A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Correspondência entre Pontos no Seguimento de Movimento em Imagens Raquel Ramos Pinho, João Manuel R. S. Tavares, Miguel Velhote Correia Laboratório de.

Apresentações semelhantes


Apresentação em tema: "Correspondência entre Pontos no Seguimento de Movimento em Imagens Raquel Ramos Pinho, João Manuel R. S. Tavares, Miguel Velhote Correia Laboratório de."— Transcrição da apresentação:

1 Correspondência entre Pontos no Seguimento de Movimento em Imagens Raquel Ramos Pinho, João Manuel R. S. Tavares, Miguel Velhote Correia Laboratório de Óptica e Mecânica Experimental Correspondência

2 Correspondência entre Pontos no Seguimento de Movimento em Imagens IntroduçãoMét. EstocásticosOptimizaçãoResultadosConclusões Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia # Índice Introdução; Métodos Estocásticos: –Filtro de Kalman; –Alternativas ao Filtro de Kalman; Optimização das Correspondências na Medição: –Algoritmo Simplex; –Distância de Mahalanobis; Resultados Experimentais; Conclusões e Perspectivas de Trabalho Futuro. Introdução

3 Correspondência entre Pontos no Seguimento de Movimento em Imagens IntroduçãoMét. EstocásticosOptimizaçãoResultadosConclusões Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia # Introdução É usual a análise de movimento ser dividida em: –Detecção; –Seguimento; –Reconhecimento. O seguimento, geralmente, envolve o emparelhamento de características/entidades como pixels, pontos, áreas... Aplicações práticas do seguimento: –análise do tráfego automóvel; –previsão das condições atmosféricas através do movimento das nuvens; –estudo do movimento dos lábios para permitir a sua leitura; –análise das deformações de objectos devido a forças; etc. Introdução

4 Correspondência entre Pontos no Seguimento de Movimento em Imagens IntroduçãoMét. EstocásticosOptimizaçãoResultadosConclusões Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia # Introdução Dificuldades comuns: –Complexidade dos objectos seguidos e das cenas: Múltiplos objectos; Variação topológica (divisão/fusão das entidades seguidas); Aparecimento/Desaparecimento dos objectos seguidos; Fundos complexos; Variações de iluminação; etc. –A inexistência de modelos computacionais perfeitos: Construídos considerando aproximações; Existência de perturbações incontroláveis não modeláveis deterministicamente. Utilização de Métodos Estocásticos Introdução

5 Correspondência entre Pontos no Seguimento de Movimento em Imagens IntroduçãoMét. EstocásticosOptimizaçãoResultadosConclusões Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia # Métodos Estocásticos Adequados para dados multivariados; Geralmente, obtêm melhores resultados dos que as metodologias baseadas em séries temporais; Definidos por espaços de estados. Neste trabalho: –Entidades: pontos; –Método Estocástico: Filtro de Kalman; –Vectores de Estados: Posição; Velocidade; Aceleração. Mét. Estocásticos

6 Correspondência entre Pontos no Seguimento de Movimento em Imagens IntroduçãoMét. EstocásticosOptimizaçãoResultadosConclusões Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia # Métodos Estocásticos Seguimento, consiste no cálculo recursivo de grau de certeza associado a cada estado em determinado instante, tendo em consideração os dados obtidos até esse momento. Para tal utiliza: –modelo do sistema; –modelo de medição. São consideradas três fases: –Previsão - utiliza o sistema do modelo para prever a função de densidade de probabilidade do estado no instante seguinte; –Medição - fortemente dependente da aplicação; –Correcção - utiliza a medição de forma a modificar a função densidade de probabilidade prevista. Mét. Estocásticos

7 Correspondência entre Pontos no Seguimento de Movimento em Imagens IntroduçãoMét. EstocásticosOptimizaçãoResultadosConclusões Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia # Filtro de Kalman Permite a estimativa do estado de um sistema de forma óptima caso: –a transição entre estados seja linear; –a função de probabilidade seja normal. Mét. Estocásticos

8 Correspondência entre Pontos no Seguimento de Movimento em Imagens IntroduçãoMét. EstocásticosOptimizaçãoResultadosConclusões Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia # Alternativas ao filtro de Kalman (exemplos) Filtro de Kalman Estendido: –Permite o seguimento de movimento não linear; –Aplicação complexa. Filtro de Condensação: –Utiliza a amostragem factorizada com um modelo estocástico de movimento dos objectos; –Propaga as amostras com pesos associados para formar o instante seguinte; –Requer a utilização de um número relativamente elevado de amostras (porque não é paramétrico); –Possibilidade de degeneração das partículas. Mét. Estocásticos

9 Correspondência entre Pontos no Seguimento de Movimento em Imagens IntroduçãoMét. EstocásticosOptimizaçãoResultadosConclusões Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia # Optimização das Correspondências A fase de correcção requer o estabelecimento de correspondências (matching) entre as entidades estimadas e as reais (medidas). No filtro de Kalman para a posição 2D, a área de pesquisa para o estabelecimento de correspondências é uma elipse: –Dificuldades: Nenhuma ou múltiplas entidades no interior da elipse; Usando um emparelhamento local, não há garantia de que se tenha obtido em termos globais o melhor emparelhamento para o conjunto de entidades seguidas. Optimização Técnica de Optimização Global + Distância de Mahalanobis

