Académique Documents
Professionnel Documents
Culture Documents
Suivi de mouvement
(filtre de Kalman)
diffrence dimages
flot optique
Problmes :
Suivre le mme objet sans le perdre Trouver sa position dans chaque nouvelle image Sparer les diffrents mouvements de limage
On veut suivre un mme objet sur plusieurs images A partir des positions de lobjet dans les images passes, on veut trouver la position dans limage courante
position dans limage 4 position dans limage 3 position dans limage 2 position dans limage 1
Prdiction
Correction
Position initiale
Source : RC Johnson, A Brief Summarization of the Kalman Filter, V.A.S.T lab (USA).
x position initiale
x prdiction mesure
x mise jour
Il faut calculer une erreur pour chaque prdiction. Les mesures aussi comporte des erreurs (diffrentes des erreurs de prdiction)
Source : Temporal Filtering and Tracking, Introduction to Computer Vision, Stanford University (USA).
Lorsquon segmente un objet dans limage, ou lorsquon mesure la position dun objet dans limage, on a toujours des erreurs On veut calculer la trajectoire de lobjet en diminuant les erreurs
Position mesure Position relle Positions dun objet sur plusieurs images
8
Si plusieurs objets se dplacent en mme temps, on veut suivre chaque objet sparment et sans les confondre Exemple : match de football
On reprsente un objet suivre par un point Ce point est en fait un vecteur de caractristiques
Acclration ax et ay du point dans limage Taille (en pixels) de lobjet dans limage
x y X= vx vy
[]
10
personne, groupe, train, bruit, bote englobante minimale caratristiques : position, ratio 3D, hauteur/largeur,
11
Une mesure dans limage (position x et y seulement) Aprs segmentation (ou autre), on mesure le point Une correction sur le point (x, y, vx, vy)
12
Erreur sur la prdiction du point Puisquil sagit dune estimation seulement Parce quun point peut changer de direction ou de vitesse Erreur sur la mesure Venant surtout des algorithmes de traitement dimages
Hypothse : chaque variable suit une loi normale x ~ N(,2) : loi normale de moyenne et dcart-type
(ou de variance 2)
13
On utilisera donc les covariances au lieu des variances : x ~ N(,) : loi normale de moyenne et de covariance
Exemple de matrice de covariance :
2 x,y 2 y
14
Filtre de Kalman
On se base plutt sur les mesures rcentes que sur le pass lointain
On utilisera :
X : un tat calcul (prdiction ou correction) Y : une observation (ou mesure) dans limage
xt- t : prdiction de la position/vitesse du point dans limage yt : mesure de la position du point dans limage xt : correction de la position/vitesse du point dans limage
15
temps
position
temps
position
temps
Source : Forsyth and Ponce, Computer Vision: A Modern Approach, chap. 17, Prentice Hall, 2003.
18
Prdiction :
xt- = Dt xt-t+
Nous prdisons (et corrigeons) le vecteur dtat et les covariances entre variables (qui peuvent changer au cours du temps)
t- = d,t + Dt t-t+ Dt T
t+ = (I - Kt Mt) t-
Le signe - signifie une prdiction de la valeur Le signe + signifie une correction de la valeur
19
Typiquement Dt = Dt(t) = D (t) Mt = M (modle constant pour les mesures) En prdiction, lincertitude augmente avec le temps Ces modles derreur permettent de dire si on se fie plus aux mesures dans limage ou au calcul quon fait Le gain de Kalman K spcifie la force avec laquelle
Ltat courant va tendre vers les mesures avec le temps La prcision de lestimation de ltat va tre rduite avec le temps
20
Vecteur dtat : Vecteur dobservation : Modle dvolution des mesures : Modle dvolution des tats :
21
Vecteur dtat : Vecteur dobservation : Modle dvolution des mesures : Modle dvolution des tats :
x = [x,y,vx,vy]T y = [x,y]T
M=
1 0 0 0 0 1 0 0
0 1 0 0 t 0 1 0
]
0 t 0 1
1 0 D= 0 0
]
22
position
temps
23
Contour Rgion Histogramme des couleurs Blobs et/ou crtes Modle (gomtrique, apparence ou autre) Autre
But : trouver lobjet dans limage, estimer sa position (x,y) et donner cette position au filtre de Kalman
25
personne, groupe, train, bruit, bote englobante minimale caratristiques : position, ratio 3D, hauteur/largeur,
26
On veut :
Trouver des points de rfrence Prdire o ils se trouveront dans limage suivante laide dun modle du mouvement Rechercher et mesurer ceux-ci dans la zone de recherche prdite Corriger lestimation quon a faite Rpter
Source : Analyse Numrique Matricielle (IFT2450 automne 2004), Universit de Montral (Canada). 27
Rgions dintrt
t1
t2
Choisir le bloc le plus reprsentatif parmi tous les blocs possibles lintrieur dune fentre
Source : Patrick Hbert, Vision numrique, Universit Laval (Qubec, Canada)
30
SAD dx , dy =
m= x
n= y
I t m , n I t 1 m dx , n dy
31
Reconnaissance de scnarios
32
Reconnaissance de scnarios
diffrence dimages,
flot optique
Suivre le mouvement dans les images (tracking) Reconnatre des scnarios dans les images
33
Tracking Tracking
Alarms
access to forbidden area
A priori Knowledge
34
Voir vidos
Source : Franois Brmond, quipe-projet PULSAR, INRIA Sophia-Antipolis (France).
35
A) Scenario: Contact1
B) Scenario: Passing_by
Scnario en trois phases : 1) Approcher un objet mobile 2) Rester proche de lobjet mobile 3) Faire demi-tour et quitter
Scnario en trois phases : 1) Approcher un objet mobile 2) Rester proche de lobjet mobile 3) Quitter sans faire demi-tour Voir vidos
36
Exemple : scnario contact 1 Les donnes dapprentissage sont constitues de 600 images contenant un nombre gal dexemples positifs et ngatifs
approaching being_close
turning_around _leaving
Voir vidos
Source : Franois Brmond, quipe-projet PULSAR, INRIA Sophia-Antipolis (France).
37
approaching
being_close
leaving
Voir vidos
Source : Franois Brmond, quipe-projet PULSAR, INRIA Sophia-Antipolis (France).
38
Voir vidos
Source : Franois Brmond, quipe-projet PULSAR, INRIA Sophia-Antipolis (France).
39
Luminosit
Vue rapproche
Occlusions
40
Rfrences
(voir aussi la page web du cours)
http://www.iro.umontreal.ca/~dift2450/ http://www-sop.inria.fr/pulsar/personnel/Francois.Bremond/
RC Johnson, A Brief Summarization of the Kalman Filter, V.A.S.T (Vision and Security Technology) lab (USA).
http://www.rcjohnson.net/vast/Kalman%20Filter%20Summary.pdf
Introduction to Computer Vision (CS 223-B Winter Quarter of 2006/2007), Stanford University (USA).
41