Analisi Immagini e Video N. Martorana I. Masi M. Meoni Introduzione Ground Truth Algoritmi Model Based Tracking Kalman Filter Condesation Esperimenti Video Risultati Conclusione UNIVERSITÀ DEGLI STUDI DI FIRENZE Facoltà di Ingegneria - Corso di laurea specialistica in I NGEGNERIA I NFORMATICA Kalman e ConDensation in video-tracking Sviluppo e comparazione dei due algoritmi per il tracciamento di oggetti su video Presentazione Elaborato ANALISI I MMAGINI E VIDEO Docente: Prof. Pietro Pala Assistenti: Ing. Walter Nunziati Ing. Andrew D. Bagdanov Autori: Nicola Martorana Iacopo Masi Marco Meoni 4 Luglio 2007
49
Embed
Kalman e ConDensation in video-tracking - Sviluppo e comparazione dei due algoritmi per il tracciamento di oggetti su video
Kalman e ConDensation in video-tracking - Sviluppo e comparazione dei due algoritmi per il tracciamento di oggetti su video
Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
UNIVERSITÀ DEGLI STUDI DI FIRENZE
Facoltà di Ingegneria - Corso di laurea specialistica in INGEGNERIA INFORMATICA
Kalman e ConDensation in video-trackingSviluppo e comparazione dei due algoritmi per il
tracciamento di oggetti su video
Presentazione ElaboratoANALISI IMMAGINI E VIDEO
Docente:Prof. Pietro PalaAssistenti:Ing. Walter NunziatiIng. Andrew D. Bagdanov
Autori:Nicola Martorana
Iacopo MasiMarco Meoni
4 Luglio 2007
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Introduzione
DefinizioneTracking video è quel processo che, dato un flussovideo, localizza e segue uno o più oggetti che simuovono nella scena.È quindi possibile ricavare informazioni su:
1 posizione passata2 stato attuale3 previsione dello stato futuro
L’ ambito di utilizzo è da collocarsi in settori come:
Industria per la localizzazione di oggetti in movimentoSistemi di video sorveglianza intelligenteSistemi software per editing dei video
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Obiettivi
L’applicazione deve poter:1 Eseguire Tracking basato su modelli tramite:
Kalman FilterConDensation
2 Possibilità di scelta del blob da tracciare in caso ditracking multiplo.
3 Tracciare a video l’andamento dei due algoritmi.4 Fornire un output dei risultati al fine di ottenere una
rappresentazione grafica dell’accuratezza dei duemetodi.
5 Progettare e realizzare l’applicazione in maniera taleche possa essere compilata ed eseguita supiattaforme diverse (Win32, Linux).
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Ambiente di lavoro
Condizione OttimaleLa misura del centro del blob è ottenibile per ogni framedel video.Nella realtà questa condizione non è detto che siaverificata.
Requisiti dei Video:
1 Telecamera di ripresa fissa2 Deve possedere un numero determinato di frames
iniziali con esclusivamente il background della scena
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Background Subtraction
L’idea di base è conoscere il modello dello sfondo,segmentando ogni frame del video in una maschera diforeground e background.
TipologieMetodi di base
Running average
Distribuzione Unimodale - Running gaussian average
Mixture of Gaussian
Possibili problematiche sono:
Presenza di illuminazione che genera ombreOggetti in movimento che si inseriscono nella scenaOggetti rilevati come foreground che fermano il loromoto
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Mixture of Gaussian (1)
Di tipo statistico e onlineModella le informazioni di ogni pixel come processo difunzioni gaussianePermette il tuning dei parametri come:
Soglia di classificazioneNumero di Gaussiane per pixel
Algoritmo:1) Ogni pixel xt è rappresentato da un processo di KGaussiane nella forma P (µk, σk, ωk):
xt =k∑
j=1
ωi,t ·1√
2π · σ2j,t
· e−
(xt−µj,t)2
2σ2j,t
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Mixture of Gaussian (2)Online learning2) Il processo è valutato sull’intensità dei valori di grigio deipixel con:
|xt − µj,t| > 2.5 · σj,t per j = 1..k
e i pesi ωj vengono riaggiornati.Rilevamento del foreground3) Si ordinano le k distribuzioni partendo da quelle conmaggior peso e minor varianza (bg) fino a quelle con minorpeso e maggior varianza (fg). Il parametro risulta: rj,t = ωj,t
δj,t
4) Le prime B distribuzioni ottenute dalla seguente formulasono associate al bg viceversa le altre:
B = argminb
b−1∑j=0
rj,t > T
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Ground Truth
La blob detection è effettuata tramite la libreria OpenCVlibblob.
