Upload
rufina
View
35
Download
2
Embed Size (px)
DESCRIPTION
Correspondência entre Pontos no Seguimento de Movimento em Imagens. Correspondência. Raquel Ramos Pinho, João Manuel R. S. Tavares , Miguel Velhote Correia. Laboratório de Óptica e Mecânica Experimental. Introdução. Índice. Introdução; Métodos Estocásticos: Filtro de Kalman ; - PowerPoint PPT Presentation
Citation preview
Correspondência entre Pontosno Seguimento de Movimento em Imagens
Raquel Ramos Pinho, João Manuel R. S. Tavares, Miguel Velhote Correia
Laboratório de Óptica e Mecânica Experimental
Correspondência
Correspondência entre Pontos no Seguimento de Movimento em Imagens
ConclusõesResultadosOptimizaçãoMét. EstocásticosIntrodução
Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia 2
Índice
• Introdução;• Métodos Estocásticos:
– Filtro de Kalman;– Alternativas ao Filtro de Kalman;
• Optimização das Correspondências na Medição:– Algoritmo Simplex;– Distância de Mahalanobis;
• Resultados Experimentais;• Conclusões e Perspectivas de Trabalho Futuro.
Introdução
Correspondência entre Pontos no Seguimento de Movimento em Imagens
ConclusõesResultadosOptimizaçãoMét. EstocásticosIntrodução
Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia 3
Introdução• É usual a análise de movimento ser dividida em:
– Detecção;– Seguimento;– Reconhecimento.
• O seguimento, geralmente, envolve o emparelhamento de características/entidades como pixels, pontos, áreas... • Aplicações práticas do seguimento:
– análise do tráfego automóvel;– previsão das condições atmosféricas através do movimento das
nuvens;– estudo do movimento dos lábios para permitir a sua leitura;– análise das deformações de objectos devido a forças; etc.
Introdução
Correspondência entre Pontos no Seguimento de Movimento em Imagens
ConclusõesResultadosOptimizaçãoMét. EstocásticosIntrodução
Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia 4
Introdução• Dificuldades comuns:
– Complexidade dos objectos seguidos e das cenas:• Múltiplos objectos;• Variação topológica (divisão/fusão das entidades seguidas);• Aparecimento/Desaparecimento dos objectos seguidos;• Fundos complexos;• Variações de iluminação; etc.
– A inexistência de modelos computacionais perfeitos:• Construídos considerando aproximações;• Existência de perturbações incontroláveis não modeláveis
deterministicamente.
Utilização de Métodos Estocásticos
Introdução
Correspondência entre Pontos no Seguimento de Movimento em Imagens
ConclusõesResultadosOptimizaçãoMét. EstocásticosIntrodução
Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia 5
Métodos Estocásticos
• Adequados para dados multivariados;• Geralmente, obtêm melhores resultados dos que as metodologias baseadas em séries temporais;• Definidos por espaços de estados.
• Neste trabalho:– Entidades: pontos;– Método Estocástico: Filtro de Kalman;– Vectores de Estados:
• Posição;• Velocidade;• Aceleração.
Mét. Estocásticos
Correspondência entre Pontos no Seguimento de Movimento em Imagens
ConclusõesResultadosOptimizaçãoMét. EstocásticosIntrodução
Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia 6
Métodos Estocásticos • Seguimento, consiste no cálculo recursivo de grau de certeza associado a cada estado em determinado instante, tendo em consideração os dados obtidos até esse momento. Para tal utiliza:
– modelo do sistema;– modelo de medição.
• São consideradas três fases:– Previsão - utiliza o sistema do modelo para prever a função de
densidade de probabilidade do estado no instante seguinte;– Medição - fortemente dependente da aplicação;– Correcção - utiliza a medição de forma a modificar a função
densidade de probabilidade prevista.
Mét. Estocásticos
Correspondência entre Pontos no Seguimento de Movimento em Imagens
ConclusõesResultadosOptimizaçãoMét. EstocásticosIntrodução
Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia 7
Filtro de Kalman
• Permite a estimativa do estado de um sistema de forma óptima caso:
– a transição entre estados seja linear;– a função de probabilidade seja normal.
Mét. Estocásticos
Correspondência entre Pontos no Seguimento de Movimento em Imagens
ConclusõesResultadosOptimizaçãoMét. EstocásticosIntrodução
Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia 8
Alternativas ao filtro de Kalman (exemplos)• Filtro de Kalman Estendido:
– Permite o seguimento de movimento não linear;– Aplicação complexa.
• Filtro de Condensação: – Utiliza a amostragem factorizada com um modelo estocástico de
movimento dos objectos;– Propaga as amostras com pesos associados para formar o
instante seguinte;– Requer a utilização de um número relativamente elevado de
amostras (porque não é paramétrico);– Possibilidade de degeneração das partículas.
