Ein Schwerpunkt der Arbeit des Lehrstuhls für Mustererkennung innerhalb des Projekts VAMPIRE liegt in den Bereichen 3-D Rekonstruktion und bildbasierte Objektmodelle. Insbesondere auf dem Gebiet der bildbasierten Objektmodelle besteht mit dem Teilprojekt C2 des SFB 603 eine enge Zusammenarbeit. Um die Erzeugung der Objektmodelle noch robuster und effizienter zu gestalten, wurde ein Struktur-aus-Bewegung Verfahren implementiert, das selbst Bildsequenzen mit mehr als 200 Bildern innerhalb weniger Sekunden verarbeitet. Die Eingabedaten für dieses Verfahren stammen von dem ebenfalls in VAMPIRE entwickelten Punktverfolger, der auf dem Kanade-Lucas-Tomasi Tracker basiert. Bisher durchgeführte Optimierungen erlauben bei der Verwendung einer digitalen VGA-Kamera das Verfolgen von 250 Merkmalen mit 30 Bildern pro Sekunde. Anwendungsspezifische Verbesserungen für eine von der TU Graz entwickelte Hochgeschwindigkeitskamera erhöhten die Bildrate bei der Verfolgung von zehn Merkmalen von 30 Bildern pro Sekunde auf 200 Bilder pro Sekunde.

Die Rekonstruktion von 3-D Punkten mittels Struktur-aus-Bewegung erlaubt es nicht, die Koordinaten der Punkte und der Kameras eindeutig zu bestimmen, da eine globale Skalierung der gesamten Szene die Eingabedaten nicht verändert. Wenn zwei Rekonstruktionen miteinander verglichen werden sollen, muss also neben der relativen Lage der Rekonstruktionen zueinander auch der relative Skalierungsfaktor ermittelt werden. Zu diesem Zweck wurde im Rahmen des Projekts VAMPIRE der bekannte Registrierungsalgorithmus ICP (Iterative Closest Point) um die Möglichkeit zur Schätzung dieses Skalierungsfaktors erweitert.

Neben der 3-D Rekonstruktion sind die Objektverfolgung und Objekterkennung ein weiterer Schwerpunkt im Projekt VAMPIRE, der vom Lehrstuhl für Mustererkennung untersucht wird. Bei der Objektverfolgung muss zwischen datengetriebenen und modellbasierten Verfahren unterschieden werden. Datengetriebene Verfahren besitzen die Eigenschaft, dass sie ohne a priori Wissen (beispielsweise Geometrieinformationen) über das zu verfolgende Objekt arbeiten können. Dies hat den Vorteil, dass sofort nach der Detektion einer Bewegung in einer Szene die Verfolgung eines unbekannten Objektes starten kann. Nachteilig ist allerdings, dass bei starken externen Rotationen das Objekt verloren wird, weil kein Wissen vorhanden ist, wie das Objekt aus einer anderen Ansicht aussieht. Diesen Nachteil kompensieren Ansätze, die sehr robust gegenüber Erscheinungsänderungen sind, bzw. modellbasierte Verfahren, die während eines Trainings signifikante Informationen über das Objekt sammeln. Nachdem ein Objekt mit Hilfe eines Klassifikationsverfahrens erkannt wurde, kann von einem datengetriebenen auf ein modellbasiertes Verfahren umgeschaltet werden.

Sowohl bei der datengetriebenen als auch bei der modellbasierten Objektverfolgung wurden vorhandene Verfahren weiter verbessert und neue Verfahren entwickelt. Als Grundlage für neue Verfahren zur datengetriebenen Objektverfolgung diente ein Verfahren, welches auf Farbhistogrammmerkmalen und dem CONDENSATION Algorithmus basiert. Die Erweiterung dieses Verfahrens auf mehrere Kameras ermöglicht die robuste Schätzung der 3-D Position eines verfolgten Objekts mit einem datengetriebenen Verfahren. Durch die wahrscheinlichkeitsbasierte Schätzung der 3-D Position toleriert das Verfahren eine temporäre Verdeckung des Objekts in einer Kamera. Eine andere Erweiterung, bei der der oben beschriebene Punktverfolger integriert wurde, macht das Verfahren robuster bei der Verfolgung von Objekten vor einem ähnlich gefärbten Hintergrund. Auch zur modellbasierten Objektverfolgung mit 3-D Objektmodellen wurde ein neues Verfahren entwickelt. Die Kombination von SIFT-Merkmalen zur Initialisierung der Lageschätzung mit dem Punktverfolger zur effizienten Verfolgung der SIFT-Merkmale erlaubt eine vollständige 3-D Lageschätzung des verfolgten Objekts in Echtzeit.