Alessandro Nasi, COO @Djungle Studio – “Cosa delegheresti alla copia di te st...
Kalman e ConDensation in video-tracking - Sviluppo e comparazione dei due algoritmi per il tracciamento di oggetti su video
1. Analisi
Immagini e U NIVERSITÀ DEGLI STUDI DI F IRENZE
Video
Facoltà di Ingegneria - Corso di laurea specialistica in I NGEGNERIA I NFORMATICA
N. Martorana
I. Masi
M. Meoni
Kalman e ConDensation in video-tracking
Introduzione
Ground Truth
Algoritmi
Sviluppo e comparazione dei due algoritmi per il
Model Based
tracciamento di oggetti su video
Tracking
Kalman Filter
Condesation
Esperimenti
Video
Presentazione Elaborato
Risultati
A NALISI I MMAGINI E V IDEO
Conclusione
Docente: Autori:
Prof. Pietro Pala Nicola Martorana
Assistenti: Iacopo Masi
Ing. Walter Nunziati Marco Meoni
Ing. Andrew D. Bagdanov
4 Luglio 2007
2. Analisi
Immagini e
Video
Introduzione
N. Martorana
I. Masi
M. Meoni
Definizione
Introduzione
Tracking video è quel processo che, dato un flusso
Ground Truth
Algoritmi
video, localizza e segue uno o più oggetti che si
Model Based muovono nella scena.
Tracking
Kalman Filter È quindi possibile ricavare informazioni su:
Condesation
1 posizione passata
Esperimenti
Video
2 stato attuale
Risultati
3 previsione dello stato futuro
Conclusione
L’ ambito di utilizzo è da collocarsi in settori come:
Industria per la localizzazione di oggetti in movimento
Sistemi di video sorveglianza intelligente
Sistemi software per editing dei video
3. Analisi
Immagini e
Video
Obiettivi
N. Martorana
I. Masi
M. Meoni L’applicazione deve poter:
Introduzione
1 Eseguire Tracking basato su modelli tramite:
Ground Truth Kalman Filter
Algoritmi
ConDensation
Model Based
Tracking
Kalman Filter
2 Possibilità di scelta del blob da tracciare in caso di
Condesation
tracking multiplo.
Esperimenti
Video 3 Tracciare a video l’andamento dei due algoritmi.
Risultati
Conclusione 4 Fornire un output dei risultati al fine di ottenere una
rappresentazione grafica dell’accuratezza dei due
metodi.
5 Progettare e realizzare l’applicazione in maniera tale
che possa essere compilata ed eseguita su
piattaforme diverse (Win32, Linux).
4. Analisi
Immagini e
Video
Ambiente di lavoro
N. Martorana
I. Masi
M. Meoni
Introduzione
Condizione Ottimale
Ground Truth
Algoritmi
La misura del centro del blob è ottenibile per ogni frame
Model Based del video.
Tracking
Kalman Filter Nella realtà questa condizione non è detto che sia
Condesation
Esperimenti
verificata.
Video
Risultati
Requisiti dei Video:
Conclusione
1 Telecamera di ripresa fissa
2 Deve possedere un numero determinato di frames
iniziali con esclusivamente il background della scena
5. Analisi
Immagini e
Video
Background Subtraction
N. Martorana
I. Masi L’idea di base è conoscere il modello dello sfondo,
M. Meoni
segmentando ogni frame del video in una maschera di
Introduzione
foreground e background.
