Projekt 45: Simulink Bildverarbeitung - Versionsgeschichte

Tim Salinski am 3. Februar 2016 um 16:39 Uhr

2016-02-03T16:39:22Z

Tim Salinski: /* Ausblick */

2016-02-01T16:13:19Z

Ausblick

← Nächstältere Version		Version vom 1. Februar 2016, 16:13 Uhr
Zeile 138:		Zeile 138:
	*Implementieren eines Kalman-Filters für jede Person im Bild		*Implementieren eines Kalman-Filters für jede Person im Bild
	*Entwicklung einer Logik, die es ermöglicht zeitweise verdeckte Personen nicht mehrfach zu zählen		*Entwicklung einer Logik, die es ermöglicht zeitweise verdeckte Personen nicht mehrfach zu zählen
	*Entwicklung einer ~~Logig~~, die ein Verlassen des Bild nur an den Randbereichen zulässt		*Entwicklung einer Logik, die ein Verlassen des Bild nur an den Randbereichen zulässt
	*Aufteilung der Zählung in Personen die von links nach rechts und ungekehrt durch das Bild gelaufen sind		*Aufteilung der Zählung in Personen die von links nach rechts und ungekehrt durch das Bild gelaufen sind
	Gerade mit der Umsetzung des letzten Punktes ergäben sich vielfältige Einsatzmöglichkeiten für dieses Projekt. Es wäre beispielsweise möglich, zu zählen wie viele Studenten die Mensa zu einer bestimmten Zeit betreten und verlassen haben. Solche Daten könnten anschließend für die Planung eingesetzt werden, um lange Warteschlangen zu verhindern.		Gerade mit der Umsetzung des letzten Punktes ergäben sich vielfältige Einsatzmöglichkeiten für dieses Projekt. Es wäre beispielsweise möglich, zu zählen wie viele Studenten die Mensa zu einer bestimmten Zeit betreten und verlassen haben. Solche Daten könnten anschließend für die Planung eingesetzt werden, um lange Warteschlangen zu verhindern.

Tim Salinski am 31. Januar 2016 um 19:30 Uhr

2016-01-31T19:30:36Z

← Nächstältere Version		Version vom 31. Januar 2016, 19:30 Uhr
Zeile 37:		Zeile 37:
	Als Vorlage<ref>[http://makerzone.mathworks.com/blog/counting-cars-and-analyzing-traffic-raspberry-pi-thingspeak/]''Vorlage MathWorks''. Website von MathWorks. Abgerufen am 02. Januar 2016.</ref> für diese Aufgabe wurde ein Projekt von MathWorks verwendet. Wie in Abbildung 2 zu erkennen ist, war dabei das Ziel Fahrzeuge auf einer Straße zu erkennen und so Aussagen über das Verkehrsaufkommen machen zu können.		Als Vorlage<ref>[http://makerzone.mathworks.com/blog/counting-cars-and-analyzing-traffic-raspberry-pi-thingspeak/]''Vorlage MathWorks''. Website von MathWorks. Abgerufen am 02. Januar 2016.</ref> für diese Aufgabe wurde ein Projekt von MathWorks verwendet. Wie in Abbildung 2 zu erkennen ist, war dabei das Ziel Fahrzeuge auf einer Straße zu erkennen und so Aussagen über das Verkehrsaufkommen machen zu können.

	[[Datei:Simulink_BV_Ergebnis_Vorlage.png\|506px\|thumb\|center\|Abb.2: Ergebnis des Vorlageprojektes - Gefundene PKW werden im Bild markiert]]		[[Datei:Simulink_BV_Ergebnis_Vorlage.png\|506px\|thumb\|center\|Abb.2: Ergebnis des Vorlageprojektes - Gefundene PKW werden im Bild markiert (Quelle: http://makerzone.mathworks.com/blog/counting-cars-and-analyzing-traffic-raspberry-pi-thingspeak/)]]