10 Correspondência entre Pontos no Seguimento de Movimento em Imagens IntroduçãoMét. EstocásticosOptimizaçãoResultadosConclusões Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia # Optimização das Correspondências Com a consideração da optimização global pretende-se assegurar a obtenção do melhor conjunto de correspondências para todas as entidades seguidas; O custo de cada emparelhamento é calculado usando a distância de Mahalanobis; A distância de Mahalanobis é uma distância euclidiana ponderada pela covariância; O método Simplex é utilizado para minimizar o custo global do emparelhamento. Optimização

11 Correspondência entre Pontos no Seguimento de Movimento em Imagens IntroduçãoMét. EstocásticosOptimizaçãoResultadosConclusões Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia # Resultados Experimentais Exemplos sintéticos: –Translação horizontal de 3 blobs: Legenda: Resultados Previsões Área de Incerteza Medições Correspondências Resultados

12 Correspondência entre Pontos no Seguimento de Movimento em Imagens IntroduçãoMét. EstocásticosOptimizaçãoResultadosConclusões Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia # Translação horizontal de 2 blobs (A e B) e rotação de 8º (C e D): Resultados Experimentais Sintéticos (Cont.) Previsões Área de Incerteza Medições Correspondências Resultados A B C D Resultados

13 Correspondência entre Pontos no Seguimento de Movimento em Imagens IntroduçãoMét. EstocásticosOptimizaçãoResultadosConclusões Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia # Continuação... Pontos C e D invertem sentido de rotação: Resultados Experimentais Sintéticos (Cont.) Previsões Área de Incerteza Medições Correspondências Resultados A B C D Resultados

14 Correspondência entre Pontos no Seguimento de Movimento em Imagens IntroduçãoMét. EstocásticosOptimizaçãoResultadosConclusões Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia # Sobreposição de pontos (Oclusão): Resultados Experimentais Sintéticos (Cont.) Previsões Área de Incerteza Medições Correspondências Resultados E F Resultados

15 Correspondência entre Pontos no Seguimento de Movimento em Imagens IntroduçãoMét. EstocásticosOptimizaçãoResultadosConclusões Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia # - Análise da Marcha I: Resultados Experimentais Reais Previsões Área de Incerteza Medições Correspondências Resultados Resultados

16 Correspondência entre Pontos no Seguimento de Movimento em Imagens IntroduçãoMét. EstocásticosOptimizaçãoResultadosConclusões Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia # - Análise da Marcha II: Resultados Experimentais Reais (Cont.) Resultados Previsões Área de Incerteza Medições Correspondências Resultados It. Erro Médio (Previsão/Medição) (pixels)

17 Correspondência entre Pontos no Seguimento de Movimento em Imagens IntroduçãoMét. EstocásticosOptimizaçãoResultadosConclusões Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia # Conclusões e Trabalho Futuro Na metodologia proposta para o seguimento de objectos, é utilizado: –filtro de Kalman; –um método de optimização global; –Distância de Mahalanobis. Usando a optimização global no emparelhamento obtêm- se as melhores correspondências para o conjunto de entidades seguidas. Abordagem apresentada revelou-se robusta (mesmo em casos de oclusão e com movimento não-linear). Conclusões

18 Correspondência entre Pontos no Seguimento de Movimento em Imagens IntroduçãoMét. EstocásticosOptimizaçãoResultadosConclusões Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia # Conclusões e Trabalho Futuro Este trabalho será considerado no desenvolvimento de uma aplicação de análise de movimento para o diagnóstico clínico da marcha e a análise do movimento em actividades desportivas. No futuro será interessante comparar os resultados obtidos pela metodologia proposta com os obtidos por métodos estocásticos adequados para movimento não- linear. Conclusões

19 Correspondência entre Pontos no Seguimento de Movimento em Imagens IntroduçãoMét. EstocásticosOptimizaçãoResultadosConclusões Raquel R. Pinho, João Manuel R. S. Tavares, Miguel V. Correia # Agradecimentos O primeiro autor, agradece a Bolsa de Doutoramento concedida pela FCT - Fundação para a Ciência e a Tecnologia, no âmbito do projecto POSI, sob a referência SFRH/BD/12834/2003. Este trabalho foi parcialmente realizado no âmbito do projecto Segmentação, Seguimento e Análise de Movimento de Objectos Deformáveis (2D/3D) usando Princípios Físicos, financiado pela FCT com a referência POSC/EEA- SRI/55386/2004.


Carregar ppt "Correspondência entre Pontos no Seguimento de Movimento em Imagens Raquel Ramos Pinho, João Manuel R. S. Tavares, Miguel Velhote Correia Laboratório de."

Apresentações semelhantes


Anúncios Google