Ground Truth
Algoritmi Tipologie
Model Based
Tracking Metodi di base
Kalman Filter
Condesation Running average
Esperimenti Distribuzione Unimodale - Running gaussian average
Video
Risultati
Mixture of Gaussian
Conclusione
Possibili problematiche sono:
Presenza di illuminazione che genera ombre
Oggetti in movimento che si inseriscono nella scena
Oggetti rilevati come foreground che fermano il loro
moto
6. Analisi
Immagini e
Video
Mixture of Gaussian (1)
N. Martorana
I. Masi
M. Meoni
Di tipo statistico e online
Introduzione
Modella le informazioni di ogni pixel come processo di
Ground Truth
Algoritmi
funzioni gaussiane
Model Based Permette il tuning dei parametri come:
Tracking
Kalman Filter
Soglia di classificazione
Condesation
Numero di Gaussiane per pixel
Esperimenti
Video
Risultati Algoritmo:
Conclusione
1) Ogni pixel xt è rappresentato da un processo di K
Gaussiane nella forma P (µk , σk , ωk ):
k (xt −µj,t )2
1 −
2σ 2
xt = ω i,t · ·e j,t
j=1 2π · σ 2
j,t
7. Analisi
Immagini e
Video
Mixture of Gaussian (2)
N. Martorana
Online learning
I. Masi
M. Meoni 2) Il processo è valutato sull’intensità dei valori di grigio dei
pixel con:
Introduzione
Ground Truth
Algoritmi
|xt − µj,t | > 2.5 · σj,t per j = 1..k
Model Based
Tracking
Kalman Filter
e i pesi ωj vengono riaggiornati.
Condesation
Rilevamento del foreground
Esperimenti
Video
Risultati
3) Si ordinano le k distribuzioni partendo da quelle con
Conclusione maggior peso e minor varianza (bg) fino a quelle con minor
ωj,t
peso e maggior varianza (fg). Il parametro risulta: rj,t = δj,t
4) Le prime B distribuzioni ottenute dalla seguente formula
sono associate al bg viceversa le altre:
b−1
B = argminb rj,t > T
j=0
8. Analisi
Immagini e
Video
Ground Truth
N. Martorana
I. Masi
M. Meoni
La blob detection è effettuata tramite la libreria OpenCV
Introduzione
Ground Truth
libblob.
Algoritmi
Model Based
Caratteristiche
Tracking
Kalman Filter
1 I blobs sono identificati attraverso il seguente metodo:
Condesation
sul foreground non viene applicata nessuna maschera
Esperimenti
Video per correggerlo
Risultati
con una soglia di differenza fg/bg di 10 sui valori di
Conclusione
grigio
2 Si sceglie il blob a distanza euclidea minima tra tutte le
distanza calcolate dal punto del click utente al
centroide di ogni blob.
9. Analisi
Immagini e
Video
Introduzione al Model-based Tracking
N. Martorana La misura, ottenuta come dato campionato, rappresenta il
I. Masi
M. Meoni centroide del blob nella forma:
Introduzione x = [xc , yc ]
ˆ (1)
Ground Truth
Algoritmi
Model Based Una volta campionato l’oggetto di interesse, le osservazioni
Tracking
Kalman Filter sono inserite come input ad un algoritmo, che può essere:
Condesation
Esperimenti 1 Filtro di Kalman
Video
Risultati Anni ’50
Conclusione Per moti lineari e semplici
oggetti puntiformi
2 ConDensation
Anni ’90
Per moti non lineari
Oggetti dalla forma complessa
In caso di tracking multiplo in contemporanea è necessario un
meccanismo di associazione dati tra blob.
10. Analisi
Immagini e
Video
Model-based Tracking
N. Martorana
I. Masi I due filtri possono tracciare oggetti di qualsiasi natura, ma
M. Meoni
necessitano di un modello che definisca il moto dell’oggetto
studiato.
Introduzione
Ground Truth
Algoritmi
Definizione
Model Based Per modello si intende la rappresentazione di un oggetto
Tracking
Kalman Filter che trovi corrispondenza col fenomeno modellato per il fatto
Condesation
di riprodurne le caratteristiche e i comportamenti
Esperimenti
Video fondamentali.
Risultati
Conclusione
Il modello può essere ricavato empiricamente oppure
conosciuto a priori.
Nel caso più generale possibile è possibile utilizzare la
legge del moto di Newton:
1
s(t) = s0 + v t + a t2 (2)
2
11. Analisi
Immagini e
Video
Kalman Filter
N. Martorana
I. Masi
M. Meoni
Il filtro di Kalman è un insieme di equazioni matematiche
che si offre come strumento per la stima dello stato di un
Introduzione
Ground Truth sistema dinamico, sulla base di misure soggette a rumore,
Algoritmi
anche quando la vera natura del sistema è sconosciuta.
