Ein Sparse-Gaussian-Ansatz zur regionsbasierten 6DoF-Objektverfolgung

Wir schlagen einen neuartigen, hocheffizienten Sparse-Ansatz zur regionsbasierten 6DoF-Objektverfolgung vor, der nur eine monokulare RGB-Kamera und das 3D-Objektmodell benötigt. Der wichtigste Beitrag unserer Arbeit ist ein probabilistisches Modell, das Bildinformationen in reduzierter Form entlang von Korrespondenzlinien berücksichtigt. Für die Implementierung stellen wir eine hocheffiziente diskrete Skalenraumformulierung bereit. Darüber hinaus leiten wir einen neuartigen mathematischen Beweis ab, der zeigt, dass die von uns vorgeschlagene Wahrscheinlichkeitsfunktion einer Gaußschen Verteilung folgt. Auf der Grundlage dieser Information entwickeln wir robuste Näherungen für die Ableitungen der log-likelihood, die in einer regularisierten Newton-Optimierung verwendet werden. In mehreren Experimenten zeigen wir, dass unser Ansatz die modernsten regionenbasierten Methoden in Bezug auf den Verfolgungserfolg übertrifft und dabei etwa eine Größenordnung schneller ist. Der Quellcode unseres Trackers ist öffentlich zugänglich.