Autonome Konturdetektion von Schiffen in maritimem Bildmaterial
Publication date
2013
Document type
PhD thesis (dissertation)
Author
Holm, Bengt
Advisor
Referee
Granting institution
Helmut-Schmidt-Universität / Universität der Bundeswehr Hamburg
Exam date
2013-04-29
Organisational unit
DOI
Part of the university bibliography
✅
DDC Class
620 Ingenieurwissenschaften
Keyword
Wasserfahrzeug
Kontur
Erfassung
Abstract
Die Herausforderung und damit grundlegende Idee dieser Dissertation ist die Erzeugung einer schnellen und robusten Segmentierung von Schiffen in maritimem Bildmaterial. Betrachtet werden dabei sowohl Infrarotdaten als auch hochauflösende Fotos aus dem sichtbaren Spektralbereich. Die DV-Anlage KEOD, welche von der Marine an Bord zahlreicher im Einsatz befindlicher Einheiten verwendet wird, klassifiziert Schiffe anhand ihrer Silhouette und weiteren semantischen Merkmalen. Sowohl die Merkmale als auch die Kontur des Schiffes müssen von Hand eingegeben werden. Der Datenbankabgleich erfolgt dann mittels den Algorithmen zur Klassifikation. Der Weg hin zu einer Automatisierung macht es nötig die gewünschten Objekte im Bildmaterial detektieren und segmentieren zu können. Diese Dissertation stellt ein Verfahren vor, welches die Detektion und Segmentierung der Objektkontur automatisiert und somit einen großen Schritt hin zu einem autonomen Sea-Surveilance-System bedeutet. Der Stand der Technik soll in einem kurzen Überblick vorgestellt werden. Die Bildverarbeitung erfährt einen Großteil ihrer Innovationen aus einem industriellen Umfeld heraus. Anders als bei den milita?rischen Anforderungen kann hier oft bereits bei der Datengewinnung Einfluss genom- men werden. Beleuchtung, Farbe von Objekthintergründen oder Kameraposition können angepasst werden und sind in der Regel bekannt. Auch die Entwicklungen der Automobilindustrie für autonom agierende Fahrzeuge sind im Rahmen der Schiffsklassifikation nicht anwendbar, da neben rein bildgebenden Sensoren hier unter anderem auch Laserscanner und Radar zum Einsatz kommen. Trotzdem gibt es vielversprechende Verfahren. Zu nennen sind hier vor allem die graphenbasierten Algorithmen, wie zum Beispiel GrabCut und MorphCut und die aktiven Konturverfahren. Alle zielführenden Ansätze haben jedoch gemeinsam, dass die hohe Komplexität sich in einer langen Berechnungszeit niederschlägt. Hinzu kommt, dass alle Verfahren eine Initialisierung benötigen und die Qualität der Ergebnisse stark von gewählten Eingangsparametern abhängt. Insgesamt kann kein Verfahren die gestellte Herausforderung lösen. Die Innovationen dieser Dissertation erweitern den Stand der Technik an zwei Schlüsselstellen. Es wird ein Verfahren zur schnellen Objektdetektion und Vorsegmentierung vorgestellt. Der Algorithmus nutzt statistische Merkmale von variablen Bildregionen aus und arbeitet stabil auf einem weiten Feld von Eingangsbildern ohne Anpassung der Parameter. Mittels diesem Verfahren kann eine Initialisierung der im vorherigen Abschnitt vorgestellten graphenbasierten Algorithmen erfolgen. Die zweite Schlüsselstelle erweitert die Erzeugung der Feinkontur. Hierzu wurde der MorphCut auf einer Vielzahl von Eingangsdaten evaluiert und mittels Bildpyramiden bei gleichbleibender Leistungsfähigkeit beschleunigt. Die Lösung, welche im Rahmen dieser Dissertation entstand, wurde in einem Demonstrator umge- setzt. Funktionen zur Analyse, Auswertung und Visualisierung erweitern die Kernalgorithmen. Es entstand ein neuer und robuster Ansatz zur Konturerzeugung, welcher sich durch geringe Komplexität und somit niedrige Rechenzeit auszeichnet. Die notwendigen Konfigurationsparameter sind auf ein Minimum reduziert und lassen sich u?ber weite Teile des Bildmaterials vorwählen. Zusätzlich wurde durch die Einbindung einer genetischen Parametersuche auch für diesen Schritt ein Hilfsmittel erstellt. Das Problem, dass es bisher nicht möglich war, die Leistung verschiedener Algorithmen für eine Verwendung zur Schiffsklassifikation objektiv zu bewerten, wurde gelöst. Hierzu haben mehrere Probanden Konturen von Hand gezeichnet und wurden zu einer Grundwahrheit gemittelt. Auf diese Weise ist ein für die KEOD-Klassifikatoren relevantes Maß entstanden. Ein Vergleich von Konturen unter objektiven Gesichtspunkten ist möglich. Auch konnte erstmals ein Wert ermittelt werden, wie genau der Mensch Konturen zeichnet. Dieser Varianz kommt eine erhebliche Bedeutung bei der Betrachtung zukünftiger Klassifikatoren zu welche zum Beispiel für KEOD eingesetzt werden sollen.
Version
Not applicable (or unknown)
Access right on openHSU
Open access