Fortschritte in der Robotik Band 5 Probabilistische
Transcrição
Fortschritte in der Robotik Band 5 Probabilistische
Fortschritte in der Robotik Band 5 Probabilistische Erkennung von 3d Freiformobjekten mit Bayesschen Netzen Björn Krebs Dissertation, Technische Universität Braunschweig, 1999 Fortschritte in der Robotik Band 5 Technische Universität Braunschweig Institut für Robotik und Prozeßinformatik Prof. Dr.-Ing. Friedrich M. Wahl (Hrsg.) Björn Krebs Probabilistische Erkennung von 3d Freiformobjekten mit Bayesschen Netzen . Shaker Verlag Aachen 2000 Die Deutsche Bibliothek - CIP-Einheitsaufnahme Krebs, Björn: Probabilistische Erkennung von 3d Freiformobjekten mit Bayesschen Netzen / Björn Krebs. - Als Ms. gedr. - Aachen : Shaker, 2000 (Fortschritte in der Robotik ; Bd. 5) Zugl.: Braunschweig, Techn. Univ., Diss., 2000 ISBN 3-8265-7316-1 . Copyright Shaker Verlag 2000 Alle Rechte, auch das des auszugsweisen Nachdruckes, der auszugsweisen oder vollständigen Wiedergabe, der Speicherung in Datenverarbeitungsanlagen und der Übersetzung, vorbehalten. Als Manuskript gedruckt. Printed in Germany. ISBN 3-8265-7316-1 ISSN 1431-7222 Shaker Verlag GmbH • Postfach 1290 • 52013 Aachen Telefon: 02407 / 95 96 - 0 • Telefax: 02407 / 95 96 - 9 Internet: www.shaker.de • eMail: [email protected] v Vorwort Die vorliegende Arbeit ist im Rahmen meiner Tatigkeit als wissenschaftlicher Mitarbeiter am Institut f ur Robotik und Prozeinformatik der Technischen Universitat Braunschweig entstanden. Sie steht in engem Zusammenhang mit dem von der Deutschen Forschungsgemeinschaft gef orderten Projekt "Objekterkennung durch geplante Erkennungsstrategien" 1 . Ich m ochte mich in erster Linie bei Herrn Prof. Wahl f ur die fruchtbare Zusammenarbeit herzlich bedanken. Er regte diese Arbeit an und unterst utzte mich wahrend ihrer Erstellung stets auf umfangreiche Weise. Herrn Prof. Niemann, der sich zur Ubernahme des Koreferats bereit erklart hat, gilt ebenfalls mein Dank. Meinen wissenschaftlichen Kollegen danke ich f ur die gute Zusammenarbeit in einer angenehmen, freundschaftlichen Atmosph are. Dar uberhinaus gilt mein Dank all denen, die mich beim Korrekturlesen meiner Arbeit unterst utzt haben; hierbei insbesondere meiner Freundin Bettina Darda. Auch die Anregungen von Ronald Krebs und Marc Burkhardt haben mir bei der Erstellung dieser Arbeit sehr geholfen. Schlielich m ochte ich an dieser Stelle auch meinen Eltern f ur ihre bestandige, personliche Unterst utzung danken. Braunschweig, im Oktober 1999 1 DFG Projekt Wa 848/5 Bjorn Krebs vii Inhaltsverzeichnis 1 Einleitung 1.1 3d Objekterkennung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Zielsetzung und Aufbau der Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . 1.3 Abgrenzung zu anderen Arbeiten . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2 3 4 2 3d Objekterkennung im Uberblick 2.1 Problembeschreibung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 Der Computer als Beobachter . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3 Objektreprasentationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.1 Bildbasierte Objekterkennung . . . . . . . . . . . . . . . . . . . . . . . . 2.3.2 Merkmalsbasierte Erkennung ohne geometrische 3d Modelle . . . . . . . 2.3.3 Merkmalsbasierte Erkennung mit geometrischen 3d Modellen . . . . . . . 2.3.4 CAD-basierte Objekterkennung . . . . . . . . . . . . . . . . . . . . . . . 2.4 Sensordaten fur die Erkennung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.1 Sensoren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.2 Sensordatenanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.3 Merkmale in Sensordaten . