English Title: Statistical Change Detection for Image Sequence Processing

Preview	PDF, German Download (202kB) | Terms of use
Preview	PDF, German Download (17MB) | Terms of use
Preview	PDF, German Download (14MB) | Terms of use

Abstract

Diese Arbeit stellt eine Technik zur Detektion plötzlich auftauchender, untypischer Einzelereignisse in verrauschten, unruhigen Bildfolgen vor. Verfahren zur Ausreißerdetektion aus der statistischen Datenanalyse wurden für die Bildverarbeitung angepaßt, geeignete Teststatistiken gefunden und die gesuchten Pixel mit Hypothesentests abgetrennt. Dafür wird die Bildfolge als Zeitreihen-Ensemble einzelner Pixel aufgefaßt, die - stationäre Szenen vorausgesetzt - Stichproben der Teststatistik sind. Zeitliche Stationarität ist typisch für viele Anwendungen (Überwachung und räumlich-zeitlicher Meßdatenaufnahme). Das Verfahren hat als einzigen Parameter das Signifikanzniveau des Hypothesentests, womit über verschiedene Datensätze und Anwendungen hinweg Vergleichbarkeit herstellt wird. Zur binären Entscheidung über Ausreißerzugehörigkeit wird ein Gütemaß dafür mitgeliefert. Unerwünschte Effekte (Verdeckungen/ Fehldetektionen bei multiplen Ausreißern) unterdrückt eine iterative Erweiterung. Der Unterschied zu bisherigen Verfahren ist die Ausnutzung der vollen zeitlichen Information anstelle räumlicher Stichproben, die nur aus zwei aufeinanderfolgenden Einzelbildern entstammen. Zwei praktische Umsetzungen des Verfahrens sind: 1) Bei einer Prozeßkontrolle eines Fügeverfahrens mit stark rauschender Sensorik aus der industriellen Qualitätssicherung konnte die Ereignisdetektion in ein automatisiertes Überwachungssytem bis zur Patentreife weiterentwickelt werden. Es ersetzt in der Massenproduktion eine 100%-Sichtprüfung und überwindet erstmals die Schwierigkeiten herkömmlicher, räumlich integrierender Sensoren. 2) Bei der Analyse von thermographischen Bilddaten konnten Bildintensitäten zweier unterschiedlicher physikalischer Ursachen voneinander getrennt werden und die Parameterschätzung der Wärmeflüsse durch frühzeitige Ausreißerdetektion verbessert werden. Das entwickelte Verfahren gibt dem Anwender ein einfach konfigurierbares, schnelles, modular einsetzbares Werkzeug zur Überwachung von Bildfolgen auf untypische Ereignisse an die Hand.

Translation of abstract (English)

This thesis presents a technique to detect statistically unlikely changes in noisy image sequences. Methods for outlier detection are well known in statistical data analysis. This work applies these techniques to image processing. Appropriate statistical tests are performed to identify the relevant pixels by hypothesis testing. The image sequence is represented as a separate time series for each image pixel with the assumption that at steady state the scene is static. This assumption is commonly made for many applications in surveillance and spatio-temporal measurements. The significance level related to the hypothesis test remains the only free parameter. This allows an even comparison of the algorithm?s performance across different data sets. A confidence measure is calculated for each binary decision (inlier vs. outlier). Effects such as occlusion or false positives that occur for multiple outliers are controlled by an iterative extension. The algorithm was put into practice twice 1) A complete computer vision system for an industrial laser welding process control was patented. It replaces human visual inspection for mass production and improves robustness over spatially integrating sensors. 2) The algorithm has been applied to infrared image sequences in order to distinguish events caused by two separate processes. Hence heat flux parameter estimation was improved by an outlier detector module at the beginning of the estimation scheme. The technique presented has proven to be an easy-to-configure, modular, and fast tool for event detection in image sequences.