Die Erkennung und Lokalisation von Objekten ist eine der zentralen Aufgaben des maschinellen Bildverstehens. Potentielle Anwendungsgebiete reichen von der Qualitätskontrolle über Fertigungs- und Lagerhaltungsszenarien bis zu einer Vielzahl von Einsätzen in der Robotik. Die aktuellen Forschungsaktivitäten konzentrieren sich auf die Erkennung von 3D-Objekten, wobei noch viele Verfahren Einschränkungen bezüglich der Komplexität der Objekte verlangen.
Die Sensordaten spielen eine Schlüsselrolle bei der Implementierung eines Objekterkennungssystems. Statt der üblichen Grauwert- oder Farbbilder werden in dieser Arbeit ausschließlich Tiefendaten verwendet. Moderne Sensortechnik wird für die zuverlässige und schnelle Gewinnung der Daten eingesetzt. Durch die Repräsentation von Entfernungsinformation sind Tiefendaten besonders gut zur Erkennung von 3D-Objekten geeignet. Tiefendaten erfordern allerdings neue Auswerteverfahren, bekannte Verfahren für 2D-Bilder lassen sich nur zum Teil übertragen.
Der wesentliche wissenschaftliche Beitrag der vorliegenden Dissertation liegt in der Realisierung eines neuartigen ansichtsbasierten Objekterkennungsverfahrens. Konsequent werden die Vorteile von Tiefendaten, sowohl bei der Modellierung, als auch bei der Auswahl der Merkmale zur Erkennung genutzt.
Die Modellansichten werden automatisch aus den CAD-Beschreibungen der Objekte generiert. Verlässliche 3D-Merkmale in Form von Normalenvektoren, Krümmungen und Distanzwerten werden für jeden einzelnen Punkt berechnet. Durch die segmentierungsfreie Strategie wird das Verfahren robust gegenüber partiellen Verdeckungen und ermöglicht die Erkennung beliebig geformter 3D-Objekte. Die Invarianzeigenschaften der ausgewählten Merkmale vereinfachen die Erkennung erheblich. Die Merkmale werden in multidimensionalen Histogrammen zusammengefasst. Dadurch reduziert sich die Datenmenge, das Verfahren wird sehr schnell und ist für praktische Anwendungen geeignet. Das Matching selbst basiert auf einem statistischen Modell der Objekte. Verschiedene Methoden zum Vergleich von Modell- und Szenendaten werden ausführlich untersucht.
Die Leistungsfähigkeit des Ansatzes wird durch eine Vielzahl von experimentellen Untersuchungen an Objekten mit Freiformflächen nachgewiesen.
Aktualisiert: 2019-12-12
> findR *