Bei dieser Autofahrt über holpriges Kopfsteinpflaster wurde das Videobild stabilisiert indem unerwünschte Translationsbewegungen der Kamera erkannt und kompensiert wurden.


Die Originaldaten, sowie die stabilisierte Sequenz sind nebeneinander dargestellt.

Download Sequenz in hoher Auflösung
Dauer der Sequenz: 20 s
Größe der Datei: ca. 8 MB


Die Verarbeitung der gezeigten Videodaten wurde auf einem Standard-PC in Echtzeit durchgeführt.

In dieser Szene wurden die Geschwindigkeiten und die Richtungen verschiedener bewegter Objekte an einer belebten Kreuzung bestimmt.


Die ermittelten Bewegungsdaten wurden entlang eines Rasters in Form von Pfeilen im Bild dargestellt. Die Pfeile zeigen dabei in die Richtung der erkannten Bewegung und die Pfeillänge ist proportional zur Geschwindigkeit. Für eine bessere Sichtbarkeit wurden die Geschwindigkeitswerte zusätzlich farblich codiert.

Download Sequenz in hoher Auflösung
Dauer der Sequenz: 45 s
Größe der Datei: ca. 19 MB

Informationen zur Bewegungserkennung (pdf)

Die Verarbeitung der gezeigten Videodaten wurde auf einem Standard-PC in Echtzeit durchgeführt.

In diesen zwei Beispielen wurde der Schüttstrahl eines Tagebau-Absetzers bei unterschiedlichen Lichtverhältnissen analysiert. Hierzu wurden die Videodaten stabilisiert, der Schüttstrahl vom bewegten Hintergrund getrennt und der optische Fluss der verstürzten Massen bestimmt.


Die Sequenzen wurden derart stabilisiert, dass die hochfrequenten Translationsbewegungen der Kamera kompensiert wurden, die Schwenkbewegungen des Absetzers jedoch erhalten blieben.

Die ermittelten Bewegungsdaten des Schüttstrahls wurden entlang eines Rasters in Form von Pfeilen im Bild dargestellt. Die Pfeile zeigen dabei in die Richtung der erkannten Bewegung und die Pfeillänge ist proportional zur Geschwindigkeit. Für eine bessere Sichtbarkeit wurden die Geschwindigkeitswerte zusätzlich farblich codiert.


Im ersten Video ist der Schüttstrahl sehr dunkel und kontrastarm, während der Hintergrund große überstrahlte Bereiche aufweist. Im zweiten Video hingegen ist der Strahl selbst im unteren Teil überstrahlt, während der Teil darüber mit dem Schatten des Absetzers überlagert ist. Die beiden Sequenzen zeigen, dass auch bei sehr unterschiedlichen und ungünstigen Lichtverhältnissen der Schüttstrahl zuverlässig erkannt und analysiert werden kann.

Die Originaldaten, sowie die zugehörige stabilisierte Sequenz mit den Fluss-Vektoren sind in beiden Videos jeweils nebeneinander dargestellt.

Download Sequenz 1 in hoher Auflösung
Dauer der ersten Sequenz: 30 s
Größe der ersten Datei: ca. 49 MB

Download Sequenz 2 in hoher Auflösung
Dauer der zweiten Sequenz: 30 s
Größe der zweiten Datei: ca. 49 MB

Die Verarbeitung der gezeigten Videodaten wurde auf einem Standard-PC in Echtzeit durchgeführt.

Für viele Anwendungen in der Industrie ist es von Nutzen, mit Computern robust und genau Bewegungen in Videodaten erkennen und analysieren zu können. Solche Erkennungssysteme sind in der Verkehrstechnik beispielsweise für die Entwicklung von autonomen Fahrzeugen essenziell. Aber auch in anderen Bereichen, wie z. B. in der Sicherheitstechnik oder im Bergbau, könnten viele Prozesse durch eine zuverlässige Analyse von Videodaten optimiert oder sogar vollständig automatisiert werden.

Computern das menschliche Sehen „beizubringen“ stellt eine komplexe Aufgabe dar, die derzeit weltweit noch aktiv beforscht wird. Obwohl viele Probleme in der Videoanalyse vom Ansatz her gelöst sind besteht ein großer Optimierungsbedarf, um aus diesen Ansätzen industrietaugliche Lösungen zu schaffen. Dieser Bedarf spiegelt sich unter anderem in der großen Anzahl aktueller Veröffentlichungen in Fachzeitschriften zu diesem Thema wider.

Durch die eigene Weiterentwicklung aktueller mathematischer Modelle im Bereich der Bildkorrelation ist es uns bei Syperion gelungen, dem „sehenden Computer“ einen Schritt näher zu kommen und schnelle, präzise und robuste Algorithmen zur Analyse von Objektbewegungen in Videodaten zu entwerfen. Zu Demonstrationszwecken haben wir eine Software entwickelt, die es ermöglicht, bewegte Bildinhalte in Echtzeit, trotz Eigenbewegung der Kamera, zuverlässig vom Hintergrund zu trennen, und sowohl die Beträge als auch die Richtungen von Objektbewegungen zu bestimmen. Diese Größen werden im Zusammenhang mit der Auswertung von Videodaten häufig auch als Optischer Fluss bzw. Optical Flow bezeichnet.

Die Leistungsfähigkeit der entwickelten Algorithmen haben wir ausführlich an computeranimierten Standardsequenzen sowie an realen Videodaten mit komplexen Bewegungsvorgängen getestet. Die untersuchten Szenen beinhalteten beispielsweise belebten Straßenverkehr, holprige Autofahrten auf Kopfsteinpflaster, bewegte Menschenansammlungen und das Verstürzen von Erdmassen im Tagebau. In allen Fällen konnten die vorliegenden Objektbewegungen zuverlässig und genau erfasst werden.