Model Based
Tracking
Kalman Filter
Condesation E’ lo strumento più utilizzato nei problemi di tracciamento,
Esperimenti anche se si dimostra veramente efficiente solo nei casi in
Video
Risultati cui:
Conclusione
il moto è molto semplice (lineare)
l’oggetto da tracciare possa essere rappresentato
come un punto in movimento
il rumore che incide sul sistema possa essere
ricondotto a rumore di tipo gaussiano.
12. Analisi
Immagini e
Video
Le equazioni
N. Martorana
I. Masi
M. Meoni
Introduzione xt = A · xt−1 + B · ut−1 + wt (3)
Ground Truth
Algoritmi
Model Based
Tracking zt = H · xt + vt (4)
Kalman Filter
Condesation
Esperimenti
Video xt è lo stato dell’oggetto
Risultati
zt è la scelta dei parametri misurati che riteniamo utile a descrivere
Conclusione
il moto tenuto conto anche un certo errore sulla misura
wt e vt sono due processi gaussiani con media zero e covariaza
rispettivamente Q e R
xt−1 è la posizione dell’oggetto all’istante precedente
13. Analisi
Immagini e
Video
Algoritmo
N. Martorana
Le equazioni del filtro di Kalman sono raggruppabili in due
I. Masi
M. Meoni
macrocategorie associate a due momenti ben distinti
dell’algoritmo di predizione:
Introduzione
Ground Truth
Algoritmi
Model Based
Tracking
Kalman Filter
Condesation
Esperimenti
Video
Risultati
Conclusione
Figura: Ciclo di Kalman completo
14. Analisi
Immagini e
Video
Il Modello - 1
N. Martorana
Per descrivere il moto dei nostri oggetti ci è sembrata la
I. Masi
M. Meoni
scelta più semplice rappresentare il generico moto di un
punto nel piano.
Introduzione
Ground Truth
Algoritmi
Model Based
Tracking
Kalman Filter
Condesation
Esperimenti
Video
Risultati
Conclusione
Figura: Esempio di vettori di stato moto sul piano
(x, y) è la posizione data secondo le coordinate
(vx , vy ) è la velocità rispettivamente orizzontale e verticale
dell’oggetto nel punto (x, y)
15. Analisi
Immagini e
Video
Il Modello - 2
N. Martorana
I. Masi
M. Meoni
x
Introduzione
Ground Truth
y
Algoritmi x = è il vettore di stato
vx
Model Based
Tracking vy
Kalman Filter
Condesation
Esperimenti
Video
1 0 ∆t 0
Risultati 0 1 0 ∆t
Conclusione A=
0
è la matrice di transizione del modello
0 1 0
0 0 0 1
But = 0 sull’oggetto non agiscono forze esterne
16. Analisi
Immagini e
Video
Il modello - 3
N. Martorana
I. Masi
M. Meoni
Introduzione ρ 0 0 0
Ground Truth
Algoritmi 0 ρ 0 0 covarianza del processo che
Q=
0
rappresenta il rumore sul sistema
Model Based
Tracking
0 ρ 0
Kalman Filter
Condesation
0 0 0 ρ
Esperimenti 1 0 0 0 sceglie le componenti dello stato per
Video H= confrontarlo con la misura
Risultati 0 1 0 0
Conclusione
0.285 0.005
R= definisce il rumore associato alla misura
0.005 0.046
17. Analisi
Immagini e
Video
Condensation - 1
N. Martorana
I. Masi
M. Meoni E’ un’implementazione del Particle Filter, un filtro di tipo
Ricorsivo Bayesiano.
Introduzione
Ground Truth
Algoritmi
Conditional Density Propagation
Model Based E’ un algoritmo di tipo probabilistico che risulta molto
Tracking
Kalman Filter robusto rispetto a dati rumorosi e a cambiamenti di
Condesation
stato non lineari.
Esperimenti
Video
Risultati
Permette di essere utilizzato per lo studio di moti
Conclusione descritti anche da modelli complessi di tipo non lineare.
Supporta previsoni di tipo multimodale.
