorci (meistens 1)
Minimierung des Quadrates der gewichteten Fehler: N N P P ci |p − M (ax , ay )[q ] − t|2 Ei = E = i i f i=1 i=1 ∂E = 0 ∂(a ,a ,t ,t ) x
y
x
5. Gesichtsidentifikation Merkmale von bereits erkannten Gesichtern werden weiterverabeitet
Xp ·Xq +Yp ·Yq −N ·C1 2 −Y 2 N·Z−Xq q Xp ·Xq −Yp ·Yq +C ·C2 2 −Y 2 N·Z−Xq q Xp ·Z−C1 ·Xq +C2 ·Yq N·Z−Xq2−Y 2 q Yp ·Z−C1 ·Yq −C2 ·Xq 2 N·Z−X 2 q −Y q
ax = − ay = tx =
ty = q 2 + a2 s= ax y a y α = arccos ax = arcsin s s 5.2.1. Projection auf Mittelwertsform P (k) 1 Fk = M · i = 1MFi (k)
Fi
Homepage: www.latex4ei.de – Fehler bitte sofort an [email protected]
x
Seitenhalbierenden. " # 0 −1 g = sa + λ (b − a) 1 0 sa = a + 0.5( " b − a)#
(k−1)
= proc(F k−1 , F i
7.1. Exponentialfunktion und Logarithmus ax = ex ln a
π/4
π/3
ϕ
0◦
30◦
45◦
sin
0
cos
1
1 √2 3 2 √ 3 3
√1 2 √1 2
60◦ ...