Índice:
1. Introducción.
2. Obtención de medidas.
2.1 Modelos de Background.
2.2 Métodos de medida.
2.3 Modelos de personas.
2.4 Integración de modelos.
3. Estimación de estados para sistemas lineales.
3.1 Conceptos básicos.
3.2 Estimadores lineales. Caso estático.
3.3 Filtro de kalman.
3.4 Modelos cinemáticos.
4. Modelos dinámicos no lineales.
4.1 Filtro de kalman extendido.
4.2 Filtro de partículas.
4.3 Condensation.
1. Introducción.
Mediante el uso de Tracking se busca el estudio y seguimiento mediante estimaciones del estado o blanco (target).
Típicamente, se usa en tratamiento de señales y consiste en:
Componentes cinemáticas (posición, velocidad, aceleración, etc….)
Otras componentes (valores de la señal y del espectro asociado, información…)
Variación de parámetros ( coeficientes de acoplamiento, velocidad de propagación…)
Por medida, entendemos las observaciones con ruido que realizamos sobre el estado actual y pueden ser:
Estudio de la posición.
Rango y relaciones con el sensor.
Tiempo de diferencia de un dato correlacionado entre dos sensores.
Frecuencia de banda de la señal emitida en ese estado.
Diferencia de frecuencia (efecto doppler) entre dos sensores.
Potencia de la señal.
1. Introducción.
1. Introducción.
Dificultad en la asociación de datos durante el proceso de medida, cuestión que genera incertidumbre:
Falsas alarmas aleatorias durante la detección del proceso.
Confusión debida a reflexiones o radiaciones espúreas cerca del target a medir.
Interferencias entre targets.
Errores en el proceso de medida.
Los problemas de asociación de datos son categorizados de acuerdo a los tipos de asociación:
Medición – Medición (inicialización del track).
Medición – Track (el objetivo es mantener el track).
Track – Track (Fusión entre seguimientos o Track fusion).
Modelos de asociación de datos:
El estado inicial es conocido o asumido por conveniencia y se escoge en la asociación de datos que más se repite aunque no necesariamente sea la correcta.
Se establece una hipótesis de comprobación de datos, asumiendo que esta hipótesis está sujeto a una probabilidad de error y considerando la predicción como si fuera cierta.
1. Introducción
En el caso de visión artificial, se busca un conjunto de objetos dado una secuencia de imágenes.
Aplicaciones:
Captura de movimiento: Si seguimos con precisión el movimiento de personas, podemos hacer un registro de sus trayectorias.
Reconocimiento y interpretación: Si el movimiento del objeto es característico podemos identificar los objetos e interpretar la escena.
Vigilancia: Detección de actividad de objetos conocidos.
Predicción: Dado un conocimiento a priori del movimiento predecir futuras posiciones.
1. Introducción.Sistema ADVICER.
Contexto: La existencia de lugares donde la seguridad es importante: Cajeros de bancos, estaciones de metro, aeropuertos, etc.
Objetivo: Detección asistida por ordenador y clasificación de eventos anómalos.
A partir de la detección de actividad se establece un diagnóstico de la escena.
Se definen las condiciones de alarma al controlador.
A partir del acceso a una base de datos de video el sistema aprende a reconocer, clasificando los eventos detectados.
Identificación de situación peligrosa en estación de metro.
Detección y seguimiento de personas.
Detección de congestión en entradas de estaciones.
Interfaz del entorno ADVICER
1. Introducción.Reconocimiento de gestos.
Reconocimiento de gestos para la comunicación humana.
Se utilizan modelos de Markov para clasificar movimientos de personas.
El método se basa en diferencias de imagen. A partir del cual se calculan estimadores de movimiento (centro, desviación media, intensidad, …)
Se determina la región de interés del gesto.
http://www.fb9-ti.uni-duisburg.de/mitarbeiter/eickeler/eickeler.html
2. Obtención de medidas.
2.1 Modelos de Background.
Generación de un modelo de fondo en ausencia de objetos en movimiento.
El modelo puede no ser estático, por lo que se busca su variabilidad. Ej. Escenas en un parque.
Modelo1:
Sea I(x) la intensidad de imagen en el píxel x, F(x) su valor medio en una secuencia y d(x) la desviación típica media.
Modelo2 (W4, haritaoglu):
Sea M(x) el mínimo, N(x) el máximo de un secuencia para el píxel x y D(x) el cambio máximo interframe encontrado.
Modelo3 (Rosales):
Se calcula la matriz de covarianza de la distribución de color para el píxel x en N frames, donde I(x,t) es la intensidad y F(x) es la media.
Para cada frame medimos la distancia ene le espacio de color:
Región:
2.2 Métodos de Medida.
Medida:
Correspondencia entre el objeto entre distintos frames mediante cajas o algún tipo de plantilla que envuelve al objeto.
Existencia de ruido sobre todo en escenas de interiores. Ej: Pantallas de ordenador, reflejos sobre cristal, cambios de iluminación, etc…
Inicialización:
Se utiliza una estrategia de fijar una lista con los objetos existente de forma que la aparición o desaparición de un nuevo objeto supone la supervivencia o desaparición de una hipótesis trascurridos varios frames.
Correspondencia:
Se establece correlación entre el objeto en dos frames consecutivos midiendo una determinada característica:
Correspondencia entre los perfiles del objeto (cambios de forma).
Intersecciones del área, correspondencia entre niveles de gris.
Utilización de curvas activas (Snakes o PDMs).
Medida de parámetros de movimiento o trayectoria. (Curvatura, velocidades).
Página siguiente  |