L’algoritmo utilizza un campionamento casuale e
ordinato delle posizioni assunte dall’oggetto nei vari
istanti di tempo per modellare funzioni di densità di
probabilità arbitrariamente complesse.
18. Analisi
Immagini e
Video
Condensation - 2
N. Martorana
I. Masi
M. Meoni
Utilizza un numero N finito di campioni per approssimare la
curva che descrive la distribuzione dei dati p(xk z1:k ).
Introduzione
Ground Truth
Algoritmi Ciascun campione - sample - consiste di due valori: lo stato
Model Based e il peso.
Tracking
Kalman Filter
Condesation
Chiamiamo con Ht il vettore dei samples all’istante t:
Esperimenti
Ht = {− (t), ..., − (t)}
→ →
Video
Risultati s1 sN
Conclusione
Dove:
→
− (t) = {− (t), p(x (t))}
si →
xi i
→
− (t) è la posizione associata al sample i all’istante t.
x i
p(−i (t)) è la probabilità associata alla posizione −i (t)
→
x →
x
che caratterizza il sample i
19. Analisi
Immagini e
Video
Algoritmo - Inizializzazione
N. Martorana
I. Masi
M. Meoni
Introduzione
Ground Truth Al primo passo dell’algoritmo si inizializza tutti i samples:
Algoritmi
Model Based Ciascuna posizione può essere scelta in modo casuale
Tracking
Kalman Filter secondo una distibuzione uniforme.
Condesation
Esperimenti La probabilità associata a ciascun sample è invece
Video
Risultati
distribuita secondo una gaussiana standard centrata
Conclusione nel valore medio tra il valore massimo e il valore
minimo assumibile per la posizione dell’oggetto e la
relativa varianza.
20. Analisi
Immagini e
Video
Algoritmo - passo t
N. Martorana
I. Masi
Il sample −i (t) con probabilità maggiore è la predizione
→
s¯
M. Meoni per il Condensation al passo t.
Introduzione Per passare dal vettore Ht al vettore Ht+1 si eseguono
Ground Truth
Algoritmi questi passi:
Model Based
Tracking
Kalman Filter 1 Si campiona la posizione reale dell’oggetto: − (t)
→
z
Condesation
Esperimenti 2 Si calcola la posizione per ciascun sample secondo lo
Video
Risultati
spostamento dato dal modello dinamico che descrive il moto
Conclusione dell’oggetto:
→
− (t + 1) = f (− (t))
xi →
xi (5)
3 Si stima la probabilità p(− (t)) secondo la densità di
→
z
probabilità dei campioni all’istante t centrata in −i (t).
→
x¯
4 Per ogni sample è ricalcolata la probabilità condizionata
applicando il teorema di Bayes:
pi (−i (t + 1)) = p(−i (t) | − (t))
→
x →
x →
z (6)
21. Analisi
Immagini e
Video
Il Modello - 4
N. Martorana
I. Masi
M. Meoni
La nostra implementazione del Condensation rispetta
fedelmete l’algoritmo che è stato prima presentato.
Introduzione
Ground Truth
Algoritmi
Per quanto riguarda il modello dinamico associato si è
Model Based
Tracking utilizzata la stessa equazione valida per il tracciamento fatto
Kalman Filter
Condesation con il filtro di Kalman:
Esperimenti
Video
Risultati xt+1 = Axt (7)
Conclusione
Dove:
1 0 ∆t 0
0 1 0 ∆t
A=
0 0 1
0
0 0 0 1
22. Analisi
Immagini e
Video
Ciclo di lavoro
N. Martorana
I. Masi
M. Meoni
Introduzione
Ground Truth
Algoritmi
Model Based
Tracking
Kalman Filter
Condesation
Esperimenti
Video
Risultati
Conclusione
23. Analisi
Immagini e
Video
Parametri degli esperimenti
N. Martorana
I. Masi
M. Meoni
Esperimenti: variazione di tre parametri nei tre video selezionati
Introduzione
Ground Truth
Algoritmi Intervallo Frames Frames tra due applicazioni consecutive del Tracking
Model Based Allontanamento dalle condizioni ottimali di lavoro,
Tracking
Kalman Filter
simulazione del comportamento dei tracker reali.