Caratteristiche1 I blobs sono identificati attraverso il seguente metodo:
sul foreground non viene applicata nessuna mascheraper correggerlocon una soglia di differenza fg/bg di 10 sui valori digrigio
2 Si sceglie il blob a distanza euclidea minima tra tutte ledistanza calcolate dal punto del click utente alcentroide di ogni blob.
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Introduzione al Model-based TrackingLa misura, ottenuta come dato campionato, rappresenta ilcentroide del blob nella forma:
x = [xc, yc] (1)
Una volta campionato l’oggetto di interesse, le osservazionisono inserite come input ad un algoritmo, che può essere:
1 Filtro di KalmanAnni ’50Per moti lineari e semplicioggetti puntiformi
2 ConDensationAnni ’90Per moti non lineariOggetti dalla forma complessa
In caso di tracking multiplo in contemporanea è necessario unmeccanismo di associazione dati tra blob.
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Model-based Tracking
I due filtri possono tracciare oggetti di qualsiasi natura, manecessitano di un modello che definisca il moto dell’oggettostudiato.
DefinizionePer modello si intende la rappresentazione di un oggettoche trovi corrispondenza col fenomeno modellato per il fattodi riprodurne le caratteristiche e i comportamentifondamentali.
Il modello può essere ricavato empiricamente oppureconosciuto a priori.Nel caso più generale possibile è possibile utilizzare lalegge del moto di Newton:
s(t) = s0 + v t +12a t2 (2)
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Kalman Filter
Il filtro di Kalman è un insieme di equazioni matematicheche si offre come strumento per la stima dello stato di unsistema dinamico, sulla base di misure soggette a rumore,anche quando la vera natura del sistema è sconosciuta.
E’ lo strumento più utilizzato nei problemi di tracciamento,anche se si dimostra veramente efficiente solo nei casi incui:
il moto è molto semplice (lineare)l’oggetto da tracciare possa essere rappresentatocome un punto in movimentoil rumore che incide sul sistema possa esserericondotto a rumore di tipo gaussiano.
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Le equazioni
xt = A · xt−1 + B · ut−1 + wt (3)
zt = H · xt + vt (4)
xt è lo stato dell’oggetto
zt è la scelta dei parametri misurati che riteniamo utile a descrivereil moto tenuto conto anche un certo errore sulla misura
wt e vt sono due processi gaussiani con media zero e covariazarispettivamente Q e R
xt−1 è la posizione dell’oggetto all’istante precedente
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
AlgoritmoLe equazioni del filtro di Kalman sono raggruppabili in duemacrocategorie associate a due momenti ben distintidell’algoritmo di predizione:
Figura: Ciclo di Kalman completo
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Il Modello - 1Per descrivere il moto dei nostri oggetti ci è sembrata lascelta più semplice rappresentare il generico moto di unpunto nel piano.
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 verticaledell’oggetto nel punto (x, y)
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Il Modello - 2
x =
xyvx
vy
è il vettore di stato
A =
1 0 ∆t 00 1 0 ∆t
0 0 1 00 0 0 1
è la matrice di transizione del modello
But = 0 sull’oggetto non agiscono forze esterne
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Il modello - 3
Q =
ρ 0 0 00 ρ 0 00 0 ρ 00 0 0 ρ
covarianza del processo cherappresenta il rumore sul sistema
H =[1 0 0 00 1 0 0
]sceglie le componenti dello stato perconfrontarlo con la misura
R =[0.285 0.0050.005 0.046
]definisce il rumore associato alla misura
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Condensation - 1
E’ un’implementazione del Particle Filter, un filtro di tipoRicorsivo Bayesiano.