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.4 Merkmale als Relationen von Sensordaten . . . . . . . . . . . . . . . . . 2.5 Interpretationsverfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5.1 Lageberechnungsalgorithmen . . . . . . . . . . . . . . . . . . . . . . . . . 2.5.2 Zuordnungsalgorithmen . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.6 Motivation einer probabilistischen Modellierung von Objekterkennungssystemen 2.7 Probabilistische Objekterkennung . . . . . . . . . . . . . . . . . . . . . . . . . . 7 7 16 18 19 21 22 24 26 27 28 29 32 34 35 36 39 45 3 Ein didaktisches Erkennungsbeispiel 49 4 Merkmale von 3d Objekten 4.1 Merkmale von Freiformobjekten . . . . . . . . . . . . . . . . . 4.2 Merkmale an Ecken und Kanten . . . . . . . . . . . . . . . . . 4.2.1 Extraktion planarer Flachensegmente aus Tiefendaten . 4.2.2 Merkmale an planaren Flachensegmenten . . . . . . . . 4.3 Merkmale an 3d Randkurven . . . . . . . . . . . . . . . . . . 4.4 Darstellung von 3d Randkurven . . . . . . . . . . . . . . . . . 4.5 Geometrische Eigenschaften von 3d Randkurven . . . . . . . . 4.6 Teilkurven denieren Merkmale . . . . . . . . . . . . . . . . . 4.7 Die Ahnlichkeit von Teilkurven . . . . . . . . . . . . . . . . . 4.8 Extraktion aus Tiefendaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 74 76 76 78 80 81 84 87 91 94 viii Inhaltsverzeichnis 4.8.1 Segmentierung von Randpunkten . . . . . . . . . . . . 4.8.2 Eliminierung fehlerhafter Daten . . . . . . . . . . . . . 4.8.3 3d kubische B-Spline Approximation . . . . . . . . . . 4.8.4 Glattung von Randkurven . . . . . . . . . . . . . . . . 4.9 Ein Extraktionsbeispiel von Randkurven . . . . . . . . . . . . 4.10 Genauigkeitsanalyse der Kurvenextraktion . . . . . . . . . . . 4.10.1 Geometrische Bedeutung von Krummung und Torsion . 4.10.2 Genauigkeit der Krummung . . . . . . . . . . . . . . . 4.10.3 Genauigkeit der Torsion . . . . . . . . . . . . . . . . . 4.10.4 Genauigkeit der Zuordnung von Kurven . . . . . . . . 5 6 Generierung der Bayesschen Netze 5.1 Grundlegende Modellierungskonzepte . . . . . . . . . . . . 5.1.1 Das Prinzip der Kausalitat . . . . . . . . . . . . . . 5.1.2 Bewertung kausaler Abhangigkeiten . . . . . . . . . 5.1.3 Multikausale Abhangigkeiten . . . . . . . . . . . . . 5.2 Bestimmende Faktoren bei der Modellierung . . . . . . . . 5.2.1 Die Signikanz von Merkmalen . . . . . . . . . . . 5.2.2 Individuelle Gewichtung von Signikanzen . . . . . 5.2.3 Einuder a priori Wahrscheinlichkeit . . . . . . . . 5.2.4 Die Verlalichkeit von Merkmalen . . . . . . . . . . 5.3 Netzgenerierung aus CAD-Modellen . . . . . . . . . . . . . 5.3.1 Aufbau der Netzstruktur . . . . . . . . . . . . . . . 5.3.2 Generierung der Bayesschen Netze . . . . . . . . . 5.3.3 Merkmale in CAD-Daten . . . . . . . . . . . . . . . 5.3.4 Generierung uber relationale Strukturen . . . . . . 5.3.5 Netzgenerierung aus statistischen Daten . . . . . . 5.4 Geometrische Relationen . . . . . . . . . . . . . . . . . . . 5.5 Netzgenerierung mit 3d Merkmalen . . . . . . . . . . . . . 5.5.1 Generierung fur Merkmale an Ecken und Kanten . 5.5.2 Generierung fur Randkurven . . . . . . . . . . . . . 5.5.3 Beispiel fur Objekte mit sehr ahnlichen Randkurven 5.5.4 Beispiel fur Freiformobjekte . . . . . . . . . . . . . 5.5.5 Integration unterschiedlicher Merkmale . . . . . . . 5.5.6 Beispiel fur geometrische Relationen . . . . . . . . Der Fuzzy-ICP Zuordnungsalgorithmus 6.1 ICP Algorithmus . . . . . . . . . . . . . . . . . . . . . . 6.1.1 Keine Segmentierung mit dem ICP Algorithmus . 6.2 Fuzzy ICP Algorithmus . . . . . . . . . . . . . . . . . . . 