Condesation
Q - Area Kalman Autovalori della matrice del rumore sul processo (Q)
Esperimenti
Video
Ririsulta l’area di confidenza del filtro di Kalman, ovvero
Risultati l’area nella quale deve risiedere il blob al frame
Conclusione precedente per poter continuare ad essere tracciato
all’esecuzione successiva.
Samples ConDensation Numero dei samples ad ogni esecuzione
È il numero totale di samples che utilizza il ConDensation
per effettuare i calcoli statistici ad ogni esecuzione del
Tracking
24. Analisi
Immagini e
Video
Parametri degli esperimenti
N. Martorana
I. Masi
M. Meoni
Esperimenti: variazione di tre parametri nei tre video selezionati
Introduzione
Ground Truth
Algoritmi Intervallo Frames Frames tra due applicazioni consecutive del Tracking
Model Based Allontanamento dalle condizioni ottimali di lavoro,
Tracking
Kalman Filter
simulazione del comportamento dei tracker reali.
Condesation
Q - Area Kalman Autovalori della matrice del rumore sul processo (Q)
Esperimenti
Video
Ririsulta l’area di confidenza del filtro di Kalman, ovvero
Risultati l’area nella quale deve risiedere il blob al frame
Conclusione precedente per poter continuare ad essere tracciato
all’esecuzione successiva.
Samples ConDensation Numero dei samples ad ogni esecuzione
È il numero totale di samples che utilizza il ConDensation
per effettuare i calcoli statistici ad ogni esecuzione del
Tracking
25. Analisi
Immagini e
Video
Parametri degli esperimenti
N. Martorana
I. Masi
M. Meoni
Esperimenti: variazione di tre parametri nei tre video selezionati
Introduzione
Ground Truth
Algoritmi Intervallo Frames Frames tra due applicazioni consecutive del Tracking
Model Based Allontanamento dalle condizioni ottimali di lavoro,
Tracking
Kalman Filter
simulazione del comportamento dei tracker reali.
Condesation
Q - Area Kalman Autovalori della matrice del rumore sul processo (Q)
Esperimenti
Video
Ririsulta l’area di confidenza del filtro di Kalman, ovvero
Risultati l’area nella quale deve risiedere il blob al frame
Conclusione precedente per poter continuare ad essere tracciato
all’esecuzione successiva.
Samples ConDensation Numero dei samples ad ogni esecuzione
È il numero totale di samples che utilizza il ConDensation
per effettuare i calcoli statistici ad ogni esecuzione del
Tracking
26. Analisi
Immagini e
Video
Parametri degli esperimenti
N. Martorana
I. Masi
M. Meoni
Esperimenti: variazione di tre parametri nei tre video selezionati
Introduzione
Ground Truth
Algoritmi Intervallo Frames Frames tra due applicazioni consecutive del Tracking
Model Based Allontanamento dalle condizioni ottimali di lavoro,
Tracking
Kalman Filter
simulazione del comportamento dei tracker reali.
Condesation
Q - Area Kalman Autovalori della matrice del rumore sul processo (Q)
Esperimenti
Video
Ririsulta l’area di confidenza del filtro di Kalman, ovvero
Risultati l’area nella quale deve risiedere il blob al frame
Conclusione precedente per poter continuare ad essere tracciato
all’esecuzione successiva.
Samples ConDensation Numero dei samples ad ogni esecuzione
È il numero totale di samples che utilizza il ConDensation
per effettuare i calcoli statistici ad ogni esecuzione del
Tracking
27. Analisi
Immagini e
Video
Output & Scripting
N. Martorana
I. Masi
M. Meoni
Il software produce sei files di output:
coordinateReali.txt Coordinate reali dell’oggetto da tracciare
Introduzione
Ground Truth coordinateKalman.txt Coordinate previste da Kalman
Algoritmi
coordinateCondensation.txt Coordinate previste dal ConDensation
Model Based
Tracking distanzaKalman.txt δk Distanza tra le coordinate reali e la previsione di Kalman
Kalman Filter
Condesation
distanzaCondensation.txt δc Distanza tra coord reali e previsione ConDensation
Esperimenti Risultati.txt distanza media, δ k , δ c , varianza media ConDensation
Video (σ x , σ y ).
