confronto moto
Transcript
confronto moto
Dipartimento di Elettronica e Telecomunicazioni Università di Firenze Laboratorio Comunicazioni & Immagini Studio di tecniche per la rivelazione di traiettorie di veicoli in movimento in sequenze video Tesi di Laurea di: Giacomo Serini Corso di Laurea in Ingegneria delle Telecomunicazioni Relatori: Prof. Vito Cappellini Ing. Roberto Caldelli Sommario Panoramica sull’Object Tracking: classificazione algoritmi Algoritmi Model Based Algoritmi Features Based Algoritmi Contour Based Algoritmi Region Based Implementazione Algoritmo basato sul Block Matching Il Block Matching Algorithm Object Tracking basato sul BMA Risultati sperimentali Firenze, 18 Dicembre 2006 2 Object Tracking: applicazioni Videosorveglianza Analisi del traffico Firenze, 18 Dicembre 2006 3 Analisi del traffico Pixel processing level: Appartenenza di un pixel allo sfondo o ad un oggetto in movimento. Frame processing level: Analisi delle regioni in movimento. Tracking: Inseguimento, riconoscimento e classificazione degli oggetti. Estrazione parametri rilevanti (velocità). Firenze, 18 Dicembre 2006 4 Algoritmi di Tracking Algoritmi Features Based: si focalizza l’attenzione solo su alcuni particolari (Es: centroide). Primi frame sequenza Individuazione sfondo Segmentazione Bounding box e centroidi OBJECT TRACKING (CTDM1 CTDN1)2 (CTDM 2 CTDN 2 )2 M e N appartenenti a due frame consecutivi Firenze, 18 Dicembre 2006 5 Algoritmi di Tracking Algoritmi Model Based: richiedono un dettagliato modello geometrico. Distanza MIN Stima Estrazione Frame originale (I) bordi I modello T bordi S (T , I ) Stima della somiglianza Firenze, 18 Dicembre 2006 1 N Numero di punti del Template t T somiglianza OBJECT TRACKING d I (t ) 2 Distanza tra il punto t in T e il bordo più vicino di I 6 Algoritmi di Tracking Algoritmi Contour Based: si costruisce una rappresentazione del contorno aggiornandolo di frame in frame. I(t) Estrazione contorno Stima del moto I(t+1) Estrazione contorno Confronto contorni OBJECT TRACKING Firenze, 18 Dicembre 2006 7 Algoritmi Region Based Ad ogni oggetto viene associata una regione corrispondente Si esegue una stima del moto su sottoparti dell’immagine (blocchi) e si raggruppano quelle con spostamenti simili. Block Matching Algorithm (B.M.A.) Gli oggetti così determinati sono infine riconosciuti nella sequenza. Firenze, 18 Dicembre 2006 8 Il Block Matching Parametri fondamentali Dimensione dei blocchi Massimo spostamento Criterio di scelta Determina la somiglianza tra due blocchi Firenze, 18 Dicembre 2006 FINESTRA DI RICERCA M.A.D. (Mean Absolute Difference) M.S.E. (Mean Square Error) Comprende tutti i pixel relativi alle posizioni che il blocco può assumere Entrambe le funzioni devono essere minimizzate 9 Il Block Matching Tecniche di B.M.A. Esaustive : Si cerca il miglior confronto ovunque (Fullsearch). Multi step: Si ricercano i blocchi solo in alcune posizioni (Three Step Search). Firenze, 18 Dicembre 2006 10 Il Block Matching FRAME t-1 Firenze, 18 Dicembre 2006 FRAME t 11 Object Tracking con B.M.A. Schema a blocchi Frame 1 Frame 2 Block Matching Regolarizzazione vettori moto Frame 3 Block Matching Regolarizzazione vettori moto Traslazione di (-V) Firenze, 18 Dicembre 2006 Labelling Elimina zione etichette rumorose Resizing Resized Map 1-2 Labelling Elimina zione etichette rumorose Resizing Resized Map 2-3 temp. Resized Map 2-3 temp. traslata di (-V) Conteggio sovrapposizioni 12 Object Tracking con B.M.A. Estrazione dei Vettori di Moto Per estrarre i vettori di moto si usa l’algoritmo Fullsearch. Il criterio di scelta utilizzato è una variante del M.A.D. N N SAD Y (i, j ) Z (i, j ) i 1 j 1 Sum of Absolute Difference Firenze, 18 Dicembre 2006 Dimensione blocco Valori dei pixel in Y e Z 13 Object Tracking con B.M.A. Regolarizzazione Vettori di Moto Applicazione filtro a soglia e mediano Errori di stima del moto Regolarizzazione vettori di moto Firenze, 18 Dicembre 2006 14 Object Tracking con B.M.A. Etichettatura oggetti Due criteri utilizzati: Vicinanza spaziale Somiglianza vettori di moto || u v ||L2 ( xu xv )2 ( yu yv )2 ThL I due vettori di moto Firenze, 18 Dicembre 2006 La soglia scelta 15 Object Tracking con B.M.A. Eliminazione etichette rumorose Eliminazione etichette rumorose Etichette rumorose Descrizione scena reale Firenze, 18 Dicembre 2006 16 Object Tracking con B.M.A. Il passo di Tracking Sovrapposizioni > ThS ?2-3 temporanea Resized Map 1-2 Resized Map Resized Map 2-3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 5 5 5 5 5 5 -V Firenze, 18 Dicembre 2006 17 Risultati sperimentali Parametri fondamentali Bloch Matching: N = 16 Dimensione dei blocchi Massimo spostamento Soglia filtro vettori di moto P=7 Labelling: Soglia confronto somiglianza vettori di moto Soglia eliminazione etichette rumorose. Tracking: ThL = 3 Soglia sovrapposizioni ThS = N x N Firenze, 18 Dicembre 2006 18 Risultati sperimentali Risultati con configurazione standard Sequenza Taxi: Sequenza originale Firenze, 18 Dicembre 2006 Perdita del veicolo bianco a causa di movimenti di rotazione Sequenza elaborata 19 Risultati sperimentali Risultati con configurazione standard Sequenza Highway: Sequenza originale Firenze, 18 Dicembre 2006 Buoni risultati. Sovrasegmentazione dovuta a N grande Sequenza elaborata 20 Conclusioni Panoramica sull’Object Tracking: Classificazione algoritmi. Implementazione Algoritmo basato sul Block Matching: Descrizione dettagliata dell’algoritmo. Buone prestazioni. Difficoltà rilevazione movimenti rotatori. Fortemente dipendente da stima del moto. Necessità di immagini a buona risoluzione. Sviluppi futuri: Migliore regolarizzazione vettori di moto. Assunzioni a priori per gli spostamenti dei veicoli. Firenze, 18 Dicembre 2006 21