Aufgrund des gegenwärtigen Artensterbens sind viele Spezies, einschließlich Menschenaffen wie Schimpansen und Gorillas,vom Aussterben bedroht. Daher gewinnt die Überwachung der aktuellen Bestände mittels autonomer Aufnahmegerätezunehmend an Bedeutung. Die manuelle Auswertung solcher Daten ist jedoch extrem mühsam, zeitaufwändig undkostenintensiv. Um der immer größer werdenden Datenflut Herr zu werden, untersucht diese Arbeit ein neues Anwendungsgebiet derBildverarbeitung und des maschinellen Sehens: Automatische Detektion und Identifikation von Primatenin Bildern und Videos. Basierend auf der Annahme, dass Menschen und unsere nächsten Verwandten ähnlicheCharakteristika des Gesichts aufweisen, werden in dieser Arbeit Algorithmen zur Erkennung menschlicher Gesichter erweitert um Schimpansen und Gorillas in ihrem natürlichen Lebensraum zuverlässig identifizieren zu können. DieDissertation beschreibt und evaluiert ein algorithmisches System bestehend aus Detektion, Ausrichtung und Identifikation von Primatengesichtern in Bildern und Videos. Die vorgeschlagenen Algorithmen sind dabei robustgegenüber verschiedenen Posen, Beleuchtungsbedingungen und partiellen Verdeckungen sowie anderen Faktoren wie sie häufigin realen Anwendungsszenarien auftreten. Die Leistungsfähigkeit, aber auch Grenzen des Systems werden ausführlich anhandvon Datensets freilebender und gefangener Schimpansen und Gorillas diskutiert. Mit dem Fokus auf die individuelle Erkennung werden zuerst Algorithmen für eine zuverlässige Erkennung von Primaten inBildern vorgestellt. Holistische Merkmale sowie lokale Deskriptoren werden mittels einerEntscheidungsfusion kombiniert. Anschließend wird dieser Ansatz auf die Erkennung von Menschenaffen in Videoserweitert. Nach der Detektion und Verfolgung von Gesichtern werden Module zur Qualitätsbeurteilungangewandt, um Frames zu identifizieren, die sich am besten für die folgenden Gesichtserkennungsalgorithmeneignen. Weiterhin wird ein neuartiger Frame-Weighting-Algorithmus beschrieben, welcher basierend auf der Konfidenzdes Klassifikators die Resultate mehrerer Frames gewichtet. Des Weiteren werden die entwickelten Algorithmen aufrealistischen, von Experten annotierten Bild- und Videodatenbanken, sorgfältig evaluiert. Um die Vorteile desvorgeschlagenen Systems zu demonstrieren, wird es mit anderen dem Stand der Technik entnommenen Algorithmen zurGesichtserkennung verglichen. Die implementierten Algorithmen wurden in einer prototypischen Anwendung zusammengeführt, welche derzeit vonBiologen genutzt wird um Populationsgrößen schneller und genauer schätzen zu können. Daher hat das entwickeltePrimate Recognition Framework (PRF) das Potential, den Weg zu effizienteren Monitoringverfahren zu ebnen und damit zukünftigWissenschaftlern zu helfen, neue innovative Schutzmaßnahmen zu entwickeln.
Due to the ongoing biodiversity crisis, many species including great apes such as chimpanzees or gorillas arethreatened and need to be protected. To overcome the catastrophic decline of biodiversity, biologists recently startedto use remote cameras for wildlife monitoring. However, the manual analysis of the resulting image and video material isextremely tedious, time consuming, and highly cost intensive. To overcome the burden of exhaustive routine work, this thesis explores a novel application of computer vision:Automatic detection and identification of primates in visual footage. Based on the assumption that humansand our closest relatives - the great apes - share similar properties of the face, algorithms for human face detection and recognitionare adapted and extended in order to identify chimpanzees and gorillas in their natural habitats. The thesis proposesand evaluates an algorithmic framework comprising detection, alignment, and identification of primate faces inimages and videos which is robust to various poses, challenging lighting, clutter, and partial occlusion among other extrinsicand intrinsic factors present in real-world environments. Free-living and captive chimpanzees and gorillas serve assample species to demonstrate the feasibility but also highlight limitations of the approach. Emphasizing on the identification part of the proposed system, first algorithms for reliableidentification of primates in still images are proposed. Holistic global features and locally extracted descriptors arecombined using a decision-level fusion paradigm. This approach is further extended to recognize great apes in videos. After faces have been detected and tracked through the sequence, a number of quality assessment modules are applied inorder to select the frames which are best suited for subsequent recognition. Furthermore, a novel frame-weighting scheme isproposed which weights the predictions of multiple frames according to the classifier's confidence. Secondly, the developed algorithms are thoroughly evaluated on realistic image and video benchmark datasets annotated byexperts. To show the superiority of the proposed framework, it is compared to various state-of-the-art facerecognition algorithms originally developed to identify humans. In order to provide a practical proof of concept, theproposed algorithms are integrated into a unified full-automatic prototypical implementation currently used bybiologists and ecologists to estimate population sizes faster and more precisely than current approaches. Thus, theproposed Primate Recognition Framework (PRF) has the potential to open up new venues in efficient wildlife monitoring and can helpresearchers to develop innovative protection schemes in the future.