6.2.1 Zugehorigkeitsfunktionen . . . . . . . . . . . . . . 6.2.2 Korrekte Segmentierung mit dem Fuzzy ICP . . . 6.3 Die Referenz-Evidenz der Zuordnung . . . . . . . . . . . 6.4 Die Transformationsberechnung . . . . . . . . . . . . . . 6.5 Die Korrespondenzpunktbestimmung . . . . . . . . . . . 6.5.1 Der Korrespondenzpunkt auf einer Dreiecksache 6.5.2 Der Korrespondenzpunkt auf einer Freiformache . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 96 97 97 102 103 104 108 111 114 117 119 119 122 123 126 127 129 130 131 133 134 136 136 138 140 143 145 145 149 152 156 158 161 163 163 164 167 170 170 171 174 175 176 176 ix Inhaltsverzeichnis 6.6 Konvergenzverhalten des Fuzzy ICP Algorithmus 6.7 Aufwand des Fuzzy ICP Algorithmus . . . . . . . 6.7.1 3d Hashing . . . . . . . . . . . . . . . . . 6.7.2 Reduktion der Sensordaten . . . . . . . . . 6.7.3 Erreichte Beschleunigung . . . . . . . . . . 6.8 Genauigkeit des Fuzzy ICP Algorithmus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7.1 Das Prinzip der Planung von Aktionsschritten . . . . . . . . . . 7.2 Bayessches Netz zur Planung . . . . . . . . . . . . . . . . . . . . 7.3 Erkennungsstrategien . . . . . . . . . . . . . . . . . . . . . . . . 7.3.1 Akquisition neuer Sensordaten . . . . . . . . . . . . . . . 7.3.2 Extraktion von 3d Hypothesen . . . . . . . . . . . . . . . 7.3.3 Validierung von 3d Hypothesen . . . . . . . . . . . . . . 7.3.4 Zuordnung von Sensordaten zu 3d Hypothesen . . . . . . 7.3.5 Ergebnisse verschiedener Erkennungsstrategien . . . . . . 7.4 Atomare Aktionen und ihre Kosten . . . . . . . . . . . . . . . . 7.5 Grundlagen der Entscheidungsndung . . . . . . . . . . . . . . . 7.6 Entscheidungen in Bayesschen Netzen . . . . . . . . . . . . . . . 7.6.1 Inuenzgraphen . . . . . . . . . . . . . . . . . . . . . . . 7.6.2 Unsicherheiten bei der Aktionsauswahl . . . . . . . . . . 7.6.3 Inuenzgraphen als Bayessche Netze . . . . . . . . . . . 7.6.4 Folgen von Aktionen . . . . . . . . . . . . . . . . . . . . 7.7 Erkennungsergebnisse realer Szenen . . . . . . . . . . . . . . . . 7.7.1 Erkennung mit Ecken- und Kantenmerkmalen . . . . . . 7.7.2 Erkennung fur eine Szenenmanipulation . . . . . . . . . 7.7.3 Erkennung mit Randkurven . . . . . . . . . . . . . . . . 7.7.4 Erweiterung der Kurvenklassen . . . . . . . . . . . . . . 7.7.5 Erkennungsergebnisse komplexer Szenen . . . . . . . . . 7.7.6 Kombination verschiedener Kurventypen und Merkmale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 Aktive 3d Objekterkennung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181 181 183 185 186 188 189 190 190 194 194 194 195 195 197 198 200 203 204 205 207 215 217 218 221 221 221 222 222 8 Zusammenfassung und Ausblick 226 Literatur 229 Betreute Studien- und Diplomarbeiten 253 Eigene Veroentlichungen 254 Index 256 x Inhaltsverzeichnis xi Zusammenfassung In dieser Arbeit werden neue Konzepte zur expliziten Modellierung von Unsicherheiten wahrend des Erkennungsprozesses mit Hilfe von Bayesschen Netzen vorgestellt. Diese erlauben die statistischen Eigenschaften von Merkmalen und Objekten in einer konsistenten Form zu modellieren, um so die Bewertung der aktuellen Erkennungssicherheit zu ermoglichen. Die Berucksichtigung der Signikanz von Merkmalen und deren Abhangigkeiten mit Hilfe von Zugehorigkeitsrelationen garantiert die konsistente Integration unterschiedlicher Merkmale, um die Selektion der wahrscheinlichsten Objekte zu ermoglichen. Eine Losung des Segmentierungsproblems, zum einen auf Merkmalsebene mit Hilfe geometrischer Relationen, zum anderen auf Objektebene durch eine robuste Zuordnung von Freiformmodellen zu Sensordaten mittels des Fuzzy