Risultati
Conclusione
I files ottenuti vengono processati da due script bash
gplot.sh Invoca degli script GNUPlot che restituiscono dei grafici relativi
ai risultati ottenuti, consentendo una valutazione immediata
dell’esperimento effettuato.
exp.sh Organizza i files di output e le immagini comparative disegnate
nel filesystem, consentendo un facile riepilogo dei risultati ed
una ordinata catalogazione di questi.
28. Analisi
Immagini e
Video
Output & Scripting
N. Martorana
I. Masi
M. Meoni
Il software produce sei files di output:
coordinateReali.txt Coordinate reali dell’oggetto da tracciare
Introduzione
Ground Truth coordinateKalman.txt Coordinate previste da Kalman
Algoritmi
coordinateCondensation.txt Coordinate previste dal ConDensation
Model Based
Tracking distanzaKalman.txt δk Distanza tra le coordinate reali e la previsione di Kalman
Kalman Filter
Condesation
distanzaCondensation.txt δc Distanza tra coord reali e previsione ConDensation
Esperimenti Risultati.txt distanza media, δ k , δ c , varianza media ConDensation
Video (σ x , σ y ).
Risultati
Conclusione
I files ottenuti vengono processati da due script bash
gplot.sh Invoca degli script GNUPlot che restituiscono dei grafici relativi
ai risultati ottenuti, consentendo una valutazione immediata
dell’esperimento effettuato.
exp.sh Organizza i files di output e le immagini comparative disegnate
nel filesystem, consentendo un facile riepilogo dei risultati ed
una ordinata catalogazione di questi.
29. Analisi
Immagini e
Video
Video selezionati
N. Martorana
I. Masi
M. Meoni
1 movie12.mjpeg (mjpeg/xvid)
Introduzione
Ground Truth - occlusione, moto circolare e
Algoritmi
costante
Model Based
Tracking - 640x480, 25f ps, 50.4s
Kalman Filter
Condesation
Esperimenti
2 tappeto_nozoom.avi (avi/xvid)
Video
Risultati
- moto vario, repentine accelerazioni,
Conclusione oggetto entra ed esce dalla scena
- 320x240, 10f ps, 59s
3 singlecar.avi (avi/xvid)
- moto costante, oggetto entra ed
esce dalla scena
- 648x484, 30f ps, 33s
30. Analisi
Immagini e
Video
Video selezionati
N. Martorana
I. Masi
M. Meoni
1 movie12.mjpeg (mjpeg/xvid)
Introduzione
Ground Truth - occlusione, moto circolare e
Algoritmi
costante
Model Based
Tracking - 640x480, 25f ps, 50.4s
Kalman Filter
Condesation
Esperimenti
2 tappeto_nozoom.avi (avi/xvid)
Video
Risultati
- moto vario, repentine accelerazioni,
Conclusione oggetto entra ed esce dalla scena
- 320x240, 10f ps, 59s
3 singlecar.avi (avi/xvid)
- moto costante, oggetto entra ed
esce dalla scena
- 648x484, 30f ps, 33s
31. Analisi
Immagini e
Video
Video selezionati
N. Martorana
I. Masi
M. Meoni
1 movie12.mjpeg (mjpeg/xvid)
Introduzione
Ground Truth - occlusione, moto circolare e
Algoritmi
costante
Model Based
Tracking - 640x480, 25f ps, 50.4s
Kalman Filter
Condesation
Esperimenti
2 tappeto_nozoom.avi (avi/xvid)
Video
Risultati
- moto vario, repentine accelerazioni,
Conclusione oggetto entra ed esce dalla scena
- 320x240, 10f ps, 59s
3 singlecar.avi (avi/xvid)
- moto costante, oggetto entra ed
esce dalla scena
- 648x484, 30f ps, 33s
32. Analisi
Immagini e
Video
movie12.mjpeg - MOD:3, Q:1000, S:1000
N. Martorana
I. Masi
M. Meoni
Introduzione
