Académique Documents
Professionnel Documents
Culture Documents
Mouvement Visuel
Mouvement en 2D vs 3D
10/01/2021
Analyse du mouvement visuel
3
10/01/2021
Analyse du mouvement visuel
4
10/01/2021
Analyse du mouvement visuel
5
10/01/2021
Séquence d’Images
6
⚫tk = t0 + kΔt
10/01/2021
Exemple : temps à l’impacte
7
constant
velocity
at t=0
D(t)=D0-Vt
10/01/2021
Exemple : temps à l’impacte
9
L
τ = V / D et l (t ) = f
D
dl (t ) L dD LV
l (t ) = =−f 2 = f 2 = l (t )
dt D dt D
10/01/2021
Problèmes induit par le mouvement
11
10/01/2021
Problèmes induit par le mouvement
12
⚫ Segmentation :
10/01/2021
Champ de mouvement
13
V
P
10/01/2021
Champ de mouvement
14
⚫ Géométrie du mouvement :
- Définir la relation entre les
mouvements/structures 3D et la
projection 2D du champ de
mouvement.
⚫ Mouvement Apparent vs Vrai
mouvement :
⚫- Définir la relation entre la
projection du champ de mouvement Flux optique
et les variations des intensités entre
les images (flux optique).
10/01/2021
Champ de mouvement 3D
15
V = -T – ω x P P
Tx
Tz
10/01/2021
Champ de mouvement 3D
16
Ty
P
(1)
Tx
Tz
10/01/2021
Champ de mouvement 2D
17
dp (2)
10/01/2021
Champ de mouvement 2D
18
10/01/2021
Décomposition du Champ de mouvement 2D
19
Supposant w = 0 :
10/01/2021
Analyse du champ de mouvement : Cas d’une
pure translation.
21
Tz < Tz >
0 0
10/01/2021
Analyse du champ de mouvement : Cas d’une
pure translation.
22
⚫ Si Tz = 0, alors
10/01/2021
Analyse du champ de mouvement : Cas d’un
mouvement plane.
23
10/01/2021
Analyse du champ de mouvement : Cas d’un
mouvement plane.
24
10/01/2021
Analyse du champ de mouvement : Cas d’un
mouvement plane.
25
10/01/2021
Estimation du champ de mouvement 2D
27
➢ Techniques de correspondances
• Correspondre et suivre les features dans l’image sur le temps
(e.g Filtre de Kalman).
• non dense correspondance.
10/01/2021
Estimation du champ de mouvement 2D : Méthodes
basée sur le flux optique
28
10/01/2021
Estimation du champ de mouvement 2D : Méthodes
basée sur le flux optique
29
10/01/2021
Estimation du champ de mouvement 2D : Méthodes
basée sur le flux optique
30
10/01/2021
Estimation du champ de mouvement 2D : Méthodes
basée sur le flux optique
31
Supposition #1 :
L’intensité d’un point de l’image reste constante sur le temps
10/01/2021
Estimation du champ de mouvement 2D : Méthodes
basée sur le flux optique
32
Supposition #2 :
Le déplacement et le pas du temps sont petits
10/01/2021
Estimation du champ de mouvement 2D : Méthodes
basée sur le flux optique
33
⚫ Supposons :
(1)
⚫avec
⚫ =E(x+1,y) – E(x,y)
(x,y) (x+1,y)
e.g.,
(x(t),y(t))
e.g., E(x(t),y(t)) - E(x(t+1),y(t+1)) …
(x(2),y(2))
(x(1),y(1))
10/01/2021
Estimation du champ de mouvement 2D : Méthodes
basée sur le flux optique
36
10/01/2021
Estimation du champ de mouvement 2D : Méthodes
basée sur le flux optique
37
Problème d’aperture
⚫ Nous ne pouvons pas retrouver complètement v comme nous avons
une seule équation avec deux variables !
vn v
vp
10/01/2021
Estimation du champ de mouvement 2D : Méthodes
basée sur le flux optique
38
Problème d’aperture
10/01/2021
Estimation du champ de mouvement 2D : Méthodes
basée sur le flux optique
39
Problème d’aperture
Il y a plusieurs mouvements du
rectangle compatibles avec ce qu’on
voit via l’aperture.
La composante du champ de mouvement
dans la direction orthogonale au gradient
spatial de l’image est non contrainte par
l’équation de constance de l’intensité de
l’image.