ICP Algorithmus, erlaubt die korrekte Validierung von Objekthypothesen. Durch eine Ausgleichsberechnung uber viele Sensordaten kann die 3d Lage eines erkannten Objekts hinreichend genau bestimmt werden. Verlaliche 3d Merkmale in Form von Ecken, Kanten und Randkurven werden vorgestellt. Die eÆziente Extraktion sowohl aus Tiefendaten als auch aus CAD-Objektdenitionen stellt hierbei die Basis fur ein robustes 3d Objektkennungssystem von Freiformachen dar. Eine dem Extraktionsverfahren in Tiefendaten gleichartige Berechnung von Merkmalen aus CADObjektmodellen erlaubt die automatische Generierung der Bayesschen Netze aus CAD-Daten. Die einzelnen Evidenzen der erkannten Objekte werden in eine Planung von Aktionsschritten integriert. Die Interaktion von Evidenzpropagation und Aktionsauswahl ermoglicht ein exibles, aktives 3d Objekterkennungssystem, das sich an die aktuelle Komplexitat der beobachteten Szene adaptiert. In dieser Arbeit werden innovative, grundlegende Konzepte fur eine probabilistische 3d Erkennung von beliebigen Objekten vorgestellt. Die Einbettung in ein theoretisches Modell und die Verwendung mathematisch fundierter Konzepte stellen die vorgeschlagenen Methoden auf eine solide Basis, die die Allgemeingultigkeit dieser neuen Sichtweise unterstreichen und die vorgestellten Methoden auch fur andere Anwendungen attraktiv machen. Die Entwicklung einer konzeptionell neuen Sichtweise zur Losung der 3d Erkennungsproblematik steht deshalb im Mittelpunkt dieser Arbeit. Die Methoden werden in ein 3d Erkennungssystem fur Freiformobjekte umgesetzt und deren Tragfahigkeit anhand einer Validierung an praktischen Erkennungsaufgaben unter Beweis gestellt. xii Inhaltsverzeichnis xiii Abstract In this work a new approach to 3d object recognition for free form objects is introduced. The statistical behavior of features and objects is modeled in terms of Bayesian networks. A consistent representation of statistical and geometrical a priori knowledge allows to evaluate the uncertainty within the recognition process. The signicance of features to discriminate the set of object hypotheses and their dependencies to the whole database of objects guarantees the selection of the most probable object hypotheses. The integration of dierent types of features can be achieved consistently within the framework of a Bayesian net representation. A solution to the segmentation problem is presented on the feature level by geometrical relations and on the object level by a fuzzy ICP matching algorithm. A weighted least square minimization of matched correspondences allows the robust computation of the object locations even in the case of noise. Reliable features for free form objects like corners, edges and rims are introduced. EÆcient algorithms for the extraction of these features forms the basis of robust 3d CAD object recognition systems. By extracting features in range data and CAD data in the same way an automatic construction of Bayesian nets is achieved. The recognition system adapts to the current complexity of the scene by integrating the recognition results from the evidence propagation into a decision reasoning. The proposed methods are basic concepts for 3d object recognition. The consistent representation in a theoretical and mathematical framework guarantees a sound foundation which makes their application for other purposes of uncertain data processing available, too. The introduction into a new approach to 3d probabilistic recognition is the major goal of this work. The proposed methods are integrated into a robust and exible 3d object recognition system and evaluated in practical experiments.