Not logged in.

Quick Search - Contribution

Contribution Details

Type Bachelor's Thesis
Scope Discipline-based scholarship
Title Optical Flow with Gabor Jets
Organization Unit
Authors
  • Lara Fried
Supervisors
  • Manuel Günther
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date 2021
Abstract Text Computational vision has become more and more relevant in the last few years. Analysis of image and video input is relevant to robotics and self-driving cars to name just a few examples. Because of this relevance, algorithms for stereo matching need to get more precise and faster. This thesis considers the use of Gabor Jets for disparity estimation, evaluates its efficiency, and compares it to other algorithms. For this comparison, three different algorithms have been chosen: Horn Schunk Optical Flow, Lius Optical Flow, and StereoBM. To be able to compare different types of images, a sample from the DrivingStereo as well as the Middlebury dataset has been selected. For the evaluation, the bad matched pixels, mean relative error, and mean absolute error of all four algorithms were calculated. Gabor Jets worked better on images taken in a real-life setting than in a studio setting. Especially in images with a lot of traffic, Gabor Jets work better than the other algorithms. Based on these evaluations, Gabor Jets can keep up with the aforementioned algorithms and even surpass them in certain aspects.
Zusammenfassung Computational Vision hat in den letzten Jahren immer mehr an Bedeutung gewonnen. Die Analyse von Bild- und Videoeingaben ist für die Robotik und selbstfahrende Autos relevant, um nur einige Beispiele zu nennen. Aufgrund dieser Relevanz müssen Algorithmen für das Stereo-Matching immer präziser und schneller werden. In dieser Arbeit wird die Verwendung von Gabor Jets für die Disparitätsschätzung untersucht, ihre Effizienz bewertet und sie mit anderen Algorithmen verglichen. Für diesen Vergleich wurden drei verschiedene Algorithmen ausgewählt: Horn Schunk Opticalflow, Lius Opticalflow und StereoBM. Um verschiedene Bildtypen vergleichen zu können, wurde ein Beispiel aus dem DrivingStereo sowie dem Middlebury-Datensatz ausgewählt. Für die Bewertung wurden die Bad Matched Pixels, der mittlere relative Fehler und der mittlere absolute Fehler aller vier Algorithmen berechnet. Gabor-Jets funktionierten bei Bildern, die in einer realen Umgebung aufgenommen wurden, besser als in einer Studioumgebung. Besonders gut funktionierte die Disparitätsschätzung mit Gabor Jets bei Bildern mit viel Verkehr. Basierend auf diesen Auswertungen können Gabor Jets mit den oben genannten Algorithmen mithalten und übertreffen sie sogar in einigen Aspekten.
PDF File Download
Export BibTeX