Conditional Density PropagationE’ un algoritmo di tipo probabilistico che risulta moltorobusto rispetto a dati rumorosi e a cambiamenti distato non lineari.Permette di essere utilizzato per lo studio di motidescritti anche da modelli complessi di tipo non lineare.Supporta previsoni di tipo multimodale.L’algoritmo utilizza un campionamento casuale eordinato delle posizioni assunte dall’oggetto nei variistanti di tempo per modellare funzioni di densità diprobabilità arbitrariamente complesse.
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Condensation - 2
Utilizza un numero N finito di campioni per approssimare lacurva che descrive la distribuzione dei dati p(xkz1:k).
Ciascun campione - sample - consiste di due valori: lo statoe il peso.
Chiamiamo con Ht il vettore dei samples all’istante t:
Ht = {−→s1(t), ...,−→sN (t)}
Dove:−→si (t) = {−→xi(t), p(xi(t))}−→xi(t) è la posizione associata al sample i all’istante t.p(−→xi(t)) è la probabilità associata alla posizione −→xi(t)che caratterizza il sample i
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Algoritmo - Inizializzazione
Al primo passo dell’algoritmo si inizializza tutti i samples:
Ciascuna posizione può essere scelta in modo casualesecondo una distibuzione uniforme.La probabilità associata a ciascun sample è invecedistribuita secondo una gaussiana standard centratanel valore medio tra il valore massimo e il valoreminimo assumibile per la posizione dell’oggetto e larelativa varianza.
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Algoritmo - passo tIl sample −→si (t) con probabilità maggiore è la predizioneper il Condensation al passo t.
Per passare dal vettore Ht al vettore Ht+1 si eseguonoquesti passi:
1 Si campiona la posizione reale dell’oggetto: −→z (t)
2 Si calcola la posizione per ciascun sample secondo lospostamento dato dal modello dinamico che descrive il motodell’oggetto:
−→xi(t + 1) = f(−→xi(t)) (5)
3 Si stima la probabilità p(−→z (t)) secondo la densità diprobabilità dei campioni all’istante t centrata in −→xi(t).
4 Per ogni sample è ricalcolata la probabilità condizionataapplicando il teorema di Bayes:
pi(−→xi(t + 1)) = p(−→xi(t) | −→z (t)) (6)
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Il Modello - 4
La nostra implementazione del Condensation rispettafedelmete l’algoritmo che è stato prima presentato.
Per quanto riguarda il modello dinamico associato si èutilizzata la stessa equazione valida per il tracciamento fattocon il filtro di Kalman:
xt+1 = Axt (7)
Dove:
A =
1 0 ∆t 00 1 0 ∆t
0 0 1 00 0 0 1
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Ciclo di lavoro
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Parametri degli esperimenti
Esperimenti: variazione di tre parametri nei tre video selezionati
Intervallo Frames Frames tra due applicazioni consecutive del TrackingAllontanamento dalle condizioni ottimali di lavoro,simulazione del comportamento dei tracker reali.
Q - Area Kalman Autovalori della matrice del rumore sul processo (Q)Ririsulta l’area di confidenza del filtro di Kalman, ovverol’area nella quale deve risiedere il blob al frameprecedente per poter continuare ad essere tracciatoall’esecuzione successiva.
Samples ConDensation Numero dei samples ad ogni esecuzioneÈ il numero totale di samples che utilizza il ConDensationper effettuare i calcoli statistici ad ogni esecuzione delTracking
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Parametri degli esperimenti
Esperimenti: variazione di tre parametri nei tre video selezionati
Intervallo Frames Frames tra due applicazioni consecutive del TrackingAllontanamento dalle condizioni ottimali di lavoro,simulazione del comportamento dei tracker reali.
