Verhaltensphysiologische Experimente zur Erkennung und Unterscheidung menschlicher Gesichter beim Haushund (Canis familiaris)

In der vorliegenden Arbeit wurde die Fähigkeit von Hunden zur Erkennung und Unterscheidung menschlicher Gesichter untersucht. Zu diesem Zweck wurden verschiedene Verhaltensexperimente mit fünf Hunden durchgeführt. Zunächst wurden die Hunde darauf dressiert, ein einlaminiertes DIN A4 Blatt mit einem Gesicht im Zentrum in der dafür vorgesehenen Apparatur mit der Schnauze zu berühren. Bei der Dressur wurden immer zwei Folien präsentiert, wobei nur eine Wahl, nämlich die des Dressurgesichts, durch Futtergabe belohnt wurde. Nach Abschluss der Dressurphase wurden die Hunde in Generalisationstests mit neuen Gesichtern konfrontiert, die für uns Menschen wenig bis keine direkte Ähnlichkeit mit dem Dressurgesicht aufwiesen. Um herauszufinden ob Hunde sich an der Größe orientieren, wurden einige der zuvor getesteten Gesichter um die Hälfte und mehr verkleinert. All diese Veränderungen beeinträchtigten die Fähigkeit der Hunde nicht, das Dressurgesicht bevorzugt zu wählen. Diese Ergebnisse veranlassten die Versuchsleiterin zu testen, ob Hunde sich an verschiedenen Bereichen im menschlichen Gesicht orientieren oder das Gesicht als Ganzes wahrnehmen. Zur Beurteilung wurden den Hunden abgeänderte Gesichter zum Einen ohne Haare und Ohren und zum Anderen nur Haare und Ohren ohne das Gesicht (homogen graue Fläche) präsentiert. Hier hatten die Hunde deutliche Schwierigkeiten, wenn die äußeren Konturen nicht mehr vorhanden waren. Bei diesen Versuchen blieben die Wahlen der Hunde nahe dem Zufallsniveau von 50%. Das Fehlen des Gesichts als solches erwies sich als unproblematisch, da allen Hunden die äußeren Konturen, in diesem Fall Haare und Ohren ausreichten, um das Dressurgesicht mit einer Wahlhäufigkeit signifikant über 70% wiederzuerkennen. Abschließend wurde untersucht, ob sich die Hunde durch das Zusammensetzen von zwei bzw. drei unterschiedlichen Gesichtern in ihrem Wahlverhalten beeinflussen lassen. Dazu wurden zwei unterschiedlichen Haarpartien verschiedene Gesichter zugeordnet. Ähnelten sich die äußeren Konturen fiel es den Hunden in dieser Versuchsreihe schwer die Dressurhaare wieder zu erkennen. Unterschieden sich die äußeren Konturen für unser menschliches Auge deutlich, so wählten alle Hunde die Haare und Ohren des Dressurgesichts mit einer Wahlhäufigkeit signifikant über dem Schwellenwert von 70%. Somit ist zu vermuten, dass sich im Laufe der Domestikation beim Hund keine Hirnregion ausgebildet hat, die speziell für die Gesichtserkennung von Menschen verantwortlich ist. Aus den Ergebnissen dieser Arbeit zur Gesichtserkennung beim Hund wird deutlich, dass es dem Hund möglich ist, Gesichter voneinander zu unterscheiden. Allerdings orientiert sich der Hund nicht an bestimmten Gesichtsregionen, sondern nutzt die äußeren Konturen als Wiedererkennungsmerkmal. Aus diesem Grund finden sich häufig Unsicherheiten bei Hunden, wenn ihnen bekannte Menschen plötzlich mit Hut oder Mütze begegnen und eine Erkennung über den Geruchssinn und die Stimme noch nicht stattgefunden hat. Bei der Beurteilung der Ergebnisse muss beachtet werden, dass den Hunden das menschliche Gesicht in Form von Bildern präsentiert wurde und somit keine Beeinflussung durch Bewegung im Gesicht gegeben war. Da das Bewegungssehen beim Hund sehr gut ausgebildet ist, achtet er im Alltag des Menschen sehr wahrscheinlich außerordentlich gut auf Augenbewegungen und Gesichtsmuskelbewegungen, um mit dem Sozialpartner Mensch zu kommunizieren. Weiterhin wäre es interessant herauszufinden, ob die Orientierung an den äußeren Konturen eine Folge der Domestikation und somit eine Adaptation an den Menschen und sein Ökosystem ist, oder ob Wölfe auch dazu in der Lage wären.