Ground Truth
Algoritmi
Model Based
Tracking
Kalman Filter
Condesation
Esperimenti
Video
Risultati
Conclusione
33. Analisi
Immagini e
Video
movie12.mjpeg - MOD:3, Q:1000, S:10
N. Martorana
I. Masi
M. Meoni
Introduzione
Ground Truth
Algoritmi
Model Based
Tracking
Kalman Filter
Condesation
Esperimenti
Video
Risultati
Conclusione
34. Analisi
Immagini e
Video
movie12.mjpeg - MOD:3, Q:1000, S:1000
N. Martorana
I. Masi
M. Meoni
Introduzione
Ground Truth
Algoritmi
Model Based
Tracking
Kalman Filter
Condesation
Esperimenti
Video
Risultati
Conclusione
35. Analisi
Immagini e
Video
movie12.mjpeg - MOD:3, Q:1000, S:10
N. Martorana
I. Masi
M. Meoni
Introduzione
Ground Truth
Algoritmi
Model Based
Tracking
Kalman Filter
Condesation
Esperimenti
Video
Risultati
Conclusione
36. Analisi
Immagini e
Video
tappetonozoom.avi - MOD:2, Q:1000, S:1000
N. Martorana
I. Masi
M. Meoni
Introduzione
Ground Truth
Algoritmi
Model Based
Tracking
Kalman Filter
Condesation
Esperimenti
Video
Risultati
Conclusione
37. Analisi
Immagini e
Video
tappetonozoom.avi - MOD:1, Q:500, S:1000
N. Martorana
I. Masi
M. Meoni
Introduzione
Ground Truth
Algoritmi
Model Based
Tracking
Kalman Filter
Condesation
Esperimenti
Video
Risultati
Conclusione
38. Analisi
Immagini e
Video
tappetonozoom.avi - MOD:2, Q:1000, S:1000
N. Martorana
I. Masi
M. Meoni
Introduzione
Ground Truth
Algoritmi
Model Based
Tracking
Kalman Filter
Condesation
Esperimenti
Video
Risultati
Conclusione
39. Analisi
Immagini e
Video
tappetonozoom.avi - MOD:1, Q:500, S:1000
N. Martorana
I. Masi
M. Meoni
Introduzione
Ground Truth
Algoritmi
Model Based
Tracking
Kalman Filter
Condesation
Esperimenti
Video
Risultati
Conclusione
40. Analisi
Immagini e
Video
tappetonozoom.avi - MOD:1, Q:1, S:1000
N. Martorana
I. Masi
M. Meoni
Introduzione
Ground Truth
Algoritmi
Model Based
Tracking
Kalman Filter
Condesation
Esperimenti
Video
Risultati
Conclusione
41. Analisi
Immagini e
Video
tappetonozoom.avi - MOD:1, Q:0.001, S:1000
N. Martorana
I. Masi
M. Meoni
Introduzione
Ground Truth
Algoritmi
Model Based
Tracking
Kalman Filter
Condesation
Esperimenti
Video
Risultati
Conclusione
42. Analisi
Immagini e
Video
tappetonozoom.avi - MOD:1, Q:1, S:1000
N. Martorana
I. Masi
M. Meoni
Introduzione
Ground Truth
Algoritmi
Model Based
Tracking
Kalman Filter
Condesation
Esperimenti
Video
Risultati
Conclusione
43. Analisi
Immagini e
Video
tappetonozoom.avi - MOD:1, Q:0.001, S:1000
N. Martorana
I. Masi
M. Meoni
Introduzione
Ground Truth
Algoritmi
Model Based
Tracking
Kalman Filter
Condesation
Esperimenti
Video
Risultati
Conclusione
44. Analisi
Immagini e
Video
Conclusione
N. Martorana Filtro di Kalman
I. Masi
M. Meoni
Ottimo se eseguito ogni frame
Introduzione Perde l’oggetto se fuori dall’area di confidenza
Ground Truth
Algoritmi Impreciso su movimenti non lineari
Model Based
Tracking Tentativo di predizione dell’oggetto non tracciato in
Kalman Filter
Condesation caso di occlusione
Esperimenti
Video ConDensation
Risultati
Conclusione Meno preciso di Kalman
Non perde mai l’oggetto
Efficiente su tracking non lineare
Ottimo tracciamento in caso di occlusione
Non è possibile elevare uno dei due approcci come migliore.