10/01/2021
Estimation du champ de mouvement 2D : Méthodes
basée sur le flux optique
40
10/01/2021
Estimation du flux optique
41
⚫ Exemples de contraintes :
1. Vitesse constante localement
2. Modèle paramétrique local
3. Contrainte de régularité
10/01/2021
Estimation du flux optique : (1) Vitesse constante localement
(algorithm de Lucas and Kanade )
42
10/01/2021
Estimation du flux optique : (1) Vitesse constante localement
(algorithm de Lucas and Kanade )
43
Q
pi
⚫ Remarques
solution normale vn
10/01/2021
Estimation du flux optique : (1) Vitesse constante localement
(algorithm de Lucas and Kanade )
45
⚫ Remarques :
➔ Faible texture
10/01/2021
Estimation du flux optique : (1) Vitesse constante localement
(algorithm de Lucas and Kanade )
46
⚫ Remarques :
➔ Bordure
10/01/2021
Estimation du flux optique : (1) Vitesse constante localement
(algorithm de Lucas and Kanade )
47
⚫ Remarques :
➔ Région forte texturée
10/01/2021
Estimation du flux optique : (1) Vitesse constante localement
(algorithm de Lucas and Kanade )
48
⚫ Remarques :
➔ La fenêtre de mesure doit contenir suffisamment de
changement de gradient pour pouvoir estimer le mouvement
10/01/2021
Estimation du flux optique : (1) Vitesse constante localement
(algorithm de Lucas and Kanade )
49
10/01/2021
Estimation du flux optique : (1) Models Paramétrique Local
(Approximation du premier ordre)
50
10/01/2021
Estimation du flux optique : (1) Models Paramétrique Local
(Approximation du premier ordre)
51
w = Ha
vy 1
ou
a = (HT H)-1 HT
α6
w
10/01/2021
Estimation du flux optique :
(3) Contrainte de régularité
52
10/01/2021
Estimation du flux optique :
(3) Contrainte de régularité
53
avec
10/01/2021
Estimation du flux optique :
(3) Contrainte de régularité
54
10/01/2021
Estimation du flux optique :
(3) Contrainte de régularité
55
Remarques :
⚫ La contrainte de régularité n’est pas vérifiée sur les bordure
des objets parce que les surfaces des objets peuvent être à
différentes profondeurs.
⚫ Cette contrainte est aussi non vérifiée quand les objets qui se
chevauchent sont en mouvement dans des directions
différentes.
10/01/2021
Estimer le champ de mouvement en utilisant la
correspondance des features
56
10/01/2021
Estimer le champ de mouvement en utilisant la correspondance
des features entre 2 trames
57
10/01/2021
Estimer le champ de mouvement en utilisant la correspondance
des features entre 2 trames
58
Q’
Q1 Q2 p’
p
I1 I2
•Pour chaque point feature p faire :
• Initialiser d = 0
1) Estimer le déplacement d0 dans une petite région Q1 en
supposant une vitesse constante : d = d + d0
2) Envelopper (wrap) Q1 à Q’ selon le déplacement estimé
3) Calculer la corrélation SSD entre Q’ et Q2 (le patch
correspondant sur l’image I2)
4) Si SSD > t, alors Q1 = Q’, aller à l’étape (1), sinon arrêt.
10/01/2021
Estimer le champ de mouvement en utilisant le suivi des
features entre plusieurs trames
59
t+1
t
t-1
10/01/2021
Estimer le champ de mouvement en utilisant le suivi des
features entre plusieurs trames
60
10/01/2021
Estimer le champ de mouvement en utilisant le suivi des
features entre plusieurs trames
61
➢ La prédiction de l’état
✓Basée sur le modèle de l’état
10/01/2021
Estimer le champ de mouvement en utilisant le suivi des
features entre plusieurs trames
62
• et st l’état de p à l’instant t :
10/01/2021
Estimer le champ de mouvement en utilisant le suivi des
features entre plusieurs trames
63
10/01/2021
Estimer le champ de mouvement en utilisant le suivi des
features entre plusieurs trames
64
yt+1 = yt+vy,t+wy,t
v x,t+1 = vx,t+wvx,t
vy,t+1 = v y,t+wvy,t
10/01/2021
Estimer le champ de mouvement en utilisant le suivi des
features entre plusieurs trames
65
• zt = Hst + vt
avec H reliant l’état courante st à la mesure courante zt et v t
représente l’incertitude de mesure.
zx,t = xt + vx,y
zy,t = yt + v y,t
10/01/2021
Estimer le champ de mouvement en utilisant le suivi des
features entre plusieurs trames
67
➢ La prédiction de l’état
✓Basée sur le modèle de l’état
10/01/2021
Estimer le champ de mouvement en utilisant le suivi des
features entre plusieurs trames
68
(x-t+1,y-t+1)
(xt,yt)
Prédiction du feature
au temps t+1
Prédiction du feature
au temps t
10/01/2021
Estimer le champ de mouvement en utilisant le suivi des
features entre plusieurs trames
69
Etimation Σt est la
a priori covariance de st
10/01/2021
Estimer le champ de mouvement en utilisant le suivi des
features entre plusieurs trames
70
10/01/2021
Estimer le champ de mouvement en utilisant le suivi des
features entre plusieurs trames
71
10/01/2021
Estimer le champ de mouvement en utilisant le suivi des
features entre plusieurs trames
72
Estimation
à posteriori
(2.4) Mise à jour de l’incertitude de st+1
Estimation
à posteriori
•
10/01/2021
Estimer le champ de mouvement en utilisant le suivi des
features entre plusieurs trames
73
10/01/2021
Estimer le champ de mouvement en utilisant le suivi des
features entre plusieurs trames
74
10/01/2021
Estimer le champ de mouvement en utilisant le suivi des
features entre plusieurs trames
75
⚫ Des améliorations de cet algorithme ont été proposé pour éviter ces
problèmes : exemple Le Filtre de Kalman étendu (Extended Kalman
Filter)
10/01/2021
76
Chapitre suivant :
Estimer le mouvement et la structure 3D à partir d’un
ensemble de correspondances de features.
10/01/2021