Mét. Estocásticos
Correspondência entre Pontos no Seguimento de Movimento em Imagens
ConclusõesResultadosOptimizaçãoMét. EstocásticosIntrodução
Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia 9
Optimização das Correspondências• A fase de correcção requer o estabelecimento de correspondências (matching) entre as entidades estimadas e as reais (medidas).• No filtro de Kalman para a posição 2D, a área de pesquisa para o estabelecimento de correspondências é uma elipse:
– Dificuldades:• Nenhuma ou múltiplas entidades no interior da elipse;• Usando um emparelhamento local, não há garantia de que
se tenha obtido em termos globais o melhor emparelhamento para o conjunto de entidades seguidas.
Optimização
Técnica de Optimização Global + Distância de Mahalanobis
Correspondência entre Pontos no Seguimento de Movimento em Imagens
ConclusõesResultadosOptimizaçãoMét. EstocásticosIntrodução
Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia 10
Optimização das Correspondências• Com a consideração da optimização global pretende-se assegurar a obtenção do melhor conjunto de correspondências para todas as entidades seguidas;• O custo de cada emparelhamento é calculado usando a distância de Mahalanobis;• A distância de Mahalanobis é uma distância euclidiana ponderada pela covariância;• O método Simplex é utilizado para minimizar o custo global do emparelhamento.
Optimização
Correspondência entre Pontos no Seguimento de Movimento em Imagens
ConclusõesResultadosOptimizaçãoMét. EstocásticosIntrodução
Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia 11
Resultados Experimentais• Exemplos sintéticos:
– Translação horizontal de 3 “blobs”:
Legenda:
Resultados
Previsões Área de Incerteza Medições Correspondências Resultados
Correspondência entre Pontos no Seguimento de Movimento em Imagens
ConclusõesResultadosOptimizaçãoMét. EstocásticosIntrodução
Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia 12
• Translação horizontal de 2 “blobs” (A e B) e rotação de 8º (C e D):
Resultados Experimentais Sintéticos (Cont.)
Previsões Área de Incerteza Medições Correspondências Resultados
A
B
C
D
Resultados
Correspondência entre Pontos no Seguimento de Movimento em Imagens
ConclusõesResultadosOptimizaçãoMét. EstocásticosIntrodução
Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia 13
• Continuação ...Pontos C e D invertem sentido de rotação:
Resultados Experimentais Sintéticos (Cont.)
Previsões Área de Incerteza Medições Correspondências Resultados
A
B
C
D
Resultados
Correspondência entre Pontos no Seguimento de Movimento em Imagens
ConclusõesResultadosOptimizaçãoMét. EstocásticosIntrodução
Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia 14
• Sobreposição de pontos (Oclusão):
Resultados Experimentais Sintéticos (Cont.)
Previsões Área de Incerteza Medições Correspondências Resultados
E
F
Resultados
Correspondência entre Pontos no Seguimento de Movimento em Imagens
ConclusõesResultadosOptimizaçãoMét. EstocásticosIntrodução
Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia 15
- Análise da Marcha I:
Resultados Experimentais Reais
Previsões Área de Incerteza Medições Correspondências Resultados
Resultados
Correspondência entre Pontos no Seguimento de Movimento em Imagens
ConclusõesResultadosOptimizaçãoMét. EstocásticosIntrodução
Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia 16
- Análise da Marcha II:
Resultados Experimentais Reais (Cont.)
Resultados
Previsões Área de Incerteza Medições Correspondências Resultados
It.
Erro Médio (Previsão/Medição) (pixels)
1 2.26
2 1.41
3 1.23
4 0.75
5 0.55
6 0.93
Correspondência entre Pontos no Seguimento de Movimento em Imagens
ConclusõesResultadosOptimizaçãoMét. EstocásticosIntrodução
Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia 17
Conclusões e Trabalho Futuro
• Na metodologia proposta para o seguimento de objectos, é utilizado:– filtro de Kalman;– um método de optimização global;– Distância de Mahalanobis.
• Usando a optimização global no emparelhamento obtêm-se as melhores correspondências para o conjunto de entidades seguidas.
• Abordagem apresentada revelou-se robusta (mesmo em casos de oclusão e com movimento “não-linear”).
Conclusões
Correspondência entre Pontos no Seguimento de Movimento em Imagens
ConclusõesResultadosOptimizaçãoMét. EstocásticosIntrodução
Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia 18
Conclusões e Trabalho Futuro
• Este trabalho será considerado no desenvolvimento de uma aplicação de análise de movimento para o diagnóstico clínico da marcha e a análise do movimento em actividades desportivas.
• No futuro será interessante comparar os resultados obtidos pela metodologia proposta com os obtidos por métodos estocásticos adequados para movimento não-linear.
Conclusões
Correspondência entre Pontos no Seguimento de Movimento em Imagens
ConclusõesResultadosOptimizaçãoMét. EstocásticosIntrodução
Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia 19
Agradecimentos• O primeiro autor, agradece a Bolsa de Doutoramento
concedida pela FCT - Fundação para a Ciência e a Tecnologia, no âmbito do projecto POSI, sob a referência SFRH/BD/12834/2003.
• Este trabalho foi parcialmente realizado no âmbito do projecto “Segmentação, Seguimento e Análise de Movimento de Objectos Deformáveis (2D/3D) usando Princípios Físicos”, financiado pela FCT com a referência POSC/EEA-SRI/55386/2004.
União Europeia FEDER
Governo da República Portuguesa