![Page 1: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/1.jpg)
Bildmerkmalssuche
Seminar Computational Photography
Visual ComputingDepartment of Computer Science
![Page 2: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/2.jpg)
EINFÜHRUNG
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche2
![Page 3: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/3.jpg)
Einführung• Bildmerkmalssuche: sehr wichtiges Thema des künstlichen
Sehens
• Erkennen von Objekten auf dem Bild oder in einer Bildsequenz anhand von markanten Regionen
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche3
![Page 4: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/4.jpg)
Anwendungsbeispiele
Autos: automatisches Erkennen von Verkehrszeichen
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche4
![Page 5: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/5.jpg)
Anwendungsbeispiele
Nao Roboter: GesichtserkennungGesichtserkennung.
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche5
![Page 6: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/6.jpg)
Anwendungsbeispiele• RoboCup Soccer League:
Roboter spielen Fußball
• Roboter müssen in der Lage sein:– sich völlig autonom auf dem
Spielfeld zu orientieren
– den Ball und die anderen Roboter zu finden
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche6
![Page 7: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/7.jpg)
Anwendungsbeispiele• RoboCup Rescue League:
Rettungsroboter
• Roboter müssen autonom agieren:– Durchqueren einen Parcours
aus Hindernissen
– Finden simulierter Opfer undFinden simulierter Opfer und Einzeichnen in der von dem Roboter erstellten Karte
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche7
![Page 8: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/8.jpg)
Was sind Bildmerkmale?
• Bildmerkmale (lokale) bezeichnen Bildmuster, die sich von ( ) ,ihrer dichten Umgebung unterscheiden und üblicherweise mit einer Änderung von einer oder mehreren Bildeigenschaften assoziiert sind.
• Beispiele: – weiße Flecken auf dunklem Hintergrund (Kontraständerung)
– Kanten, Ecken (gut strukturierte Objekte)
– Regionen deren Farbe sich von anderen Objekten sehr gut– Regionen, deren Farbe sich von anderen Objekten sehr gut unterscheiden lässt
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche8
![Page 9: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/9.jpg)
Motivation• Bildmerkmalssuche: Problemstellung:
– Finden repräsentativer Bildmerkmale
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche9
![Page 10: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/10.jpg)
Motivation• Bildmerkmalssuche: Problemstellung:
– Finden repräsentativer Bildmerkmale
– Zuordnen dieser mit denen eines anderen Bilds
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche10
![Page 11: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/11.jpg)
Motivation• Bildmerkmalssuche: Problemstellung:
– Finden repräsentativer Bildmerkmale
– Zuordnen dieser mit denen eines anderen Bilds
• Bildmerkmalssuche: Lösung:– Markante Regionen in Bilddaten finden – Detektionsschritt
– Eigenschaften dieser Regionen in kompakter Form beschreiben –Deskriptor bildenDeskriptor bilden
– Anhand dieser Eigenschaften Korrespondenzen zwischen verschiedenen Bildern des selben Objektes bestimmen –Matching
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche11
![Page 12: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/12.jpg)
Algorithmen: Eigenschaften• Graustufenbilder oder Farbbilder
• Invarianz gegen:g g– Affine Transformation (Verschiebung, Drehung)
– Perspektivische Transformation
– Koordinatentransformation (Translation, Skalierung, Rotation)
– Photometrische Transformation
L k l d l b l M k l• Lokale oder globale Merkmale
• Laufzeit
M hi L f i d äh d d L h• Matching zur Laufzeit oder während der Lernphase
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche12
![Page 13: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/13.jpg)
SURF
ALGORITHMENSURF
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche13
![Page 14: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/14.jpg)
SURF: Allgemeines• SURF – Speeded Up Robust Features
• Nachfolger von SIFTg
• Key‐Point basierter Algorithmus (lokale Bildmerkmale)
• Verwendung von Integral ImagesVerwendung von Integral Images
• Detektion von Key‐Points mit Hilfe eines Hesse‐Matrix basierten Feature‐Detektors
• Skalen‐ und rotationsinvariante Detektion
• Die Key‐Points werden durch einen Eigenschaftsvektor mit 64 y gEinträgen charakterisiert
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche14
![Page 15: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/15.jpg)
Integral Image Darstellung• Es wird die Summe der Intensitätswerte der Pixel eines Bildes
die links bzw. oberhalb des Pixels an Position (x, y) liegen.
