Kalman e ConDensation in video-tracking - Sviluppo e comparazione dei due algoritmi per il tracciamento di oggetti su video
•
1 j'aime•1,583 vues
Kalman e ConDensation in video-tracking - Sviluppo e comparazione dei due algoritmi per il tracciamento di oggetti su video
Recommandé
Recommandé
Contenu connexe
En vedette
En vedette (7)
Similaire à Kalman e ConDensation in video-tracking - Sviluppo e comparazione dei due algoritmi per il tracciamento di oggetti su video
Similaire à Kalman e ConDensation in video-tracking - Sviluppo e comparazione dei due algoritmi per il tracciamento di oggetti su video (8)
Dernier
Dernier (9)
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