Dynamic distance analysis : new geometric data structures and algorithms for the real-time calculation of tolerance violating regions in the digital mockup process

In vielen Industriezweigen, zum Beispiel in der Automobilindustrie, werden Digitale Versuchsmodelle (Digital MockUps) eingesetzt, um die Konstruktion und die Funktion eines Produkts am virtuellen Prototypen zu überprüfen. Ein Anwendungsfall ist dabei die Überprüfung von Sicherheitsabständen einzelner Bauteile, die sogenannte Abstandsanalyse. Ingenieure ermitteln dabei für bestimmte Bauteile, ob diese in ihrer Ruhelage sowie während einer Bewegung einen vorgegeben Sicherheitsabstand zu den umgebenden Bauteilen einhalten. Unterschreiten Bauteile den Sicherheitsabstand, so muss deren Form oder Lage verändert werden. Dazu ist es wichtig, die Bereiche der Bauteile, welche den Sicherhabstand verletzen, genau zu kennen. rnrnIn dieser Arbeit präsentieren wir eine Lösung zur Echtzeitberechnung aller den Sicherheitsabstand unterschreitenden Bereiche zwischen zwei geometrischen Objekten. Die Objekte sind dabei jeweils als Menge von Primitiven (z.B. Dreiecken) gegeben. Für jeden Zeitpunkt, in dem eine Transformation auf eines der Objekte angewendet wird, berechnen wir die Menge aller den Sicherheitsabstand unterschreitenden Primitive und bezeichnen diese als die Menge aller toleranzverletzenden Primitive. Wir präsentieren in dieser Arbeit eine ganzheitliche Lösung, welche sich in die folgenden drei großen Themengebiete unterteilen lässt.rnrnIm ersten Teil dieser Arbeit untersuchen wir Algorithmen, die für zwei Dreiecke überprüfen, ob diese toleranzverletzend sind. Hierfür präsentieren wir verschiedene Ansätze für Dreiecks-Dreiecks Toleranztests und zeigen, dass spezielle Toleranztests deutlich performanter sind als bisher verwendete Abstandsberechnungen. Im Fokus unserer Arbeit steht dabei die Entwicklung eines neuartigen Toleranztests, welcher im Dualraum arbeitet. In all unseren Benchmarks zur Berechnung aller toleranzverletzenden Primitive beweist sich unser Ansatz im dualen Raum immer als der Performanteste.rnrnDer zweite Teil dieser Arbeit befasst sich mit Datenstrukturen und Algorithmen zur Echtzeitberechnung aller toleranzverletzenden Primitive zwischen zwei geometrischen Objekten. Wir entwickeln eine kombinierte Datenstruktur, die sich aus einer flachen hierarchischen Datenstruktur und mehreren Uniform Grids zusammensetzt. Um effiziente Laufzeiten zu gewährleisten ist es vor allem wichtig, den geforderten Sicherheitsabstand sinnvoll im Design der Datenstrukturen und der Anfragealgorithmen zu beachten. Wir präsentieren hierzu Lösungen, die die Menge der zu testenden Paare von Primitiven schnell bestimmen. Darüber hinaus entwickeln wir Strategien, wie Primitive als toleranzverletzend erkannt werden können, ohne einen aufwändigen Primitiv-Primitiv Toleranztest zu berechnen. In unseren Benchmarks zeigen wir, dass wir mit unseren Lösungen in der Lage sind, in Echtzeit alle toleranzverletzenden Primitive zwischen zwei komplexen geometrischen Objekten, bestehend aus jeweils vielen hunderttausend Primitiven, zu berechnen. rnrnIm dritten Teil präsentieren wir eine neuartige, speicheroptimierte Datenstruktur zur Verwaltung der Zellinhalte der zuvor verwendeten Uniform Grids. Wir bezeichnen diese Datenstruktur als Shrubs. Bisherige Ansätze zur Speicheroptimierung von Uniform Grids beziehen sich vor allem auf Hashing Methoden. Diese reduzieren aber nicht den Speicherverbrauch der Zellinhalte. In unserem Anwendungsfall haben benachbarte Zellen oft ähnliche Inhalte. Unser Ansatz ist in der Lage, den Speicherbedarf der Zellinhalte eines Uniform Grids, basierend auf den redundanten Zellinhalten, verlustlos auf ein fünftel der bisherigen Größe zu komprimieren und zur Laufzeit zu dekomprimieren.rnrnAbschießend zeigen wir, wie unsere Lösung zur Berechnung aller toleranzverletzenden Primitive Anwendung in der Praxis finden kann. Neben der reinen Abstandsanalyse zeigen wir Anwendungen für verschiedene Problemstellungen der Pfadplanung.