	Bei der Entwicklung der Software für dieses Projekt wurde sich zu Nutze gemacht, dass die Fahrzeuge auf der beobachteten Straße sich mit der vorgeschriebenen Geschwindigkeit bewegen. Unter dieser Vorraussetzung konnte ein Zeitintervall bestimmt werden, das ein Fahrzeug benötigt, um vollständig durch das Bild zu fahren. Bei langsamen PKW bestand die Möglichkeit diese doppelt zu zählen, weil die Fahrzeuge nicht getrackt wurden und in einem fixen Intervall von 15 Sekunden Daten ausgewertet wurden. Außerdem konnten Autos, die z.B. durch Stau zum Stillstand gekommen sind, Teil des Hintergrundes werden, wodurch beim Wiederlosfahren diese Fahrzeuge als neue Objekte behandelt wurden.		Bei der Entwicklung der Software für dieses Projekt wurde sich zu Nutze gemacht, dass die Fahrzeuge auf der beobachteten Straße sich mit der vorgeschriebenen Geschwindigkeit bewegen. Unter dieser Vorraussetzung konnte ein Zeitintervall bestimmt werden, das ein Fahrzeug benötigt, um vollständig durch das Bild zu fahren. Bei langsamen PKW bestand die Möglichkeit diese doppelt zu zählen, weil die Fahrzeuge nicht getrackt wurden und in einem fixen Intervall von 15 Sekunden Daten ausgewertet wurden. Außerdem konnten Autos, die z.B. durch Stau zum Stillstand gekommen sind, Teil des Hintergrundes werden, wodurch beim Wiederlosfahren diese Fahrzeuge als neue Objekte behandelt wurden.

Tim Salinski: /* Youtube-Video */

2016-01-31T19:28:03Z

Youtube-Video

← Nächstältere Version		Version vom 31. Januar 2016, 19:28 Uhr
Zeile 143:		Zeile 143:

	==Youtube-Video==		==Youtube-Video==
	[https://www.youtube.com/watch?v=A7QgMBuuMx8&feature=youtu.be]		Zu diesem Projekt wurde ein Ergebnisvideo angefertigt. Dieses lässt sich unter dem folgenden Link abrufen [https://www.youtube.com/watch?v=A7QgMBuuMx8&feature=youtu.be].

	==Quellen==		==Quellen==

Tim Salinski: /* Youtube-Video */

2016-01-31T19:25:50Z

Youtube-Video

← Nächstältere Version		Version vom 31. Januar 2016, 19:25 Uhr
Zeile 143:		Zeile 143:

	==Youtube-Video==		==Youtube-Video==
			[https://www.youtube.com/watch?v=A7QgMBuuMx8&feature=youtu.be]

	==Quellen==		==Quellen==

Tim Salinski: /* Ausblick */

2016-01-31T19:13:00Z

Ausblick

← Nächstältere Version		Version vom 31. Januar 2016, 19:13 Uhr
Zeile 137:		Zeile 137:
	Um den Zähl-Algorithmus weiter zu verbessern, wären folgende Maßnahmen denkbar:		Um den Zähl-Algorithmus weiter zu verbessern, wären folgende Maßnahmen denkbar:
	*Implementieren eines Kalman-Filters für jede Person im Bild		*Implementieren eines Kalman-Filters für jede Person im Bild
			*Entwicklung einer Logik, die es ermöglicht zeitweise verdeckte Personen nicht mehrfach zu zählen
			*Entwicklung einer Logig, die ein Verlassen des Bild nur an den Randbereichen zulässt
			*Aufteilung der Zählung in Personen die von links nach rechts und ungekehrt durch das Bild gelaufen sind
			Gerade mit der Umsetzung des letzten Punktes ergäben sich vielfältige Einsatzmöglichkeiten für dieses Projekt. Es wäre beispielsweise möglich, zu zählen wie viele Studenten die Mensa zu einer bestimmten Zeit betreten und verlassen haben. Solche Daten könnten anschließend für die Planung eingesetzt werden, um lange Warteschlangen zu verhindern.