Q - Area Kalman Autovalori della matrice del rumore sul processo (Q)Ririsulta l’area di confidenza del filtro di Kalman, ovverol’area nella quale deve risiedere il blob al frameprecedente per poter continuare ad essere tracciatoall’esecuzione successiva.
Samples ConDensation Numero dei samples ad ogni esecuzioneÈ il numero totale di samples che utilizza il ConDensationper effettuare i calcoli statistici ad ogni esecuzione delTracking
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Parametri degli esperimenti
Esperimenti: variazione di tre parametri nei tre video selezionati
Intervallo Frames Frames tra due applicazioni consecutive del TrackingAllontanamento dalle condizioni ottimali di lavoro,simulazione del comportamento dei tracker reali.
Q - Area Kalman Autovalori della matrice del rumore sul processo (Q)Ririsulta l’area di confidenza del filtro di Kalman, ovverol’area nella quale deve risiedere il blob al frameprecedente per poter continuare ad essere tracciatoall’esecuzione successiva.
Samples ConDensation Numero dei samples ad ogni esecuzioneÈ il numero totale di samples che utilizza il ConDensationper effettuare i calcoli statistici ad ogni esecuzione delTracking
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Parametri degli esperimenti
Esperimenti: variazione di tre parametri nei tre video selezionati
Intervallo Frames Frames tra due applicazioni consecutive del TrackingAllontanamento dalle condizioni ottimali di lavoro,simulazione del comportamento dei tracker reali.
Q - Area Kalman Autovalori della matrice del rumore sul processo (Q)Ririsulta l’area di confidenza del filtro di Kalman, ovverol’area nella quale deve risiedere il blob al frameprecedente per poter continuare ad essere tracciatoall’esecuzione successiva.
Samples ConDensation Numero dei samples ad ogni esecuzioneÈ il numero totale di samples che utilizza il ConDensationper effettuare i calcoli statistici ad ogni esecuzione delTracking
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Output & Scripting
Il software produce sei files di output:coordinateReali.txt Coordinate reali dell’oggetto da tracciare
coordinateKalman.txt Coordinate previste da Kalman
coordinateCondensation.txt Coordinate previste dal ConDensation
distanzaKalman.txt δk Distanza tra le coordinate reali e la previsione di Kalman
distanzaCondensation.txt δc Distanza tra coord reali e previsione ConDensation
Risultati.txt distanza media, δk, δc, varianza media ConDensation(σx, σy).
I files ottenuti vengono processati da due script bashgplot.sh Invoca degli script GNUPlot che restituiscono dei grafici relativi
ai risultati ottenuti, consentendo una valutazione immediatadell’esperimento effettuato.
exp.sh Organizza i files di output e le immagini comparative disegnatenel filesystem, consentendo un facile riepilogo dei risultati eduna ordinata catalogazione di questi.
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Output & Scripting
Il software produce sei files di output:coordinateReali.txt Coordinate reali dell’oggetto da tracciare
coordinateKalman.txt Coordinate previste da Kalman
coordinateCondensation.txt Coordinate previste dal ConDensation
distanzaKalman.txt δk Distanza tra le coordinate reali e la previsione di Kalman
distanzaCondensation.txt δc Distanza tra coord reali e previsione ConDensation
Risultati.txt distanza media, δk, δc, varianza media ConDensation(σx, σy).
I files ottenuti vengono processati da due script bashgplot.sh Invoca degli script GNUPlot che restituiscono dei grafici relativi
ai risultati ottenuti, consentendo una valutazione immediatadell’esperimento effettuato.
exp.sh Organizza i files di output e le immagini comparative disegnatenel filesystem, consentendo un facile riepilogo dei risultati eduna ordinata catalogazione di questi.
