1 / 18

Person Tracking A Multiple Hypothesis Approach Michael Huber

Person Tracking A Multiple Hypothesis Approach Michael Huber. Was ist Person Tracking?. Grundlagen MHT Versuchsergebnisse Ausblick. Erkennung und Verfolgung von Bewegungen einer Person. Vorhersage der nächsten Position in einer Bildsequenz. Blip 1. ?. Blip 2. Blip 3. Ursprünge.

winter
Download Presentation

Person Tracking A Multiple Hypothesis Approach Michael Huber

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. Person Tracking A Multiple Hypothesis Approach Michael Huber

  2. Was ist Person Tracking? • Grundlagen • MHT • Versuchsergebnisse • Ausblick Erkennung und Verfolgung von Bewegungen einer Person Vorhersage der nächsten Position in einer Bildsequenz

  3. Blip 1 ? Blip 2 Blip 3 Ursprünge • Grundlagen • MHT • Versuchsergebnisse • Ausblick Ursprünge in den 60er Jahren Vorherberechnung von Bewegungen ursprünglich für Radartechnik

  4. Repräsentation des menschlichen Körpers • Grundlagen • MHT • Versuchsergebnisse • Ausblick Volumenmodell Stick Figure

  5. Scaled Prismatic Model - SPM • Grundlagen • MHT • Versuchsergebnisse • Ausblick Bewegung senkrecht zur Bildebene wird durch Skalierung modelliert

  6. Reihe von Messwerten in allen bisherigen Zuständen Geschätzter nächster Messwert KALMAN FILTER Kalman Filter • Grundlagen • MHT • Versuchsergebnisse • Ausblick

  7. Grundlagen • MHT • Versuchsergebnisse • Ausblick Unimodale Wahrscheinlichkeitsdichte Multimodale Wahrscheinlichkeitsdichte

  8. Single Mode Tracking Verwendung von Kalman Bänkenz.B. Monte Carlo Methode • Grundlagen • MHT • Versuchsergebnisse • Ausblick p1 p2 p3

  9. Multiple Hypothesis Tracking • Grundlagen • MHT • Versuchsergebnisse • Ausblick

  10. Prediction Step • Grundlagen • MHT • Versuchsergebnisse • Ausblick Aufruf des Kalman Filters für jedes Maximum

  11. Likelihood Computation • Grundlagen • MHT • Versuchsergebnisse • Ausblick • Hypothesen aus dem Modell generieren (a) • State Space search ausführen (b) • Maxima bestimmen

  12. Posterior Update • Grundlagen • MHT • Versuchsergebnisse • Ausblick • Verwendung des Saztes von Bayes • Dominantes Maximum wir weiterverwendet • Übrige Maxima werden verworfen

  13. Schematische Darstellung • Grundlagen • MHT • Versuchsergebnisse • Ausblick

  14. Algorithmus von INRIA • Grundlagen • MHT • Versuchsergebnisse • Ausblick Volumenmodell Edge detection zur Berechnung der Freiheitsgrade Ansonsten auch Mode Based MHT

  15. Versuchsergebnisse • Grundlagen • MHT • Versuchsergebnisse • Ausblick Volumenmodellbasierter Algorithmus von INRIA

  16. Single Mode Tracking(z.B. Monte Carlo) • Grundlagen • MHT • Versuchsergebnisse • Ausblick MHT

  17. Single Mode Tracking(z.B. Monte Carlo) • Grundlagen • MHT • Versuchsergebnisse • Ausblick MHT

  18. Ausblick • Grundlagen • MHT • Versuchsergebnisse • Ausblick Real Time MHT Verbesserte Occlusion Behandlung Entwicklung von Interfaces

More Related