No abstract

Zusammenfassung: Momentane Technologien haben die Aufnahme von 3D-Punktdaten stark vereinfacht, wodurch es zu einem Entwicklungssprung in der Objekterkennung gekommen ist. Zur Mustererkennung und bei Klassifikationsaufgaben wird die Belief-Theorie bereits verwendet; dabei werden jedoch weitestgehend nur diskrete Räume betrachtet. Die Erweiterung der Belief-Theorie für den kontinuierlichen Raum eröffnet neue Möglichkeiten in der Datenfusion. Dazu werden in dieser Arbeit konsonante mehrdimensionale Belief-Funktionen konstruiert und dazu passende modellbasierte Merkmalsverfahren entwickelt. Eine Evaluierung geschieht am Beispiel der Klassifikation von Haushaltsgegenständen.Schlüsselwörter: Kontinuierliche Belief-Theorie, Dempster-Shafer-Theorie, RGBD-Daten, Superquadriken, Farbkategorien.Abstract: Recent technologies have greatly simplified the acquisition of 3D point clouds, which led to a step change in object recognition. In pattern recognition and classification problems, the belief theory in discrete domain has been used successfully. Since the belief theory has been extended to the continuous domain, its use in data fusion needs to be reconsidered. In this article consonant multidimensional belief functions are constructed and a modelbased approach to object recognition is presented. In addition, the methods are evaluated by classifying common household objects.

Zusammenfassung Die Separation unbekannter Signale ist im Bereich der Sprachsignalverarbeitung von besonderer Bedeutung. Die Trennung erfolgt bei Verwendung mehrerer Mikrofone durch Auswertung der resultierenden Laufzeiten zwischen den einzelnen Quellen und Sensoren. Diese Laufzeitdifferenzen führen im Frequenzbereich zu definierten Phasendifferenzen zwischen den Sensorsignalen. Durch die statistische Analyse der Phasenwerte ist eine Rekonstruktion der Signale unter bestimmten Rahmenbedingungen möglich. Zur Berechnung der spektralen Koeffizienten wird normalerweise die Kurzzeit-Fourier-Transformation (STFT) verwendet. Durch den Einsatz analytischer Wavelet-Packets (AWP) kann die Leistungsfähigkeit derartiger Separationsalgorithmen hinsichtlich Zeitdauer und Genauigkeit verbessert werden. Nach einer Beschreibung des Separationsproblems im Allgemeinen und der Unterschiede der beiden Zeit-Frequenz-Darstellungen werden die Vorteile der Wavelet-Packets gegenüber der KurzzeitFourier-Transformation erläutert.Summary The separation of a mixture of unknown speech signals is a demanding research topic in the area of signal processing. Recording the signals with two sensors at different positions, the resulting time delay of arrival can be used to reconstruct the original signals. In the frequency domain the delay is related to characteristic phase differences between the sensor signals. Under certain assumptions the original signals can be reconstructed based on a statistical analysis of the phase values. To this end, the signals have to be transformed to the time-frequency domain due to the non-stationary character of speech signals. Usually, the short-time Fourier transform (STFT) is used to calculate the spectral coefficients. Using analytic wavelet packets (AWP) the performance of the separation algorithm with regard to both computation time and accuracy can be improved.