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche15
![Page 16: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/16.jpg)
Integral Image Darstellung• Wesentlicher Vorteil: Jede Flächensumme kann nur mit drei
Additionen und vier Speicherzugriffen gefunden werden.
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche16
![Page 17: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/17.jpg)
Feature‐Detektion: Fast‐Hessian Detektor• Die Hessematrix enthält die zweiten partiellen Ableitungen
der Bildintensitäten in x‐ und y‐Richtung
• Kern‐Charakteristiken:
• Die Maxima von den beiden Werten entsprechen Blob‐pähnlichen Strukturen im Bild.
• Die partiellen Ableitungen können durch Faltung des Bildes mit geeigneten Filter‐Masken berechnet werden.
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche17
![Page 18: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/18.jpg)
Feature‐Detektion: Fast‐Hessian Detektor• Zweite Ableitungen von den Intensitätswerten sind gegen
Bildrauschen sehr empfindlich → Bilder mit Gauß‐Filter glätten
• Gleichzeitig Invarianz gegen Skalierung
• Erweiterte Hessematrix:
• ist die Faltung des Bildes (Bildintensität) mit dem Glättungskern
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche18
![Page 19: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/19.jpg)
Feature‐Detektion: Fast‐Hessian Detektor
Originalbild, σ = 0
Gauß‐Filter, σ = 1,2
Gauß‐Filter, σ = 2,0
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche19
![Page 20: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/20.jpg)
Feature‐Detektion: Fast‐Hessian Detektor• Bei SURF werden die zweiten Ableitungen von durch
Faltung des Bildes mit Filter‐Masken gewonnen.
Als Filter aber in dieser Form nicht db → danwendbar → werden
approximiert und diskretisiert.
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche20
![Page 21: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/21.jpg)
Feature‐Detektion: Fast‐Hessian Detektor
SURF Box‐Filter
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche21
![Page 22: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/22.jpg)
Feature‐Detektion: SURF‐Filterpyramide• Ziel: Invarianz gegen Skalierung.
• Es wird aber nicht das Bild wiederholt mit Gauß‐Filter geglättet und dann verkleinert.
• Filtermatrizen werden vergrößert und auf das original Bild
dt (I t l Iangewandt (Intergral‐Image + Box‐Filter)
• Vorteil: sehr effizient und keine• Vorteil: sehr effizient und keine Aliasing‐Effekte
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche22
![Page 23: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/23.jpg)
Feature‐Detektion: SURF‐Filterpyramide• Minimale Filtergröße: 9*9 Pixel (σ = 1.2)
• Skalen‐Schritt 6 Pixel (Δσ = 0.8)( )
• Skalenraum wird in Oktaven unterteilt.
• Jede Oktave besteht aus 4 Bildern mit unterschiedlichenJede Oktave besteht aus 4 Bildern mit unterschiedlichen Skalen.
• Erste Oktave: 9*9, 15*15, 21*21, 27*27, , ,
• Zweite Oktave: 15*15, 27*27, 39*39, 51*51
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche23
![Page 24: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/24.jpg)
Feature‐Detektor: Lokalisierung der Schlüsselpunkte
• Die Determinante der Hessematrix für jeden Punkt auf dem Bild wird bestimmt.
• Der mögliche Schlüsselpunkt wird mit 26 Nachbarn verglichen.mit 26 Nachbarn verglichen.
• Positionen der Punkte, die über alle Skalen markant sind, werden
i h tgespeichert.
• So wird die Invarianz gegen Skalierung gewährleistet.
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche24
![Page 25: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/25.jpg)
Interest Point Descriptor: Orientierung• Ziel: Rotationsinvarianz
• Es werden die Gradienten in k feiner kreisförmigen Region
(r = 6σ) um den Schlüsselpunkt berechnet.
• Dann werden sie in x‐ und y‐Richtung approximiert, abgetastet und gewichtetabgetastet und gewichtet.
