1 / 23

Mozgó Objektumok Detektálása és Követése Robotkamera Segítségével

Mozgó Objektumok Detektálása és Követése Robotkamera Segítségével. Horváth Péter Témavezető: Dr. Kató Zoltán. Összefoglalás. gyors módszer optical flow real-time meghatározására mozgó objektumok követése Gaussian Mixture modell és Expectation Maximiz a tion segítségével

edythe
Download Presentation

Mozgó Objektumok Detektálása és Követése Robotkamera Segítségével

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Mozgó Objektumok Detektálása és KövetéseRobotkamera Segítségével Horváth Péter Témavezető: Dr. Kató Zoltán

  2. Összefoglalás • gyors módszer optical flow real-time meghatározására • mozgó objektumok követése Gaussian Mixture modell és Expectation Maximization segítségével • robotkamera bemutatása (mechanikai, elektronikai felépítése, vezérlőprogram) • kísérleti eredmények bemutatása • a robotkamera tesztje

  3. Optical Flow Az optical flow field egy olyan vektormező, mely megmutatja, hogy egy képkocka pixelei milyen irányban és mennyire mozdultak el.

  4. Maximálisan egy pixel nagyságú mozgások meghatározása • Futásidő = θ(NM) • Segítségével lehetővé vált a real-time implementáció • Kísérleteink alapján legjobbnak a következő módszer bizonyult: • Környezet vizsgálata normális eloszlás sűrűségfüggvényével súlyozva:

  5. Gauss-piramis felépítése, méretének meghatározása Ha a kép méretét felére csökkentjük a mozgások is felére csökkennek, ezt folytatva az x. művelet után a mozgások nagysága 2x-edére csökken.

  6. Visszafelé dolgozó stratégia • A piramis legfelső szintjén meghatározzuk a maximum 1 pixel nagyságú mozgásokat majd egy szinttel lejjebb ugrunk, itt a (2i, 2j), (2i+1, 2j), (2i, 2j+1) és (2i+1, 2j+1) vektorok megkapják az előző szint (i, j) vektor értékétnek kétszeresét. • Ezen becslés után egy finomító lépés következik.

  7. Optical Flow becslése — összefoglalás • Az Optical Flow meghatározása: • 2 szekvencia kiválasztása • Gauss-piramis elkészítése a két képből • A felső szinten maximálisan 1 pixel nagyságú mozgások meghatározása. • Egy szinttel alacsonyabban lévő Optical Flow vektorok meghatározása: • Vektorok duplázása • Finomítás • GOTO 4 ha nem értük el a piramis alsó szintjét • Megjegyzés: Ha a gyakorlati alkalmazásban elegendő pontosságú a becsült Optical Flow, akkor ezen még javíthatunk egy opcionális ponttal, ha a Finomítás után egy simítást végzünk a vektormezőn.

  8. Összefoglalás • gyors módszer optical flow real-time meghatározására • mozgó objektumok követése Gaussian Mixture modell és Expectation Maximization segítségével • robotkamera bemutatása (mechanikai, elektronikai felépítése, vezérlőprogram) • kísérleti eredmények bemutatása • a robotkamera tesztje

  9. Mozgó objektumok követése Cél: Adott referenciaobjektum követése

  10. HSV, LUV színterek, 2D hisztogram • RGB nem használható megfelelően • HSV, LUV,… van egy komponens a fényerőnek • Ezt a komponenst elhagyva egy fényre invariáns 2D színteret kapunk. • 2D hisztogram készítése • HSV: gyors, de nem lineáris a transzformáció • LUV: az emberi szem színtávolság érzetét jól közelíti, lassú nem lineáris transzformáció a hatványozás miatt

  11. Expectation Maximization • ismeretlen eloszlás • Gauss-eloszlások segítségével közelítjük • Expectation Maximization • Dempster et al. 1977

  12. Expectation Maximization Várható értékek, valószínűségek (m=4 esetén):  p(j) (101.771 , 191.155) 0.182 (94.391 , 66.803) 0.267 (76.129 , 43.870) 0.231 (173.542 , 82.745) 0.319

  13. Gaussian Mixture Model Jelölje  a követendő objektumot mely hisztogramjának sűrűségét EM-el becsültük.  legyen egy tetszőleges pont melynek ismert a színe. Annak a valószínűsége, hogy a  pixel az O objektumhoz tartozik: , ahol P(j) a j. komponens valószínűsége. Természetesen: Annak a valószínűsége pedig, hogy a -t a j. komponens tartalmazza:

  14. Az objektum lokalizálása • Az objektum a t-1. képkockán Lt-1 középpontban St-1 méretű bounding-box-szal (befoglaló téglalap) • A t. képkocka az Lt: • Ebből a St: • Küszöbölés

  15. Összefoglalás • gyors módszer optical flow real-time meghatározására • mozgó objektumok követése Gaussian Mixture modell és Expectation Maximization segítségével • robotkamera bemutatása (mechanikai, elektronikai felépítése, vezérlőprogram) • kísérleti eredmények bemutatása • a robotkamera tesztje

  16. A robotkamera

  17. A robotkamera felépítése mozgatás: léptetőmotorok kommunikáció: PC párhuzamos port saját mikroprocesszor (PIC16C84)

  18. Összefoglalás • gyors módszer optical flow real-time meghatározására • mozgó objektumok követése Gaussian Mixture modell és Expectation Maximization segítségével • robotkamera bemutatása (mechanikai, elektronikai felépítése, vezérlőprogram) • kísérleti eredmények bemutatása • a robotkamera tesztje

  19. Kísérleti eredmények – optical flow

  20. Kísérleti eredmények

  21. Összefoglalás • gyors módszer optical flow real-time meghatározására • mozgó objektumok követése Gaussian Mixture modell és Expectation Maximization segítségével • robotkamera bemutatása (mechanikai, elektronikai felépítése, vezérlőprogram) • kísérleti eredmények bemutatása • a robotkamera tesztje

  22. Vége Köszönöm a figyelmet!

More Related