Mozg

1
Mozgó Objektumok Detektálása és
KövetéseRobotkamera Segítségével

• Horváth Péter
• Témavezeto Dr. Kató Zoltán

2
(No Transcript)
3
Összefoglalás

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

4
Optical Flow
Az optical flow field egy olyan vektormezo, mely
megmutatja, hogy egy képkocka pixelei milyen
irányban és mennyire mozdultak el.
5
Maximálisan egy pixel nagyságú mozgások
meghatározása

• Futásido ?(NM)
• Segítségével lehetové vált a real-time
  implementáció
• Kísérleteink alapján legjobbnak a következo
  módszer bizonyult
• Környezet vizsgálata normális eloszlás
  suruségfüggvényével súlyozva

6
Gauss-piramis felépítése, méretének meghatározása
Ha a kép méretét felére csökkentjük a mozgások is
felére csökkennek, ezt folytatva az x. muvelet
után a mozgások nagysága 2x-edére csökken.
7
Visszafelé dolgozó stratégia

• A piramis legfelso szintjén meghatározzuk a
  maximum 1 pixel nagyságú mozgásokat majd egy
  szinttel lejjebb ugrunk, itt a (2i, 2j), (2i1,
  2j), (2i, 2j1) és (2i1, 2j1) vektorok
  megkapják az elozo szint (i, j) vektor értékétnek
  kétszeresét.
• Ezen becslés után egy finomító lépés következik.

8
Optical Flow becslése összefoglalás

• Az Optical Flow meghatározása
• 2 szekvencia kiválasztása
• Gauss-piramis elkészítése a két képbol
• A felso szinten maximálisan 1 pixel nagyságú
  mozgások meghatározása.
• Egy szinttel alacsonyabban lévo Optical Flow
  vektorok meghatározása
• Vektorok duplázása
• Finomítás
• GOTO 4 ha nem értük el a piramis alsó szintjét
• Megjegyzés Ha a gyakorlati alkalmazásban
  elegendo pontosságú a becsült Optical Flow, akkor
  ezen még javíthatunk egy opcionális ponttal, ha a
  Finomítás után egy simítást végzünk a vektormezon.

9
Összefoglalás

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

10
Mozgó objektumok követése
Cél Adott referenciaobjektum követése
11
HSV, LUV színterek, 2D hisztogram

• RGB nem használható megfeleloen
• HSV, LUV, van egy komponens a fényeronek
• 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

12
Expectation Maximization

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

13
Expectation Maximization
Várható értékek, valószínuségek (m4 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
14
Gaussian Mixture Model
Jelölje ? a követendo objektumot mely
hisztogramjának suruségét EM-el becsültük. ?
legyen egy tetszoleges pont melynek ismert a
színe. Annak a valószínusége, hogy a ? pixel az O
objektumhoz tartozik , ahol P(j) a j.
komponens valószínusége. Természetesen
Annak a valószínusége pedig, hogy a ?-t
a j. komponens tartalmazza
15
Az objektum lokalizálása

• Az objektum a t-1. képkockán Lt-1 középpontban
  St-1 méretu bounding-box-szal (befoglaló
  téglalap)
• A t. képkocka az Lt
• Ebbol a St
• Küszöbölés

16
Összefoglalás

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

17
A robotkamera
18
A robotkamera felépítése
mozgatás léptetomotorok
kommunikáció PC párhuzamos port
saját mikroprocesszor (PIC16C84)
19
Összefoglalás

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

20
Kísérleti eredmények optical flow
21
Kísérleti eredmények
22
Összefoglalás

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

23
Vége Köszönöm a figyelmet!