Tuning dei parametri porta a conclusioni particolari.
45. Analisi
Immagini e
Video
Conclusione
N. Martorana Filtro di Kalman
I. Masi
M. Meoni
Ottimo se eseguito ogni frame
Introduzione Perde l’oggetto se fuori dall’area di confidenza
Ground Truth
Algoritmi Impreciso su movimenti non lineari
Model Based
Tracking Tentativo di predizione dell’oggetto non tracciato in
Kalman Filter
Condesation caso di occlusione
Esperimenti
Video ConDensation
Risultati
Conclusione Meno preciso di Kalman
Non perde mai l’oggetto
Efficiente su tracking non lineare
Ottimo tracciamento in caso di occlusione
Non è possibile elevare uno dei due approcci come migliore.
Tuning dei parametri porta a conclusioni particolari.
46. Analisi
Immagini e
Video
Conclusione
N. Martorana Filtro di Kalman
I. Masi
M. Meoni
Ottimo se eseguito ogni frame
Introduzione Perde l’oggetto se fuori dall’area di confidenza
Ground Truth
Algoritmi Impreciso su movimenti non lineari
Model Based
Tracking Tentativo di predizione dell’oggetto non tracciato in
Kalman Filter
Condesation caso di occlusione
Esperimenti
Video ConDensation
Risultati
Conclusione Meno preciso di Kalman
Non perde mai l’oggetto
Efficiente su tracking non lineare
Ottimo tracciamento in caso di occlusione
Non è possibile elevare uno dei due approcci come migliore.
Tuning dei parametri porta a conclusioni particolari.
47. Analisi
Immagini e
Video
Conclusione
N. Martorana
I. Masi
M. Meoni
Materiale: software, risultati, relazione, presentazione
Introduzione Rilasciato con licenza GPL
Ground Truth
Algoritmi
Disponibile su spazio SVN Google Code
Model Based
Tracking svn checkout http://video-tracker.googlecode.com/svn/trunk/ video-tracker
Kalman Filter
Condesation Sviluppato e testato sui sistemi operativi:
Esperimenti
Video
Ubuntu/Kubuntu 6.10/7.04
Risultati
Microsoft Windows XP
Conclusione
Video utilizzati:
Centro d’eccellenza MICC (Università di Firenze)
Produzione autonoma
http://code.google.com/p/video-tracker/
48. Analisi
Immagini e
Video
Conclusione
N. Martorana
I. Masi
M. Meoni
Materiale: software, risultati, relazione, presentazione
Introduzione Rilasciato con licenza GPL
Ground Truth
Algoritmi
Disponibile su spazio SVN Google Code
Model Based
Tracking svn checkout http://video-tracker.googlecode.com/svn/trunk/ video-tracker
Kalman Filter
Condesation Sviluppato e testato sui sistemi operativi:
Esperimenti
Video
Ubuntu/Kubuntu 6.10/7.04
Risultati
Microsoft Windows XP
Conclusione
Video utilizzati:
Centro d’eccellenza MICC (Università di Firenze)
Produzione autonoma
http://code.google.com/p/video-tracker/
49. Analisi
Immagini e U NIVERSITÀ DEGLI STUDI DI F IRENZE
Video
Facoltà di Ingegneria - Corso di laurea specialistica in I NGEGNERIA I NFORMATICA
N. Martorana
I. Masi
M. Meoni
Kalman e ConDensation in video-tracking
Introduzione
Ground Truth
Algoritmi
Sviluppo e comparazione dei due algoritmi per il
Model Based
tracciamento di oggetti su video
Tracking
Kalman Filter
Condesation
Esperimenti
Video
Presentazione Elaborato
Risultati
A NALISI I MMAGINI E V IDEO
Conclusione
Docente: Autori:
Prof. Pietro Pala Nicola Martorana
Assistenti: Iacopo Masi
Ing. Walter Nunziati Marco Meoni
Ing. Andrew D. Bagdanov
4 Luglio 2007