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Video selezionati
1 movie12.mjpeg (mjpeg/xvid)
- occlusione, moto circolare ecostante
- 640x480, 25fps, 50.4s
2 tappeto_nozoom.avi (avi/xvid)
- moto vario, repentine accelerazioni,oggetto entra ed esce dalla scena
- 320x240, 10fps, 59s
3 singlecar.avi (avi/xvid)
- moto costante, oggetto entra edesce dalla scena
- 648x484, 30fps, 33s
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Video selezionati
1 movie12.mjpeg (mjpeg/xvid)
- occlusione, moto circolare ecostante
- 640x480, 25fps, 50.4s
2 tappeto_nozoom.avi (avi/xvid)
- moto vario, repentine accelerazioni,oggetto entra ed esce dalla scena
- 320x240, 10fps, 59s
3 singlecar.avi (avi/xvid)
- moto costante, oggetto entra edesce dalla scena
- 648x484, 30fps, 33s
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
Video selezionati
1 movie12.mjpeg (mjpeg/xvid)
- occlusione, moto circolare ecostante
- 640x480, 25fps, 50.4s
2 tappeto_nozoom.avi (avi/xvid)
- moto vario, repentine accelerazioni,oggetto entra ed esce dalla scena
- 320x240, 10fps, 59s
3 singlecar.avi (avi/xvid)
- moto costante, oggetto entra edesce dalla scena
- 648x484, 30fps, 33s
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
movie12.mjpeg - MOD:3, Q:1000, S:1000
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
movie12.mjpeg - MOD:3, Q:1000, S:10
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
movie12.mjpeg - MOD:3, Q:1000, S:1000
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
movie12.mjpeg - MOD:3, Q:1000, S:10
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
tappetonozoom.avi - MOD:2, Q:1000, S:1000
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
tappetonozoom.avi - MOD:1, Q:500, S:1000
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
tappetonozoom.avi - MOD:2, Q:1000, S:1000
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
tappetonozoom.avi - MOD:1, Q:500, S:1000
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
tappetonozoom.avi - MOD:1, Q:1, S:1000
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
tappetonozoom.avi - MOD:1, Q:0.001, S:1000
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
tappetonozoom.avi - MOD:1, Q:1, S:1000
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
tappetonozoom.avi - MOD:1, Q:0.001, S:1000
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
ConclusioneFiltro di Kalman
Ottimo se eseguito ogni framePerde l’oggetto se fuori dall’area di confidenzaImpreciso su movimenti non lineariTentativo di predizione dell’oggetto non tracciato incaso di occlusione
ConDensation
Meno preciso di KalmanNon perde mai l’oggettoEfficiente su tracking non lineareOttimo tracciamento in caso di occlusione
Non è possibile elevare uno dei due approcci come migliore.Tuning dei parametri porta a conclusioni particolari.
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
ConclusioneFiltro di Kalman
Ottimo se eseguito ogni framePerde l’oggetto se fuori dall’area di confidenzaImpreciso su movimenti non lineariTentativo di predizione dell’oggetto non tracciato incaso di occlusione
ConDensation
Meno preciso di KalmanNon perde mai l’oggettoEfficiente su tracking non lineareOttimo tracciamento in caso di occlusione
Non è possibile elevare uno dei due approcci come migliore.Tuning dei parametri porta a conclusioni particolari.
AnalisiImmagini e
Video
N. MartoranaI. Masi
M. Meoni
IntroduzioneGround Truth
Algoritmi
Model BasedTrackingKalman Filter
Condesation
EsperimentiVideo
Risultati
Conclusione
ConclusioneFiltro di Kalman
Ottimo se eseguito ogni framePerde l’oggetto se fuori dall’area di confidenzaImpreciso su movimenti non lineariTentativo di predizione dell’oggetto non tracciato incaso di occlusione
ConDensation
Meno preciso di KalmanNon perde mai l’oggettoEfficiente su tracking non lineareOttimo tracciamento in caso di occlusione
Non è possibile elevare uno dei due approcci come migliore.Tuning dei parametri porta a conclusioni particolari.