Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB

Bachelor/Master: Multi-Keypoint Tracking using Bayesian Filtering

Das Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB ist eines der größten Institute für angewandte Forschung auf dem Gebiet der Bildgewinnung und Bildauswertung in Europa. Die Abteilung Videoauswertesysteme (VID) beschäftigt sich mit der automatischen Auswertung von Signalen bewegter bildgebender Sensorik in komplexen, ggf. nichtkooperativen Szenarien. Diese Sensorik wird beispielsweise im Aufklärungs- und Überwachungsbereich als integrierte Komponente in fliegenden, weltraumgestützten oder mobilen landgestützten Plattformen verwendet. VID entwickelt und integriert hierfür Bildauswertealgorithmen für autonome oder interaktive Systeme.

 

Beschreibung

Das Schätzen menschlicher Körperposen auf Basis von 2D RGB-Bilddaten hat in den vergangenen Jahren zunehmend an Bedeutung gewonnen. Dabei hat sich neben dem eigentlichen Schätzen der Posen auch der Trend zum Verfolgen einzelner oder mehrerer Posen entwickelt. Ein prominentes Beispiel ist die PoseTrack-Challange, die seit einigen Jahren regelmäßig durchgeführt wird und bei der sich Forscherteams aus der ganzen Welt messen. Trackt man eine Person nicht nur durch ein einzelne Trajektorie, sondern durch eine ganze Schar an Trajektorien, so generiert man mehr Informationen, welche durch anschließende Verfahren dann ausgenutzt werden können um beispielsweise stürzende Personen zu erkennen.

Quelle: https://arxiv.org/pdf/1612.01465.pdf

Quelle: https://arxiv.org/pdf/1612.01465.pdf

 

Aufgabenstellung

Im Rahmen Ihrer Abschlussarbeit verschaffen Sie sich einen Überblick über existierende Verfahren zum Tracken von Posen. Darüber hinaus erweitern Sie einen bereits existierenden Datensatz, der Grundlage für Ihre Untersuchungen und Experimente sein wird. Sie untersuchen hierbei unter anderem die Eignung von Bayes’schen Filtern wie dem Kalman- oder Partikelfilter für die oben beschriebene Aufgabe und entwickeln einen eigenen Ansatz zum Tracking von Posen über die Zeit hinweg. Abschließend vergleichen Sie sich zu State-of-the-Art-Verfahren hinsichtlich Leistungsfähigkeit und Geschwindigkeit.

 

Voraussetzungen

  • StudienfachInformatik, Mathematik, Elektrotechnik, Angewandte Physik oder vergleichbar
  • Gute Programmierkenntnisse (idealerweise Python oder C++)
  • Grundlegendes Verständnis zur Theorie von Bayes’schen Filtern
  • Grundlegende Kenntnisse im Themengebiet Deep Learning
  • Erfahrung im Umgang mit DL-Frameworks wie Tensorflow und Keras
  • Fähigkeit zum selbstständigen Arbeiten
  • Bereitschaft, sich in neue Themengebiete einzuarbeiten und Freude am Einbringen eigener Ideen

 

Quellen & Literatur

[1] Burgard, Wolfram; Fox, Dieter: Probabilistic Robotics. MIT Press, Cambridge, Mass. 2005
[2] Simo Särkkä: Bayesian Filtering and Smoothing. Cambridge University Press, 2013
[3] PoseTrack Challenge 2018: https://posetrack.net/workshops/eccv2018/