occlusionsdetektion

Occlusionsdetektion bezeichnet in der Computer Vision die Erkennung verdeckter Bereiche oder Objekte in visuellen Daten. Ziel ist es, Verdeckungen zu identifizieren, um Aufgaben wie Objektverfolgung, semantische Segmentierung oder robuste Tiefenschätzung auch bei Teilverdecken zu ermöglichen.

Man unterscheidet Selbstocclusion (ein Objekt verdeckt sich selbst durch seine 3D-Form) und Inter-Objekt-Occlusion (ein Objekt verdeckt ein anderes). Occlusion kann temporär oder dauerhaft auftreten und in dynamischen Szenen zwischen den Objekten wechseln, wodurch die Zuverlässigkeit von Erkennung und Tracking beeinflusst wird.

Zu den gängigen Ansätzen gehören geometrische, bewegungsbasierte und lernbasierte Methoden. Geometrische Ansätze nutzen Tiefenkarten aus Stereo- oder RGB-D-Sensoren, um verborgene Flächen abzuschätzen. Bewegungsbasierte Methoden prüfen die Konsistenz von Merkmalsverfolgung oder optischem Fluss, um occluded Zonen zu identifizieren. Probabilistische Modelle schätzen Occlusion-Masken auf Basis von Unsicherheit und Beobachtungen. Lernbasierte Ansätze verwenden neuronale Netze, um Occlusions vorherzusagen, occlusion-robuste Repräsentationen zu lernen oder occlusion-aware Tracking-Modelle zu erzeugen. Oft werden diese Strategien kombinert und durch Multi-View-Geometrie, Tiefeninformation und zeitliche Vorhersage ergänzt.

Anwendungen finden sich in der Robotik (SLAM, Navigation), in AR/VR, Videoüberwachung und der Bewegungsanalyse. Zu den Herausforderungen zählen schnelle oder komplexe Verdeckungen, Hintergrund-Clutter und belastete Szenen mit raschem Motion. Typische Evaluationsmetriken umfassen occlusion-spezifische IoU, Präzision/Recall und Occlusion-Detection-Rate. Relevante Datensätze umfassen KITTI, DAVIS und YouTube-VOS.