Range image understanding: composite and generic feature detection

Abstract

Interaktion zwischen realer Welt und einem computergesteuerten System ist eines der wichtigsten Ziele der Bildverarbeitung, mit deren Hilfe die Sensorsignale weiterverarbeitet werden. Die aufgenommenen Bilder bestehen aus tausenden Bildpunkten. Diese müssen in einer intuitiveren Form für viele Aufgaben der Bildverarbeitung konvertiert werden. In dieser Dissertation wird eine innovative Methode vorgestellt, die dreidimensionale Sensordaten in einem industriellen Lackierprozess integriert und dadurch den Weg für ein flexibles, robotergestütztes Lackiersystem ebnet. Um die Aufgabe des Lackierens zu generalisieren damit beliebige Objekte bearbeitet werden können, muss das Fachwissen eines Lackierers auf ein mathematisches Modell in einem computergestützten System übertragen werden. Dadurch können die für den Lackierprozess wichtigen geometrischen Merkmale am zu lackierenden Objekt automatisch erkannt werden. Im Rahmen des Projektes werden die kritischen Merkmale a priori evaluiert und entsprechende Merkmalsdetektoren für glatte konvexe Flächen, konkave Ausprägungen und rippenförmige Strukturen, entwickelt. Die auf einer höheren Ebene extrahierten geometrischen Merkmale sind im Gesamtsystem mit den jeweilig spezifischen Lackiermodellen, welche spezielle Prozessstrategien verfolgen, gekoppelt. In einem weiteren Schritt wird eine Methode vorgestellt, die in einem nicht geführten Prozess allgemeine, reguläre Strukturen detektiert, um dadurch die Grenzen von benutzerdefinierten Merkmalen zu durchbrechen. Unter Ausnützung der aus der Natur bekannten Gesetzes der transversalen Regularität wird eine einfache Teilungsregel von dreidimensionalen Objekten definiert. Dabei werden Objekte entlang ihrer konkaven Randkurve in ihre Einzelteile zerlegt. In dieser Arbeit wird ein neuer Ansatz basierend auf Form-, als auch auf Randkurveninformation vorgestellt. Die Teilungsregel wird in einem Markov random field (MRF) modelliert.<br />

Interaction between real-world and computers using various types of images is probably the most important objective of computer vision.<br />Images consisting of thousands of individual pixels need to be represented in a more compact manner for many tasks in computer vision.<br />Using a proper object representation solves this problem.<br />Three-dimensional feature detection and object representation denote representing three-dimensional real-world objects with known mathematical primitives recognizable to computers. In this thesis we introduce a novel strategy to incorporate three-dimensional sensor measurements in the painting. Adopting human painting knowledge, process critical regions of the workpiece are identified by designing tailored composite feature detectors. In the frame of robotized painting we have classified a set of features: free-form surfaces, cavities and ribs. In order to derive robot motions, a link is established between a particular feature and a process model. As a further step in this thesis we introduce an un-supervised method to detect generic geometric structures in range images to overcome the limitations of composite features confined to a specific process. A regularity of nature called transversality regularity defines a simple partitioning rule. Objects are decomposed into their constituent parts along their concave discontinuities. We contribute a novel way to combine boundary and primitive based measurements. Contextual constraints defined by a simple partitioning rule based on transversality regularity are modeled in a Markov random field (MRF). Shape index and curvedness describing the local surface of an object along with discontinuity and concavity distributions are introduced to classify region labels correctly.