• Es wird ein π/3 großes Fenster durch die Region verschoben.
• In jedem Fenster wird die Summe der Punkte gebildet.
• Der längste Vektor wird alsDer längste Vektor wird als Orientierung genommen.
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche25
![Page 26: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/26.jpg)
Bestimmung des Descriptors• Über den Schlüsselpunkt wird ein Quadrat
(Seite = 20σ) gelegt ausgerichtet nach der Orientierung des SchlüsselpunktsOrientierung des Schlüsselpunkts.
• Das Quadrat wird in 16 Regionen unterteilt.
• Für jede Region wird der Gradientenverlauf in j gx‐ und y‐Richtung für 25 Punkte berechnet.
Dann wird für jede Region ein DescriptorDann wird für jede Region ein Descriptor gebildet:
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche26
![Page 27: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/27.jpg)
Bestimmung des Descriptors
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche27
![Page 28: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/28.jpg)
SURF: Matching• Spur der Hessematrix
– Ist bereits vorhanden: wurde beim Detektieren schon berechnet
– weist auf den Kontrast der Umgebung im Vergleich zum Schlüsselpunkt hin
Punkte bei denen keine Übereinstimmung gefunden wird werden– Punkte, bei denen keine Übereinstimmung gefunden wird, werden ausgeschlossen.
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche28
![Page 29: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/29.jpg)
SURF: Matching• Nearest Neighbour Ratio:
– Zu jedem Schlüsselpunkt mit dem Deskriptor v (Originalbild) werden zwei Schlüsselpunkte mit den Deskriptoren v1 und v2 (Objektbild) gesucht, die den kleinsten euklidischen Abstand zu v haben.
– Der Quotient aus diesen beiden Abständen wird als Nearest NeighbourDer Quotient aus diesen beiden Abständen wird als Nearest Neighbour Ratio bezeichnet.
– Ist er kleiner als ein bestimmter Schwellenwert, wird dem Punkt mit k i d k i d k i dDeskriptor v dem Punkt mit dem Deskriptor v1 zugeordnet.
– Ziel: sicherzustellen, dass v1 eindeutiger Matching‐Punkt ist.
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche29
![Page 30: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/30.jpg)
SURF: Bespielbilder
11801180Schüsselpunkte gefunden
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche30
![Page 31: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/31.jpg)
SURF: Bespielbilder
73 Schüsselpunkte gematchtgematcht
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche31
![Page 32: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/32.jpg)
SURF: Zusammenfassung• Deutliche Effizienzsteigerung im Vergleich zu SIFT:
– Intergral Images, Box‐Filter, Filterpyramide, nur 64 Einträge im Descriptor
• Invarianz gegen Skalierung:– Filterpyramide, markante Regionen werden über allen Skalen gesucht
• Invarianz gegen Rotation: Gl it d F t j d S hlü l kt i d di O i ti– Gleitendes Fenster, jedem Schlüsselpunkt wird die Orientierung zugewiesen.
• Vorteile:– Robust, relativ schnell
• Nachteile:– Closed Source, immer noch SEHR rechenintensiv
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche32
![Page 33: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/33.jpg)
Bildmerkmalssuche: Andere Algorithmen• SIFT
• Punktdetektor von Harris
• Randomized Trees
• Neuronale NetzeNeuronale Netze
• …
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche33
![Page 34: Seminar Computational Photography · Einführung • Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens • Erkennen von Objekten auf dem Bild oder in einer](https://reader033.vdokument.com/reader033/viewer/2022041422/5e2001a016301c37cd209b8f/html5/thumbnails/34.jpg)
Quellen:• Herbert Bay, Andreas Ess, Tinne Tuytelaars, Luc van Gool:
Speeded‐Up Robust Features (SURF)
• Christopher Evans: Notes on the OpenSURF Library
• C. Harris, M. Stephens: A combined corner and edge detector
• Vincent Lepetit, Pascal Fua: Keypont Recognition usingRandomized Trees
• David G. Lowe: Distinctive Image Features from Scale‐Invariant Keypoints.
Visual ComputingDepartment of Computer Science
Kirill Yasinovskiy: Bildmerkmalssuche34