	==Youtube-Video==		==Youtube-Video==

Tim Salinski: /* Ausblick */

2016-01-31T19:03:47Z

Ausblick

← Nächstältere Version		Version vom 31. Januar 2016, 19:03 Uhr
Zeile 136:		Zeile 136:
	==Ausblick==		==Ausblick==
	Um den Zähl-Algorithmus weiter zu verbessern, wären folgende Maßnahmen denkbar:		Um den Zähl-Algorithmus weiter zu verbessern, wären folgende Maßnahmen denkbar:
	- Implementieren eines Kalman-Filters für jede Person im Bild		*Implementieren eines Kalman-Filters für jede Person im Bild

	==Youtube-Video==		==Youtube-Video==

Tim Salinski: /* Ausblick */

2016-01-31T19:02:53Z

Ausblick

← Nächstältere Version		Version vom 31. Januar 2016, 19:02 Uhr
Zeile 135:		Zeile 135:

	==Ausblick==		==Ausblick==
			Um den Zähl-Algorithmus weiter zu verbessern, wären folgende Maßnahmen denkbar:
			- Implementieren eines Kalman-Filters für jede Person im Bild

	==Youtube-Video==		==Youtube-Video==

Tim Salinski: /* Fazit */

2016-01-31T18:59:36Z

Fazit

← Nächstältere Version		Version vom 31. Januar 2016, 18:59 Uhr
Zeile 132:		Zeile 132:

	==Fazit==		==Fazit==
			Betrachtet man das Endergebnis dieses Projektes und vergleicht es mit der Vorlage von MathWorks, lässt sich von einem erfolgreichen Projekt sprechen. Zwar lässt sich der Zähl-Algorithmus noch weiter verbessern, um in bestimmten Fällen Fehler zu vermeiden, aber die Funktionalität ist grundsätzlich gegeben. Gegenüber der Vorlage besteht bei dieser Arbeit sogar der Vorteil, dass nicht nur in einem bestimmten Intervall von mehreren Sekunden Länge gezählt wird, sondern jeder Frame genutzt wird.

	==Ausblick==		==Ausblick==

Tim Salinski am 31. Januar 2016 um 18:23 Uhr

2016-01-31T18:23:21Z

← Nächstältere Version		Version vom 31. Januar 2016, 18:23 Uhr
Zeile 126:		Zeile 126:
	===Blob-Analyse und Auswertung===		===Blob-Analyse und Auswertung===

			Nachdem die Rauschunterdrückung alle ungewollten Strukturen beseitigt hat, enthält das Bild nur noch dort geschlossene weiße Elemente, wo sich Personen befinden. Um diese zählen und auch zuordnen zu können, ist es notwendig zu jedem dieser Elemente die Abmaße und den Mittelpunkt zu kennen. Diese Information können in Simulink leicht mit Hilfe einer Blob Analyse gewonnen werden.
			Unter der Voraussetzung, dass sich die Personen aufrecht durch das Bild bewegen, kann eine Zuordnung der gefunden Blobs zu den Personen stattfinden. Die Zentren jener Blobs, die zu einer Person gehören, haben die Eigenschaft, dass ihre x-Koordinate mit einer gewissen Toleranz gleich ist. Sollte ein Blob außerhalb dieser Toleranz liegen, so wird er zu einer neuen Person gezählt. Auf diese Weise kann die Anzahl der Personen in im aktuellen Bild bestimmt werden. Liegt die so ermittelte Anzahl einige Frames lang über der zuvor bestimmten Anzahl, ist mit großer Sicherheit eine neue Person ins Bild getreten und der Zähler wird inkrementiert.
			Die Abmaße der einzelnen Blobs, die durch die Blob Analyse ermittelt wurden, werden dazu eingesetzt, die Blobs in das Originalbild einzuzeichnen. In Abbildung 6 ist das Endergebnis der Bildverarbeitung dargestellt. Hierbei ist ebenfalls zu erkennen, dass eine Person durchaus durch mehrere Blobs repräsentiert werden kann.
	[[Datei:Simulink_BV_Endergebnis.jpg\|450px\|thumb\|center\|Abb.6: Zwischenergebnis nach der Rauschunterdrückung]]		[[Datei:Simulink_BV_Endergebnis.jpg\|450px\|thumb\|center\|Abb.6: Zwischenergebnis nach der Rauschunterdrückung]]

	==Fazit==		==Fazit==

			==Ausblick==

	==Youtube-Video==		==Youtube-Video==